Магистратура 2024/2025

Анализ данных: продвинутый уровень

Статус: Курс обязательный (Анализ данных для государства и общества)

Направление: 39.04.01. Социология

Кто читает: Департамент социологии

Где читается: Санкт-Петербургская школа социальных наук

Когда читается: 2-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Снарский Ярослав Александрович

Прогр. обучения: Анализ данных для государства и общества

Язык: русский

Кредиты: 6

Программа дисциплины

Аннотация

Данный курс является продолжением курса по анализу данных. Этот курс готовит студентов к описанию и анализу данных с использованием современных продвинутых статистических инструментов. Первый модуль посвящен теории и практике причинно-следственной связи. Темы второго модуля включают специальные случаи ограничения данных, работу с пропущенными данными, анализ выживаемости и моделирование выбора. Курс состоит из лекций\семинаров и практических занятий по каждой теме. Оценка основывается на выполнении практических заданий, двух индивидуальных проектах и итоговом экзамене

Цель освоения дисциплины

• Цель этого курса - дать обзор передовых статистических методов, которые используются для анализа данных. Студенты научатся использовать эти методы на практике, а также выбирать корректные методы для специфической структуры данных и аргументированно обосновывать свой выбор

Планируемые результаты обучения

• Различает корреляцию и каузальность. Объясняет основные подходы к изучению каузальности
• Способен разработать эксперимент для оценки эффекта воздействия
• Владеет методами балансировки экспериментальной и контрольной групп, чтобы сделать их сопоставимыми для каузального вывода
• Применяет квази-экспериментальные методы в анализе результатов
• Имеет представление о DAGs и их применении в каузальном анализе
• Идентифицирует проблемы в данных.
• Получает робастные оценки путем корректировки смещения выборки
• Умеет восстанавливать пропущенные значения путем множественной импутации.
• Использует метод максимального правдоподобия и модели дискретного выбора.
• Моделирует временного измерение в данных

Содержание учебной дисциплины

• Основы причинно-следственного вывода
• Рандомизированные эксперименты
• Наблюдаемые данные (observational studies) и каузальный вывод
• Квази-экспериментальные методы
• Ненаправленные графы (directed acyclic graphs)
• Проблемы данных: что может пойти не так?
• Корректировка смещения выборки
• Работа с пропущенными данными.
• Метод максимального правдоподобия
• Модели длительности

Элементы контроля

• Проект 1
  Студенты должны продемонстрировать свои навыки применения методов причинно-следственного вывода и обосновать свой выбор метода.
• Экзамен
  Экзамен проводится в форме самостоятельной домашней работы. На выполнение заданий отводится 48 часов Работы, сданные после дедлайна, штрафуются на 1 балл за каждый час просрочки
• Домашние задания (практика)
  По каждой изученной теме студенты получают домашнее задание. Задание оценивается по 10-бальной шкале Срок выполнения задания - одна неделя. В случае нарушения срока штраф 1 балл за каждую неделю просрочки
• Проект 2
  Проект потребует от студентов продемонстрировать навыки работы с пропущенными значениями и подходами, основанными на методе максимального правдоподобия.

Промежуточная аттестация

• 2024/2025 учебный год 2 модуль
  0.4 * Домашние задания (практика) + 0.2 * Проект 1 + 0.2 * Проект 2 + 0.2 * Экзамен

Список литературы

Рекомендуемая основная литература

• Advanced statistics in research : reading, understanding, and writing up data analysis results, Hatcher, L., 2013
• An introduction to statistical methods and data analysis, Ott, R. L., 2001
• Cramer D. Advanced Quantitative Data Analysis. 2003.
• Data analysis using regression and multilevel/hierarchical models, Gelman, A., 2009
• Horowitz, J. L. (2018). Bootstrap Methods in Econometrics. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsarx&AN=edsarx.1809.04016
• Regression and other stories, Gelman, A., 2021
• The book of why : the new science of cause and effect, Pearl, J., 2018

Рекомендуемая дополнительная литература

• Aguirregabiria, V., & Carro, J. M. (2021). Identification of Average Marginal Effects in Fixed Effects Dynamic Discrete Choice Models.
• Gelman, A., & Hill, J. (2007). Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press.

Авторы

• Ильина Мария Ивановна
• Иванюшина Валерия Александровна
• Снарский Ярослав Александрович