Бакалавриат 2023/2024

Анализ данных в социологии

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: 3-й курс, 4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Андреева Дарья Александровна, Воронина Наталья Дмитриевна, Зангиева Ирина Казбековна, Мхитарян Тамара Арменовна

Язык: русский

Кредиты: 3

Контактные часы: 34

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 (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

• Умеет проверять кластерную модель на устойчивость
• 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 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 разницу между условиями применения методов параметрической и непараметрической статистики.
• 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 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 регрессионные коэффициенты при переменных-эффектах взаимодействия
• 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 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 модель бинарной 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
• Классическая линейная регрессия: парная и множественная. Введение в МНК. Ограничения модели регрессии.
• Регрессия с фиктивными переменными
• Эффекты взаимодействия в регрессионных моделях.
• Бинарная логистическая регрессия
• Мультиномиальная логистическая регрессия
• Тема 7 Факторный анализ
• Тема 8 Кластерный анализ
• Зй курс. Модели многомерного шкалирования
• 3й курс. Модели деревьев классификации (деревьев решений).
• Тема 9. Дискриминантный анализ

Элементы контроля

• Экзамен 1
  Темы 1 - 2
• Экзамен 2
  Темы 3-8
• №1. Непараметрическая статистика
• №2. Линейная регрессия
• №3. Регрессия с фиктивными переменными
• №4 Логистическая регрессия
• №5. Факторный анализ
• №6. Кластерный анализ
• Деревья классификации
• Многомерное шкалирование
• Дискриминантный анализ
• Итоговая контрольная работа за 4й модуль

Промежуточная аттестация

• 2022/2023 учебный год 2 модуль
  0.5 * Экзамен 1 + 0.25 * №1. Непараметрическая статистика + 0.25 * №2. Линейная регрессия
• 2022/2023 учебный год 4 модуль
  0.4 * Экзамен 2 + 0.15 * №3. Регрессия с фиктивными переменными + 0.15 * №4 Логистическая регрессия + 0.15 * №5. Факторный анализ + 0.15 * №6. Кластерный анализ
• 2023/2024 учебный год 4 модуль
  0.2 * Деревья классификации + 0.2 * Дискриминантный анализ + 0.4 * Итоговая контрольная работа за 4й модуль + 0.2 * Многомерное шкалирование

Список литературы

Рекомендуемая основная литература

• 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 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

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.

Авторы

• Сулейманова Анна Наильевна
• Зангиева Ирина Казбековна
• Воронина Наталья Дмитриевна
• Ротмистров Алексей Николаевич