Анализ данных в социологии

Бакалавриат 2021/2022

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

Преподаватели: Воронина Наталья Дмитриевна, Зангиева Ирина Казбековна, Ротмистров Алексей Николаевич, Сулейманова Анна Наильевна

Язык: русский

Кредиты: 5

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 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

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

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

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.
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.
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
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
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".
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".
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.
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

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

Программа дисциплины