Статистический анализ данных (SPSS)

Бакалавриат 2020/2021

Статус: Курс по выбору (Маркетинг и рыночная аналитика)

Направление: 38.03.02. Менеджмент

Кто читает: Департамент социологии

Где читается: Высшая школа бизнеса

Когда читается: 3-й курс, 3 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Александрова Марина Юрьевна, Воронина Наталья Дмитриевна

Язык: русский

Кредиты: 3

Контактные часы: 30

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 маркетинге и рыночной аналитике; изучение и практическое освоение компьютерных программ, применяемых для статистического анализа данных (пакета SPSS); приобретение понимания специфики работы с количественными данными в маркетинговых исследованиях, 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 задачи в области маркетинговых исследований, 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 маркетинге и рыночной аналитике
Изучение и практическое освоение компьютерных программ, применяемых для статистического анализа данных (SPSS)
Приобретение понимания специфики работы с количественными данными в маркетинговых исследованиях, понимания типов задач, которые могут быть решены с помощью статистических методов

Планируемые результаты обучения

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
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 дискриминантный анализ
Знает возможности и ограничения применения дискриминантного анализа
Знает требования к уровню измерения переменной образующей кластер и параметров классификации для дискриминантного анализа
Владеет навыками реализации дискриминантного анализа в SPSS
Понимает смысл дискриминирующей функции, и интерпретирует значения ее коэффициентов.
Знает смысл коэффициента канонической корреляции. Интерпретирует коэффициент Лямбда Уилкса и значения центроидов.
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
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

Содержание учебной дисциплины

Тема 1. 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.
Тема 2. Регрессия с фиктивными переменными
Регрессия с категориальными независимыми переменными. Понятие фиктивных переменных. Интерпретация коэффициентов в регрессии с фиктивными переменными.
Тема 3. Бинарная логистическая регрессия
Регрессионные модели для бинарных зависимых переменных. Модель линейной вероятности. Логистическая регрессия. Интерпретация коэффициентов логистической регрессии. Шансы и отношения шансов.
Тема 4. Дискриминантный анализ
Содержательные задачи, решаемые с помощью дискриминантного анализа. Специфика алгоритма, требования к уровню измерения переменных Дискриминирующая функция, интерпретация коэффициентов. Каноническая корреляция. Коэффициент Лямбда Уилкса. Центроиды. Проверка качества модели: кросс-проверка, V-кратная кросс-проверка.
Тема 5. 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 6. 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

Контрольная работа "Регрессионный анализ"
Домашнее задание "Факторный и кластерный анализ"
Экзамен
Контрольная работа "Регрессионный анализ"
Домашнее задание "Факторный и кластерный анализ"
Экзамен

Промежуточная аттестация

Промежуточная аттестация (3 модуль)
0.25 * Домашнее задание "Факторный и кластерный анализ" + 0.25 * Контрольная работа "Регрессионный анализ" + 0.5 * Экзамен

Программа дисциплины