Număr de credite: 8

Cod: AMR0170

Predare: 2h curs

Limba de predare: română

Tip: curs optional de specialitate, semestrul 4, Masteratul Analiza Datelor Complexe

Curs

1. Generalized Linear Models (GLM):

- Conceptele fundamentale ale modelelor liniare generalizate.

- Diferența dintre GLM și modelele liniare obișnuite.

- Familii de distribuții.

2. Modelarea datelor cu distribuție discretă

- Aplicarea GLM pentru regresia liniară și logistică.

- Prezentarea distribuției binomiale și cazurile de utilizare.

- Regresia Poisson în cadrul GLM pentru date de tip frecvență.

- Regresia Negative-binomial pentru date de tip frecvență.

3. Modelarea datelor continue:

- Regresii cu distribuții gaussian și când este potrivită.

- Regresii cu distribuții gamma și exemple practice.

- Regresii cu distribuții inverse-Gaussian în cadrul GLM.

4. Metode pentru compararea și selecția modelelor GLM:

- Discuție despre metodele de maximă verosimilitate (ML) și metodele Bayesiane.

- Cum se interpretează coeficienții și parametrii GLM.

- Metode de evaluare a adecvării modelului.

5. Modelele mixte (mixed models):

- Explorarea conceptelor de bază ale modelelor mixte.

- Efecte fixe și efecte aleatoare

- Analiza diferențelor dintre modelele liniare generale și modelele mixte.

6. Interpretarea și evaluarea modelelor mixte:

- Cum se interpretează parametrii din modelele mixte.

- Evaluarea ajustării și calității modelului.

- Extinderea modelelor mixte (LMM) la modele hierarhice.

- Exemple practice de modele hierarhice.

7. Regresia spațială:

- Definirea conceptului de regresie spațială.

- Când este potrivită utilizarea regresiei spațiale.

- Cum să detectați și să modelați autocorelația spațială.

8. Tipuri de regresie liniare spațiale parametrice:

- Modelul de tip Lag (Spatial Lag Models).

- Modelul de tip Error (Spatial Error Models).

- Modelul de tip SARAR (Spatial Autoregressive with Autoregressive Errors Models).

9. Regresia spațială locală neparametrică:

- Regresia Locală (LISA).

- Regresie ponderată geografică (GWR).

10. Modele de regresie spațială cu heterogenitate:

- Modele SARAR-HET (Spatial Autoregressive with Heterogeneity).

- Modele SUR-SARAR (Seemingly Unrelated Regressions with Spatial Autoregressive Errors).

11. Raportarea regresiilor și vizualizarea lor:

- Tabele de raportare a regresiilor.

- Tabele de comparație a modelelor de regresie.

- Vizualizarea valorilor prezise.

12. Sesiune finală.

- Dunteman, George H. and Moon-Ho R. Ho, 2006. An Introduction to Generalized Linear Models. Thousand Oaks, London, New Delhi: SAGE Publications

- McCulloch, Charles E., Shayle R. Searle, John M. Neuhaus, 2011. Generalized, Linear, and Mixed Models, London: John Wiley & Sons.

- Arbia, G., 2014. A Primer for Spatial Econometrics: With Applications in R. New York: Springer.

50% examen scris

50% trei teme pentru acasă

10% prezență

Obiectivul general al disciplinei: Dezvoltarea competențelor studenților interesați de cercetarea academică și privată în utilizarea modelelor statistice avansate, cu accent pe Modelele Lineare Generalizate (GLM), Modele Mixte (MM) și Regresia Spațială (RS), precum și înțelegerea aplicării acestor modele în contexte practice.

Obiectivele specifice: Să dobândească cunoștințe solide în domeniul GLM și să fie capabili să: (a) înțeleagă conceptele fundamentale ale GLM și să le aplice în analiza datelor; (b) identifice și să aleagă corect familia de distribuții pentru datele analizate; (c) efectueze regresii liniare și logistice cu ajutorul GLM pentru date continue și discrete.

- Să dezvolte abilități în utilizarea MM: (a) să înțeleagă principiile de bază ale modelelor mixte; (b) să facă distincția între modelele liniare generale și modelele mixte; (c) să aplice modelele mixte pentru analiza datelor cu structură ierarhică sau repetată.

- Să dobândească expertiză în domeniul RS și să fie capabili să: (a) înțeleagă conceptul de regresie spațială și să identifice momentele în care este potrivită utilizarea acesteia; (b) să detecteze și să modeleze autocorelația spațială în date; (c) să utilizeze modelele spațiale pentru a investiga relațiile spațiale și influențele asupra datelor.