• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2022/2023

Байесовская статистика

Лучший по критерию «Новизна полученных знаний»
Статус: Курс обязательный (Прикладная политология)
Направление: 41.04.04. Политология
Когда читается: 2-й курс, 1, 2 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Прогр. обучения: Прикладная политология
Язык: русский
Кредиты: 6
Контактные часы: 56

Программа дисциплины

Аннотация

В этом курсе студенты изучают как теоретические основы байесовского статистического анализа, так и ключевые направления прикладного использования байесовских методов. Основным содержанием курса является применение байесовской методологии для выявления связей между переменными в опросных и иных данных, операционализации сложных концептов политической науки (латентных переменных), а также анализ данных с иерархической структурой. Студенты получат навыки применения методов байесовской статистики с помощью языка программирования Python.
Цель освоения дисциплины

Цель освоения дисциплины

  • Овладение навыками применения методов байесовской статистики для решения широкого круга исследовательских задач
Планируемые результаты обучения

Планируемые результаты обучения

  • ПРО 1. Формулировать содержание и функции методов байесовской статистики.
  • ПРО 2. Интерпретировать результаты, полученные в ходе анализа данных с помощью методов байесовской статистики.
  • ПРО 3. Применять необходимые наборы библиотек и команд на языке программирования R для анализа данных с помощью методов байесовской статистики.
  • ПРО 4. Выявлять апостериорные распределения параметров, отражающих связи между переменными, латетных переменных.
  • ПРО 5. Обобщать результаты анализа данных посредством байесовских методов и аргументировать выводы исследования.
  • ПРО 6. Проектировать и реализовывать своё политическое исследование с использованием методов байесовской статистики.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Тема 1. Введение в байесовскую статистику
  • Тема 2. Аналитический подход к оценке параметров
  • Тема 3. Симуляционные методы в байесовской статистике
  • Тема 4. Применение симуляционных методов в регрессионном анализе
  • Тема 5. Байесовские методы заполнения пропущенных значений переменных
  • Тема 6. Иерархическое моделирование в байесовской статистике
  • Тема 7. Байесовские методы измерения латентных переменных
Элементы контроля

Элементы контроля

  • неблокирующий Активность на занятиях
    От студентов ожидаются подготовка к занятиях и продуктивное участие в дискуссиях. Активность в ходе каждого дня занятий оценивается отдельно. Итоговая оценка за этот элемент контроля равна средней от оценок за каждый день занятий.
  • неблокирующий Домашние работы
    Итоговая оценка за домашние задания - это среднее оценок двух домашних заданий.
  • неблокирующий Проект по репликации частотного анализа с помощью методов байесовской статистики
    Студентам предстоит повторить научное исследование, в котором применялись методы классической (частотной) статистики с помощью методов байесовской статистики. Научное исследование должно быть взято из статьи, опубликованной за последние 5 лет в одном из ведущих мировых политологических журналов. Студенты будут должны: 1) найти исследование, а также данные и код для его репликации; 2) повторить анализ с помощью методов классической стастистики и подтвердить (или опровергнуть) результат; 3) провести новый анализ тех же данных, но с использованием методов байесовской статистики. Студенты должны будут до 07.10.2022 прислать письменное обоснование дизайна работы с кратким описанием планируемой работы (с указанием статистических методов и спецификаций моделей) и источников данных. Окончательный письменный отчёт должен быть отправлен до 28.10.2022. Объём отчёта - не менее 4000 слов. Он должен содержать следующие разделы: 1) введение; 2) описание данных; 3) описание модели; 4) результаты; 5) заключение. Во введении нужно представить дизайн своего исследования. Во втором разделе нужно описать данные и представить описательные статистики. В третьем разделе нужно обсудить и частотную, и байесовскую модель, обосновав выбор модели. В четвёртом разделе нужно сравнить результаты частотного и байесовского анализа данных. В заключении надо сделать выводы о том, какая модель и какие методы привели к более убедительным результатам. К отчёту нужно добавить приложение (не входит в лимит слов), где должны быть представлены диагностики байесовской модели. Также студенты должны предоставить аннотированный код для репликации (включая код для байесовской модели) своей работы и данные. В ноябре студенты выступят с десятиминутной презентацией своей работы и своих результатов в рамках этого проекта. После этого пройдёт пятиминутное выступление рецензента из числа одногруппников. Рецензенты должны реплицировать анализ своей коллег до своего выступления, используя предоставленный код. Они обязательно должны прокомментировать использованные методы моделирования, их применимость и качество реализации, а также результаты диагностик. После выступления рецензентов будет организована сессия вопросов и ответов. Учитывая, что оценка за репликационный проект составляет 35% итоговой оценки за курс, вклад оценок за элементы работы в рамках проекта в итоговую оценку за курс выглядит следующим образом: 5%*Письменное обоснование дизайна работы + 5%*Код для репликации+ 10%*Окончательный письменный отчёт + 5%*Выступление с презентацией работы и результатов+ 10%*Комментарии в качестве рецензента
  • неблокирующий Экзамен (финальный проект)
    У студентов есть два варианта выполнения финального проекта. Первый вариант – существенно расширить свой проект по репликации, добавив дополнительные байесовские методы анализа данных (теоретически обоснованные априорные распределения, иерархические модели, модели латентных переменных). Второй вариант – провести полностью самостоятельное исследование с использованием методов байесовской статистики. Письменное обоснование планируемого дизайна финального проекта должно быть отправлен преподавателю курса до 25.11.2022. Письменный итоговый отчёт о реализации финального проекта – до 17 декабря. Структура отчёта о финальном проекте и требования к его объёму такие же как для отчёта о репликационном проекте. Если студент выбрал вариант расширить репликационный проект, объём текста должен составлять не менее 6000 слов. В ходе сессии студенты должны будут защитить результаты своего проекта, выступив с докладом о нём. Также студенты должны будут представить письменную рецензию на работу своего одногруппника объёмом не менее 500 слов не позднее, чем за два дня до защиты результатов проекта. Учитывая, что вес оценки за финальный проект составляет 35% итоговой оценки, вклад каждого элемента работы над финальным проектом в итоговую оценку за курс : 5%*Письменное обоснование дизайна работы + 5%*Код для репликации+ 10%*Окончательный письменный отчёт + 5%*Выступление с презентацией работы и результатов+ 10%*Рецензия на работу другого студента
Промежуточная аттестация

Промежуточная аттестация

  • 2022/2023 учебный год 2 модуль
    0.2 * Проект по репликации частотного анализа с помощью методов байесовской статистики + 0.15 * Проект по репликации частотного анализа с помощью методов байесовской статистики + 0.35 * Экзамен (финальный проект) + 0.045 * Домашние работы + 0.105 * Активность на занятиях
Список литературы

Список литературы

Рекомендуемая основная литература

  • Bayesian analysis for the social sciences, Jackman, S., 2009

Рекомендуемая дополнительная литература

  • Bayesian data analysis, Gelman, A., 2014

Авторы

  • Беленков Вадим Евгеньевич