• 1): Identificere og afgrænse en given statistisk problemstilling, herunder klart identificere nødvendig og tilstrækkelig information til at kunne gennemføre en given statistisk analyse.
• 2): Klart og præcist anvende grafiske og numeriske metoder til at opsummere og gengive de væsentligste tendenser og sammenhænge i et givet datamateriale.
• 3): Udførligt motivere valg af en relevant statistisk analysemetode til brug for analyse af et givet datamateriale.
• 4): Demonstrere korrekt brug af sandsynlighedsregningens grundbegreber og anvendelse af disse til identifikation af den usikkerhed, der eksisterer i et givet datamateriale.
• 5): Detaljeret redegøre for nødvendige og tilstrækkelige forudsætninger ved brug af en given statistisk analysemetode, kontrollere i hvilket omfang disse er opfyldt samt vurdere betydningen af eventuelt ikke opfyldte forudsætninger.
• 6): Kort og præcist redegøre for de bagvedliggende beregninger i en given statistisk analysemetode, herunder redegøre for de teoretiske og modelmæssige forudsætninger.
• 7): Foretage detaljerede konsekvensberegninger på baggrund af en estimeret statistisk model og præcist vurdere validitet og usikkerhed på disse beregninger.
• 8): Drage konkrete og præcise 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 hypotesetest
• 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. (2020): ”Statistics for Business and Economics”, 9. udgave, Pearson.
• Forelæsningsslides (udleveres løbende)

2 .semester:

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

Software: JMP