• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Аспирантура 2018/2019

Методология квазиэкспериментальных исследований в образовании

Статус: Курс по выбору
Направление: 44.06.01. Образование и педагогические науки
Когда читается: 2-й курс, 1 семестр
Формат изучения: без онлайн-курса
Язык: русский
Кредиты: 3

Программа дисциплины

Аннотация

В социальных и поведенческих науках, в т.ч. в образовании квазиэксперименты играют важную роль, особенно в тех областях исследований, где взаимообусловленные признаки не обязательно являются независимой и зависимой переменными в строгом смысле. Чаще всего изучается связь не между стимулом и реакцией, а между качествами, одно из которых считается причиной, а другое - следствием. Квазиэксперимент является своеобразным компромиссом между реальностью и «строгостью» методологических предписаний и часто используется для проведения научных исследований в образовании. Сочетание квазиэкспериментальных планов с достаточно большим числом наблюдений, статистическая обработка данных позволяют достаточно надежно проверять гипотезы о взаимосвязях в таких исследованиях. Дисциплина посвящена изучению квазиэкспериментальных методов исследования в образовании в их сравнении с экспериментальными методами. Целями освоения дисциплины является знакомство аспирантов с экспериментальным и квазиэкспериментальным дизайном исследования: методами, используемыми для оценки каузальных связей в сфере образования, освоение практических навыков использования квазиэкспериментальных методов в практической исследовательской работе – с помощью статистического пакета Stata. Для достижения второй цели дисциплина включает подготовительный блок, ориентированный на практическое освоение пакета Stata и формирование умения использовать базовые методы анализа с помощью данного пакета.
Цель освоения дисциплины

Цель освоения дисциплины

  • Познакомить аспирантов с экспериментальным и квазиэкспериментальным дизайном исследования: методами, используемыми для оценки каузальных связей в сфере образования
  • Научить использовать квазиэкспериментальные методы в практической работе – с помощью статистического пакета Stata. Для подготовки к решению второй задачи курс включает подготовительный блок, ориентированный на практическое освоение пакета Stata и формирование умения использовать базовые методы анализа с помощью данного пакета
Планируемые результаты обучения

Планируемые результаты обучения

  • Готовить данные к анализу в Stata
  • Быть в курсе принципов оценки каузальных связей
  • Быть в курсе особенностей экспериментального дизайна исследования
  • Иметь представление о теоретических основах разных методов квазиэкспериментального дизайна (разрывная регрессия, анализ с использованием инструментальной переменной, анализ методом отбора подобного по вероятности)
  • Представлять результатов регрессионного анализа в виде таблиц
  • Работать с макросами local и global, а также петлями foreach и forvalues
  • Определять метод анализа для решения поставленной задачи с учетом особенностей имеющихся данных
  • Уметь проводить анализ данных с использованием базовых методов статистики (описательный анализ, анализ дисперсии, линейная регрессия, анализ с категориальной зависимой переменной) в пакете Stata
  • Анализировать данные с использованием разных квазиэкспериментальных методов (разрывная регрессия, анализ с использованием инструментальной переменной, анализ методом отбора подобного по вероятности) в пакете Stata
  • Ознакомиться с методами отбора подобного: optimal matching, greedy matching
  • Быть в курсе методов анализа после отбора
  • Проверять результаты анализа
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Тема 1. Управление данными в STATA
    Начало работы: интерфейс, файлы Stata, ресурсы Stata, вызов помощи. Поиск, установка и обновление команд. Создание и сохранение базы данных. Импорт и экс-порт данных из/в файлов/ы с разным разрешением. Работа с переменными: создание, удаление, перекодирование, присвоение имен и меток переменным и их категориям. Основные логические команды. Типы переменных. Управление данными: сортировка наблюдений и переменных, слияние данных, деление на подвыборки, реструктурирование данных, удаление наблюдений. Комментарии. Работа с пропусками, методы импутации данных.
  • Тема 2. Описательная статистика. Основные графики
    Таблицы частот и сопряженности. Столбиковые диаграммы, гистограммы, круговые диаграммы, диаграмма k-density, ящичковые диаграммы, точечные диаграммы. Основные графические параметры. Описательные статистики. Анализ распределения.
  • Тема 3. Анализ связи между переменными. Анализ дисперсии
    Корреляции. T-тест. ANOVA, ANCOVA, MANOVA
  • Тема 4. Линейная регрессия
    Линейная регрессия. β-коэффициенты и 〖R^2〗_adjusted. Регрессия без константы. Регрессия с фиктивными переменными. Регрессия с интеракцией переменных. Веса. Предсказанные значения и остатки. Проверка гипотезы линейности. Мультиколлинеарность. Выбросы. Гетероскедастичность. Кластерная коррекция остатков. Робастная регрессия. Представление результатов регрессионного анализа в виде таблиц. Графики. Макросы local и global. Петли foreach и forvalues.
  • Тема 5. Модели дискретного выбора
    Logit. Probit. Мультиномиальная логистическая регрессия. Порядковая логистическая регрессия. Odds, log odds, odds ratio, margins. Диагностика моделей. Робастные оценки остатков. Представление результатов в виде таблиц. Графики.
  • Тема 6. Каузальная связь. Рандомизированный эксперимент (Randomized Experiments).
    Понятие каузальной связи: модель Неймана-Рубина. Внутренняя валидность. Типы экспериментального дизайна. Рандомизированный эксперимент: принципы, преимущества. Конструирование дизайна: определение зависимой и независимой пере-менной, конструирование выборки, определение длительности эксперимента. Статистическая мощность исследования. Условия проведения эксперимента и проблемы с внутренней валидностью.
  • Тема 7. Разрывная регрессия (Regression Discontinuity)
    Основные принципы разрывной регрессии как метода оценки эффектов. Точка разрыва. Анализ с четкой и размытой точкой разрыва. Проблемы с внутренней валидностью в данном типе дизайна. Анализ в Stata.
  • Тема 8. Метод отбора подобного по вероятности (Propensity Score Matching)
    Сбалансирование данных: основная идея. Стратификация. Отбор подобного по вероятности: идея, этапы. Propensity score: идея, допущения. Методы отбора подобного: op-timal matching, greedy matching. Оценка сбалансированности данных. Отбор, когда переменная, эффекты которой оцениваются, включает больше 2 категорий (treatment doses). Методы анализа после отбора. Непараметрический анализ. Команды для анализа в Stata.
  • Тема 9. Анализ с инструментальными переменными (Instrumental Varia-bles)
    Эндогенность независимых переменных. Инструментальная переменная: идея, предположения. Методы оценки: 2 SLS, GMM. Релевантность инструмента. Диагностика моделей. Команды для анализа в Stata.
Элементы контроля

Элементы контроля

  • неблокирующий Выполнение контрольных работ
  • неблокирующий Выполнение домашних работ
  • неблокирующий Итоговая контрольная работа
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (I семестр)
    0.2 * Выполнение домашних работ + 0.4 * Выполнение контрольных работ + 0.4 * Итоговая контрольная работа
Список литературы

Список литературы

Рекомендуемая основная литература

  • Banerjee, A. V., Cole, S., Duflo, E., & Linden, L. (2007). Remedying Education: Evidence from Two Randomized Experiments in India. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.8698242D
  • Cameron, A. C. (DE-588)12870022X, (DE-576)178800546. (2010). Microeconometrics using stata / A. Colin Cameron, Pravin K. Trivedi. College Station, Texas: Stata Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edswao&AN=edswao.321025784
  • Christopher F Baum. (2016). An Introduction to Stata Programming, Second Edition. StataCorp LP. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.b.tsj.spbook.isp
  • J. Scott Long, & Jeremy Freese. (2006). Regression Models for Categorical Dependent Variables using Stata, 2nd Edition. StataCorp LP. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.b.tsj.spbook.long2
  • Karthik Muralidharan, & Venkatesh Sundararaman. (2011). Teacher Performance Pay: Experimental Evidence from India.” Working Paper. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.CFDC0B33
  • Long, J. S. (DE-588)171773071, (DE-576)164679804. (2009). The workflow of data analysis using Stata / J. Scott Long. College Station, Tex.: Stata Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edswao&AN=edswao.303727527
  • Ludwig, J., & Miller, D. L. (2007). Does Head Start Improve Children’s Life Chances? Evidence from a Regression Discontinuity Design. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.91C8A57A
  • Michael N. Mitchell. (2012). A Visual Guide to Stata Graphics, 3rd Edition. StataCorp LP. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.b.tsj.spbook.vgsg
  • Roberto Agodini, & Mark Dynarski. (2004). Are Experiments the Only Option? A Look at Dropout Prevention Programs. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.DB76A4C5
  • Shadish, W. R. . (DE-588)131609661, (DE-576)167219103. (2002). Experimental and quasi-experimental designs for generalized causal inference / William R. Shadish; Thomas D. Cook; Donald T. Campbell. Boston [u.a.]: Houghton Mifflin. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edswao&AN=edswao.095715274
  • Thomas S. Dee. (2004). Are there civic returns to education. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.E97F215F

Рекомендуемая дополнительная литература

  • Alan B. Krueger. (1997). Experimental Estimates of Education Production Functions. NBER Working Papers. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.p.nbr.nberwo.6051
  • Angrist, J. D., & Keueger, A. B. (1991). Does Compulsory School Attendance Affect Schooling and Earnings? Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.D3673A5E
  • Freund, R. J., Wilson, W. J., & Sa, P. (2006). Regression Analysis (Vol. 2nd ed). AMsterdam: Academic Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=320724
  • Iris Eekhout, Mark A. van de Wiel, & Martijn W. Heymans. (2017). Methods for significance testing of categorical covariates in logistic regression models after multiple imputation: power and applicability analysis. https://doi.org/10.1186/s12874-017-0404-7
  • J.D. Angrist, Guido W. Imbens, & D.B. Rubin. (1993). Identification of Causal Effects Using Instrumental Variables. NBER Technical Working Papers. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.p.nbr.nberte.0136
  • Lee, D. S., & Lemieux, T. (2010). Regression Discontinuity Designs in Economics. Journal of Economic Literature, 48(2), 281–355. https://doi.org/10.1257/jel.48.2.281
  • Loyalka, P., Liu, C., Song, Y., Yi, H., Huang, X., Wei, J., … Society for Research on Educational Effectiveness (SREE). (2013). Can Information and Counseling Help Students from Poor Rural Areas Go to High School? Evidence from China. Society for Research on Educational Effectiveness. Society for Research on Educational Effectiveness. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=eric&AN=ED563055
  • Patrick Royston. (2009). Multiple imputation of missing values: Further update of ice, with an emphasis on categorical variables. Stata Journal, (3), 466. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.a.tsj.stataj.v9y2009i3p466.477
  • Peter Steiner. (2010). S. Guo & M.W. Fraser (2010). Propensity Score Analysis: Statistical Methods and Applications. Psychometrika, (4), 775. https://doi.org/10.1007/s11336-010-9170-8
  • Rabe-Hesketh, S., & Everitt, B. (2004). A Handbook of Statistical Analyses Using Stata (Vol. 3rd ed). Boca Raton, Fla: CRC Press [CAM]. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=147607