Metody estymacji efektów przyczynowych 1600-SZD-WM-MEEP
Warsztaty (WAR) Semestr zimowy 2022/23

Aiken, L.S., West, S.G. (1991). Multiple Regression: Testing and Interpreting Interactions. Newbury Park, London, New Delhi: Sage Publications.

Angrist, J.D., Pischke, J.S. (2009). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press.

Biecek, P. (2011). Analiza danych z programem R: Modele liniowe z efektami stałymi, losowymi i mieszanymi. Warszawa: PWN.

Fox. J. (2003). Effect Displays in R for Generalised Linear Models. Journal of Statistical Software 8(15).

Fox, J., Weisberg, S. (2018). Visualizing Fit and Lack of Fit in Complex Regression Models with Predictor Effect Plots and Partial Residuals. Journal of Statistical Software 87(9). https://www.jstatsoft.org/v087/i09

Lumley, T. (2010). Complex Surveys: A Guide to Analysis Using R. Hoboken: Wiley.

Żółtak. T. (2018). Rozłączność przedziałów ufności jako kryterium weryfikacji hipotez statystycznych. Prezentacja z konferencji Metodologiczne inspiracje 2018. https://www.researchgate.net/publication/328162989_Rozlacznosc_przedzialow_ufnosci_jako_kryterium_weryfikacji_hipotez_statystycznych

WK3, UW1

Wiedza:

Zna i rozumie:

- podstawowe zasady transferu wiedzy do sfery gospodarczej i społecznej oraz komercjalizacji wyników działalności naukowej i know-how związanego z tymi wynikami.

Umiejętności:

Potrafi:

- wykorzystywać wiedzę z różnych dziedzin nauki lub dziedziny sztuki do twórczego identyfikowania, formułowania i innowacyjnego rozwiązywania złożonych problemów lub wykonywania zadań o charakterze badawczym, a w szczególności:

- definiować cel i przedmiot badań naukowych, formułować hipotezę badawczą

- rozwijać metody, techniki i narzędzia badawcze oraz twórczo je stosować

- wnioskować na podstawie wyników badań naukowych.

Opis wymagań związanych z uczestnictwem w zajęciach, w tym dopuszczalnej liczby nieobecności podlegających usprawiedliwieniu:

Uczestnicy zajęć powinni posiadać podstawowe umiejętności prowadzenia analiz z wykorzystaniem regresji liniowej i jednowymiarowej analizy wariancji oraz podstawowe umiejętności pracy w środowisku statystycznym R (operacje na wektorach i „ramkach danych”).

Studenci mogą mieć jedną nieusprawiedliwioną nieobecność.

Zasady zaliczania zajęć i przedmiotu (w tym zaliczania poprawkowego):

obecność, aktywna praca na zajęciach, wykonanie projektu zaliczeniowego ilustrującego zastosowanie wybranej przez uczestnika spośród omawianych na zajęciach metody do przeanalizowania samodzielnie wybranego problemu badawczego

Metody weryfikacji efektów uczenia się:

lista obecności, ocena pracy na zajęciach, ocena projektu zaliczeniowego

Kryteria oceniania:

ocena pracy na zajęciach 50%, ocena projektu zaliczeniowego 50%