• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2021/2022

Анализ данных в социологии

Статус: Курс обязательный (Социология)
Направление: 39.03.01. Социология
Когда читается: 2-й курс, 2-4 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Язык: русский
Кредиты: 5

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 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

Цель освоения дисциплины

  • Изучение и практическое освоение 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 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
  • 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

Планируемые результаты обучения

  • Умеет проверять кластерную модель на устойчивость
  • Умеет проверять кластерную модель на устойчивость
  • Владеет навыками реализации иерархического КА и КА методом К-средних в SPSS
  • Владеет навыками реализации иерархического КА и КА методом К-средних в SPSS
  • Владеет навыками реализации ФА МГК в SPSS
  • Владеет навыками реализации ФА МГК в SPSS
  • Знает возможности и ограничения применения кластерного анализа
  • Знает возможности и ограничения применения кластерного анализа
  • Знает возможности и ограничения применения факторного анализа методом главных компонент (МГК)
  • Знает возможности и ограничения применения факторного анализа методом главных компонент (МГК)
  • Знает для решения каких задач в модель линейной регрессии включаются эффекты взаимодействия
  • 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 какие переменные перед включением в модель линейной регрессии необходимо преобразовать в фиктивные.
  • Знает логику создания фиктивных переменных и умеет их создавать в SPSS
  • Знает логику создания фиктивных переменных и умеет их создавать в SPSS
  • Знает различия в иерархическом алгоритма КА и КА методом К-средних
  • 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 бинарной логистической регрессии
  • Знает требования к выборке для получения корректных результатов ФА МГК
  • Знает требования к выборке для получения корректных результатов ФА МГК
  • Знает требования к данным для построения моделей линейной регрессии
  • 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 кластерного
  • Знает требования к уровню измерения наблюдаемых переменных для факторного анализа МГК
  • Знает требования к уровню измерения наблюдаемых переменных для факторного анализа МГК
  • Может интерпретировать регрессионные коэффициенты и оценивать качество моделей линейной регрессией
  • Может интерпретировать регрессионные коэффициенты и оценивать качество моделей линейной регрессией
  • Обосновывает и отбирает итоговое количество кластеров в модели
  • Обосновывает и отбирает итоговое количество кластеров в модели
  • Обосновывает и отбирает итоговое количество факторов в модели
  • Обосновывает и отбирает итоговое количество факторов в модели
  • Определяет качество полученных кластеров (в методе К-Средних): контрастность, наполненность и компактность
  • Определяет качество полученных кластеров (в методе К-Средних): контрастность, наполненность и компактность
  • Отличает вырожденное факторное решение от невырожденного
  • Отличает вырожденное факторное решение от невырожденного
  • Понимает разницу между условиями применения методов параметрической и непараметрической статистики.
  • Понимает разницу между условиями применения методов параметрической и непараметрической статистики.
  • Понимает, в каких случаях вместо линейной регрессии необходимо использовать логистическую регерссию, в частности бинарную.
  • 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 проводить диагностику моделей линейной регрессии на основные ограничения и устранять несоблюдение этих ограничений
  • Умеет интерпретировать дендрограмму
  • Умеет интерпретировать дендрограмму
  • Умеет интерпретировать модель бинарной логистической регрессии в линейной и экспоненциальной форме
  • Умеет интерпретировать модель бинарной логистической регрессии в линейной и экспоненциальной форме
  • Умеет интерпретировать полученные значения кластерных переменных
  • Умеет интерпретировать полученные значения кластерных переменных
  • Умеет интерпретировать полученные значения факторных переменных
  • Умеет интерпретировать полученные значения факторных переменных
  • Умеет интерпретировать регрессионные коэффициенты в модели линейной регрессии с фиктивными переменными
  • Умеет интерпретировать регрессионные коэффициенты в модели линейной регрессии с фиктивными переменными
  • Умеет интерпретировать регрессионные коэффициенты при переменных-эффектах взаимодействия
  • Умеет интерпретировать регрессионные коэффициенты при переменных-эффектах взаимодействия
  • Умеет интерпретировать факторные нагрузки
  • Умеет интерпретировать факторные нагрузки
  • Умеет оценивать качество модели бинарной логистической регрессии
  • Умеет оценивать качество модели бинарной логистической регрессии
  • Умеет правильно выбирать метод вращения факторных нагрузок в ФА МГК
  • Умеет правильно выбирать метод вращения факторных нагрузок в ФА МГК
  • Умеет правильно интерпретировать таблицу шагов аггломерации (в иерархическом кластерном анализу)
  • 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 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 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 создавать в SPSS и включать в регрессионную модель эффекты взаимодействия категориальных переменных, категориальных и интервальных переменных.
  • Умеет строить модель бинарной логистической регрессии в SPSS
  • Умеет строить модель бинарной логистической регрессии в SPSS
  • Формулирует содержательные задачи, для решения которых применим кластерный анализ
  • Формулирует содержательные задачи, для решения которых применим кластерный анализ
  • Формулирует содержательные задачи, для решения которых применим факторный анализ
  • Формулирует содержательные задачи, для решения которых применим факторный анализ
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Базовые методы непараметрической статистики
  • Базовые методы непараметрической статистики
  • Классическая линейная регрессия: парная и множественная. Введение в МНК. Ограничения модели регрессии.
  • Классическая линейная регрессия: парная и множественная. Введение в МНК. Ограничения модели регрессии.
  • Регрессия с фиктивными переменными
  • Регрессия с фиктивными переменными
  • Эффекты взаимодействия в регрессионных моделях.
  • Эффекты взаимодействия в регрессионных моделях.
  • Бинарная логистическая регрессия
  • Бинарная логистическая регрессия
  • Мультиномиальная логистическая регрессия
  • Мультиномиальная логистическая регрессия
  • Тема 7 Факторный анализ
  • Тема 7 Факторный анализ
  • Тема 8 Кластерный анализ
  • Тема 8 Кластерный анализ
Элементы контроля

Элементы контроля

  • блокирующий Экзамен
    На выполнение экзаменационного теста дистанционно отводится на 30% меньше времени, чем в аудитории. Во время выполнения экзаменационного теста запрещено пользоваться любыми материалами. При выполнении теста дистанционно у студента должны быть включены камера, демонстрация всего экрана и звук. Невозможность выполнить любое из этих условий должна быть подтверждена документально. Без документального подтверждения 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.
  • блокирующий Экзамен
    На выполнение экзаменационного теста дистанционно отводится на 30% меньше времени, чем в аудитории. Во время выполнения экзаменационного теста запрещено пользоваться любыми материалами. При выполнении теста дистанционно у студента должны быть включены камера, демонстрация всего экрана и звук. Невозможность выполнить любое из этих условий должна быть подтверждена документально. Без документального подтверждения 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.
  • неблокирующий Контрольные работы: средняя оценка
    При расчёте средней оценки за контрольные работы, работы, не сданные без уважительной причины, входят в расчёт с оценкой 0. Уважительность причины оценивается учебным офисом образовательной программы. Всего 2 контрольные работы: по итогам 2-го модуля и по итогам 3-го модуля. Контрольные работы выполняются в аудитории. Длительность 4 академических часа
  • неблокирующий Контрольные работы: средняя оценка
    При расчёте средней оценки за контрольные работы, работы, не сданные без уважительной причины, входят в расчёт с оценкой 0. Уважительность причины оценивается учебным офисом образовательной программы. Всего 2 контрольные работы: по итогам 2-го модуля и по итогам 3-го модуля. Контрольные работы выполняются в аудитории. Длительность 4 академических часа
  • неблокирующий Домашние задания: средняя оценка
    Не сданные без уважительной причины работы входят в расчёт средней оценки за домашние задания с оценкой 0. Уважительность причины оценивается учебным офисом образовательной программы. Темы домашних заданий: "Непараметрическая статистика", "Линейная регрессия", "Регрессия с фиктивными переменными и эффекты взаимодействия", "Логистическая регрессия", "Факторный анализ" и "Кластерный анализ".
  • неблокирующий Домашние задания: средняя оценка
    Не сданные без уважительной причины работы входят в расчёт средней оценки за домашние задания с оценкой 0. Уважительность причины оценивается учебным офисом образовательной программы. Темы домашних заданий: "Непараметрическая статистика", "Линейная регрессия", "Регрессия с фиктивными переменными и эффекты взаимодействия", "Логистическая регрессия", "Факторный анализ" и "Кластерный анализ".
  • неблокирующий Промежуточный тест по каждой теме: средняя оценка
    Не сданные без уважительной причины работы входят в расчёт средней оценки за промежуточные тесты с оценкой 0. Уважительность причины оценивается учебным офисом образовательной программы. Тест предусмотрен по каждой теме.
  • неблокирующий Промежуточный тест по каждой теме: средняя оценка
    Не сданные без уважительной причины работы входят в расчёт средней оценки за промежуточные тесты с оценкой 0. Уважительность причины оценивается учебным офисом образовательной программы. Тест предусмотрен по каждой теме.
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 2 модуль
  • 2021/2022 учебный год 2 модуль
  • 2021/2022 учебный год 3 модуль
  • 2021/2022 учебный год 3 модуль
  • 2021/2022 учебный год 4 модуль
    0.25 * Домашние задания: средняя оценка + 0.25 * Контрольные работы: средняя оценка + 0.25 * Промежуточный тест по каждой теме: средняя оценка + 0.25 * Экзамен
  • 2021/2022 учебный год 4 модуль
    0.25 * Домашние задания: средняя оценка + 0.25 * Контрольные работы: средняя оценка + 0.25 * Промежуточный тест по каждой теме: средняя оценка + 0.25 * Экзамен
  • 2022/2023 учебный год 3 модуль
  • 2022/2023 учебный год 3 модуль
  • 2022/2023 учебный год 4 модуль
  • 2022/2023 учебный год 4 модуль
Список литературы

Список литературы

Рекомендуемая основная литература

  • Elementary statistics : a step by step approach, Bluman, A. G., 1995
  • Meyers, L. S. (2013). Performing Data Analysis Using IBM SPSS. Hoboken: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=610849
  • SPSS 19: профессиональный статистический анализ данных, Наследов, А., 2011
  • SPSS: искусство обработки информации : анализ стат. данных и восстановление скрытых закономерностей: пер. с нем., Бююль, А., 2002
  • SPSS: Статистический анализ в маркетинговых исследованиях, Таганов, Д., 2005
  • Анализ социологических данных с помощью пакета SPSS : учеб. пособие для вузов, Крыштановский, А. О., 2006
  • Маркетинговые исследования с SPSS: Учебное пособие / Г. Моосмюллер, Н.Н. Ребик. - 2-e изд. - М.: ИНФРА-М, 2011. - 200 с.: 60x90 1/16. - (Высшее образование). (обложка) ISBN 978-5-16-004240-4 - Режим доступа: http://znanium.com/catalog/product/257371

Рекомендуемая дополнительная литература

  • Син Такахаси - Занимательная статистика. Факторный анализ. Манга - Издательство "ДМК Пресс" - 2015 - ISBN: 978-5-97060-116-7 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/93563