• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2020/2021

Статистический анализ данных (SPSS)

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус: Курс по выбору (Маркетинг и рыночная аналитика)
Направление: 38.03.02. Менеджмент
Когда читается: 3-й курс, 3 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Язык: русский
Кредиты: 3
Контактные часы: 30

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 маркетинге и рыночной аналитике; изучение и практическое освоение компьютерных программ, применяемых для статистического анализа данных (пакета SPSS); приобретение понимания специфики работы с количественными данными в маркетинговых исследованиях, 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 задачи в области маркетинговых исследований, 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 маркетинге и рыночной аналитике
  • Изучение и практическое освоение компьютерных программ, применяемых для статистического анализа данных (SPSS)
  • Приобретение понимания специфики работы с количественными данными в маркетинговых исследованиях, понимания типов задач, которые могут быть решены с помощью статистических методов
Планируемые результаты обучения

Планируемые результаты обучения

  • Формулирует содержательные задачи, для решения которых применим факторный анализ
  • Знает возможности и ограничения применения факторного анализа методом главных компонент (МГК)
  • Знает требования к уровню измерения наблюдаемых переменных для факторного анализа МГК
  • Знает требования к выборке для получения корректных результатов ФА МГК
  • Владеет навыками реализации ФА МГК в SPSS
  • Умеет правильно выбирать метод вращения факторных нагрузок в ФА МГК
  • Умеет интерпретировать полученные значения факторных переменных
  • Умеет интерпретировать факторные нагрузки
  • Отличает вырожденное факторное решение от невырожденного
  • Обосновывает и отбирает итоговое количество факторов в модели
  • Формулирует содержательные задачи, для решения которых применим кластерный анализ
  • Знает возможности и ограничения применения кластерного анализа
  • Знает требования к уровню измерения наблюдаемых переменных для кластерного
  • Знает различия в иерархическом алгоритма КА и КА методом К-средних
  • Владеет навыками реализации иерархического КА и КА методом К-средних в SPSS
  • Умеет правильно интерпретировать таблицу шагов аггломерации (в иерархическом кластерном анализу)
  • Умеет интерпретировать полученные значения кластерных переменных
  • Умеет интерпретировать дендрограмму
  • Определяет качество полученных кластеров (в методе К-Средних): контрастность, наполненность и компактность
  • Обосновывает и отбирает итоговое количество кластеров в модели
  • Умеет проверять кластерную модель на устойчивость
  • Формулирует содержательные задачи, для решения которых применим дискриминантный анализ
  • Знает возможности и ограничения применения дискриминантного анализа
  • Знает требования к уровню измерения переменной образующей кластер и параметров классификации для дискриминантного анализа
  • Владеет навыками реализации дискриминантного анализа в SPSS
  • Понимает смысл дискриминирующей функции, и интерпретирует значения ее коэффициентов.
  • Знает смысл коэффициента канонической корреляции. Интерпретирует коэффициент Лямбда Уилкса и значения центроидов.
  • Знает требования к данным для построения моделей линейной регрессии
  • Умеет проводить диагностику моделей линейной регрессии на основные ограничения и устранять несоблюдение этих ограничений
  • Может интерпретировать регрессионные коэффициенты и оценивать качество моделей линейной регрессией
  • Знает какие переменные перед включением в модель линейной регрессии необходимо преобразовать в фиктивные.
  • Знает логику создания фиктивных переменных и умеет их создавать в SPSS
  • Умеет интерпретировать регрессионные коэффициенты в модели линейной регрессии с фиктивными переменными
  • Понимает, в каких случаях вместо линейной регрессии необходимо использовать логистическую регерссию, в частности бинарную.
  • Знает специфику зависимой переменной в модели бинарной логистической регрессии
  • Умеет строить модель бинарной логистической регрессии в SPSS
  • Умеет интерпретировать модель бинарной логистической регрессии в линейной и экспоненциальной форме
  • Умеет оценивать качество модели бинарной логистической регрессии
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Тема 1. Классическая линейная регрессия: парная и множественная. Введение в МНК. Ограничения модели регрессии.
    Парная линейная регрессия. Связь между корреляцией и регрессией. Оценка регрессионных коэффициентов методом наименьших квадратов. Интерпретация регрессионных коэффициентов и стандартных ошибок. Статистическая значимость коэффициентов. Регрессия с несколькими предикторами. Понятие статистического контроля. Интерпретация коэффициентов в множественной регрессии. Коэффициент детерминации R2. Допущения регрессионных моделей и диагностика моделей. Гетероскедастичность. Нелинейные связи. Статистические выбросы. Мультиколлинеарность. Принципы построения регрессионных моделей.
  • Тема 2. Регрессия с фиктивными переменными
    Регрессия с категориальными независимыми переменными. Понятие фиктивных переменных. Интерпретация коэффициентов в регрессии с фиктивными переменными.
  • Тема 3. Бинарная логистическая регрессия
    Регрессионные модели для бинарных зависимых переменных. Модель линейной вероятности. Логистическая регрессия. Интерпретация коэффициентов логистической регрессии. Шансы и отношения шансов.
  • Тема 4. Дискриминантный анализ
    Содержательные задачи, решаемые с помощью дискриминантного анализа. Специфика алгоритма, требования к уровню измерения переменных Дискриминирующая функция, интерпретация коэффициентов. Каноническая корреляция. Коэффициент Лямбда Уилкса. Центроиды. Проверка качества модели: кросс-проверка, V-кратная кросс-проверка.
  • Тема 5. Факторный анализ
    Модель факторного анализа (ФА) как модель латентных переменных. Различные подходы к определению числа факторов. Процент объясненной дисперсии как показатель качества факторной модели. Индивидуальные значения факторов. Сохранение факторов как новых переменных. Вращение матрицы факторных нагрузок. Ортогональные и неортогональные методы вращения.
  • Тема 6. Кластерный анализ
    Иерархический агломеративный кластерный анализ. Кластерный анализ методом k-средних. Проблемы выбора меры расстояния и формы кластера. Проблема устойчивости кластеризации. Методы оценки устойчивости. Проблема отбора итогового количества кластеров в модели. Описание и интерпретация результатов кластеризации.
Элементы контроля

Элементы контроля

  • неблокирующий Контрольная работа "Регрессионный анализ"
  • неблокирующий Домашнее задание "Факторный и кластерный анализ"
  • неблокирующий Экзамен
  • неблокирующий Контрольная работа "Регрессионный анализ"
  • неблокирующий Домашнее задание "Факторный и кластерный анализ"
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (3 модуль)
    0.25 * Домашнее задание "Факторный и кластерный анализ" + 0.25 * Контрольная работа "Регрессионный анализ" + 0.5 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • SPSS: искусство обработки информации : анализ стат. данных и восстановление скрытых закономерностей: пер. с нем., Бююль, А., 2002
  • Анализ социологических данных с помощью пакета SPSS : учеб. пособие для вузов, Крыштановский, А. О., 2006

Рекомендуемая дополнительная литература

  • SPSS 19: профессиональный статистический анализ данных, Наследов, А., 2011
  • SPSS: Статистический анализ в маркетинговых исследованиях, Таганов, Д., 2005
  • Маркетинговые исследования : практ. руководство, Малхотра, Н. К., 2003