Магистратура
2019/2020
Количественные методы анализа данных
Статус:
Курс обязательный (Доказательная образовательная политика)
Направление:
38.04.04. Государственное и муниципальное управление
Кто читает:
Институт образования
Где читается:
Институт образования
Когда читается:
1-й курс, 1-4 модуль
Формат изучения:
без онлайн-курса
Прогр. обучения:
Доказательная образовательная политика
Язык:
русский
Кредиты:
10
Контактные часы:
76
Программа дисциплины
Аннотация
В отличие от обычных курсов статистики, данный курс не сфокусирован на освоении математического аппарата и теории вероятностей. Курс ориентирован на формирование общего представления об идеях, лежащих в основе количественного анализа данных. Центральная задача — научить слушателей понимать суть изучаемых методов анализа данных и интерпретировать результаты анализа. Другой особенностью курса является то, что его материал излагается на примерах, связанных с областью образования: слушатели знакомятся с результатами современных исследований в этой области и тренируются на данных исследований и мониторингов качества образования. Прохождение курса подразумевает много самостоятельной работы. Большинство аудиторной работы будет посвящено дискуссиям и групповой работе.
Цель освоения дисциплины
- Освоение управления данными, их анализа и интерпретации результатов, а также понимание особенностей используемых данных, исследовательского дизайна, возможностей и ограничений изучаемых методов анализа.
Планируемые результаты обучения
- Знать основные принципы и методы описательной статистики
- Владеть навыками базового анализа и работы с базами данных в R
- Уметь применять подходящие меры описательной статистики для различных вопросов и гипотез
- Знать основные принципы постановки и проверки статистических гипотез
- Уметь интерпретировать результаты анализа, полученные с помощью различных методов, и оценивать их соответствие исследовательскому вопросу
- Владеть параметрическими и непараметрическими методами проверки гипотез
- Знать основные принципы и методы корреляционного анализа
- Уметь выбирать подходящие исследовательскому вопросу методы корреляционного анализа
- Владеть навыками корреляционного анализа в R
- Знать основные принципы и методы регрессионного анализа
- Уметь интерпретировать результаты регрессионного анализа
- Уметь разрабатывать дизайн исследования для ответа на поставленный исследовательский вопрос с учетом возможностей и ограничений методов анализа
- Владеть навыками представления результатов своего анализа и исследований, опубликованных в ведущих мировых журналах, в форме презентации
- Знать основные принципы и методы факторного и кластерного анализа
Содержание учебной дисциплины
- Тема 1. Базовые понятия статистики применительно к исследованиям в образовании.Введение в статистику в социальных науках. Данные: переменные и наблюдения. Генеральная совокупность и выборка. Шкалы измерения. Описательная статистика: сред-нее, медиана, мода, меры разброса. Стандартная ошибка измерения. Нормальное распре-деление. Графическое представление базовых статистик. Стандартизация шкал. Доверительный интервал.
- Тема 2. Сравнение средних, проверка гипотез и анализ дисперсии.Статистические гипотезы. Нулевая и альтернативные гипотезы. Ошибки первого и второго рода. Сравнение средних (t-тест и его непараметрические аналоги) и анализ дис-персии (ANOVA, MANOVA и их непараметрические аналоги). Уровень значимости для различных распределений. Степени свободы и таблицы критических значений.
- Тема 3. Связь между переменнымиМетоды определения связи между переменными, измеренными на разных шкалах. Линейная и нелинейная связь. Корреляция (Пирсона, Спирмена) и непараметрические методы. Хи-квадрат. Коэффициент детерминации.
- Тема 4. Регрессионный анализЛинейный регрессионный анализ. Цели и методология. Статистические модели. Парная регрессия. Уравнение и характеристики модели. Интерсепт и регрессионные коэффициенты. Множественный регрессионный анализ. Работа с дамми-переменными. Проверка допущений линейного регрессионного анализа. Процент объясненной дисперсии. Нелинейные регрессионные модели. Биноминальное распределение, распределение Бернулли. Бинарная, порядковая и мультиноминальная логистическая регрессия.
- Тема 5. Снижение размерностей: факторный и кластерный анализЭксплораторный факторный анализ и метод главных компонент. Вращение: ортогональное и косоугольное. Факторные нагрузки. Дерево решений. Способы группировки данных. Меры близости и дистанции. Иерархический и неиерархический кластерный анализ.
Элементы контроля
- Домашние задания
- ЭкзаменЭкзамен проводится в устной форме в формате защиты проекта. Экзамен проводится на платформе MS Teams в команде курса. К экзамену необходимо подключиться за 5 минут до начала. Компьютер студента должен удовлетворять требованиям: наличие микрофона и динамиков или колонок, возможность подключения к MS Teams. Для участия в экзамене студент обязан: прислать накануне дня защиты проект в формате html, план которого он предварительно (не позднее чем за 5 дней до экзамена) защитил, и подключиться к MS Teams в назначенное время. Во время экзамена студентам запрещено: пользоваться помощью посторонних (не входящих в команду проекта) людей. Во время экзамена студентам разрешено: пользоваться конспектами и совещаться внутри команды проекта. Кратковременным нарушением связи во время экзамена считается отключение до 7 минут с последующим возвращением. Долговременным нарушением связи во время экзамена считается отключение больше 7 минут. При долговременном нарушении связи студент не может продолжить участие в экзамене. Процедура пересдачи аналогична процедуре сдачи.
Список литературы
Рекомендуемая основная литература
- Discovering statistics using R, Field, A., 2012
- Анализ социологических данных с помощью пакета SPSS : учеб. пособие для вузов, Крыштановский, А. О., 2006
- Гржибовский, А. (2008). Типы Данных, Проверка Распределения И Описательная Статистика. ЭКОЛОГИЯ ЧЕЛОВЕКА, 1.
- Терещенко, О. В., Курилович, Н. В., & Князева, Е. И. (2012). Многомерный статистический анализ данных в социальных науках : учеб. пособие / О.В. Терещенко, Н.В. Курилович, Е.И. Князева. Belarus, Europe: Минск : БГУ. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.CB9EED69
Рекомендуемая дополнительная литература
- K. Shatalov V., A. Kirillova V., К. Шаталов В., & А. Кириллова В. (2017). Application of Student t-test for evaluation of interlaboratory comparative tests results ; Применение критерия Стьюдента для оценки результатов межлабораторных сравнительных испытаний. https://doi.org/10.20915/2077-1177-2016-0-1-42-49
- ДОЛГОВА ВАЛЕНТИНА ИВАНОВНА, & ГОЛЬЕВА ГАЛИНА ЮРЬЕВНА. (2016). Факторный анализ развития мотивации профессиональной деятельности будущих педагогов-психологов.
- Кривчанский, И., & Симан, А. (2010). Использование Технологии Компьютерного Тестирования При Итоговой Государственной Аттестации Выпускников Вузов.
- Медведева Ксения Андреевна. (2016). Корреляционно-регрессионный анализ и его значение в экономико-статистических исследованиях.
- Субботина, А., & Гржибовский, А. (2014). Описательная Статистика И Проверка Нормальности Распределения Количественных Данных. ЭКОЛОГИЯ ЧЕЛОВЕКА, 2.
- Хлопова, А., & Щербакова, И. (2014). Условия Применимости T-Критерия Стьюдента В Медицине. Бюллетень Медицинских Интернет-Конференций, 11.