Бакалавриат
2021/2022![Цель освоения дисциплины](/f/src/global/i/edu/objectives.svg)
![Планируемые результаты обучения](/f/src/global/i/edu/results.svg)
![Содержание учебной дисциплины](/f/src/global/i/edu/sections.svg)
![Элементы контроля](/f/src/global/i/edu/controls.svg)
![Промежуточная аттестация](/f/src/global/i/edu/intermediate_certification.svg)
![Список литературы](/f/src/global/i/edu/library.svg)
Анализ данных в социологии
Статус:
Курс обязательный (Социология)
Направление:
39.03.01. Социология
Кто читает:
Департамент социологии
Где читается:
Факультет социальных наук
Когда читается:
3-й курс, 3, 4 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Преподаватели:
Воронина Наталья Дмитриевна,
Зангиева Ирина Казбековна,
Кускова Валентина Викторовна,
Мальцева Дарья Васильевна,
Семенова Анна Михайловна,
Сокол Анна Андреевна,
Сулейманова Анна Наильевна,
Хвацкий Григорий Сергеевич
Язык:
русский
Кредиты:
4
Контактные часы:
64
Программа дисциплины
Аннотация
Целями освоения дисциплины «Анализ данных в социологии» являются изучение и практическое освоение теории вероятностей, математической статистики и базовых методов статистического анализа данных в социальных науках;Изучение и практическое освоение компьютерных программ, применяемых для статистического анализа данных, таких как SPSS и R; приобретение понимания специфики работы с количественными данными в социальных науках, понимания типов задач, которые могут быть решены с помощью статистических методов. В результате освоения дисциплины студент должен знать основные понятия теории вероятностей, математической статистики, методы статистического анализа данных в пределах программы курса; уметь ставить и понимать социологические задачи, которые могут быть решены с помощью статистического анализа данных, понимать специфику данных, используемых в статистическом анализе, а также владеть навыками самостоятельного статистического анализа данных на компьютере в программах SPSS и R. В дистанционном режиме используются Zoom во время стоящих в расписании занятий и ЛМС для сообщений и сдачи работ. Подробности можно узнать у преподавателя по корпоративной почте.
Цель освоения дисциплины
- Изучение базовых методов статистического анализа данных в социальных науках
- Изучение и практическое освоение базовых методов статистического анализа данных в социальных науках
- Изучение и практическое освоение компьютерной программы, применяемой для статистического анализа данных: SPSS
- Изучение и практическое освоение компьютерных программ, применяемых для статистического анализа данных: SPSS и R
- Приобретение понимания специфики работы с количественными данными в социальных науках, понимания типов задач, которые могут быть решены с помощью статистических методов.
- Формирование понимания специфики работы с количественными данными в социальных науках, понимания типов задач, которые могут быть решены с помощью различных статистических методов
Планируемые результаты обучения
- Умеет проверять кластерную модель на устойчивость
- Can build and interpret statistical models base on analysis of longitudinal Data
- Владеет навыками реализации иерархического КА и КА методом К-средних в SPSS
- Владеет навыками реализации ФА МГК в SPSS
- Знает возможности и ограничения применения кластерного анализа
- Знает возможности и ограничения применения факторного анализа методом главных компонент (МГК)
- Знает для решения каких задач в модель линейной регрессии включаются эффекты взаимодействия
- Знает какие переменные перед включением в модель линейной регрессии необходимо преобразовать в фиктивные.
- Знает логику создания фиктивных переменных и умеет их создавать в SPSS
- Знает различия в иерархическом алгоритма КА и КА методом К-средних
- Знает специфику зависимой переменной в модели бинарной логистической регрессии
- Знает специфику зависимой переменной в модели мультиномиальной логистической регрессии
- Знает суть основных алгоритмов деревьев классификации: CHAID, CRT, QUEST
- Знает требования к выборке для получения корректных результатов ФА МГК
- Знает требования к данным для построения моделей линейной регрессии
- Знает требования к уровню измерения наблюдаемых переменных для кластерного
- Знает требования к уровню измерения наблюдаемых переменных для факторного анализа МГК
- Может интерпретировать регрессионные коэффициенты и оценивать качество моделей линейной регрессией
- Обосновывает и отбирает итоговое количество кластеров в модели
- Обосновывает и отбирает итоговое количество факторов в модели
- Определяет качество полученных кластеров (в методе К-Средних): контрастность, наполненность и компактность
- Отличает вырожденное факторное решение от невырожденного
- Понимает задачи, решаемые с помощью многомерного шкалирования.
- Понимает разницу между условиями использования метрического и неметрического МШ
- Понимает разницу между условиями применения методов параметрической и непараметрической статистики.
- Понимает, в каких случаях вместо линейной или бинарной логистической, необходимо использовать мультиномиальную логистическую регрессию.
- Понимает, в каких случаях вместо линейной регрессии необходимо использовать логистическую регерссию, в частности бинарную.
- Умеет проводить диагностику моделей линейной регрессии на основные ограничения и устранять несоблюдение этих ограничений
- Умеет интерпретировать дендрограмму
- Умеет интерпретировать модели деревьев классификации и оценивать их качество
- Умеет интерпретировать модель бинарной логистической регрессии в линейной и экспоненциальной форме
- Умеет интерпретировать модель мультиномиальной логистической регрессии в линейной и экспоненциальной форме
- Умеет интерпретировать полученные значения кластерных переменных
- Умеет интерпретировать полученные значения факторных переменных
- Умеет интерпретировать регрессионные коэффициенты в модели линейной регрессии с фиктивными переменными
- Умеет интерпретировать регрессионные коэффициенты при переменных-эффектах взаимодействия
- Умеет интерпретировать факторные нагрузки
- Умеет оценивать качество моделей многомерного шкалирования
- Умеет оценивать качество модели бинарной логистической регрессии
- Умеет оценивать качество модели мультиномиальной логистической регрессии
- Умеет правильно выбирать метод вращения факторных нагрузок в ФА МГК
- Умеет правильно интерпретировать таблицу шагов аггломерации (в иерархическом кластерном анализу)
- Умеет реализовывать с помощью SPSS тесты Манна –Уитни, знаков рангов Вилкоксона и непараметрический анализ Краскла-Уоллиса
- Умеет содержательно интерпретировать результаты тестов Манна –Уитни, знаков рангов Вилкоксона и непараметрического анализа Краскла-Уоллиса
- Умеет создавать в SPSS и включать в регрессионную модель эффекты взаимодействия категориальных переменных, категориальных и интервальных переменных.
- Умеет строить в SPSS модели многомерного шкалирования различной спецификации и сравнивать их
- Умеет строить модели деревьев классификации (CHAID, CRT,QUEST) с помощью пакета SPSS
- Умеет строить модель бинарной логистической регрессии в SPSS
- Умеет строить модель мультиномиальной логистической регрессии в SPSS
- Формулирует содержательные задачи, для решения которых применим кластерный анализ
- Формулирует содержательные задачи, для решения которых применим факторный анализ
Содержание учебной дисциплины
- Базовые методы непараметрической статистики
- Мультиномиальная логистическая регрессия
- Классическая линейная регрессия: парная и множественная. Введение в МНК. Ограничения модели регрессии.
- Зй курс. Модели многомерного шкалирования
- Регрессия с фиктивными переменными
- 3й курс. Модели деревьев классификации (деревьев решений).
- Эффекты взаимодействия в регрессионных моделях.
- Longitudinal Data
- Бинарная логистическая регрессия
- Тема 7 Факторный анализ
- Тема 8 Кластерный анализ
Элементы контроля
- Контрольная работа "Мультиномиальная логистическая регрессия"
- Контрольная работа "Деревья классификации"
- Контрольная работа "Многомерное шкалирование"
- Итоговая контрольная работа за 4й модуль
- Homeworks in 3 module
- Quizzes in 3rd module
- In-Class Labs in 3rd module
- Final work for 3rd module
- Контрольная работа "Мультиномиальная логистическая регрессия"
- Контрольная работа "Деревья классификации"
- Контрольная работа "Многомерное шкалирование"
- Итоговая контрольная работа за 4й модуль
- Homeworks in 3 module
- Quizzes in 3rd module
- In-Class Labs in 3rd module
- Final work for 3rd module
- Домашнее задание «Непараметрическая статистика"Возможна выборочная устная защита домашнего задания.
- Домашнее задание «Классическая линейная регрессия"Возможна выборочная устная защита домашнего задания.
- Домашнее задание «Регрессия с фиктивными переменными и эффекты взаимодействия»Возможна выборочная устная защита домашнего задания.
- Домашнее задание "Бинарная и мультиномиальная логистическая регрессия»Возможна выборочная устная защита домашнего задания.
- ЭкзаменДлительность экзамена 60 минут. Экзамен проводится на платформе LMS и параллельно в ZOOM. К экзамену (соответствующей конференции в ZOOM) необходимо подключиться за 5 минут до начала. В это же время нужно зайти в LMS, в раздел «Экзамен» дисциплины «Анализ данных в социологии». Компьютер студента должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка ZOOM. Для участия в экзамене студент обязан: зайти в ZOOM под своим именем и фамилией, включить камеру и микрофон. Во время экзамена студентам запрещено: пользоваться какими бы то ни было материалами, выключать камеру и микрофон. Калькулятор в процессе экзамена тоже не требуется. Во время экзамена студентам разрешено: (перечислить действия). Кратковременным нарушением связи во время экзамена считается менее 5 минут. Долговременным нарушением связи во время экзамена считается временной период более 5х минут. При долговременном нарушении связи студент не может продолжить участие в экзамене. Процедура пересдачи экзамена аналогично процедуре сдачи. Студенты будет предложен вариант экзаменационного теста, отличный от того, который студент писал первый раз.
- Контрольная работа за 2й модульПо темам 1-2
- Контрольная работа за 3й модульПо темам 3-4
- Домашнее задание «Факторный и кластерный анализы»
- Средняя оценка за тесты по отдельным темамКаждый тест состоит из 5 вопросов. Всего 8 тестов по следующим темам: "Основы непараметрической статистики", "Линейная регрессия", "Регрессия с фиктивными переменными", "Эффекты взаимодействия в регрессионных моделях", "Бинарная логистическая регрессия", "Мультиномиальная логистическая регрессия", "Факторный анализ", "Кластерный анализ".
Промежуточная аттестация
- 2020/2021 учебный год 4 модуль0.04 * Домашнее задание «Непараметрическая статистика" + 0.04 * Домашнее задание "Бинарная и мультиномиальная логистическая регрессия» + 0.1 * Контрольная работа за 2й модуль + 0.1 * Контрольная работа за 3й модуль + 0.2 * Средняя оценка за тесты по отдельным темам + 0.4 * Экзамен + 0.04 * Домашнее задание «Факторный и кластерный анализы» + 0.04 * Домашнее задание «Классическая линейная регрессия" + 0.04 * Домашнее задание «Регрессия с фиктивными переменными и эффекты взаимодействия»
- 2021/2022 учебный год 4 модуль0.1 * Homeworks in 3 module + 0.2 * Итоговая контрольная работа за 4й модуль + 0.1 * Контрольная работа "Мультиномиальная логистическая регрессия" + 0.1 * In-Class Labs in 3rd module + 0.1 * Контрольная работа "Деревья классификации" + 0.05 * Quizzes in 3rd module + 0.1 * Контрольная работа "Многомерное шкалирование" + 0.25 * Final work for 3rd module
Список литературы
Рекомендуемая основная литература
- Baltagi, B. H. (2015). The Oxford Handbook of Panel Data. New York, NY: Oxford University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=864682
- Elementary statistics : a step by step approach, Bluman, A. G., 1995
- Meyers, L. S. (2013). Performing Data Analysis Using IBM SPSS. Hoboken: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=610849
- SPSS 19: профессиональный статистический анализ данных, Наследов, А., 2011
- SPSS: искусство обработки информации : анализ стат. данных и восстановление скрытых закономерностей: пер. с нем., Бююль, А., 2002
- SPSS: Статистический анализ в маркетинговых исследованиях, Таганов, Д., 2005
- Анализ социологических данных : методология, дескриптивная статистика, изучение связей между номинальными признаками : учеб.пособие для вузов, Толстова, Ю. Н., 2000
- Анализ социологических данных с помощью пакета SPSS : учеб. пособие для вузов, Крыштановский, А. О., 2006
- Маркетинговые исследования с SPSS: Учебное пособие / Г. Моосмюллер, Н.Н. Ребик. - 2-e изд. - М.: ИНФРА-М, 2011. - 200 с.: 60x90 1/16. - (Высшее образование). (обложка) ISBN 978-5-16-004240-4 - Режим доступа: http://znanium.com/catalog/product/257371
- Основы многомерного шкалирования : учеб. пособие для вузов, Толстова, Ю. Н., 2006
Рекомендуемая дополнительная литература
- Син, Т. Занимательная статистика. Факторный анализ. Манга / Т. Син ; перевод с японского А. Б. Клионского. — Москва : ДМК Пресс, 2015. — 248 с. — ISBN 978-5-97060-116-7. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/93563 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
- Устелемова, М. С. Шкалирование : учебное пособие / М. С. Устелемова. — 2-е изд. — Москва : ИНТУИТ, 2016. — 69 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100491 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.