Programowanie statystyczne 2400-ZL2PS
Kurs oferuje studentom praktyczne umiejętności w zakresie analizy danych z wykorzystaniem oprogramowania statystycznego (np. R, Stata czy SAS). Zajęcia mają na celu zapoznanie uczestników z efektywnym wykorzystaniem tych narzędzi do statystycznej analizy danych. Studenci nauczą się importowania danych i przygotowania ich do analizy, w tym operacji na strukturach danych, transformacji zmiennych i łączenia zbiorów. Studenci nabędą też praktyczne umiejętności związane z analizami z zakresu statystyki opisowej, analizą korelacji oraz testami parametrycznymi i nieparametrycznymi, które są omawiane na zajęciach ze statystyki matematycznej. Szczególny nacisk położony zostanie na wizualizację danych – od podstawowych wykresów po zaawansowane metody graficznej prezentacji wyników.
Zajęcia mają umożliwiać zdobycie umiejętności tworzenia procedur, funkcji i programów do analiz statystycznych i ekonometrycznych. Programowanie statystyczne ma pozwalać zgłębić znajomość technik analizy i modelowania poznanych na licencjackim etapie studiów. Przedmiot ma wzmocnić samodzielność analityczną studentów na innych przedmiotach I etapu studiów. Studenci wykorzystywać będą głównie wiedzę z przedmiotów Statystyka Matematyczna i Rachunek Prawdopodobieństwa. Przedmiot ma wzmocnić samodzielność analityczną studentów na innych przedmiotach I etapu studiów.
Lista tematów:
Wstęp do programu R/Python/SAS, podstawowe obliczenia, tworzenie wektorów i macierzy.
Wczytywanie danych różnych formatów. Wczytywanie danych bezpośrednio z baz danych np. Bank Światowy, Eurostat, Bank Danych Lokalnych.
Łączenie zbiorów danych.
Tworzenie podstawowych wykresów oraz Wykresy 3D. Wybór odpowiedniego typu wykresu do rodzaju danych.
Maksymalizacja funkcji jednej i wielu zmiennych.
Wyliczanie podstawowych statystyk opisowych. Wyliczanie przedziałów ufności.
Wykonywanie podstawowych testów statystycznych. Statystyki testowe i odpowiadające im p-value. Testy parametryczne i nieparametryczne. Testowanie zgodności rozkładów.
Szacunkowy nakład pracy studenta: 3ECTS x 25h = 75h
(K) - godziny kontaktowe (S) - godziny pracy samodzielnej
konwersatorium (zajęcia): 28h (K) 0h (S)
kolokwium: 2h (K) 0h (S)
konsultacje: 1h (K) 0h (S)
przygotowanie do konwersatorium: 15h (K) 0h (S)
przygotowanie projektu zaliczeniowego: 14h (K) 0h (S)
przygotowanie do kolokwium: 15h (K) 0h (S)
Razem: 75h (K) + 0h (S) = 75h
Rodzaj przedmiotu
Efekty uczenia się
Po ukończeniu przedmiotu, student:
W ZAKRESIE WIEDZY:
zna i rozumie wady i zalety wykorzystywania programów komputerowych w analizowaniu danych.
zna i rozumie wybrane narzędzia analityczne i obliczeniowe wykorzystywane w pracy ekonomisty
zna i rozumie podstawowe techniki i narzędzia informatyczne.
W ZAKRESIE UMIEJĘTNOŚCI:
potrafi analizować dane z wykorzystaniem podstawowych metod statystycznych i ekonometrycznych w celu rozwiązania prostych problemów analitycznych
potrafi przygotować i stosować proste funkcje oraz skrypty obliczeniowe służące do wykonywania analiz statystycznych i testów statystycznych
potrafi korzystać z istniejących narzędzi analitycznych, w tym funkcji i skryptów opracowanych przez innych autorów, oraz dostosowywać je do realizacji określonych zadań obliczeniowych
W ZAKRESIE KOMPETENCJI:
jest gotów pracować z programami przygotowanymi przez innych oraz przygotowywać programy, które mogą być wykorzystywane przez innych oraz ocenić możliwość wykorzystania wybranego narzędzia do rozwiązania problemu
jest gotów komunikatywnie zaprezentować dane w postaci tabel i wykresów
jest gotów do samodzielnego rozszerzania wiedzy
Kryteria oceniania
Uzyskanie zaliczenia przedmiotu wymaga:
obecności na zajęciach (dopuszczalne są dwie nieobecności);
podstawą zaliczenia zajęć jest zdobycie przynajmniej 50% łącznego wyniku obliczonego jako średnia ważona z poszczególnych elementów zaliczenia (z wagami):
aktywność w czasie zajęć, polegająca w szczególności na udziale w dyskusji czy wykonywaniu prac, obliczeń i estymacji (10%),
kartkówki (20%),
praca zaliczeniowa (30%),
kolokwium (40%).
7. Skala ocen:
< 50% — 2
[50%; 60%) — 3
[60%; 70%) — 3,5
[70%; 80%) — 4
[80%; 90%) — 4,5
[90%; 100%] — 5
Literatura
Materiały przygotowane przez prowadzącego
Hadley Wickham, Mine Çetinkaya-Rundel, and Garrett Grolemund , R for Data Science (2e). Open Access https://r4ds.hadley.nz/
2. Givens G.H., Hoeting J.A., Computational Statistics, John Wiley & Sons, 2012
3. Laura M. Chihara,Tim C. Hesterberg, Mathematical Statistics with Resampling and R, John Wiley & Sons, 2011