Delivered at:: School of Sociology

Course type:: Compulsory course

When:: 2 year, 2-4 module

Instructors

Andreeva, Daria

Voronina, Natalya

Zangieva, Irina

Мхитарян Тамара Арменовна

Полная версия программы учебной 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

Элементы контроля

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

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

Авторы

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

Bachelor’s Programme 'Sociology'

International Accreditation

Rankings

Data Analysis in Sociology

Instructors

Программа дисциплины