• identificere og afgrænse en given statistisk problemstilling, herunder identificere nødvendig og tilstrækkelig information til at kunne gennemføre en relevant statistisk analyse.
• anvende grafiske og numeriske metoder til at opsummere og gengive de væsentligste tendenser og sammenhænge i et givet datamateriale.
• demonstrere forståelse af sandsynlighedsregningens grundbegreber og anvendelse af disse til identifikation af den usikkerhed, der eksisterer i et givet datamateriale.
• redegøre for betydningen af en given sandsynlighedsfordeling i forhold til valget af statistisk analysemetode.
• begrunde anvendelsen af en given statistisk analysemetode og vurdere brugen af denne i forhold til alternative metoder.
• redegøre for nødvendige forudsætninger ved brug af en given statistisk analysemetode, kontrollere i hvilket omfang disse er opfyldt samt vurdere betydningen af eventuelt ikke opfyldte forudsætninger.
• opstille og teste relevante hypoteser ved at kombinere deskriptive metoder med en passende valgt statistisk analysemetode.
• foretage konsekvensberegninger på baggrund af en estimeret statistisk model og vurdere validitet og usikkerhed på disse beregninger.
• drage konklusioner på baggrund af en given statistisk analyse og kommunikere disse i et klart, fagligt korrekt og ikke-teknisk sprog.

Kurset giver den studerende en introduktion til analytiske metoder indenfor deskriptiv dataanalyse, grundlæggende statistiske modeller, lineær og logistisk regressionsanalyse samt tidsrækkeanalyse og forecasting. Undervejs eksemplificeres teorien med aktuelle data fra diverse erhvervs- og samfundsøkonomiske problemstillinger.

Det analytiske og metodemæssige indhold i faget er:

1. Semester:

• Deskriptiv statistik
• Grundlæggende sandsynlighedsregning
• Diskrete og kontinuerte sandsynlighedsfordelinger
• Konfidensintervaller og test af hypoteser
• Simpel og multipel regressionsanalyse
• Kontingenstabeller, en- og tosidet variansanalyse

2. Semester:

• Bi- og multinomial logistisk regression
• Tidsrækkens grundkomponenter
• Eksponentielle udjævningsmetoder
• Box-Jenkins ARIMA modeller
• Forecasting med ARIMA fejlled
• Dynamisk regression

1. semester:

• Newbold P., Carlson W.L., Thorne B.M. (2013): ”Statistics for Business and Economics”, 8. udgave, Pearson.
• Forelæsningsslides (udleveres løbende via CBS Learn)

2 .semester:

• Noter om logistisk regression (udleveres løbende via CBS Learn)
• Bowerman B.L., O'Connell R., Koehler A. (2005): "Forecasting, Time Series, and Regression", 4 udgave, Cengage
• Forelæsningsslides (udleveres løbende via CBS Learn)

Software: JMP