• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2024/2025

Анализ данных в социологии

Статус: Курс обязательный (Социология)
Направление: 39.03.01. Социология
Когда читается: 2-й курс, 2-4 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Язык: русский
Кредиты: 5
Контактные часы: 106

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

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

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

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
Элементы контроля

Элементы контроля

  • блокирующий Экзамен 1
    Темы 1 - 2
  • блокирующий Экзамен 2
    Темы 3-8
  • неблокирующий №1. Непараметрическая статистика
  • неблокирующий №5. Факторный анализ
  • неблокирующий №6. Кластерный анализ
  • неблокирующий №2. Линейная регрессия
  • неблокирующий №4 Логистическая регрессия
  • неблокирующий №3 Регрессия с фиктивными переменными
Промежуточная аттестация

Промежуточная аттестация

  • 2024/2025 2nd module
    0.5 * Экзамен 1 + 0.25 * №1. Непараметрическая статистика + 0.25 * №2. Линейная регрессия
  • 2024/2025 4th module
    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
Список литературы

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

  • Зангиева Ирина Казбековна
  • Сулейманова Анна Наильевна
  • Андреева Дарья Александровна
  • Мхитарян Тамара Арменовна
  • Ротмистров Алексей Николаевич
  • Воронина Наталья Дмитриевна