Бакалавриат
2022/2023
Статистический анализ данных (SPSS)
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, 4 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
3
Контактные часы:
30
Программа дисциплины
Аннотация
Целями освоения дисциплины 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
- 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 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 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
- Отличает вырожденное факторное решение от невырожденного
- Умеет интерпретировать дендрограмму
- Умеет интерпретировать модель бинарной 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 факторные нагрузки
- Умеет оценивать качество модели бинарной логистической регрессии
- Умеет правильно выбирать метод вращения факторных нагрузок в ФА МГК
- Умеет правильно интерпретировать таблицу шагов аггломерации (в иерархическом кластерном анализу)
- Умеет строить модель бинарной логистической регрессии в SPSS
- Формулирует содержательные задачи, для решения которых применим кластерный анализ
- Формулирует содержательные задачи, для решения которых применим факторный анализ
- 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
- Понимает, в каких случаях вместо линейной регрессии необходимо использовать логистическую регерссию, в частности бинарную.
- Умеет проверять кластерную модель на устойчивость
- Умеет проводить диагностику моделей линейной регрессии на основные ограничения и устранять несоблюдение этих ограничений
Содержание учебной дисциплины
- Тема 1. Классическая линейная регрессия: парная и множественная. Введение в МНК. Ограничения модели регрессии.
- Тема 3. Бинарная логистическая регрессия
- Тема 5. Факторный анализ
- Тема 6. Кластерный анализ
- Тема 2. Регрессия с фиктивными переменными
Промежуточная аттестация
- 2022/2023 учебный год 4 модуль0.5 * Домашнее задание "Факторный и кластерный анализ" + 0.5 * Экзамен
Список литературы
Рекомендуемая основная литература
- SPSS: искусство обработки информации : анализ стат. данных и восстановление скрытых закономерностей: пер. с нем., Бююль, А., 2002
- Анализ социологических данных с помощью пакета SPSS : учеб. пособие для вузов, Крыштановский, А. О., 2006
Рекомендуемая дополнительная литература
- SPSS 19: профессиональный статистический анализ данных, Наследов, А., 2011
- SPSS: Статистический анализ в маркетинговых исследованиях, Таганов, Д., 2005
- Маркетинговые исследования : практ. руководство, Малхотра, Н. К., 2003