Predmetnik

Pred vpisom študent izbere mentorja in enega od sedmih modulov. Študent skupaj z mentorjem izbere predmete iz nabora obveznih in izbirnih predmetov. Vsi študenti morajo opraviti štiri obvezne predmete. Za vse študente so obvezni predmeti Sodobni statistični pristopi (5 KT), Statistično raziskovanje (5 KT) in Metodologija statističnega raziskovanja (5 KT). Študent dodatno obvezno izbere še enega izmed predmetov Izbrana poglavja ustreznega modula. Študent lahko izbira med 31 izbirnimi predmeti, ki so ovrednoteni s po 5 KT. Izbirne predmete si izbira glede na raziskovalno področje doktorske disertacije. Izbor izbirnih predmetov je možen tudi iz predmetnikov drugih primerljivih programov domačih in tujih univerz, ki imajo programe ovrednotene po sistemu ECTS ali drugih sistemih, ki omogočajo primerjavo vrednotenja. Izbor predmetov potrdita mentor in koordinator modula.

Struktura izvedbe programa po letnikih je zasnovana tako, da je v prvem letniku in v začetku drugega letnika večji poudarek na organiziranih oblikah pouka, kasneje pa je poudarek na raziskovalnem delu in pripravi doktorske disertacije.

V prvem letniku študenti pridobijo 15 KT iz obveznih temeljnih predmetov Sodobni statistični pristopi, Statistično raziskovanje in Metodologija statističnega raziskovanja. Glede na področje raziskovalnega dela si izberejo še tri izbirne predmete v skupnem obsegu 15 KT. 30 kreditnih točk je namenjenih individualnemu raziskovalnemu delu.

Glede na področje raziskovalnega dela si izberejo še tri izbirne predmete v skupnem obsegu 15 KT.

V drugem letniku študenti poslušajo obvezen modulski predmet (Izbrana poglavja na svojem področju doktorske teme) in ob koncu prvega semestra 2. letnika predstavijo temo doktorske disertacije.

V drugem letniku študenti v okviru predmeta Izbrana poglavja pridobijo poglobljeno znanje s področja doktorskega dela. S tem zberejo 15 kreditnih točk, 40 kreditnih točk je namenjenih individualnemu raziskovalnemu delu, 5 kreditnih točk pa predstavitvi teme doktorske disertacije, ki jo študenti predstavijo ob koncu prvega semestra 2. letnika.

Tretji letnik je namenjen individualnemu raziskovalnemu delu in izdelavi doktorske disertacije v obsegu 60 kreditnih točk.

Vsebina 3. letnika se nanaša na raziskovalno delo ter izdelavo doktorske disertacije, ki se nadaljuje tudi v 4. letniku. V 4. letniku doktorandi predstavijo doktorsko disertacijo pred javnim zagovorom, nato pa jo tudi javno zagovarjajo.

Raziskovalno delo mora biti zaključeno z najmanj enim znanstvenim člankom s prvim avtorstvom, objavljenim ali sprejetim v objavo v mednarodno priznanih revijah (SCI ali SSCI) pred oddajo doktorske disertacije v oceno.

V četrtem letniku se študenti posvetijo pretežno individualnemu raziskovalnemu delu, objavi znanstvenega članka in izdelavi doktorske disertacije v obsegu 50 kreditnih točk, 10 kreditnih točk pa si pridobijo s predstavitvijo doktorske disertacije pred javnim zagovorom in z javnim zagovorom doktorske disertacije.

Vsi študenti morajo opraviti tri obvezne predmete. Za vse študente sta obvezna predmeta Sodobni statistični pristopi (10 KT) in Metodologija statističnega raziskovanja. Študent morajo v 2. letniku opraviti še enega izmed predmetov Izbrana poglavja iz ustreznega modula.

Obvezni predmet Sodobni statistični pristopi združuje najsodobnejše vsebine posameznih modulov. Pri tem predmetu študenti dve kreditni točki od desetih pridobijo z iskanjem rešitev kompleksnih statističnih problemov bodočih delodajalcev. V okviru predmeta študenti predstavijo seminarsko delo iz vsebine predvidenega doktorskega dela, ki ga pripravijo v soglasju z mentorjem.

Predmeti Izbrana poglavja iz … so namenjeni delu na disertacijah študentov, obravnavi predlogov tem doktorskih disertacij, spremljanju njihovega dela na disertacijah ter izvajanju predavanj iz tem, ki jih bodo študenti potrebovali pri svojem raziskovalnem delu. V okviru predmeta študenti pripravijo in javno predstavijo dvajsetminutno predavanje na izbrano temo, dogovorjeno z nosilcem predmeta.

(Predmet, obvezen za vse.)

Predstavljene bodo teme iz naslednjih poglavij:

• Matematična statistika.
• Bayesove metode v statistiki.
• Simulacijske metode za statistično raziskovanje.
• Slučajni procesi.
• Časovne vrste.
• Multivariatna analiza.
• Analiza nominalnih spremenljivk.
• Statistično modeliranje.
• Neparametrična statistika.
• Raziskovalni načrti in zbiranje podatkov.
• Merjenje in zbiranje podatkov v uradni statistiki.
• Anketna metodologija.
• Manjkajoči podatki.
• Analiza omrežij.
• Analiza zgodovine dogodkov.
• Metode za analizo visoko dimenzionalnih podatkov.
• Načrtovanje in analiza poskusov.
• Psihometrija.
• Metode podatkovnega rudarjenja.
• Metode za nadzor in opazovanje proizvodnih procesov.
• Specifični statistični pristopi in metode za biologijo, družbene vede, ekonomske in poslovne vede, medicino, psihologijo, tehnične vede in druge vede.

(Predmet, obvezen za vse.)

Predstavljene bodo teme iz naslednjih poglavij:

• Pregled sredstev iz verjetnostnega računa.

• Vzorčenje, vzorčna porazdelitev, standardna napaka, intervali zaupanja.

• Statistični modeli, formulacija modelov, parametri, primeri, pomen statističnih modelov za analizo podatkov, napovedovanje na podlagi modelov, omejitve modelov.

• Ocenjevanje parametrov, metode ocenjevanja, določanje standardnih napak, asimptotske lastnosti cenilk, optimalnost cenilk.

• Preizkušanje domnev, testne statistike in njihove porazdelitve, test s kvocientom verjetij, asimptotske lastnosti testnih statistik, Neyman-Pearsonova lema, optimalni testi, analiza variance.

• Linearna regresija, predpostavke regresijskih modelov, metoda najmanjših kvadratov, izrek Gauss-Markova, napovedovanje, splošna linearna domneva, diagnostnične metode, posplošitve regresijskih modelov.

• Neparametrične metode, neparametrični preizkusi domnev, primerjava s klasičnimi preizkusi domnev.

• Modeli časovnih vrst, ARIMA modeli, ocenjevanje parametrov, preizkusi domnev.

• Simulacije, generatorji slučajnih števil, generiranje določene porazdelitve, bootstrap metoda, jack’knife metoda, omejitve simulacij.

(Predmet, obvezen za modul Biostatistika.)

Študent izbere enega od naslednjih treh sklopov:

1. Analiza preživetja:

• Temeljna znanja:
  • Krnjenje, krivulja preživetja, trenutno tveganje
  • Regresijski modeli v analizi preživetja
  • Točkasti procesi
• Specifične metode in poglavja:
  • Metode prileganja
  • Pojasnjena variabilnost
  • Relativno preživetje
  • Linearni model za okrnjene podatke
  • Pseudo-opazovanja
  • Sotveganja in večstanjski modeli

2. Metode za analizo visokodimenzionalnih podatkov z aplikacijami v bioinformatiki:

• Temeljna znanja:
  • Statistične značilnosti visokodimenzionalnih podatkov
  • Visokodimenzionalni podatki v biomedicinskih raziskavah
  • Metode za večkratno testiranje in razvrščanje
• Specifične metode in poglavja:
  • Vrste napak pri večkratnem testiranju.
  • Prilagojene in neprilagojene p-vrednosti in nadzor napake prve vrste
  • Multivariatne permutacijske metode
  • Multivariatne razvrščevalne funkcije
  • Ocena napovedne natančnosti

3. Načrtovanje in analiza poskusov 

• Temeljna znanja:
  • Vsebinsko pomembni pojmi
  • Osnovne poskusne zasnove: značilnosti, uporabnost, prednosti in slabosti
  • Bolj kompleksne poskusne zasnove: značilnosti, uporabnost, prednosti in slabosti
  • Statistična analiza: parametrični in neparametrični pristopi
  • Posplošeni linearni modeli in njihova uporaba za analizo poskusov
• Specifične metode in poglavja:
  • Modeliranje: različni pristopi in njihova uporaba
  • Odzivne ploskve

(Predmet, obvezen za modul Družboslovna statistika.)

Zbiranje podatkov:

• Anketno zbiranje podatkov v družboslovju.

• Sekundarni viri, administrativni podatki, tehnično zbiranje podatkov in metoda opazovanja.

• Vloga novih tehnologij.

• Kvaliteta podatkov in optimizacija stroškov.

• Procesiranje, arhiviranje in primerjalno raziskovanje.

• Etični in strokovni standardi.

Statistična analiza:

• Osnovni pregled pristopov in modelov.

• Multivariatna analiza spremenljivk na osnovi nominalnih, ordinalnih, intervalnih in razmernostnih lestvic.

• Pregledovalna statistična analiza in podatkovno rudarjenje.

• Obravnava manjkajočih podatkov:
  • klasični pristopi (ignoriranje, uteževanje, vstavljanje) in moderni pristopi (FIML, EM algoritem, večkratne imputacije).

(Predmet, obvezen za modul Ekonomska in uradna statistika.)

Predstavljene bodo izbrane teme iz naslednjih poglavij glede na vsebino doktorske disertacije:

• Statistični sistemi v ekonomiji in poslovnih vedah (Pomen in posebnosti podatkov v ekonomiji in poslovnih vedah; Merjenje v ekonomiji in poslovnih vedah; Koncepti in njihova operacionalizacija; Statistični standardi; Kakovost podatkov; Viri podatkov v ekonomiji in poslovnih vedah),
• Statistično svetovanje (predmet predstavi relevantne metodološke in statistične teme z vidika statističnega svetovanja, z vidika implementacije svetovalnih projektov s pomočjo podpornih programskih paketov, ter z vidika poročanja rezultatov svetovalnega projekta kvantitativno pismenemu in kvantitativno nepismenemu občinstvu),
  
  
• Nacionalni računi in transferji med generacijami (Usklajenost med sistemi makroekonomskih statistik ter mednarodna primerljivost ekonomskih agregatov; Satelitski računi posameznih področij ekonomske politike; Matrike družbenih računov (SAM) kot statistična osnova modelov; Uvajanje dimenzije starosti v sistem nacionalnih računov.
  Transferji med generacijami; Neplačano gospodinjsko delo v posamezni starosti: proizvodnja, potrošnja in transferji; Staranje prebivalstva in generacijska ekonomija),
  
  
• Indeksna števila in sestavljeni kazalci,
  
  
• Demografska analiza in modeli (A) Demografska analiza: 1. Longitudinalna in transverzalna analiza; 2. Demografski procesi: poročnost, rodnost, smrtnost in migracije; 3. Rast in obnavljanje prebivalstva; 4. Projekcije prebivalstva; 5. Splošni razvoj prebivalstva; 6. Ekonomija in politika prebivalstva; 7. Prebivalstveno-političen pomen načel nove ekonomije. (B) Demografski modeli: 8. Modeli dinamike prebivalstva; 9. Ekonomsko demografski modeli; 10. Drugi demografski modeli; 11. Demografski pritisk na vzdržnost pokojninskega in zdravstvenega sistema v prihodnje; 12. Uporaba demografske programske opreme na računalniku),
  
  
• Obdelava podatkov v uradni statistiki (Obdelava, zaščita in diseminacija podatkov v uradni statistiki: Metode in tehnike urejanja, uteževanja, imputacije in ocenjevanja variance. Urejanje podatkov v časovnih serijah, predhodne ocene in revizije.
  Ocenjevanje majhnih območij. Tehnike zakrivanja in zaupnost podatkov. Opisovanje in vizualizacija podatkov, rudarjenje statističnih podatkov in kreiranje znanja),
  
  
• Zbiranje podatkov v uradni statistiki (Sodobni pristopi v anketni metodologiji. Administrativni viri in registri. Masovni podatki. Povezovanje podatkov iz različnih virov. Druga aktualna vprašanja zbiranja podatkov v uradni statistiki, npr. breme poročanja, avtomatski zajem podatkov itd.),
• Posplošeni regresijski model, cenilke, asimptotska analiza in statistično sklepanje,
  
  
• Diskretna izbira, časovne serije, panelni podatki in multivariatni modeli,
  
  
• Večnivojski regresijski modeli (1. Uvod v večnivojsko modeliranje (Viri večnivojskih podatkov; Večnivojske teorije). 2. Dvonivojski modeli (Modeli z naključnimi presečišči; Modeli z naključnimi koeficienti). 3. Trinivojski modeli. 4. Koeficienti med različnimi nivoji. 5. Logistični modeli z naključnimi koeficienti. 6. Tristopenjski logistični modeli.)
  
  
• Analiza omrežij v ekonomiji,
  
  
• Druge relevantne in aktualne teme.

(Predmet, obvezen za modul Poslovna statistika.)

Predstavljene bodo izbrane teme iz naslednjih poglavij glede na vsebino doktorske disertacije:

• Statistični sistemi v ekonomiji in poslovnih vedah.
  
  
• Statistično svetovanje (predmet predstavi relevantne metodološke in statistične teme z vidika statističnega svetovanja, z vidika implementacije svetovalnih projektov s pomočjo podpornih programskih paketov, ter z vidika poročanja rezultatov svetovalnega projekta kvantitativno pismenemu in kvantitativno nepismenemu občinstvu).
  
  
• Indeksna števila in sestavljeni kazalci.
  
  
• Analiza podatkov kupcev (1. Uvod v analizo podatkov kupcev. 2. Življenjski cikel porabnika in tipologija podatkov kupcev. 3. Viri za analizo podatkov kupcev. 4. Baze podatkov kupcev in podatkovna skladišča. 5. Merjenje neto sedanje vrednosti kupca. 6. Profiliranje kupcev: RFM tehnika; Faktorska analiza; Tehnike razvrščanja.
  7. Modeliranje odzivov kupcev: Regresija; Odločitvena drevesa; Nevronske mreže. 8. Analiza nakupne košarice. 9. Posebne teme v analizi podatkov kupcev: Podatkovno rudarjenje in analiza podatkov kupcev; Spletno rudarjenje in analiza podatkov kupcev; Obravnava nominalnih podatkov; Obravnava velikih zbirov podatkov; Obravnava neuravnoteženih zbirov podatkov).
  
  
• Statistična kontrola kakovosti (1. Uvod v statistično kontrolo kakovosti. 2. Viri podatkov za statistično kontrolo kakovosti. 3. Vzorčenje za statistično kontrolo kakovosti. 4. Statistična kontrola procesov. 5. Kontrolne karte v teoriji in praksi. 6. Eksperimentalno raziskovanje in statistična kontrola kakovosti. 7. Statistična kontrola kakovosti v storitvenem sektorju. 8. Statistična kontrola kakovosti v realnem času).
  
  
• Analiza kategorialnih podatkov (Enostavna korespondenčna analiza. Multipla korespondenčna analiza. Logistična regresija (vključno z metodami za ponavljajoče meritve). Loglinearni modeli).
  
  
• Večnivojski regresijski modeli (1. Uvod v večnivojsko modeliranje: Viri večnivojskih podatkov; Večnivojske teorije. 2. Dvonivojski modeli: Modeli z naključnimi presečišči; Modeli z naključnimi koeficienti. 3. Trinivojski modeli. 4. Koeficienti med različnimi nivoji. 5. Logistični modeli z naključnimi koeficienti. 6. Tristopenjski logistični modeli).
  
  
• Analiza omrežij v poslovnih vedah.
• Posplošeni regresijski model, cenilke, asimptotska analiza in statistično sklepanje.
• Diskretna izbira, časovne serije, panelni podatki in multivariatni modeli.
• Modeliranje poslovnih procesov.
• Kvalitativno raziskovanje v poslovnih vedah.
• Druge relevantne in aktualne teme.

(Predmet, obvezen za modul Matematična statistika.)

Osnove matematične statistike:

• Temeljna znanja: Vrstilna statistika. Zadostnost, polnost in nepristranskost. Točkovno ocenjevanje. Testiranje hipotez. Sekvenčne metode. Intervali zaupanja. Cenilke po metodi najmanjšega verjetja. Variančna analiza.

Bayesove metode v statistiki:

• Temeljna znanja: Modeli z enim in več parametri ter povezava s standardnimi statističnimi metodami. Hierarhični modeli. Preverjanje modelov in analiza občutljivosti. Bayesovo načrtovanje poskusov. Uvod v regresijsko analizo.

• Specifične metode in poglavja: Vrste napak pri večkratnem testiranju. Aproksimacija s posteriornimimi modeli. Posteriorne simulacije. Simulacije z markovskimi verigami. Drugi specifični modeli Bayesove analize.

Matematične metode v ekonometriji:

• Temeljna znanja: Linearna in nelinearna regresija. Heteroskedastičnost in avtokorelacija.

Slučajni procesi:

• Temeljna znanja: Markovske verige. Procesi slučajnega pojavljanja. Procesi slučajnega razporejanja. Markovske verige z zveznim časom. Brownovo gibanje.

1. Raziskovalni načrti in zbiranje podatkov:

• raziskovalni načrti v psihologiji in psihometriji ter njihovi epistemološki vidiki;

• računalniška simulacija in sorodne metode;

• uporaba velikih podatkovnih baz;

• programiranje v izbranem jeziku (R, Matlab ipd);

• specifični vidiki poročanja o raziskovalnih izsledkih na področju psihološke statistike.

2. Izbrane teme iz psihometrije:

• posebna vprašanja klasične testne teorije (teorija spodnjih mej zanesljivosti, intervali zaupanja za pravi dosežek; teorija posplošljivosti);

• konceptualni problemi psihološkega merjenja (problem veljavnosti, merske lestvice, narava latentnih spremenljivk);

• facetna teorija;

• »unfolding« in analiza preferenčnih meritev;

• primerjalna evalvacija psihometričnih paradigem.

3. Analiza razlik med skupinami:

• ponovitveni pregled večfaktorskih načrtov;

• metode prevzorčenja in robustne metode;

• (multivariatna) analiza (ko)variance, analiza ponovljenih meritev;

• grafična analiza, contrasti, post-hoc testi;

• linearni  mešani modeli.

4. Modeliranje v psihologiji:

• splošni linearni model in njegove lastnosti;

• metode optimizacije v multivariatni analizi;

• hierarhični linearni modeli;

• latentne spremenljivke in zahtevnejša vprašanja faktorske analize;

• strukturno modeliranje: analiza poti, konfirmatorna faktorska analiza, splošni strukturni model; modeliranje interakcije, moderacije in mediacije ter sprememb in rasti;

• analiza preferenc in drugih nemetričnih podatkov; analiza kategoričnih podatkov.

Vloga statističnih metod v tehniki in industriji (različne vrste proizvodnih sistemov in uporaba statističnih metod za reševanje problemov v teh sistemih; različni načini uporabe statističnih metod v tehniki). Uporaba metode vzorčenja za nadzor proizvodnih procesov (določanje načrtov vzorčenja, različne vrste vzorčenja, mednarodni standardi). Metode za nadzor in opazovanje industrijskih procesov (osnovna načela kontrolnih kart, preizkusi slučajnosti, izboljšane metode za sledenje procesov).

Načrtovanje in analiza poskusov (zasnova in analiza slučajnih blokov, zasnova nepopolnih blokov, faktorski poskusi). Doseganje kakovosti s pravilnim oblikovanjem izdelkov in procesov (izbira parametrov, Taguchijeve metode, optimizacija izdelkov z uporabo funkcije izgube, načrtovanje tolerance). Analiza zanesljivosti (pojem zanesljivosti, ocene zanesljivosti).

Študenti lahko izbirajo med 31 izbirnimi predmeti, ki so ovrednoteni s 5 KT. Predmeti obravnavajo znanstvene vsebine, ki jih s svojim raziskovalnim delom proučujejo nosilci in izvajalci posameznih predmetov. Študent si izbere tri izbirne predmete glede na raziskovalno področje doktorske disertacije. Izbor izbirnih predmetov je možen tudi iz predmetnikov drugih primerljivih programov domačih in tujih univerz, ki imajo programe ovrednotene po sistemu ECTS ali drugih sistemih, ki omogočajo primerjavo vrednotenja.

Izbor predmetov mora biti potrjen s strani mentorja in koordinatorja modula.

Študenti matematičnega modula praviloma izberejo dva izbirna predmeta s seznama predmetov na doktorskem študiju Matematika na FMF. En predmet študenti praviloma izberejo s seznama izbirnih predmetov na programu Statistika. Pri tem ne morejo izbrati predmetov, ki so namenjeni nematematikom.

• Enostavna korespondenčna analiza.
• Multipla korespondenčna analiza.
• Logistična regresija (vključno z metodami za ponavljajoče meritve).
• Loglinearni modeli.

• Uvod, osnovni pojmi.
• Viri in zbiranje omrežnih podatkov.
• Kakovost merjenja omrežij.
• Vrste in predstavitve omrežij, programi za analizo omrežij.
• Zgradba omrežij: povezanosti, razbitja, izrezi, komponente, sredice, skrčitve, vzorci.
• Mere središčnosti in pomembnosti, otoki.
• Omrežja z vrednostmi na povezavah, Markovske verige kot omrežja.
• Aciklična omrežja.
• Dvovrstna omrežja in množenje omrežij.
• Časovna omrežja.
• Razvrščanje in bločno modeliranje.
• Statistična analiza in modeliranje omrežij - brezlestvična omrežja.
• Uporabe: rodovniki, internet, analiza besedil.

1. Osnove analize omrežij.

2. Medorganizacijska omrežja.

2.1 Tipi medorganizacijskih omrežij.

2.2 Viri podatkov in zbiranje za medorganizacijska omrežja.

2.3 Analiza medorganizacijskih omrežij.

 
3. Omrežja znotraj organizacij.

3.1 Tipi omrežji: Omrežja sodelovanja, omrežja znanja ...

3.2 Viri podatkov za omrežja znotraj organizacij.

3.3 Anketno zbiranje omrežnih podatkov.

1. Uvod v analizo podatkov kupcev.

2. Življenjski cikel porabnika in tipologija podatkov kupcev.

3. Viri za analizo podatkov kupcev.

4. Baze podatkov kupcev in podatkovna skladišča.

5. Merjenje neto sedanje vrednosti kupca.

6. Profiliranje kupcev:

• RFM tehnika.

• Faktorska analiza.

• Tehnike razvrščanja.

7. Modeliranje odzivov kupcev:

• Regresija.

• Odločitvena drevesa.

• Nevronske mreže.

8. Analiza nakupne košarice.

9. Posebne teme v analizi podatkov kupcev:

• Podatkovno rudarjenje in analiza podatkov kupcev.

• Spletno rudarjenje in analiza podatkov kupcev.

• Obravnava nominalnih podatkov.

• Obravnava velikih zbirov podatkov.

• Obravnava neuravnoteženih zbirov podatkov.

Osnovni pojmi analize zanesljivosti (funkcija zanesljivosti, stopnja okvarljivosti, stopnja odpravljivosti okvar, omejena dostopnost do podatkov, popravljivi sistemi, nepopravljive enote, itd.).

Verjetnostni modeli za porazdelitev življenjske dobe. Parametrični modeli (eksponentni, Weibullov, ekstremne vrednosti, lognormalni, gama, Birnbaum-Saundersov, itd.).

Modeli stopnje odpravljivosti okvar za popravljive sisteme (homogeni Poissonov proces, nehomogeni Poissonovi procesi).

Modeli stopnje okvarljivosti (model večkratnega tveganja, zaporedni model, vzporedni model, r izmed n model, model sistemov pripravljenosti).

Izbira ustreznega modela za verjetnostno porazdelitev življenjske dobe proizvoda, preizkušanje domnev o predpostavkah modela, ocenjevanje parametrov (Kaplan-Meierjev postopek, metoda kvocienta verjetij, metoda največjega verjetja, itd.).

Grafične metode (za popolne podatke, za enkratno omejene podatke in za večkratno omejene podatke).

Bayesove metode v analizi zanesljivosti (apriorni in posteriorni modeli porazdelitve).

Modeli za preizkušanje pospešene izrabe in življenjske dobe proizvodov (Arrhenius, Eyring, itd.).

• Anketni proces in njegove faze (koncipiranje, vzorčenje, vprašalnik, analiza podatkov …).

• Koncepti kakovosti anketnega raziskovanja.

  • Kakovosti podatkov in procesov (koncepti TQM).

  • Stroški, napake in management (koncept TSE).

  • Vzorčne in nevzorčne napake.

  • Merjenje, veljavnost, zanesljivost.

  • Pravila, priporočila in strokovni standardi (npr. TDM).

• Posebnost anketnega procesa v akademskem, poslovnem in javnem sektorju.

• Posebnosti načinov anketiranja (osebno, telefonsko, pisemsko, spletno …).

• Oblikovanje in testiranje anketnega vprašalnika.

• Urejanje, kodiranje, dokumentiranje, procesiranje in arhiviranje podatkov.

• Etični vidiki anketnega raziskovanja.

I. Demografska analiza

1. Longitudinalna in transverzalna analiza

2. Demografski procesi: poročnost, rodnost, smrtnost in migracije

3. Rast in obnavljanje prebivalstva

4. Projekcije prebivalstva

5. Splošni razvoj prebivalstva

6. Ekonomija in politika prebivalstva

7. Prebivalstveno-političen pomen načel nove ekonomije

II. Demografski modeli

8. Modeli dinamike prebivalstva

9. Ekonomsko demografski modeli

10. Drugi demografski modeli

11. Demografski pritisk na vzdržnost pokojninskega in zdravstvenega sistema v prihodnje.

12. Uporaba demografske programske opreme na računalniku

1. Teorija indeksa življenjskih stroškov.

2. Teorija indeksov v časovnih serijah.

3. Elementarni indeksi in agregiranje indeksov v več stopnjah.

4. Merjenje produktivnosti.

5. Dekompozicija indeksnih števil.

6 . Hedonski indeksi.

7. Indeksi v praksi in zanesljivost.

8. Oblikovanje sestavljenih kazalcev:

a) prednosti in slabosti,
b) koraki oblikovanja kazalcev,
c) gradniki kvalitete sestavljenih kazalcev.

9. Statistične metode namenjene oblikovanju sestavljenih kazalcev.

10. Sestavljeni kazalci v praksi:

a) kazalci Nove ekonomije,
b) ključni kazalci delovanja.

Internetno raziskovanje:

• Koncepti internetnega raziskovanja.
• Reaktivne in nereaktivne metode zbiranja podatkov.
• Etični vidiki internetnega raziskovanja.

Spletne ankete:

• Tipologija spletnih anket.
• Programska orodja za spletno anketiranje.
• Verjetnostni in neverjetnostni vzorci v spletnih anketah.
• Statistično sklepanje na osnovi neverjetnostnih vzorcev.
• Napake pri spletnih anketah (vzorčni okvir, merjenje, neodgovori …).
• Oblikovanja spletnega vprašalnika za različne naprave.
• Kombiniranje načinov anketiranja (mixed  modes).

Izbrane teme internetnega raziskovanja:

• Tehnična merjenja (zapisi logov, paradata, aplikacije za spremljanje gibanja, lokacije …) in veliko podatkovje.
• Osnove on-line kvalitativnih metod.
• Kombinacija spletnih kvalitativnih in kvantitativnih metod (mixed methods).
• Interakcija človek-računalnik in spletno zbiranje podatkov

Uvod v kvalitativno raziskovanje: umestitev v raziskovalni proces v primerjavi s kvantitativnim raziskovanjem, namen in pomen.

Viri podatkov za kvalitativno raziskovanje.

Etične dileme v procesu kvalitativnega raziskovanja.

Tipologije metod kvalitativnega raziskovanja.

Na spraševanju temelječe kvalitativne raziskovalne metode.

Na opazovanju temelječe kvalitativne raziskovalne metode.

Vzorčenje v kvalitativnem raziskovanju.

Analitična programska podpora kvalitativnemu raziskovanju.

Kvalitativno raziskovanje v praksi.

Druge aktualne teme.

Vektorski prostori:

• Lastne vrednosti in lastni vektorji,

• Posplošeni inverzi,

• Sistemi linearnih enačb.
  
  
  Izbirne vsebine:

• Matrične faktorizacije in matrične norme,

• Bločne matrike,

• Matrični odvodi,

• Kvadratne forme.

Vrstilne statistike.

Zadostnost in polnost.

Točkovno ocenjevanje.

Preizkušanje domnev.

Sekvenčne metode.

Območja zaupanja.

Cenilke po metodi najmanjših kvadratov.

Variančna analiza.

Neparametrične statistike.

Uvod v Bayesovo statistiko.

1. Klasična testna teorija:

- testni dosežek, pravi dosežek in napaka;

- modeli in metode ocenjevanja zanesljivosti;

- praktična uporaba koeficienta zanesljivosti pri sestavljanju testov in interpretaciji dosežkov;

- zanesljivost in latentna struktura testa.

2. Teorija odgovora na postavko:

- »fundamentalno merjenje« in Raschev model;

- preverjanje ustreznosti modela;

- drugi logistični modeli (za dihotomne, stopnjevane in kategorične postavke);

- večdimenzionalni modeli; faktorska analiza postavk;

- sestavljanje testov in adaptivno testiranje;

- izdelava vzporednih oblik in iskanje pristranskih postavk.

3. Pregled drugih paradigem merjenja vedenjskih odzivov.

• Grafične ponazoritne multivariatnih podatkov,
• multipla regresija,
• metode razvrščanja v skupine,
• metoda glavnih komponent,
• faktorska analiza,
• linearni strukturni modeli,
• druge metode glede na razpoložjiv čase:
  • večrazmernostno lestvičenje,
  • korespondenčna analiza,
  • kanonična korelacijska analiza,
  • diskriminantna analiza,
• pregled drugih metod.

• Usklajenost med sistemi makroekonomskih statistik ter mednarodna primerljivost ekonomskih agregatov.

• Satelitski računi posameznih področij ekonomske politike.

• Matrike družbenih računov (SAM) kot statistična osnova modelov.

• Uvajanje dimenzije starosti v sistem nacionalnih računov.

• Transferji med generacijami.

• Neplačano gospodinjsko delo v posamezni starosti: proizvodnja, potrošnja in transferji.

• Staranje prebivalstva in generacijska ekonomija.

• Vsebinsko pomembni pojmi.

• Osnovne poskusne zasnove: značilnosti, uporabnost, prednosti in slabosti.

• Bolj kompleksne poskusne zasnove: značilnosti, uporabnost, prednosti in slabosti.

• Statistična analiza: parametrični in neparametrični pristopi.

• Posplošeni linearni modeli in njihova uporaba za analizo poskusov.

Obdelava, zaščita in diseminacija podatkov v uradni statistiki:

• Metode in tehnike urejanja, uteževanja, imputacije in ocenjevanja variance.

• Urejanje podatkov v časovnih serijah, predhodne ocene in revizije.

• Ocenjevanje majhnih območij.

• Tehnike zakrivanja in zaupnost podatkov.

• Opisovanje in vizualizacija podatkov, rudarjenje statističnih podatkov in kreiranje znanja.

Pri predmetu bodo predstavljena in obdelana izbrana poglavja z naslednjih področij:

- predobdelava podatkov, odkrivanju osamelcev, konstruktivna indukcija, diskretizacija,

- izbor množice informativnih atributov,

- raziskovalna analiza podatkov, vizualizacija, tehnike inteligentne vizualizacije,

- napovedno modeliranje (uvrščanje in regresija) s poudarkom na izbranih osnovnih in modernih pristopih (Bayesovsko modeliranje, metoda podpornih vektorjev, učenje s pravili),

- osnovni pristopi v razvrščanju,

- tehnike vrednotenja postopkov modeliranja, cenilke napovedne točnosti,

- uporaba odkrivanja znanj iz podatkov na industrijskih, znanstvenih in poslovnih problemih, osnove uporabe teh tehnik na področju obdelave spletnih in tekstovnih podatkov,

- orodja za odkrivanje znanj iz podatkov, s poudarkom na skriptnih orodjih in okoljih z vizualnim programiranjem.

• Uvod: uvod v podatkovno rudarjenje in odkrivanje zakonitosti v podatkih, povezava s strojnim učenjem, vizualizacija podatkov in modelov, predstavitev CRISP-DM metodologije odkrivanja zakonitosti v podatkih.

• Tehnike rudarjenja podatkov: učenje odločitvenih dreves, učenje klasifikacijskih in povezovalnih pravil, razvrščanje v skupine, odkrivanje podskupin, učenje regresijskih dreves in relacijsko podatkovno rudarjenje.

• Ocenjevanje: predstavitev preiskovalnih hevristik, hevristik za ocenjevanje kvalitete naučenih vzorcev in modelov ter metodologijo evalvacije rezultatov.

• Praktično usposabljanje: praktična uporaba izbranih orodij rudarjenja podatkov.

• Napredna uporaba programskega okolja R.
• Računalniško orientiran pogled v statistične metode.
• Robustne metode in EDA.
• Metode za generiranje slučajnih števil.
• Uporaba simulacij (Monte Carlo).
• Samovzorčenje in ponovno vzorčenje.
• Neparametrično ocenjevanje porazdelitev.
• Vzorčenje z zavrnitvijo.
• Optimizacija.
• Eno in večdimenzionalno glajenje krivulj.
• Grafične predstavitve in vizualizacija rezultatov.
• Priprava ponovljivih analiz in poročil.

1. Slučajni procesi.

- Kaj je slučajni proces?

- Načini opisa slučajnega procesa.

2. Markovske verige.

- Markovske verige v diskretnem času.

- Klasifikacija stanj.

- Krepka lastnost Markova.

- Invariantne porazdelitve

- Ergodijske lastnosti markovskih verig.

- Monte Carlo simulacija.

- Markovske verige v zveznem času.

- Primeri uporabe markovskih verig v zveznem času.

3. Časovne vrste.

- Primeri časovnih vrst.

- Stacionarne časovne vrste.

- Avtokorelacija in parcialna avtokorelacija.

- ARIMA modeli.

- Ocenjevanje parametrov v ARIMA modelih.

- Kalmanov filter.

1. Empirična regresija in algebra najmanjših kvadratov.

2. Klasični linearni regresijski model in njegova posplošitev.

3. Funkcija verjetja, statistične porazdelitve in načela preverjanja domnev.

4. Asimptotska analiza: stohastična konvergenca in asimptotske značilnosti cenilk.

5. Ocenjevanje in preverjanje domnev v posplošenem regresijskem modelu.

1. Posplošeni linearni regresijski modeli.

2. Modeli časovnih vrst.

3. Modeli diskretne izbire in modeli odvisne spremenljivke z omejitvami.

4. Modeli panelnih podatkov.

5. Nelinearna regresija in multivariatni modeli.

1. Uvod v statistično kontrolo kakovosti.

2. Viri podatkov za statistično kontrolo kakovosti.

3. Vzorčenje za statistično kontrolo kakovosti.

4. Statistična kontrola procesov.

5. Kontrolne karte v teoriji in praksi.

6. Eksperimentalno raziskovanje in statistična kontrola kakovosti.

7. Statistična kontrola kakovosti v storitvenem sektorju.

8. Statistična kontrola kakovosti v realnem času.

Računalniška orodja za analizo mikromrež (R, Bioconductor) in povezovanje z bazami podatkov in ontologij.

• načrt poskusa,
• priprava podatkov,
• odstranjevanje šuma ozadja,
• normalizacija,
• analiza diferencialne izraženosti,
• metode za iskanje povezav med skupinami genov,
• grafične predstavitve in vizualizacija rezultatov.

Pomen in posebnosti podatkov v ekonomiji in poslovnih vedah.

Merjenje v ekonomiji in poslovnih vedah.

• Koncepti in njihova operacionalizacija.

• Statistični standardi.

• Kakovost podatkov.

Viri podatkov v ekonomiji in poslovnih vedah.

Predmet predstavi relevantne metodološke in statistične teme z vidika statističnega svetovanja, z vidika implementacije svetovalnih projektov s pomočjo podpornih programskih paketov, ter z vidika poročanja rezultatov svetovalnega projekta kvantitativno pismenemu in kvantitativno nepismenemu občinstvu.

1. Uvod v statistiko okolja.
2. Prostorska statistika.
3. Nestacionarni prostorski modeli.
4. Modeliti, ki jih opredeljujejo pogojne porazdelitve.
5. Zasnova omrežja spremljanja.
6. Statistika prostora in časa.
7. Trendi in časovne vrste v okolju.
8. Ekstremne vrednosti.

Statistični postopki, primerni predvsem za reševanje problemov v tehniki:
Načrtovanje statističnega opazovanja in zbiranja podatkov. Ustrezna predstavitev podatkov. Ocenjevanje parametrov in preverjanje statističnih domnev. Regresija in korelacija. Analiza poskusov. Časovne vrste. Metode za vzorčenje in za nadzor ter opazovanje industrijskih procesov. Seznanitev z ustreznimi programskimi orodji za reševanje statističnih problemov v tehniki.

1. Uvod v večnivojsko modeliranje

• Viri večnivojskih podatkov.
• Večnivojske teorije.

2. Dvonivojski modeli

• Modeli z naključnimi presečišči.
• Modeli z naključnimi koeficienti.

3. Trinivojski modeli

4. Koeficienti med različnimi nivoji

5. Logistični modeli z naključnimi koeficienti

6. Tristopenjski logistični modeli

• Sodobni pristopi v anketni metodologiji.

• Administrativni viri in registri.

• Masovni podatki.

• Povezovanje podatkov iz različnih virov.

• Druga aktualna vprašanja zbiranja podatkov v uradni statistiki, npr. breme poročanja, avtomatski zajem podatkov itd.