pl | en

Applied statistics

Syllabus

Basic information

Field of study*
Doctoral school
Specialisation
-
Organizational unit
UEP
Level of qualification
Third-cycle programme
Mode of study
Full-time
Track
General academic
Didactic cycle
2019/2020
Subject code
UEPSDS.610.13109.19
Language of instruction
Polish
Mandatory
Obligatory
Block
Blok 0
Person responsible for the content of the syllabus
Maciej Beręsewicz
Period
Semester 1
Method of evaluation
Exam

Activities and hours
  • Participation in lectures: 15
  • Participation in classes: 30
Number of ECTS points
3

Subject’s educational aims

C1 Zapoznanie z problematyką statystyki stosowanej w naukach ekonomicznych w zakresie przygotowania, realizacji i odtwarzalności z wykorzystaniem narzędzi open source
C2 Zapoznanie z ograniczeniami klasycznych metod statystycznych w naukach ekonomicznych
C3 Nabycie umiejętności oceny i doboru odpowiednich metod statystycznych w narzędziach open source

Entry requirements

Podstawowa wiedza i umiejętności z zakresu statystyki, ekonometrii i informatyki

Subject's learning outcomes

Code Outcomes in terms of Effects Examination methods
Knowledge
W1 Zna różnicę między big data a źródłami danych statystycznych K3_W01, K3_W02, K3_W03, K3_W05 Written exam, Written exam with open questions, Final quiz, Final test, Class participation
W2 Zna pojęcie reprezentatywności i potrafi ją ocenić K3_W01, K3_W03 Written exam, Written exam with open questions, Final quiz, Final test, Class participation
W3 Zna metody statystyczne wykorzystywane w praktyce badań ekonomicznych w narzędziach open source K3_W02, K3_W03 Written exam, Written exam with open questions, Final quiz, Final test, Class participation
W4 Zna ograniczenia wynikające z interpretacji p-value K3_W01 Written exam, Written exam with open questions, Final quiz, Final test, Class participation
Skills
U1 Potrafi wybrać źródła danych i dobrać odpowiednie metody statystyczne / ekonometryczne / uczenia maszynowego K3_U01, K3_U04 Written exam, Written exam with open questions, Final quiz, Final test, Class participation
U2 Potrafi zaplanować badanie statystyczne z wykorzystaniem poznanych źródeł danych i metod analizy danych K3_U01, K3_U03, K3_U04, K3_U05 Written exam, Written exam with open questions, Final quiz, Final test, Class participation
U3 Potrafi przygotować powtarzalne i odtwarzalne badania ekonomiczne K3_U03, K3_U04 Written exam, Written exam with open questions, Final quiz, Final test, Class participation
U4 Potrafi wykorzystać otwarte narzędzie statystyczne do przeprowadzenia badań K3_U01 Written exam, Written exam with open questions, Final quiz, Final test, Class participation
Social competences
K1 Jest świadomy ograniczeń wynikających z wykorzystania big data w badaniach ekonomicznych K3_K01, K3_K03 Written exam, Written exam with open questions, Final quiz, Final test, Class participation
K2 Jest świadomy istotności powtarzalnych obliczeń w ekonomii K3_K01, K3_K02 Written exam, Written exam with open questions, Final quiz, Final test, Class participation
K3 Jest świadomy ograniczeń wynikających z interpretacji p-value w badaniach ekonomicznych K3_K02 Written exam, Written exam with open questions, Final quiz, Final test, Class participation

Study content

No. Course content Subject's educational goals Subject's learning outcomes
1. Big data a źródła statystyczne C1, C3 W1, W2, U1, K1
2. Reprezentatywność i jej znaczenie w badaniach C1, C3 W1, W2, U1, K1
3. Projektowanie badań statystycznych C2, C3 W3, U1, U2, K1
4. Znaczenie eksploracyjnej analizy danych C2, C3 W3, U1, U2
5. Statystyka a uczenie maszynowe C2, C3 W1, U3, U4, K1
6. Dobór metod statystycznych C2, C3 W3, U1, K1, K2
7. Znaczenie pakietów statystycznych i narzędzi open source w analizach statystycznych C2, C3 W3, U1, U3, U4, K2
8. Problemy z istotnością statystyczną (p-values) C2, C3 W3, W4, U2, U3, K2, K3
9. Odtwarzalność i powtarzalność badań statystycznych w ekonomii C1, C3 W3, W4, U2, U3, K2, K3
10. Statystyka częstościowa a bayesowska C2, C3 W3, K1, K3

Bibliography

Obligatory
  1. Beresewicz, M., Lehtonen, R. T., Reis, F., Di Consiglio, L., & Karlberg, M. (2018). An overview of methods for treating selectivity in big data sources, Eurostat
  2. Japec, L., Kreuter, F., Berg, M., Biemer, P., Decker, P., Lampe, C., ... Usher, A. (2015). Big data in survey research: Aapor task force report. Public Opinion Quarterly, 79(4), 839-880. https://doi.org/10.1093/poq/nfv039
  3. The American Statistican (2019), Statistical Inference in the 21st Century: A World Beyond p < 0.05, 73 (1)
  4. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA’s statement on p-values: context, process, and purpose. The American Statistician, 70(2), 129-133.
Recommended
  1. Einav, L., & Levin, J. (2014). Economics in the age of big data. Science, 346(6210), 1243089.
  2. The American Statistican (2018), Special Issue on Data Science, 72 (1)
  3. Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3-28.

Course advanced

Teaching methods:

Discussion, Case study, Laboratories

Teaching methods Method of evaluation Credit conditions
Lectures Written exam, Written exam with open questions Uzyskanie co najmniej 60% punktów
Classes Final quiz, Final test, Class participation Uzyskanie co najmniej 60% punktów

Calculation of ECTS points

Activity form Activity hours*
Participation in lectures 15
Participation in classes 30
Preparation for exam 15
Preparation for test 30
Student workload
Hours
90
ECTS
3.0
Workload involving teacher
Hours
45
ECTS
1.5
Practical workload
Hours
30
ECTS
1.0

* one hour of classes = 45 minutes