Количественные методы анализа данных

Магистратура 2019/2020

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

Преподаватели: Капуза Анастасия Васильевна, Ларина Галина Сергеевна

Прогр. обучения: Доказательная образовательная политика

Язык: русский

Кредиты: 10

Контактные часы: 76

Полная версия программы учебной 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 переменными
Методы 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 анализ
Линейный 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 анализ
Эксплораторный 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
Экзамен
Экзамен 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.

Промежуточная аттестация

Промежуточная аттестация (4 модуль)
0.6 * Домашние задания + 0.4 * Экзамен

Программа дисциплины