Магистратура
2021/2022
Углубленные методы анализа данных в социальных науках: многоуровневый регрессионный анализ и структурное моделирование
Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус:
Курс обязательный (Измерения в психологии и образовании)
Направление:
37.04.01. Психология
Кто читает:
Институт образования
Где читается:
Институт образования
Когда читается:
2-й курс, 1, 2 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Преподаватели:
Кузьмина Юлия Владимировна
Прогр. обучения:
Измерения в психологии и образовании
Язык:
русский
Кредиты:
6
Контактные часы:
46
Программа дисциплины
Аннотация
Программа «Углубленные методы» познакомит будущих исследователей и аналитиков с продвинутыми методами статистической об-работки данных в социальных науках. В результате успешного освоения курса вы сможете проводить многоуровневый регрессионный анализ, логистический многоуровневый регрессионный анализ, конфирматорный факторный анализ, строить путевые диаграммы. Научитесь выбирать метод, подходящий целям и задачам разных исследований. Для освоения дисциплины «Углубленные методы анализа данных в социальных науках» вам необходимо: • уметь работать с одним из пакетов по анализу данных (SPSS, Stata, R) • знать основы регрессионного анализа • знать основные принципы факторного анализа.
Цель освоения дисциплины
- Целями освоения дисциплины «Углубленные методы анализа данных в социальных науках: многоуровневый регрессионный анализ и структурное моделирование» являются овладение студентами основными понятиями и умениями в области продвинутых методов анализа данных, а именно многоуровневого регрессионного анализа и моделирования структурными уравнениями.
Планируемые результаты обучения
- Включать в регрессионную модель переменные взаимодействия и интерпретировать коэффициенты переменных взаимодействия
- Выбирать адекватный метод анализа данных в зависимости от исследовательских вопросов и задач и специфики данных
- Выбирать релевантную многоуровневую модель в зависимости от исследовательского вопроса
- Интерпретировать результаты множественного регрессионного анализа, многоуровневого анализа, конфирматорного факторного анализа и путевого анализа
- Использовать интервальные и бинарные переменные как зависимые в многоуровневом регрессионном анализа и моделировании структурными уравнения-ми
- Использовать разные типы трансформации переменных и понимать особенности интерпретации полученных коэффициентов
- Писать академические тексты с применением результатов анализа данных. Работать с исследовательскими текстами и анализа выбранной авторами стратегии анализа
- Проверять способы соблюдения основных требований регрессионного анализа
- Проверять степень соответствия модели данным
- Проводить конфирматорный факторный анализ
- Работать в программной оболочке для анализа данных Stata и Mplus
- Рассчитывать коэффициент интер- и интраклассовой корреляции (unconditional и conditional) и интерпретировать его значения для двух- и трех-уровневых мо-делей
- Строить путевые диаграммы и интерпретировать их; Оценивать прямой и непрямой эффект переменных в путевых моделях
- Строить разные типы многоуровневых моделей и интерпретировать их результаты
Содержание учебной дисциплины
- Тема 1. Общее представление о многоуровневом и структурном анализе. Множественная регрессия для интервальных переменных
- Тема 2. Многоуровневая регрессия. Виды 2-уровневых моделей и логистическая многоуровневая регрессия
- Тема 3. Анализ лонгитюдных данных в рамках многоуровневого анализа
- Тема 4. Введение в структурное моделирование (Structural Equation Modeling). Конфирматорный факторный анализ.
- Тема 5. КФА в Mplus. Измерительная инвариантность
- Тема 6. Путевые диаграммы. Прямой и непрямой эффект, медиаторы и модераторы.
Элементы контроля
- Экзамен
- Домашние задания (в том числе эссе или презентации)
- Самостоятельная работа
- Контрольная работа
Промежуточная аттестация
- 2021/2022 учебный год 2 модуль0.4 * Экзамен + 0.3 * Самостоятельная работа + 0.3 * Домашние задания (в том числе эссе или презентации)
Список литературы
Рекомендуемая основная литература
- Bickel, R. (2007). Multilevel Analysis for Applied Research : It’s Just Regression! New York: The Guilford Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=262458
- Boekbespreking van “A.S. Bryk & S.W. Raudenbusch - Hierarchical linear models: Applications and data analysis methods”: Sage Publications, Newbury Parki, London/New Delhi 1992. (1995). Sociologische Gids, 62(4/5), 371–373. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsnar&AN=edsnar.oai.ris.utwente.nl.publications.870e1364.4937.4613.a2ed.115b14596127
- Ker, H. W. (2014). Application of Hierarchical Linear Models/Linear Mixed-Effects Models in School Effectiveness Research. Universal Journal of Educational Research, 2(2), 173–180. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=eric&AN=EJ1053942
- Rumberger, R. W. (1997). Hierarchical linear models: Applications and data analysis methods : and . Newbury Park, CA: Sage, 1992. (ISBN 0-8039-4627-9), pp. xvi + 265. Price: U.S. $45.00 (cloth). Economics of Education Review, (3), 348. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.a.eee.ecoedu.v16y1997i3p348.348
- Tony Jung, & K. A. S. Wickrama. (n.d.). Social and Personality Psychology Compass 2/1 (2008): 302–317, 10.1111/j.1751-9004.2007.00054.x An Introduction to Latent Class Growth Analysis and Growth Mixture Modeling. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.9601523B
Рекомендуемая дополнительная литература
- Melissa A. Curran, Lara K. Kammrath, J.-P. Laurenceau, Sean P. Lane, & Erin P. Hennes. (2017). Power struggles: Estimating sample size for multilevel relationships research. https://doi.org/10.1177/0265407517710342
- Merlo, J., Chaix, B., Ohlsson, H., Beckman, A., Johnell, K., Hjerpe, P., … Larsen, K. (2006). A brief conceptual tutorial of multilevel analysis in social epidemiology: using measures of clustering in multilevel logistic regression to investigate contextual phenomena. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.2D84FDAA
- Skrondal, A., & Rabe-Hesketh, S. (2004). Generalized Latent Variable Modeling : Multilevel, Longitudinal, and Structural Equation Models. Boca Raton: Chapman and Hall/CRC. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=111068