Анализ данных в социологии

Бакалавриат 2020/2021

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Новизна полученных знаний»

Статус: Курс обязательный (Социология)

Направление: 39.03.01. Социология

Кто читает: Департамент социологии

Где читается: Факультет социальных наук

Когда читается: 2-й курс, 2-4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Воронина Наталья Дмитриевна, Зангиева Ирина Казбековна, Ротмистров Алексей Николаевич, Сулейманова Анна Наильевна

Язык: русский

Кредиты: 5

Контактные часы: 94

Полная версия программы учебной дисциплины Задать вопрос

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 (пакета SPSS); 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.

Цель освоения дисциплины

Изучение и практическое освоение базовых методов статистического анализа данных в социальных науках
Изучение и практическое освоение компьютерной программы, применяемой для статистического анализа данных: SPSS
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

Понимает разницу между условиями применения методов параметрической и непараметрической статистики.
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
Знает требования к данным для построения моделей линейной регрессии
Умеет проводить диагностику моделей линейной регрессии на основные ограничения и устранять несоблюдение этих ограничений
Может интерпретировать регрессионные коэффициенты и оценивать качество моделей линейной регрессией
Знает какие переменные перед включением в модель линейной регрессии необходимо преобразовать в фиктивные.
Знает логику создания фиктивных переменных и умеет их создавать в SPSS
Умеет интерпретировать регрессионные коэффициенты в модели линейной регрессии с фиктивными переменными
Знает для решения каких задач в модель линейной регрессии включаются эффекты взаимодействия
Умеет создавать в SPSS и включать в регрессионную модель эффекты взаимодействия категориальных переменных, категориальных и интервальных переменных.
Умеет интерпретировать регрессионные коэффициенты при переменных-эффектах взаимодействия
Понимает, в каких случаях вместо линейной регрессии необходимо использовать логистическую регерссию, в частности бинарную.
Знает специфику зависимой переменной в модели бинарной логистической регрессии
Умеет строить модель бинарной логистической регрессии в SPSS
Умеет интерпретировать модель бинарной логистической регрессии в линейной и экспоненциальной форме
Умеет оценивать качество модели бинарной логистической регрессии
Формулирует содержательные задачи, для решения которых применим кластерный анализ
Знает возможности и ограничения применения кластерного анализа
Знает требования к уровню измерения наблюдаемых переменных для кластерного
Знает различия в иерархическом алгоритма КА и КА методом К-средних
Владеет навыками реализации иерархического КА и КА методом К-средних в SPSS
Умеет правильно интерпретировать таблицу шагов аггломерации (в иерархическом кластерном анализу)
Умеет интерпретировать полученные значения кластерных переменных
Умеет интерпретировать дендрограмму
Определяет качество полученных кластеров (в методе К-Средних): контрастность, наполненность и компактность
Обосновывает и отбирает итоговое количество кластеров в модели
Умеет проверять кластерную модель на устойчивость
Формулирует содержательные задачи, для решения которых применим факторный анализ
Знает возможности и ограничения применения факторного анализа методом главных компонент (МГК)
Знает требования к уровню измерения наблюдаемых переменных для факторного анализа МГК
Знает требования к выборке для получения корректных результатов ФА МГК
Владеет навыками реализации ФА МГК в SPSS
Умеет правильно выбирать метод вращения факторных нагрузок в ФА МГК
Умеет интерпретировать полученные значения факторных переменных
Умеет интерпретировать факторные нагрузки
Отличает вырожденное факторное решение от невырожденного
Обосновывает и отбирает итоговое количество факторов в модели

Содержание учебной дисциплины

Базовые методы непараметрической статистики
Различия параметрической и непараметрической статистики. Достоинства и недостатки непараметрических методов, по сравнению с параметрическими. Непараметрические аналоги некоторых параметрических методов: одновыборочный тест знаков (непараметрический аналог одновыборочного Т-теста), тесты суммы рангов Манна –Уитни и Вилкоксона (непараметрические аналоги Т-теста для независимых выборок), тест приписанных знаков рангов Вилкоксона (непараметрический аналог Т-теста для связанных выборок) и непараметрический дисперсионный анализ Краскла-Уоллиса (непараметрический аналог однофакторного дисперсионного анализа)
Классическая линейная регрессия: парная и множественная. Введение в МНК. Ограничения модели регрессии.
Парная линейная регрессия. Связь между корреляцией и регрессией. Оценка регрессионных коэффициентов методом наименьших квадратов. Интерпретация регрессионных коэффициентов и стандартных ошибок. Статистическая значимость коэффициентов. Регрессия с несколькими предикторами. Понятие статистического контроля. Интерпретация коэффициентов в множественной регрессии. Коэффициент детерминации R2. Допущения регрессионных моделей и диагностика моделей. Гетероскедастичность. Нелинейные связи. Статистические выбросы. Мультиколлинеарность. Принципы построения регрессионных моделей.
Регрессия с фиктивными переменными
Регрессия с категориальными независимыми переменными. Понятие фиктивных переменных. Интерпретация коэффициентов в регрессии с фиктивными переменными.
Эффекты взаимодействия в регрессионных моделях.
Понятие взаимодействия переменных в регрессионной модели. Эффекты взаимодействия: между двумя интервальными переменными, интервальной и категориальной переменными, двумя категориальными переменными. Интерпретация регрессионных коэффициентов при переменных взаимодействия.
Бинарная логистическая регрессия
Регрессионные модели для бинарных зависимых переменных. Модель линейной вероятности. Логистическая регрессия. Интерпретация коэффициентов логистической регрессии. Шансы и отношения шансов.
Мультиномиальная логистическая регрессия
Представление зависимой переменной в мультиномиальной логистической регрессии. Выбор контрольных групп. Интерпретация коэффициентов уравнения мультиномиальной логистической регрессии. Ограничения мультиномиальной логистической регрессии.
Тема 7 Факторный анализ
Модель факторного анализа (ФА) как модель латентных переменных. Различные подходы к определению числа факторов. Процент объясненной дисперсии как показатель качества факторной модели. Индивидуальные значения факторов. Сохранение факторов как новых переменных. Вращение матрицы факторных нагрузок. Ортогональные и неортогональные методы вращения.
Тема 8 Кластерный анализ
Иерархический агломеративный кластерный анализ. Кластерный анализ методом k-средних. Проблемы выбора меры расстояния и формы кластера. Проблема устойчивости кластеризации. Методы оценки устойчивости. Проблема отбора итогового количества кластеров в модели. Описание и интерпретация результатов кластеризации.

Элементы контроля

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.
Экзамен
Длительность 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 модуль
По темам 1-2
Контрольная работа за 3й модуль
По темам 3-4
Домашнее задание «Факторный и кластерный анализы»
Средняя оценка за тесты по отдельным темам
Каждый 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

Промежуточная аттестация (4 модуль)
0.04 * Домашнее задание "Бинарная и мультиномиальная логистическая регрессия» + 0.04 * Домашнее задание «Классическая линейная регрессия" + 0.04 * Домашнее задание «Непараметрическая статистика" + 0.04 * Домашнее задание «Регрессия с фиктивными переменными и эффекты взаимодействия» + 0.04 * Домашнее задание «Факторный и кластерный анализы» + 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

Программа дисциплины