157-0999/02 – Akademický výzkum (AV)
| Garantující katedra | Katedra systémového inženýrství | Kredity | 20 |
| Garant předmětu | doc. Mgr. Ing. František Zapletal, Ph.D. | Garant verze předmětu | doc. Mgr. Ing. František Zapletal, Ph.D. |
| Úroveň studia | postgraduální | Povinnost | povinný |
| Ročník | | Semestr | zimní + letní |
| | Jazyk výuky | angličtina |
| Rok zavedení | 2024/2025 | Rok zrušení | |
| Určeno pro fakulty | EKF | Určeno pro typy studia | doktorské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Předmět Akademický výzkum má dva hlavní cíle, kde oba mají začínajícím studentům doktorského studia usnadnit počátky vědecko-výzkumné kariéry. Prvním cílem je seznámení studentů se základními aspekty vědecko-výzkumné publikační činnosti (hodnocení VaV, zdroje dat, struktura vědeckého článku a publikační proces). Druhým cílem je pak seznámit studenty s vybranými kvantitativními metodami, jejich softwarovou podporou a aplikacemi v ekonomii.
Vyučovací metody
Přednášky
Individuální konzultace
Projekt
Anotace
Předmět Akademický výzkum seznamuje studenty s principy akademického psaní a všemi fázemi publikačního procesu. Dále jsou zde představeny vybrané kvantitativní metody využívané napříč ekonomickými obory a softwarová podpora k těmto metodám.
Povinná literatura:
Doporučená literatura:
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Student připraví semestrální projekt ve formě vědeckého článku s použitím kvantitativních metod a následně jej obhájí před komisí.
E-learning
Materiály v LMS.
Další požadavky na studenta
Studenti mají povinnou účast na prezenční výuce. V rámci přednášek vypracovávají úkoly na probírané téma dle pokynů pedagoga.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
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 – přesní 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 umělé inteligence (AI)
a. Princip neuronových sítí
b. Strojové učení (ML) pro predikci ukazatelů
c. Deep learning
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky
Předmět neobsahuje žádné hodnocení.