• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2022/2023

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, 4 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Язык: русский
Кредиты: 3
Контактные часы: 30

Программа дисциплины

Аннотация

Целями освоения дисциплины 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

  • 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 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
  • Отличает вырожденное факторное решение от невырожденного
  • 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 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 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
  • 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
  • Понимает, в каких случаях вместо линейной регрессии необходимо использовать логистическую регерссию, в частности бинарную.
  • Умеет проверять кластерную модель на устойчивость
  • Умеет проводить диагностику моделей линейной регрессии на основные ограничения и устранять несоблюдение этих ограничений
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Тема 1. Классическая линейная регрессия: парная и множественная. Введение в МНК. Ограничения модели регрессии.
  • Тема 3. Бинарная логистическая регрессия
  • Тема 5. Факторный анализ
  • Тема 6. Кластерный анализ
  • Тема 2. Регрессия с фиктивными переменными
Элементы контроля

Элементы контроля

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

Промежуточная аттестация

  • 2022/2023 учебный год 4 модуль
    0.5 * Домашнее задание "Факторный и кластерный 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

Авторы

  • Воронина Наталья Дмитриевна
  • Большаков Никита Викторович
  • Косова Лариса Борисовна