5EN306 Aplikované kvantitativní metody I

Rozměr: px
Začít zobrazení ze stránky:

Download "5EN306 Aplikované kvantitativní metody I"

Transkript

1 5EN306 Aplikované kvantitativní metody I Přednáška 2 Zuzana Dlouhá

2 Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam popisných charakteristik 4. Vicenásobná regrese v ekonomické analýze 5. Vicenásobná regrese: DUMMY proměnné a jejich interakce 6. Difference in differences estimator 7. First Differencing a Fixed Effects 8. Instrumentální proměnné, Panelová data 9. Testy robustnosti 10. Úvod do časových řad (zbyde-li čas) témata se prolínají 2

3 Tvorba ekonomických modelů: teorie existující výzkum a vymezení vůči němu - kdo a jak to dělal u nás a ve světě - isis.vse.cz, elektronické zdroje VŠE, historický kontext a další okolnosti zkoumání - charakteristika politiky, trhu teoretické vymezení problému a empirický odraz (= co asi na čem závisí a proč???) 3

4 Příklad 1 Dráhy Asensio, J.: The success story os Spanish suburban railways: determinant of demand and policy, Transport Policy, Volume 7, Issue 4, October 2000, pp k dispozici na stránkách Cíl: odhalit determinanty poptávky po želez. přepravě v 11 regionech (Španělsko) panel měsíční data (1/ /1995) x regiony motivace: je potřebné zvýšit příjmy: jako to udělat? co to předpokládá: určit determinanty rozhodování o způsobu přepravy (= kauzalitu v ekonomickém pojetí) popsaný kontext drah, řízení a vývoj 4

5 Příklad 1 Ekonomický model byli jsme uvězněni v 2D prostoru, realita je však (mnohem!!!) bohatší učebnice: Qdx=f(P); ostatní determinanty hýbaly celou křivkou realita: Qdx=f(Px, Py, Pz,kvalita, I, POP ) elasticita učebnicová vs. realita 5

6 Příklad 1 Ekonomický model odkaz na jiné výzkumy: typy měření poptávky, výhody, nevýhody; inspirace přidaná hodnota obecně: co na čem a jakým směrem bude záviset autor vytvořil teoretický model: proč si vůbec komplikujeme život více rozměry? abychom odseparovali vliv jiných faktorů častokrát nás přímo zajímají i ostatní náhodné vlivy zpoždění v přizpůsobení zpoždění v přizpůsobení možná endogenita - co to je?? identifikační strategie zde hrozí endogenní charakter zejména u kvality: autoři používají instrumentální proměnné 6

7 Příklad 1 Ekonometrický model odraz teoretického modelu důkladný popis proměnných a důvodů pro zařazení; indexy transformace a konstrukce proměnných (price=real; qual= seat density ) co je PROXY? co je DUMMY? proč ji používáme? 7

8 Příklad 2 Ekonomika kriminality cíl: zjistit v jaké míře reagují jaké typy zločinců na vybrané typy politik motivace: optimální mix politiky dosavadní výzkum: Becker, Ehrlich, Cornwell &Trumbull review strategie: od méně k více sofistikovaným Becker, G. S. (1968): Crime and Punishment: An Economic Approach, Journal of Political Economy 76, pp k dispozici na stránkách y počet hodin strávených trestnou činností x 1 hodinová mzda z trestné činnosti x 2 hodinová mzda z legálního zaměstnání x 3 ostatní příjmy x 4 pravděpodobnost dopadení x 5 pravděpodobnost odsouzení po dopadení x 6 očekávaný rozsudek x 7 věk Funkce f závisí na užitkové funkci jedince (neznáme), užijeme však předpoklady z ekonomické teorie 8

9 Příklad 2 Ekonomický model založeno na maximalizaci očekávaného užitku rozhodnutí - porovnání výnosů a nákladů max Y i = zisk ze zločinu (monetární ekvivalent) E(u i ) = očekávaný užitek jedince F i = monetární ekvivalent trestu v případě dopadení, předpoklad Y i < F i p i = pravděpodobnost potrestání u i = užitková funkce již mám hypotézy (co+směry) co ještě (agregátně vs. individuálně)? věková struktura nerovnost mezd vzdělání pohlaví sociální zázemí morálka, 9

10 Příklad 2 Ekonometrický model 3. krok: Volba a konstrukce ekonometrického modelu Jak definovat a měřit jednotlivé faktory? např. doba strávená trestnou činností, odhad pravděpodobnosti dopadení Specifikace funkčního tvaru např. nejjednodušší forma vícenásobné regrese u je náhodná složka obsahující neměřitelné faktory (sociální zázemí, povahové charakteristiky jedince, vrozené vlohy apod.), chyby měření apod. výše uvedený příklad Wooldridge, kap. 1 10

11 Příklad 3 Kompenzace za zranění Meyer, B., Viscusi, K., Durbin, D.: Workers' Compensation and Injury Duration: Evidence from a Natural Experiment. The American Economic Review 1995b, 83 (3), pp k dispozici na stránkách cíl: zkoumal vliv zvýšení kompenzace za zranění na délku návratu do práce motivace: nejasná velikost efektu; vhodná příležitost kontext: zvýšení stropu náhrad ve dvou státech US (Kentucky a Michigan) přirozený experiment 11

12 Příklad 3 Ekonomický model klesá cena zranění (Q, typy) klesá cena marodění klesají náklady ušlé příležitosti roste výnos z reportu (falešného i skutečného) četnost a délka jsou dvě dimenze chování: zaměstnanec, zaměstnavatel, doktor durat f ( wage, benefit, med _ cost, injury _ type, age, industry _ type, sex, married...) základní princip control group a metoda diff-in-diff je změna dostatečná? nedošlo k jiné změně? Co když se změnila kompozice zranění? Co když se změnila závažnost zranění? 12

13 Příklad 4 Výnosnost investic do vzdělání Zajistí nám studium na vysoké škole vyšší platy? Ovlivňuje kauzálně studium na VŠ plat? velmi naivní model endogenita co je v u (vrozená schopnost, kvalita vzdělání, rodinné zázemí, ) funkční tvar linearita? 13

14 Příklad 4 Ekonomický model Co ovlivňuje výši mzdy a proč? vzdělání produktivita, lidský kapitál, signální hry (hra s neúplnou informací, signály jsou aktivity účastníků trhu (práce), které mění představy a očekávání jiných účastníků trhu (práce)) kvalita vzdělání lidský kapitál věk produktivita pohlaví produktivita, pozitivní diskriminace zkušenosti produktivita, signální hry praxe produktivita, signální hry barva pleti místo pobytu místo výkonu zaměstnání rodinné zázemí pracovitost, preciznost, rychlost, snaha Co z uvedeného je měřitelné? Typ proměnných? ekonometrický model má o hodně nižší dimenzi než model ekonomický Endogenita? 14

15 O co nám zpravidla jde? vliv X na Y musí to tak být, protože to říká selský rozum seženu data o něčem a něčem najdu v datech příklady udělám graf udělám korelační koeficient udělám regresi slyšel jsem o kontrolních proměnných, seženu je naskládám do y=a+bx + cx.., vše, ono mi to řekne (datamining) naskládám jen to, co považuji za rozumné udělám si model, který mi řekne, co mam považovat za rozumné, a jaký vliv bych čekal, otestuji hypotézy 15

16 Problémy měřitelnost faktorů proxy proměnné (vrozené vlohy, inteligence IQ je dostatečně reprezentativní?) reprezentativnost vzorku měřím vliv vzdělání na mzdu = nemohu v dotazníkovém šetření oslovovat pouze lidi v Praze zobecnění na populaci - kontrola koeficientů, kontrola citlivosti na změny (= testy robustnosti), dobrý výzkum se pozná dle toho, že zná, popisuje a respektuje své hranice problém ENDOGENIT (analyzuji vliv X na Y existence Z, vliv může mít Y na X, neexistuje ) data (nemáme vše co chceme, chyby měření, nemáme individuální data, nemáme časový rozměr, ) zpoždění v přizpůsobení (zahrnutí zpožděné endogenní proměnné) př. Asensio 16

17 Řešení endogenity přirozený experiment řízený experiment zpoždění kontrolní proměnné kontrolní skupina (diff-in-diff) Meyer instrumentální proměnné Asensio (kvalita) data typy? ekonometrická koncepce, adtd 17

18 Co jsi musíme uvědomit? korelace NENÍ kauzalita!!! Y X u cov( XY, ) var( X) rozptyl je vždy kladný závisí na kovarianci resp. korelaci zjistíme, že žádný ekonometrický koncept nedokáže hledat kauzalitu ani skutečně prokázat, kauzalitu předpokládáme (ekonomická teorie, znalost transmisních mechanismů reálného systému) statistická významnost neznamená, že X ovlivňuje Y, ale že tyto jsou silně spjaty co vše může znamenat silná korelace mezi X a Y? kauzalita ekonomická vs. statistická 18

19 Jak na to? medicína: pilulkové experimenty ekonomie nemá takový experiment experimentální ekonomie, ale nedokonalá (lidi se v laboratoři chovají divně) neuroekonomie (ekonomické chováni a jeho evoluce jako integrace mozku s prostředím), ale nejlepší je mít lidi v přirozeném prostředí = přirozený experiment: princip je změna podmínek -> změna chování - (jak) budou lidi reagovat na změnu? 19

20 Přirozený experiment Přirozený experiment potřebuje: 1. Dostatečně velikou exogenní změnu 2. Správné načasování 3. Čas pro přizpůsobení 4. Validní kontrolní skupinu 5. Reálné (nikoli deklarované) chování v reálných (nikoli umělých) podmínkách 20

21 Shrnutí teoretický model teorie = co přesně chci měřit teorie = na čem všem to teoreticky závisí teorie = co vše závisí od toho (a tím komplikuje měření) teorie = jakým směrem to bude záviset to všechno: ekonomie + předešlý výzkum + selský rozum 21

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I 5EN306 Aplikované kvantitativní metody I Přednáška 1 Zuzana Dlouhá Úvod do předmětu obecné informace Konzultační hodiny: úterý 16:00 18:00, místnost 433 NB e-mail: figlova@vse.cz // zuzana.dlouha@vse.cz

Více

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I 5EN306 Aplikované kvantitativní metody I Přednáška 10 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam

Více

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I 5EN306 Aplikované kvantitativní metody I Přednáška 7 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam

Více

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I 5EN306 Aplikované kvantitativní metody I Přednáška 3 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam

Více

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I 5EN306 Aplikované kvantitativní metody I Přednáška 3 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam

Více

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I 5EN306 Aplikované kvantitativní metody I Přednáška 6 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. vorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam

Více

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I 5EN306 Aplikované kvantitativní metody I Přednáška 9 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam

Více

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I 5EN306 Aplikované kvantitativní metody I Přednáška 5 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam

Více

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I 5EN306 Aplikované kvantitativní metody I Přednáška 4 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam

Více

Cross-section pozorování Firma, člověk Časový úsek

Cross-section pozorování Firma, člověk Časový úsek Pooled data y = Xβ + ε Cross-section pozorování Firma, člověk ds = αsdt + σsdw Časový úsek Základní soubor Výběrový soubor Základní soubor Je Proces 1 konkrétní realizace Co sledovat firmu(y), osobu(y)

Více

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I 5EN306 Aplikované kvantativní metody I Přednáška 8 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam

Více

4EK201 Matematické modelování. 11. Ekonometrie

4EK201 Matematické modelování. 11. Ekonometrie 4EK201 Matematické modelování 11. Ekonometrie 11. Ekonometrie Ekonometrie Interdisciplinární vědní disciplína Zkoumá vztahy mezi ekonomickými veličinami Mikroekonomickými i makroekonomickými Ekonomie ekonomické

Více

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009

Více

5. PŘEDNÁŠKA EKONOMETRICKÝ MODEL REGRESNÍ ANALÝZA DUMMIES VÍCENÁSOBNÁ REGRESE

5. PŘEDNÁŠKA EKONOMETRICKÝ MODEL REGRESNÍ ANALÝZA DUMMIES VÍCENÁSOBNÁ REGRESE 5. PŘEDNÁŠKA EKONOMETRICKÝ MODEL REGRESNÍ ANALÝZA DUMMIES VÍCENÁSOBNÁ REGRESE 1 STRUKTURA PŘEDNÁŠKY - DNES - Formulace a strukturace problému za pomoci teorie; data; ekonometrický model; identifikační

Více

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy Ekonometrická analýza proces, skládající se z následujících fází: a) specifikace b) kvantifikace c) verifikace d) aplikace Postupné zpřesňování jednotlivých

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie Úvod do předmětu obecné informace Základní pojmy ze statistiky / ekonometrie Úvod do programu EViews, Gretl Některé užitečné funkce v MS Excel Cvičení 1 Zuzana Dlouhá Úvod do

Více

Měření závislosti statistických dat

Měření závislosti statistických dat 5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě

Více

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I 5EN306 Aplikované kvantitativní metody I Přednáška 6 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam

Více

MÍRY ZÁVISLOSTI (KORELACE A REGRESE)

MÍRY ZÁVISLOSTI (KORELACE A REGRESE) zhanel@fsps.muni.cz MÍRY ZÁVISLOSTI (KORELACE A REGRESE) 2.5 MÍRY ZÁVISLOSTI 2.5.1 ZÁVISLOST PEVNÁ, VOLNÁ, STATISTICKÁ A KORELAČNÍ Jednorozměrné soubory - charakterizovány jednotlivými statistickými znaky

Více

DISKRIMINACE NA TRHU PRÁCE

DISKRIMINACE NA TRHU PRÁCE DISKRIMINACE NA TRHU PRÁCE Tabulka. Poměr mezd mužů a žen v ČR (2009) Graf. Poměr mezd mužů a žen v ČR (2000-2009) Tabulka. Mzdová mezera ve vybraných zemích Vysvětlení mzdového rozdílu Jak vysvětlit,

Více

GEN104 Koncipování empirického výzkumu

GEN104 Koncipování empirického výzkumu GEN104 Koncipování empirického výzkumu Hypotézy Proměnné Konceptualizace Operacionalizace Měření Indikátory Využity podklady Mgr. K. Nedbálkové, Ph.D. etapy výzkumu I Formulace problému (čtu, co se ví,

Více

Teorie regionálního rozvoje. Neoklasické teorie

Teorie regionálního rozvoje. Neoklasické teorie Teorie regionálního rozvoje Neoklasické teorie Lokalizační teorie o tom jsme už mluvili co s tím? regionální věda Walter Isard (1919) multidisciplinarita a propojení ekonomie s geografií a prostorovým

Více

Teorie lidského kapitálu význam vzdělání

Teorie lidského kapitálu význam vzdělání Teorie lidského kapitálu význam vzdělání Lidský kapitál v ekonomické teorii - Termín pro označení znalostí a schopností pracovníka. - Merkantelisté, William Pety vzdělání za jeden z důležitých faktorů

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Sociologický výzkum (stručný úvod) Michal Peliš

Sociologický výzkum (stručný úvod) Michal Peliš Sociologický výzkum (stručný úvod) Michal Peliš vědy exaktní X sociální tvrzení deterministického charakteru univerzální platnost experiment prokazování kauzality tvrzení pravděpodobnostního charakteru

Více

Matematické modelování Náhled do ekonometrie. Lukáš Frýd

Matematické modelování Náhled do ekonometrie. Lukáš Frýd Matematické modelování Náhled do ekonometrie Lukáš Frýd Výnos akcie vs. Výnos celého trhu - CAPM model r it = r ft + β 1. (r mt r ft ) r it r ft = α 0 + β 1. (r mt r ft ) + ε it Ekonomický (finanční model)

Více

Lékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.)

Lékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.) Lékařská biofyzika, výpočetní technika I Biostatistika Josef Tvrdík (doc. Ing. CSc.) Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace úterý 14.10 až 15.40 hod. http://www1.osu.cz/~tvrdik

Více

Makroekonomie II. Miroslav Hloušek Katedra ekonomie Kancelář č. 606 Konzultační hodiny: pondělí:

Makroekonomie II. Miroslav Hloušek Katedra ekonomie Kancelář č. 606 Konzultační hodiny: pondělí: Organizace slide 1 Makroekonomie II Miroslav Hloušek Katedra ekonomie Kancelář č. 606 Konzultační hodiny: pondělí: 14.30-16.00 E-mail: hlousek@econ.muni.cz slide 2 Základní: Literatura MANKIW, G. (2010):

Více

1. Statistická analýza dat Jak vznikají informace Rozložení dat

1. Statistická analýza dat Jak vznikají informace Rozložení dat 1. Statistická analýza dat Jak vznikají informace Rozložení dat J. Jarkovský, L. Dušek, S. Littnerová, J. Kalina Význam statistické analýzy dat Sběr a vyhodnocování dat je způsobem k uchopení a pochopení

Více

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I 5EN306 Aplikované kvantativní metody I Přednáška 9 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam

Více

Základy ekonometrie. I. Úvod do ekonometrie a práce s daty. Základy ekonometrie (ZAEK) I. Úvod do ekonometrie a práce s daty Podzim / 66

Základy ekonometrie. I. Úvod do ekonometrie a práce s daty. Základy ekonometrie (ZAEK) I. Úvod do ekonometrie a práce s daty Podzim / 66 Základy ekonometrie I. Úvod do ekonometrie a práce s daty Základy ekonometrie (ZAEK) I. Úvod do ekonometrie a práce s daty Podzim 2015 1 / 66 Obsah tématu 1 Úvod do ekonometrie Ekonomický model Ekonometrický

Více

STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky)

STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky) STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky) 1) Význam a využití statistiky v biologických vědách a veterinárním lékařství ) Rozdělení znaků (veličin) ve statistice 3) Základní a

Více

Všeobecná rovnováha 1 Statistický pohled

Všeobecná rovnováha 1 Statistický pohled Makroekonomická analýza přednáška 4 1 Všeobecná rovnováha 1 Statistický pohled Předpoklady Úspory (resp.spotřeba) a investice (resp.kapitál), kterými jsme se zabývali v minulých lekcích, jsou spolu s technologickým

Více

České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská OKRUHY. ke státním závěrečným zkouškám BAKALÁŘSKÉ STUDIUM

České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská OKRUHY. ke státním závěrečným zkouškám BAKALÁŘSKÉ STUDIUM OKRUHY ke státním závěrečným zkouškám BAKALÁŘSKÉ STUDIUM Obor: Studijní program: Aplikace přírodních věd 1. Vektorový prostor R n 2. Podprostory 3. Lineární zobrazení 4. Matice 5. Soustavy lineárních rovnic

Více

Úvod do ekonomie Týden 11. Tomáš Cahlík

Úvod do ekonomie Týden 11. Tomáš Cahlík Úvod do ekonomie Týden 11 Tomáš Cahlík Obsah Makroekonomie a hospodářská politika Úvod Agregátní poptávka a Agregátní nabídka Hospodářský cyklus a stabilizační politika Inflace Hospodářská politika na

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD

TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD Umělé (dummy) proměnné se používají, pokud chceme do modelu zahrnout proměnné, které mají kvalitativní či diskrétní charakter,

Více

METODY VÝZKUMU GENDEROVÉ PROBLEMATIKY

METODY VÝZKUMU GENDEROVÉ PROBLEMATIKY METODY VÝZKUMU GENDEROVÉ PROBLEMATIKY BLOK 1: epistemologie BLOK 2: principy kvantitativního přístupu BLOK 3: principy kvalitativního přístupu etapy výzkumu I Formulace problému (čtu, co se ví, jak se

Více

Obsah. O autorce... V Předmluva... VII Seznam obrázků... XV Seznam tabulek... XIX Vybrané osobnosti ekonomie trhů práce... XXI

Obsah. O autorce... V Předmluva... VII Seznam obrázků... XV Seznam tabulek... XIX Vybrané osobnosti ekonomie trhů práce... XXI O autorce...................................................... V Předmluva..................................................... VII Seznam obrázků................................................ XV Seznam

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK11 Základy ekonometrie Autokorelace Cvičení 5 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady 1. E(u) = náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

PROHLOUBENÍ NABÍDKY DALŠÍHO VZDĚLÁVÁNÍ NA VŠPJ A SVOŠS V JIHLAVĚ

PROHLOUBENÍ NABÍDKY DALŠÍHO VZDĚLÁVÁNÍ NA VŠPJ A SVOŠS V JIHLAVĚ Projekt č. CZ.1.07/3.2.09/03.0015 PROHLOUBENÍ NABÍDKY DALŠÍHO VZDĚLÁVÁNÍ NA VŠPJ A SVOŠS V JIHLAVĚ http://www.vspj.cz/skola/evropske/opvk Tento projekt je spolufinancován Evropským sociálním fondem a státním

Více

Statistická analýza jednorozměrných dat

Statistická analýza jednorozměrných dat Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem

Více

8 NEZAMĚSTNANOST. 8.1 Klíčové pojmy

8 NEZAMĚSTNANOST. 8.1 Klíčové pojmy 8 NEZAMĚSTNANOST 8.1 Klíčové pojmy Ekonomicky aktivní obyvatelstvo je definováno jako suma zaměstnaných a nezaměstnaných a míra nezaměstnanosti je definovaná jako procento ekonomicky aktivního obyvatelstva,

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

Aplikovaná statistika v R - cvičení 2

Aplikovaná statistika v R - cvičení 2 Aplikovaná statistika v R - cvičení 2 Filip Děchtěrenko Matematicko-fyzikální fakulta filip.dechterenko@gmail.com 5.6.2014 Filip Děchtěrenko (MFF UK) Aplikovaná statistika v R 5.6.2014 1 / 18 Přehled Rkových

Více

Určeno studentům středního vzdělávání s maturitní zkouškou, předmět: Marketing a management, téma: Marketingový výzkum

Určeno studentům středního vzdělávání s maturitní zkouškou, předmět: Marketing a management, téma: Marketingový výzkum Určeno studentům středního vzdělávání s maturitní zkouškou, předmět: Marketing a management, téma: Marketingový výzkum Pracovní list vytvořila: Mgr. Radka Drobná Období vytvoření VM: duben 2012 Klíčová

Více

ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK

ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz POPISNÉ STATISTIKY - OPAKOVÁNÍ jedna kvalitativní

Více

Základy biostatistiky II. Veřejné zdravotnictví 3.LF UK - II

Základy biostatistiky II. Veřejné zdravotnictví 3.LF UK - II Základy biostatistiky II Veřejné zdravotnictví 3.LF UK - II Teoretické rozložení-matematické modely rozložení Naměřená data Výběrové rozložení Teoretické rozložení 1 e 2 x 2 Teoretické rozložení-matematické

Více

Otázky ke státní závěrečné zkoušce

Otázky ke státní závěrečné zkoušce Otázky ke státní závěrečné zkoušce obor Ekonometrie a operační výzkum a) Diskrétní modely, Simulace, Nelineární programování. b) Teorie rozhodování, Teorie her. c) Ekonometrie. Otázka č. 1 a) Úlohy konvexního

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie Predikce Multikolinearita Cvičení 4 Zuzana Dlouhá Aplikace EM predikce obecně ekonomické prognózování, předpověď, předvídání hlavním cílem je odhad hodnot vysvětlované proměnné

Více

Manažerské dovednosti

Manažerské dovednosti Manažerské dovednosti Petr Smutný MUES, 25/11/2009 www.manazerskehry.cz 1 Obsah prezentace Proč je důležité mluvit o leadershipu a manažerských dovednostech? Jak na to šli jiní (a jindy)? Jaký je náš přístup?

Více

Teorie a politika pracovního trhu. Kombinované studium Jaro 2013

Teorie a politika pracovního trhu. Kombinované studium Jaro 2013 Teorie a politika pracovního trhu Kombinované studium Jaro 2013 Účinky opatření aktivní politiky TP Opatření APZ Faktory ovlivňující účinky opatření APZ Co posuzujeme: - makroefekty - cílenost - efekty

Více

KGG/STG Statistika pro geografy

KGG/STG Statistika pro geografy KGG/STG Statistika pro geografy 9. Korelační analýza Mgr. David Fiedor 20. dubna 2015 Analýza závislostí v řadě geografických disciplín studujeme jevy, u kterých vyšetřujeme nikoliv pouze jednu vlastnost

Více

MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ

MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ v praxi u jednoho prvku souboru se často zkoumá více veličin, které mohou na sobě různě záviset jednorozměrný výběrový soubor VSS X vícerozměrným výběrovým souborem VSS

Více

Metodika vzdělávání v oblasti řízení lidských zdrojů

Metodika vzdělávání v oblasti řízení lidských zdrojů 1. Pedagogika,, komunikace, andragogika 2. Řízení znalostí a kvality 3. Vzdělávací potřeby a cíle plánování 4. Aktuální trendy a nové technologie 5. Příležitosti a hrozby (případové studie řízení ) Firemní

Více

Výzkumný problém. Přednášky ze Základů pedagogické metodologie Kateřina Vlčková, PdF MU Brno

Výzkumný problém. Přednášky ze Základů pedagogické metodologie Kateřina Vlčková, PdF MU Brno Výzkumný problém Přednášky ze Základů pedagogické metodologie Kateřina Vlčková, PdF MU Brno 1 Formulace výzkumného problému Výzkum musí začít vymezením výzkumného problému toho, co chceme řešit, které

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

Téma číslo 4 Základy zkoumání v pedagogice I. Pavel Doulík, Úvod do pedagogiky

Téma číslo 4 Základy zkoumání v pedagogice I. Pavel Doulík, Úvod do pedagogiky Téma číslo 4 Základy zkoumání v pedagogice I Pavel Doulík, Úvod do pedagogiky 1 Systémový přístup v pedagogice. Základní pedagogické kategorie: cíle, podmínky, prostředky a výsledky výchovy. Vzájemná interakce

Více

Plán přednášek makroekonomie

Plán přednášek makroekonomie Plán přednášek makroekonomie Úvod do makroekonomie, makroekonomické agregáty Agregátní poptávka a agregátní nabídka Ekonomické modely rovnováhy Hospodářský růst a cyklus, výpočet HDP Hlavní ekonomické

Více

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou

Více

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D.

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D. Program Statistica Base 9 Mgr. Karla Hrbáčková, Ph.D. OBSAH KURZU obsluha jednotlivých nástrojů, funkce pro import dat z jiných aplikací, práce s popisnou statistikou, vytváření grafů, analýza dat, výstupní

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie ZS 2015/16 Cvičení 1: Opakování ze statistiky LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Z čeho studovat 1) Z KNIHY Krkošková,

Více

5EN306 Aplikované kvantitativní metody I

5EN306 Aplikované kvantitativní metody I 5EN306 Aplikované kvantitativní metody I Přednáška 3 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam

Více

PSY117/454 Statistická analýza dat v psychologii přednáška 8. Statistické usuzování, odhady

PSY117/454 Statistická analýza dat v psychologii přednáška 8. Statistické usuzování, odhady PSY117/454 Statistická analýza dat v psychologii přednáška 8 Statistické usuzování, odhady Výběr od deskripce k indukci Deskripce dat, odhad parametrů Usuzování = inference = indukce Počítá se s náhodným

Více

Zkušenosti s použitím metod Counterfactual Impact Evaluation při evaluaci ESF v České republice. Jan Brůha IREAS

Zkušenosti s použitím metod Counterfactual Impact Evaluation při evaluaci ESF v České republice. Jan Brůha IREAS Zkušenosti s použitím metod Counterfactual Impact Evaluation při evaluaci ESF v České republice Jan Brůha IREAS Pilotní projekt použití CIE pro hodnocení ESF OPLZZ V současné době byly použity tři metody

Více

Náhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé.

Náhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé. 1. Korelační analýza V životě většinou nesledujeme pouze jeden statistický znak. Sledujeme více statistických znaků zároveň. Kromě vlastností statistických znaků nás zajímá také jejich těsnost (velikost,

Více

AKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A

AKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A AKM - 1-2 CVIČENÍ Opakování maticové algebry Mějme matice A, B regulární, potom : ( AB) = B A 1 1 ( A ) = ( A ) ( A ) = A ( A + B) = A + B 1 1 1 ( AB) = B A, kde A je řádu mxn a B nxk Čtvercová matice

Více

PSY401 Metodologie v psychologii Designy kvantitativního výzkumu*

PSY401 Metodologie v psychologii Designy kvantitativního výzkumu* PSY401 Metodologie v psychologii Designy kvantitativního výzkumu* *Pozor, následující text obsahuje ironizující výrazy. Nejsou určeny k užití v přítomnosti nezaškolených jedinců. Od výzkumného problému

Více

Pearsonův korelační koeficient

Pearsonův korelační koeficient I I.I Pearsonův korelační koeficient Úvod Předpokládejme, že náhodně vybereme n objektů (nebo osob) ze zkoumané populace. Často se stává, že na každém z objektů měříme ne pouze jednu, ale několik kvantitativních

Více

Ekonomie II. Trh práce, nezaměstnanost a Phillipsova křivka Část II.

Ekonomie II. Trh práce, nezaměstnanost a Phillipsova křivka Část II. Ekonomie II Trh práce, nezaměstnanost a Phillipsova křivka Část II. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty vojenského leadershipu

Více

Chudí lidé v chudých krajích

Chudí lidé v chudých krajích Chudí lidé v chudých krajích Sociální nerovnosti jako manifestace lokální struktury příležitostí Josef Bernard Cíle prezentace Analýza prostorových determinant příjmu a vzdělání Do jaké míry závisí sociální

Více

Regresní analýza. Eva Jarošová

Regresní analýza. Eva Jarošová Regresní analýza Eva Jarošová 1 Obsah 1. Regresní přímka 2. Možnosti zlepšení modelu 3. Testy v regresním modelu 4. Regresní diagnostika 5. Speciální využití Lineární model 2 1. Regresní přímka 3 nosnost

Více

Cvičení ze statistiky - 3. Filip Děchtěrenko

Cvičení ze statistiky - 3. Filip Děchtěrenko Cvičení ze statistiky - 3 Filip Děchtěrenko Minule bylo.. Dokončili jsme základní statistiky, typy proměnných a začali analýzu kvalitativních dat Tyhle termíny by měly být známé: Histogram, krabicový graf

Více

INDUKTIVNÍ STATISTIKA

INDUKTIVNÍ STATISTIKA 10. SEMINÁŘ INDUKTIVNÍ STATISTIKA 3. HODNOCENÍ ZÁVISLOSTÍ HODNOCENÍ ZÁVISLOSTÍ KVALITATIVNÍ VELIČINY - Vychází se z kombinační (kontingenční) tabulky, která je výsledkem třídění druhého stupně KVANTITATIVNÍ

Více

vzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291

vzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291 Vzorová úloha 4.16 Postup vícerozměrné kalibrace Postup vícerozměrné kalibrace ukážeme na úloze C4.10 Vícerozměrný kalibrační model kvality bezolovnatého benzinu. Dle následujících kroků na základě naměřených

Více

Základy navrhování průmyslových experimentů DOE

Základy navrhování průmyslových experimentů DOE Základy navrhování průmyslových experimentů DOE cílová hodnota 1. Úvod, Analýza procesu Gejza Dohnal střední hodnota cílová hodnota Řízení jakosti (kvality) Plánování experimentů - historie Klasický přístup

Více

Základy ekonometrie. XI. Vektorové autoregresní modely. Základy ekonometrie (ZAEK) XI. VAR modely Podzim / 28

Základy ekonometrie. XI. Vektorové autoregresní modely. Základy ekonometrie (ZAEK) XI. VAR modely Podzim / 28 Základy ekonometrie XI. Vektorové autoregresní modely Základy ekonometrie (ZAEK) XI. VAR modely Podzim 2015 1 / 28 Obsah tématu 1 Prognózování s VAR modely 2 Vektorové modely korekce chyb (VECM) 3 Impulzní

Více

18AEK Aplikovaná ekonometrie a teorie časových řad. Řešení domácích úkolů č. 1 a 2 příklad 1

18AEK Aplikovaná ekonometrie a teorie časových řad. Řešení domácích úkolů č. 1 a 2 příklad 1 18AEK Aplikovaná ekonometrie a teorie časových řad Řešení domácích úkolů č. 1 a 2 příklad 1 Obecné pravidlo pro všechny testy Je stanovena nulová hypotéza: H 0 Je stanovena alternativní hypotéza: H A Je

Více

Využití indikátorů při hodnocení spravedlivosti vzdělávacích systémů

Využití indikátorů při hodnocení spravedlivosti vzdělávacích systémů Využití indikátorů při hodnocení spravedlivosti vzdělávacích systémů Cyklus přednášek: Podněty pro pedagogický výzkum PdF MUNI v Brně, 13. 5. 2008 David Greger PedF UK v Praze Ústav výzkumu a rozvoje vzdělávání

Více

Testování hypotéz. Analýza dat z dotazníkových šetření. Kuranova Pavlina

Testování hypotéz. Analýza dat z dotazníkových šetření. Kuranova Pavlina Testování hypotéz Analýza dat z dotazníkových šetření Kuranova Pavlina Statistická hypotéza Možné cíle výzkumu Srovnání účinnosti různých metod Srovnání výsledků různých skupin Tzn. prokázání rozdílů mezi

Více

Úvodem Dříve les než stromy 3 Operace s maticemi

Úvodem Dříve les než stromy 3 Operace s maticemi Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová

Více

Analýza dat na PC I.

Analýza dat na PC I. CENTRUM BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Analýza dat na PC I. Popisná analýza v programu Statistica IBA výuka Základní popisná statistika Popisná statistika

Více

Self-reportové studie: cesta do hlubin latentní kriminality?

Self-reportové studie: cesta do hlubin latentní kriminality? Self-reportové studie: cesta do hlubin latentní kriminality? Jan Tomášek seminář IKSP, 6. listopadu 2014 Význam self-reportů pro kriminologii Vznik oboru v 19. století poznatky vázané na první oficiální

Více

Statistická analýza dat v psychologii. Věci, které můžeme přímo pozorovat, jsou téměř vždy pouze vzorky. Alfred North Whitehead

Statistická analýza dat v psychologii. Věci, které můžeme přímo pozorovat, jsou téměř vždy pouze vzorky. Alfred North Whitehead PSY117/454 Statistická analýza dat v psychologii Přednáška 8 Statistické usuzování, odhady Věci, které můžeme přímo pozorovat, jsou téměř vždy pouze vzorky. Alfred North Whitehead Barevná srdíčka kolegyně

Více

10. Předpovídání - aplikace regresní úlohy

10. Předpovídání - aplikace regresní úlohy 10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu

Více

Teorie lidského kapitálu význam vzdělání

Teorie lidského kapitálu význam vzdělání Teorie lidského kapitálu význam vzdělání Lidský kapitál v ekonomické teorii - Termín pro označení znalostí a schopností pracovníka. - Merkantelisté, William Pety vzdělání za jeden z důleţitých faktorů

Více

Varianty výzkumu Kroky výzkumu Výběrový soubor

Varianty výzkumu Kroky výzkumu Výběrový soubor Varianty výzkumu Kroky výzkumu Výběrový soubor Dvě cesty k poznání. Technické kroky ve výzkumu. Zdroje zkreslení výzkumu. Jak vytvořit výběrový soubor. Varianty výzkumu-kvalitativní a kvantitativní Kvalitativní

Více

Vymezení nákladů různá pojetí

Vymezení nákladů různá pojetí Obsah vymezení nákladů náklady v krátkém období vztah mezních, průměrných a celkových nákladů náklady v dlouhém období vztah mezi náklady v SR a LR vztah mezi produkční funkcí a funkcemi nákladů příjmy

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie Predikce Multikolinearita Cvičení 4 Zuzana Dlouhá Aplikace EM predikce obecně ekonomické prognózování, předpověď, předvídání hlavním cílem je odhad hodnot vysvětlované proměnné

Více

VÝBĚR A JEHO REPREZENTATIVNOST

VÝBĚR A JEHO REPREZENTATIVNOST VÝBĚR A JEHO REPREZENTATIVNOST Induktivní, analytická statistika se snaží odhadnout charakteristiky populace pomocí malého vzorku, který se nazývá VÝBĚR neboli VÝBĚROVÝ SOUBOR. REPREZENTATIVNOST VÝBĚRU:

Více

Kritérium relevance v hodnocení udržitelného rozvoje. Doc. PaedDr. Tomáš Hák, PhD. Doc. RNDr. Svatava Janoušková, PhD.

Kritérium relevance v hodnocení udržitelného rozvoje. Doc. PaedDr. Tomáš Hák, PhD. Doc. RNDr. Svatava Janoušková, PhD. Kritérium relevance v hodnocení udržitelného rozvoje Doc. PaedDr. Tomáš Hák, PhD. Doc. RNDr. Svatava Janoušková, PhD. ČZU Praha, 30. května 2017 Hodnocení Evaluation Assessment Evaluace je proces systematického

Více

ANALÝZA DAT V R 9. VÝPOČET VELIKOSTI SOUBORU. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK.

ANALÝZA DAT V R 9. VÝPOČET VELIKOSTI SOUBORU. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK. ANALÝZA DAT V R 9. VÝPOČET VELIKOSTI SOUBORU Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz DATA, VÝZKUM, ANALÝZY ve výzkumu se střídají fáze prozkoumávací

Více

Organizační pokyny k přednášce. Matematická statistika. Přehled témat. Co je statistika?

Organizační pokyny k přednášce. Matematická statistika. Přehled témat. Co je statistika? Organizační pokyny k přednášce Matematická statistika 2012 2013 Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta UK hudecova@karlin.mff.cuni.cz http://www.karlin.mff.cuni.cz/

Více

Cíle korelační studie

Cíle korelační studie Korelační studie Cíle korelační studie cíle výzkumu v psychologii deskripce predikce explanace kontrola korelační studie popisuje vztah (ko-relaci) mezi proměnnými cíle - deskripce, příp. predikce První

Více

Náklady a přínosy firemní diverzity

Náklady a přínosy firemní diverzity Náklady a přínosy firemní diverzity Filip Pertold filip.pertold@cerge-ei.cz Nezávislý think tank při Národohospodářském ústavu AV ČR, v.v.i. zaměřující se na analýzu, vyhodnocování a vlastní návrhy veřejných

Více

KAM SE ZTRATILI VOLIČI?

KAM SE ZTRATILI VOLIČI? KAM SE ZTRATILI VOLIČI? Vysvětlení vývoje volební účasti v České republice v letech 1990-2010 LUKÁŠ LINEK CENTRUM PRO STUDIUM DEMOKRACIE A KULTURY OBSAH PODĚKOVÁNÍ 5 1. ÚVOD: VOLEBNÍ ÚČAST, JEJÍ POKLES

Více

Kvantitativní metody výzkumu v praxi PRAKTIKUM. Příprava výzkumného projektu

Kvantitativní metody výzkumu v praxi PRAKTIKUM. Příprava výzkumného projektu UK FHS Řízení a supervize v sociálních a zdravotnických organizacích (LS 2007) Kvantitativní metody výzkumu v praxi PRAKTIKUM část 1 Příprava výzkumného projektu Jiří Šafr jiri.safr@seznam.cz vytvořeno

Více