1. Publikování ve vědeckých časopisech I
a. Metodika 23+ (hodnocení VaV).
b. Zdroje informací, citační databáze.
c. Jak vybrat časopis pro publikování.
d. Struktura vědeckého článku.
2. Publikování ve vědeckých časopisech II
a. Základní doporučení a zvyklosti pro psaní článků v ekonomických disciplínách.
b. Recenzní řízení a publikační proces očima autora a editora.
c. Sazba vědeckého textu MS Word vs. LaTeX.
d. Produkt Writeful.
e. Využívání AI chatbotů při psaní článků, publikační etika.
f. Obvyklé přílohy k článku: cover letter, highlights, grafický abstrakt, datový soubor
3. LaTeX – profesionální sazba publikací (demonstrace v Overleaf)
a. Vytvoření struktury článku/disertace.
b. Práce s textem.
c. Sazba matematických vzorců.
d. Práce s citacemi a referencemi.
e. Knihovna Beamer pro sazbu prezentací.
4. Python – univerzální jazyk pro (nejen) matematické modelování
5. Rozhodovací modely
a. Metodologie matematicko-ekonomického modelování.
b. Klasifikace modelů pro podporu rozhodování.
c. Struktura rozhodovacího problému.
d. Vstupní data – přesné x náhodné x neurčité/vágní (fuzzy modelování) x chybějící.
e. Modelování preferencí (váhy) – subjektivní x objektivní metody; závislosti mezi preferencemi.
f. Základní metody vícekriteriálního rozhodování (WSA, AHP).
6. Rozhodování a optimalizace
a. Ranking (určování pořadí) a sorting (třídění variant).
b. Skupinové rozhodování.
c. Model matematického programování, existence optima, klasifikace metod matematického programování.
d. Stochastická optimalizace.
e. Monte Carlo simulace.
f. DEA modely.
7. Pokročilé statistické metody
a. Náhodná proměnná a její popis na základě historických pozorování.
b. Testování hypotéz, statistická významnost.
c. Vybrané statistické testy (srovnávací testy polohy a podílu, ANOVA, testy v kontingenční tabulce).
8. Metody shlukování a redukce dat
a. Faktorová analýza.
b. Shluková analýza (hierarchické shlukování, k-means).
c. Strukturní modelování (SEM).
9. Regresní modely I – odhady a predikce parametrů
a. Lineární regrese.
b. OLS, Metoda maximální věrohodnosti, zobecněná metoda momentů.
c. Logistická regrese.
d. Kvantilová regrese.
10. Regresní modely II
a. Panelové regresní modely.
b. Difference in differences (DD).
c. Event studies.
11. Regresní modely III
a. (S)VAR modely.
b. VECM modely.
c. Local projections.
12. Bayesiánská analýza dat
a. Bayesiánský vs. Klasický statistický přístup.
b. Bayesův teorém.
c. Bayesiánská inference v ekonometrii.
13. Vybrané oblasti výpočtové inteligence (AI)
a. Princip neuronových sítí.
b. Strojové učení (ML) pro predikci ukazatelů.
c. Deep learning.
a. Metodika 23+ (hodnocení VaV).
b. Zdroje informací, citační databáze.
c. Jak vybrat časopis pro publikování.
d. Struktura vědeckého článku.
2. Publikování ve vědeckých časopisech II
a. Základní doporučení a zvyklosti pro psaní článků v ekonomických disciplínách.
b. Recenzní řízení a publikační proces očima autora a editora.
c. Sazba vědeckého textu MS Word vs. LaTeX.
d. Produkt Writeful.
e. Využívání AI chatbotů při psaní článků, publikační etika.
f. Obvyklé přílohy k článku: cover letter, highlights, grafický abstrakt, datový soubor
3. LaTeX – profesionální sazba publikací (demonstrace v Overleaf)
a. Vytvoření struktury článku/disertace.
b. Práce s textem.
c. Sazba matematických vzorců.
d. Práce s citacemi a referencemi.
e. Knihovna Beamer pro sazbu prezentací.
4. Python – univerzální jazyk pro (nejen) matematické modelování
5. Rozhodovací modely
a. Metodologie matematicko-ekonomického modelování.
b. Klasifikace modelů pro podporu rozhodování.
c. Struktura rozhodovacího problému.
d. Vstupní data – přesné x náhodné x neurčité/vágní (fuzzy modelování) x chybějící.
e. Modelování preferencí (váhy) – subjektivní x objektivní metody; závislosti mezi preferencemi.
f. Základní metody vícekriteriálního rozhodování (WSA, AHP).
6. Rozhodování a optimalizace
a. Ranking (určování pořadí) a sorting (třídění variant).
b. Skupinové rozhodování.
c. Model matematického programování, existence optima, klasifikace metod matematického programování.
d. Stochastická optimalizace.
e. Monte Carlo simulace.
f. DEA modely.
7. Pokročilé statistické metody
a. Náhodná proměnná a její popis na základě historických pozorování.
b. Testování hypotéz, statistická významnost.
c. Vybrané statistické testy (srovnávací testy polohy a podílu, ANOVA, testy v kontingenční tabulce).
8. Metody shlukování a redukce dat
a. Faktorová analýza.
b. Shluková analýza (hierarchické shlukování, k-means).
c. Strukturní modelování (SEM).
9. Regresní modely I – odhady a predikce parametrů
a. Lineární regrese.
b. OLS, Metoda maximální věrohodnosti, zobecněná metoda momentů.
c. Logistická regrese.
d. Kvantilová regrese.
10. Regresní modely II
a. Panelové regresní modely.
b. Difference in differences (DD).
c. Event studies.
11. Regresní modely III
a. (S)VAR modely.
b. VECM modely.
c. Local projections.
12. Bayesiánská analýza dat
a. Bayesiánský vs. Klasický statistický přístup.
b. Bayesův teorém.
c. Bayesiánská inference v ekonometrii.
13. Vybrané oblasti výpočtové inteligence (AI)
a. Princip neuronových sítí.
b. Strojové učení (ML) pro predikci ukazatelů.
c. Deep learning.