Анализ данных в социологии

Бакалавриат 2021/2022

Статус: Курс обязательный (Социология)

Направление: 39.03.01. Социология

Когда читается: 3-й курс, 3, 4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Воронина Наталья Дмитриевна, Зангиева Ирина Казбековна, Кускова Валентина Викторовна, Мальцева Дарья Васильевна, Семенова Анна Михайловна, Сокол Анна Андреевна, Сулейманова Анна Наильевна, Хвацкий Григорий Сергеевич

Язык: русский

Кредиты: 4

Контактные часы: 64

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, таких как SPSS и R; 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 и R. В дистанционном режиме используются Zoom во время стоящих в расписании занятий и ЛМС для сообщений и сдачи работ. Подробности можно узнать у преподавателя по корпоративной почте.

Цель освоения дисциплины

Изучение базовых методов статистического анализа данных в социальных науках
Изучение и практическое освоение базовых методов статистического анализа данных в социальных науках
Изучение и практическое освоение компьютерной программы, применяемой для статистического анализа данных: SPSS
Изучение и практическое освоение компьютерных программ, применяемых для статистического анализа данных: SPSS и R
Приобретение понимания специфики работы с количественными данными в социальных науках, понимания типов задач, которые могут быть решены с помощью статистических методов.
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
Can build and interpret statistical models base on analysis of longitudinal Data
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 специфику зависимой переменной в модели мультиномиальной логистической регрессии
Знает суть основных алгоритмов деревьев классификации: CHAID, CRT, QUEST
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 задачи, решаемые с помощью многомерного шкалирования.
Понимает разницу между условиями использования метрического и неметрического МШ
Понимает разницу между условиями применения методов параметрической и непараметрической статистики.
Понимает, в каких случаях вместо линейной или бинарной логистической, необходимо использовать мультиномиальную логистическую регрессию.
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 модели деревьев классификации и оценивать их качество
Умеет интерпретировать модель бинарной логистической регрессии в линейной и экспоненциальной форме
Умеет интерпретировать модель мультиномиальной 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 моделей многомерного шкалирования
Умеет оценивать качество модели бинарной логистической регрессии
Умеет оценивать качество модели мультиномиальной 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 в SPSS модели многомерного шкалирования различной спецификации и сравнивать их
Умеет строить модели деревьев классификации (CHAID, CRT,QUEST) с помощью пакета SPSS
Умеет строить модель бинарной логистической регрессии в SPSS
Умеет строить модель мультиномиальной 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
Мультиномиальная логистическая регрессия
Классическая линейная регрессия: парная и множественная. Введение в МНК. Ограничения модели регрессии.
Зй курс. Модели многомерного шкалирования
Регрессия с фиктивными переменными
3й курс. Модели деревьев классификации (деревьев решений).
Эффекты взаимодействия в регрессионных моделях.
Longitudinal Data
Бинарная логистическая регрессия
Тема 7 Факторный анализ
Тема 8 Кластерный анализ

Элементы контроля

Контрольная работа "Мультиномиальная логистическая регрессия"
Контрольная работа "Деревья классификации"
Контрольная работа "Многомерное шкалирование"
Итоговая контрольная работа за 4й модуль
Homeworks in 3 module
Quizzes in 3rd module
In-Class Labs in 3rd module
Final work for 3rd module
Контрольная работа "Мультиномиальная логистическая регрессия"
Контрольная работа "Деревья классификации"
Контрольная работа "Многомерное шкалирование"
Итоговая контрольная работа за 4й модуль
Homeworks in 3 module
Quizzes in 3rd module
In-Class Labs in 3rd module
Final work for 3rd module
Домашнее задание «Непараметрическая статистика"
Возможна выборочная устная защита домашнего задания.
Домашнее задание «Классическая линейная регрессия"
Возможна выборочная устная защита домашнего задания.
Домашнее задание «Регрессия с фиктивными переменными и эффекты взаимодействия»
Возможна выборочная устная защита домашнего задания.
Домашнее задание "Бинарная и мультиномиальная логистическая регрессия»
Возможна выборочная устная защита домашнего задания.
Экзамен
Длительность экзамена 60 минут. Экзамен проводится на платформе LMS и параллельно в ZOOM. К экзамену (соответствующей конференции в ZOOM) необходимо подключиться за 5 минут до начала. В это же время нужно зайти в LMS, в раздел «Экзамен» дисциплины «Анализ данных в социологии». Компьютер студента должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка ZOOM. Для участия в экзамене студент обязан: зайти в ZOOM под своим именем и фамилией, включить камеру и микрофон. Во время экзамена студентам запрещено: пользоваться какими бы то ни было материалами, выключать камеру и микрофон. Калькулятор в процессе экзамена тоже не требуется. Во время экзамена студентам разрешено: (перечислить действия). Кратковременным нарушением связи во время экзамена считается менее 5 минут. Долговременным нарушением связи во время экзамена считается временной период более 5х минут. При долговременном нарушении связи студент не может продолжить участие в экзамене. Процедура пересдачи экзамена аналогично процедуре сдачи. Студенты будет предложен вариант экзаменационного теста, отличный от того, который студент писал первый раз.
Контрольная работа за 2й модуль
По темам 1-2
Контрольная работа за 3й модуль
По темам 3-4
Домашнее задание «Факторный и кластерный анализы»
Средняя оценка за тесты по отдельным темам
Каждый тест состоит из 5 вопросов. Всего 8 тестов по следующим темам: "Основы непараметрической статистики", "Линейная регрессия", "Регрессия с фиктивными переменными", "Эффекты взаимодействия в регрессионных моделях", "Бинарная логистическая регрессия", "Мультиномиальная логистическая регрессия", "Факторный анализ", "Кластерный анализ".

Промежуточная аттестация

2020/2021 учебный год 4 модуль
0.04 * Домашнее задание «Непараметрическая статистика" + 0.04 * Домашнее задание "Бинарная и мультиномиальная логистическая регрессия» + 0.1 * Контрольная работа за 2й модуль + 0.1 * Контрольная работа за 3й модуль + 0.2 * Средняя оценка за тесты по отдельным темам + 0.4 * Экзамен + 0.04 * Домашнее задание «Факторный и кластерный анализы» + 0.04 * Домашнее задание «Классическая линейная регрессия" + 0.04 * Домашнее задание «Регрессия с фиктивными переменными и эффекты взаимодействия»
2021/2022 учебный год 4 модуль
0.1 * Homeworks in 3 module + 0.2 * Итоговая контрольная работа за 4й модуль + 0.1 * Контрольная работа "Мультиномиальная логистическая регрессия" + 0.1 * In-Class Labs in 3rd module + 0.1 * Контрольная работа "Деревья классификации" + 0.05 * Quizzes in 3rd module + 0.1 * Контрольная работа "Многомерное шкалирование" + 0.25 * Final work for 3rd module

Программа дисциплины