MPE_BAAN Bayesiánská analýza

Ekonomicko-správní fakulta
podzim 2026
Rozsah
2/2/0. 10 kr. Ukončení: zk.
Vyučováno kontaktně
Vyučující
doc. Ing. Daniel Němec, Ph.D. (přednášející)
doc. Ing. Daniel Němec, Ph.D. (cvičící)
Mgr. Jakub Chalmovianský, Ph.D. (pomocník)
Ing. Mgr. Vlastimil Reichel, Ph.D. (pomocník)
Garance
doc. Ing. Daniel Němec, Ph.D.
Katedra ekonomie – Ekonomicko-správní fakulta
Kontaktní osoba: Mgr. Jarmila Šveňhová
Dodavatelské pracoviště: Katedra ekonomie – Ekonomicko-správní fakulta
Rozvrh
St 14:00–15:50 P106, kromě St 16. 9., kromě St 4. 11.
  • Rozvrh seminárních/paralelních skupin:
MPE_BAAN/01: St 10:00–11:50 VT204, kromě St 16. 9., kromě St 4. 11., D. Němec
Předpoklady
Doporučuje se základní znalost pravděpodobnosti, matematické statistiky a ekonometrie, zejména lineárního regresního modelu. Nejedná se však o podmínku pro zápis ani pro úspěšné absolvování předmětu, protože potřebné statistické, ekonometrické i matematické koncepty budou v průběhu výuky podle potřeby připomenuty a rozšířeny v kontextu bayesiánské analýzy. Předchozí zkušenost s programováním není vyžadována, avšak může usnadnit práci během kurzu. Studentům bez programátorských zkušeností se doporučuje souběžně absolvovat některý z nabízených povinně volitelných předmětů zaměřených na základy programování.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Jiné omezení: Předmět si nezapisují studenti, kteří absolvovali PMREGR.
Mateřské obory/plány
Anotace

Bayesiánská analýza představuje moderní přístup ke kvantitativní analýze dat, který umožňuje systematicky kombinovat předchozí znalosti s informacemi obsaženými v pozorovaných datech. Bayesiánské metody nacházejí stále širší uplatnění nejen v ekonomii, financích a společenských vědách, ale také ve strojovém učení, umělé inteligenci a dalších oblastech datové analytiky, kde slouží ke kvantifikaci nejistoty, tvorbě pravděpodobnostních modelů, zpřesňování predikcí a podpoře rozhodování založeného na datech.


Předmět seznamuje studenty se základy aplikované bayesiánské ekonometrie se zaměřením na odhad ekonometrických modelů, bayesiánskou inferenci, porovnávání alternativních specifikací modelů, kvantifikaci nejistoty a tvorbu predikcí. Součástí výuky je rovněž osvojení základní terminologie bayesiánské analýzy, pochopení principů fungování simulačních algoritmů využívaných pro bayesiánskou inferenci a seznámení s metodami diagnostiky konvergence, kvality modelů a získaných výsledků. Důraz je kladen především na praktickou aplikaci bayesiánských metod při řešení reálných empirických problémů, interpretaci výsledků a jejich využití při ekonomickém rozhodování.


Výuka kombinuje vysvětlení základních principů bayesiánského přístupu s praktickou implementací metod prostřednictvím moderních výpočetních nástrojů. Studenti budou pracovat jak s umělými daty, na nichž si osvojí principy bayesiánské inference a vlastnosti simulačních algoritmů, tak s reálnými datovými soubory z oblasti ekonomie i dalších aplikačních oblastí. Analýzy budou realizovány zejména v programovacím jazyce R, případně také v Pythonu, s důrazem na reprodukovatelnost analýz, správnou interpretaci výsledků a efektivní prezentaci výsledků.

Výstupy z učení

Po úspěšném absolvování předmětu budou studenti schopni:


  • vysvětlit principy bayesiánské analýzy, bayesiánské inference a jejich přínosy oproti klasickému (frekventistickému) přístupu
  • formulovat, specifikovat a odhadnout vhodný bayesiánský ekonometrický model odpovídající zadanému empirickému problému
  • aplikovat bayesiánské metody při analýze reálných dat, včetně porovnávání alternativních specifikací modelů, kvantifikace nejistoty a tvorby predikcí
  • vysvětlit principy fungování simulačních algoritmů využívaných pro bayesiánskou inferenci a posoudit jejich konvergenci a kvalitu získaných výsledků pomocí vhodných diagnostických nástrojů
  • interpretovat a kriticky zhodnotit výsledky bayesiánské analýzy a jejich využití při řešení ekonomických i dalších empirických problémů
  • využívat programovací jazyk R, případně Python, k implementaci bayesiánských metod, reprodukovatelné analýze dat a prezentaci výsledků
  • navrhnout, realizovat, prezentovat a obhájit bayesiánskou analýzu reálného datového souboru s využitím vhodných ekonometrických metod

Klíčová témata
  • úvod do bayesiánské analýzy: Bayesovo pravidlo, bayesiánská inference a základní terminologie
  • bayesiánské modelování: apriorní a aposteriorní rozdělení, konjugované apriorní hustoty a sekvenční učení
  • výpočetní metody bayesiánské analýzy: aproximace aposteriorního rozdělení, Markov Chain Monte Carlo (MCMC) algoritmy a diagnostika konvergence
  • bayesiánská analýza lineárních regresních modelů, hodnocení kvality modelů a bayesiánská predikce
  • bayesiánské zobecněné lineární modely: logistická, Poissonova a negativně binomická regrese
  • hierarchické bayesiánské modely a jejich aplikace
  • bayesiánská klasifikace a úvod do pravděpodobnostních modelů ve strojovém učení
  • aplikovaná bayesiánská analýza reálných dat v programovacím jazyce R nebo Python, včetně závěrečného empirického projektu
Studijní zdroje a literatura
    povinná literatura
  • JOHNSON, Alicia A.; Miles Q. OTT a Mine DOGUCU. Bayes rules! : an introduction to applied Bayesian modeling. First edition. Boca Raton: CRC Press/Taylor & Francis Group, 2022, xxi, 521. ISBN 9780367255398. info
    doporučená literatura
  • LAMBERT, Ben. A student's guide to Bayesian statistics. First published. Los Angeles: Sage, 2018, xx, 498. ISBN 9781473916364. info
  • MCELREATH, Richard. Statistical rethinking : a Bayesian course with examples in R and Stan. Second edition. Boca Raton: CRC Press/Taylor & Francis Group, 2020, xvii, 593. ISBN 9780367139919. info
  • KOOP, Gary. Bayesian econometrics. Chichester: Wiley, 2003, xi, 359. ISBN 0470845678. info
Přístupy, postupy a metody používané ve výuce
Výuka kombinuje přednášky s prakticky zaměřenými cvičeními realizovanými v počítačových učebnách. Důraz je kladen na aktivní zapojení studentů, diskusi nad řešenými problémy, interpretaci výsledků bayesiánské analýzy a jejich kritické zhodnocení. Nedílnou součástí výuky jsou průběžné interaktivní kvízy, praktické úlohy zaměřené na aplikaci bayesiánských metod při analýze reálných dat a dva skupinové domácí úkoly, v nichž studenti samostatně implementují probírané metody v programovacích jazycích R nebo Python. Výuka je zakončena skupinovým empirickým projektem, jehož součástí je prezentace dosažených výsledků a jejich odborná obhajoba.
Způsob ověření výstupů z učení a požadavky na ukončení
Ověření dosažení výstupů z učení je založeno na průběžném i závěrečném hodnocení. Průběžná část hodnocení (50 %) zahrnuje aktivní účast na seminářích, zapojení do diskusí, průběžné interaktivní kvízy a zpracování dvou skupinových domácích úkolů zaměřených na praktickou aplikaci bayesiánských metod při analýze reálných dat. Závěrečná část hodnocení (50 %) je tvořena skupinovým empirickým projektem a jeho ústní obhajobou. V rámci projektu studenti navrhnou, implementují a interpretují bayesiánskou analýzu zvoleného empirického problému a při obhajobě prokáží schopnost obhájit zvolený metodický postup, interpretovat dosažené výsledky a kriticky diskutovat jejich omezení.
Pro úspěšné absolvování předmětu je nutné získat v součtu obou částí hodnocení alespoň 60 % z celkového počtu bodů.

Náhradní absolvování
Studenti s individuálním studijním plánem (např. z důvodu zahraničního studijního pobytu, odborné stáže nebo jiných závažných důvodů) mohou po předchozí domluvě s garantem předmětu absolvovat předmět v individuálním režimu. V takovém případě není nutná účast na seminářích. Podmínkou úspěšného absolvování předmětu je zpracování dvou skupinových semestrálních úkolů, vypracování závěrečného skupinového empirického projektu a jeho ústní obhajoba v individuálně sjednaném nebo vypsaném termínu. Náhrada průběžné aktivity může být po dohodě s garantem řešena zadáním doplňujících individuálních úkolů.
Navazující předměty
Další komentáře
Předmět je vyučován každoročně.
Přednášky jsou dostupné online a ze záznamu.
Předmět je zařazen také v obdobích podzim 2009, podzim 2010, podzim 2011, podzim 2012, podzim 2013, podzim 2014, podzim 2015, podzim 2016, podzim 2017, podzim 2018, podzim 2019, podzim 2020, podzim 2021, podzim 2022, podzim 2023, podzim 2024, podzim 2025.
  • Statistika zápisu (nejnovější)
  • Permalink: https://is.muni.cz/predmet/econ/podzim2026/MPE_BAAN