2022/2023
Методы анализа неоднородных данных и паттерн-анализ
Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Статус:
Маго-лего
Кто читает:
Кафедра высшей математики
Когда читается:
3, 4 модуль
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
6
Контактные часы:
72
Программа дисциплины
Аннотация
Чаще всего в социальных науках, в частности, в политологии, исследователям приходится работать с неоднородными данными. Примером могут выступать данные с панельной структурой (наличие как пространственного, так и временного измерения: данные по каждой стране из выборки представлены за несколько лет), с иерархической структурой (к примеру, в массиве представлены данные на индивидуальном и страновом уровне). В таком случае предположение об одинаковых параметрах для всех единиц анализа является неправдоподобным. Допустим, взаимосвязь между протестной активностью и доходом может быть разного характера в разных странах. Оценивание классической модели линейной регрессии в таком случае приводит к некорректным результатам статистической инференции. Курс «Методы анализа неоднородных данных и паттерн-анализ» посвящен изучению количественных методов, позволяющих учесть отсутствие независимости наблюдений в подгруппах выборки. Будут рассмотрены и критически проанализированы следующие методы: 1) корректировка с помощью робастных стандартных ошибок 2) регрессионный анализ на подвыборках 3) регрессионный анализ с включением переменных взаимодействия 4) моделирование с фиксированными эффектами 5) моделирование со смешанными эффектами, в частности, многоуровневое моделирование. Программное обеспечение – Python и RStudio. Преподавателем будут предложены конкретные исследования для обсуждения методологического подхода и соответствующие массивы данных для репликации результатов.
Цель освоения дисциплины
- овладение статистическими методами, позволяющих учесть отсутствие независимости наблюдений в подгруппах выборки, для решения политологических и социально-экономических задач
Планируемые результаты обучения
- Знает возможные стратегии работы с неоднородными данными и знает их область применения, корректно применяет и интерпретирует оценки моделей с переменными взаимодействия
- Корректно интерпретирует оценки коэффициентов в моделях со смешанными эффектами, понимает различие между фиксированными и случайными эффектами в контексте модели со смешанными эффектами
- Корректно интерпретирует результаты оценивания модели с фиксированными эффектами, знает область применения модели с фиксированными эффектами
- Умеет выбрать и обосновать спецификацию модели со смешанными эффектами для анализа панельных данных, корректно интерпретирует оценки коэффициентов в моделях со смешанными эффектами
Содержание учебной дисциплины
- Введение: основы работы с гетерогенной выборкой
- Модели с фиксированными эффектами: возможности и ограничения
- Модели со смешанными эффектами. Сравнение альтернативных подходов к работе с гетерогенной выборкой
- Анализ панельных данных при помощи моделей со смешанными эффектами
- Методы анализа паттернов
Элементы контроля
- Домашние задания
- Проверочная работа 1
- Проверочная работа 2
- Проверочная работа 3
- Эссе
- Презентация эссе
- Экзамен
Промежуточная аттестация
- 2022/2023 учебный год 4 модуль0.05 * Проверочная работа 3 + 0.05 * Проверочная работа 2 + 0.1 * Презентация эссе + 0.3 * Экзамен + 0.2 * Домашние задания + 0.05 * Проверочная работа 1 + 0.25 * Эссе
Список литературы
Рекомендуемая основная литература
- Bradford S. Jones, & Marco R. Steenbergen. (1997). Modeling Multilevel Data Structures. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.F4700E2E
- Econometric analysis of cross section and panel data, Wooldridge, J. M., 2002
- Анализ панельных данных и данных о длительности состояний : учеб. пособие, Ратникова, Т. А., 2014
Рекомендуемая дополнительная литература
- Green, D. P., Kim, S. Y., & Yoon, D. H. (2001). Dirty Pool. International Organization, (02), 441. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.a.cup.intorg.v55y2001i02p441.468.44
- Hainmueller, J., Mummolo, J., & Xu, Y. (2019). How Much Should We Trust Estimates from Multiplicative Interaction Models? Simple Tools to Improve Empirical Practice. Political Analysis, (02), 163. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.a.cup.polals.v27y2019i02p163.192.00