Анализ данных в социологии

Бакалавриат 2022/2023

Лучший по критерию «Новизна полученных знаний»

Статус: Курс обязательный (Социология)

Направление: 39.03.01. Социология

Кто читает: Департамент социологии

Где читается: Факультет социальных наук

Когда читается: 3-й курс, 4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Воронина Наталья Дмитриевна, Зангиева Ирина Казбековна

Язык: русский

Кредиты: 4

Контактные часы: 34

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 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

Планируемые результаты обучения

Умеет проверять кластерную модель на устойчивость
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 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 разницу между условиями применения методов параметрической и непараметрической статистики.
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 модель бинарной 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 модели бинарной 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 модель бинарной 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
Классическая линейная регрессия: парная и множественная. Введение в МНК. Ограничения модели регрессии.
Регрессия с фиктивными переменными
Эффекты взаимодействия в регрессионных моделях.
Бинарная логистическая регрессия
Мультиномиальная логистическая регрессия
Тема 7 Факторный анализ
Тема 8 Кластерный анализ
Зй курс. Модели многомерного шкалирования
3й курс. Модели деревьев классификации (деревьев решений).
Тема 9. Дискриминантный анализ

Элементы контроля

№5. Факторный анализ
№2. Линейная регрессия
Экзамен 2
Темы 3-8
№3. Регрессия с фиктивными переменными
№6. Кластерный анализ
Дискриминантный анализ
Деревья классификации
Многомерное шкалирование
№1. Непараметрическая статистика
Экзамен 1
Темы 1 - 2
№4 Логистическая регрессия
Итоговая контрольная работа за 4й модуль

Промежуточная аттестация

2021/2022 учебный год 2 модуль
0.5 * Экзамен 1 + 0.25 * №2. Линейная регрессия + 0.25 * №1. Непараметрическая статистика
2021/2022 учебный год 4 модуль
0.15 * №6. Кластерный анализ + 0.15 * №3. Регрессия с фиктивными переменными + 0.15 * №5. Факторный анализ + 0.4 * Экзамен 2 + 0.15 * №4 Логистическая регрессия
2022/2023 учебный год 4 модуль
0.4 * Итоговая контрольная работа за 4й модуль + 0.2 * Дискриминантный анализ + 0.2 * Деревья классификации + 0.2 * Многомерное шкалирование

Программа дисциплины