|
Vyučující
|
-
Militký Jiří, prof. Ing. CSc.
|
|
Obsah předmětu
|
V rámci tohoto předmětu budou popsány všechny základní typy prognostických modelů výše uvedených skupin s ohledem na triplet: data, model, kritérium kvality prognózy (odhadu parametrů). Budou uvedeny základní postupy pro realizaci jednotlivých fází budování prognostických modelů. - Předběžná analýza dat - zaměřená na posouzení kvality a ověření základních předpokladů. - Odhadování parametrů - vycházející z kritérií kvality predikčních schopnosti (modifikace vážené metody nejmenších čtverců). Posouzení souhrnné kvality modelu pomocí střední kvadratické chyby predikce MEP a kritérií komplexity modelu (BIC, AIC). - Diagnostika kvality modelu a dat - zaměřená na využití speciálních grafů pro analýzu reziduí a vhodnosti prognostického modelu. Budou uvedeny také možnosti posouzení stability a kvality prognóz na základě dodatečných informací.
|
|
Studijní aktivity a metody výuky
|
|
Samostatná práce studentů (studium textů, literatury, problémové úkoly,výzkum, pisemná práce), Samostatná výzkumná činnost studenta, Individuální konzultace, Seminář
|
|
Výstupy z učení
|
Prognózování je založeno na formulování pravděpodobných variant vývoje. Jde obyčejně o kombinaci současného stav vědeckého poznání v dané oblasti a poznatcích o minulosti skrytých obyčejně v datech. Uplatnění většiny matematicko statistických metod je založeno na předpokladu, že budoucí vývoj je extrapolací současných trendů. Problémem je, že všechny modely jsou přibližné a všechna data jsou nejistá (omezená minimálně chybami měření). Prognostické přístupy se pak dělí na datově orientované (víra v data - data mining) a modelově orientované (víra v model ? deterministické systémy s náhodným rušením) Logický je racionální přístup, kdy záleží na cíli, znalostech a času. Prognostické modely jsou obyčejně založeny na analýze časových řad (klouzavé průměrů (MA), autoregresní modely (AR), smíšené procesy (ARMA) a komplexnější modely ARIMA, SARIMA atd.), neparametrickém vyhlazování (spline, neuronové sítě) a příčinných parametrických modelech lineárních (běžně latentní proměnné a strukturní modely) a nelineárních (jako jsou růstové modely tj. empirické modely vývoje kvantifikované charakteristiky v průběhu času - logistický a zobecněný logistický, Gompertzův, exponenciální, logaritmický, Richardsův, Stannardův, Schnuteho). U všech těchto modelů se používá při jejich zpracování statistická analýza.
Student získá detailní znalosti problematiky v oblasti podle schválení oborovou radou
|
|
Předpoklady
|
Nespecifikováno
|
|
Hodnoticí metody a kritéria
|
Ústní zkouška
Ústní zkouška před komisí jmenovanou děkanem, písemná práce v rozsahu cca. 20 stran
|
|
Doporučená literatura
|
-
ABRAHAM, B., LEDOLTER, J. Statistical Methods for Forecasting. Hoboken: John Wiley & Sons, 2005. ISBN 978-04-7176-987-3.
-
BROCKWELL, P.J., DAVIS, R.A. Introduction to Time Series and Forecasting. Berlin: Springer, 2016. ISBN 978 0387953519.
-
KHARIN, Y. Robustness in Statistical Forecasting. Berlin: Springer, 2013. ISBN 978-3-319-00840-0.
-
MELOUN, M., MILITKÝ, J., HILL, M. Statistická analýza vícerozměrných dat v příkladech. Praha: Academia Praha, 2012. ISBN 978-80-2463-618-4.
-
MELOUN, M., MILITKÝ J. Interaktivní statistická analýza dat. Praha: Karolinum, 2012. ISBN 9788024621739 .
-
MELOUN, M., MILITKÝ, J. Statistical Data Analysis. Cambridge: Woodhead Publishing, 2011. ISBN 97808 57090102.
-
OVERMAN, A. R., SCHOLTZ, R.V. Mathematical Models of Crop Growth and Yield. Boca Raton: CRC Press, 2002. ISBN 978-0824708252.
-
PAN, J. X., FANG, K.T. Growth Curve Models and Statistical Diagnostics. Berlin: Springer, 2002. ISBN 978-0-387-21812-0.
|