Delivered at:: School of Sociology

Course type:: Compulsory course

When:: 2 year, 3, 4 module

Instructors

Voronina, Natalya

Zangieva, Irina

Rotmistrov, Alexey

Suleimanova, Anna

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

Понимает разницу между условиями применения методов параметрической и непараметрической статистики.
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
Знает требования к данным для построения моделей линейной регрессии
Умеет проводить диагностику моделей линейной регрессии на основные ограничения и устранять несоблюдение этих ограничений
Может интерпретировать регрессионные коэффициенты и оценивать качество моделей линейной регрессией
Знает какие переменные перед включением в модель линейной регрессии необходимо преобразовать в фиктивные.
Знает логику создания фиктивных переменных и умеет их создавать в SPSS
Умеет интерпретировать регрессионные коэффициенты в модели линейной регрессии с фиктивными переменными
Знает для решения каких задач в модель линейной регрессии включаются эффекты взаимодействия
Умеет создавать в SPSS и включать в регрессионную модель эффекты взаимодействия категориальных переменных, категориальных и интервальных переменных.
Умеет интерпретировать регрессионные коэффициенты при переменных-эффектах взаимодействия
Понимает, в каких случаях вместо линейной регрессии необходимо использовать логистическую регерссию, в частности бинарную.
Знает специфику зависимой переменной в модели бинарной логистической регрессии
Умеет строить модель бинарной логистической регрессии в SPSS
Умеет интерпретировать модель бинарной логистической регрессии в линейной и экспоненциальной форме
Умеет оценивать качество модели бинарной логистической регрессии
Определяет содержательные задачи, которые могут быть решены с помощью пробит регрессии
Формулирует содержательные задачи, для решения которых применим факторный анализ
Знает возможности и ограничения применения факторного анализа методом главных компонент (МГК)
Знает требования к уровню измерения наблюдаемых переменных для факторного анализа МГК
Знает требования к выборке для получения корректных результатов ФА МГК
Владеет навыками реализации ФА МГК в SPSS
Умеет правильно выбирать метод вращения факторных нагрузок в ФА МГК
Умеет интерпретировать полученные значения факторных переменных
Умеет интерпретировать факторные нагрузки
Отличает вырожденное факторное решение от невырожденного
Обосновывает и отбирает итоговое количество факторов в модели
Формулирует содержательные задачи, для решения которых применим кластерный анализ
Знает возможности и ограничения применения кластерного анализа
Знает требования к уровню измерения наблюдаемых переменных для кластерного
Знает различия в иерархическом алгоритма КА и КА методом К-средних
Владеет навыками реализации иерархического КА и КА методом К-средних в SPSS
Умеет правильно интерпретировать таблицу шагов аггломерации (в иерархическом кластерном анализу)
Умеет интерпретировать полученные значения кластерных переменных
Умеет интерпретировать дендрограмму
Определяет качество полученных кластеров (в методе К-Средних): контрастность, наполненность и компактность
Обосновывает и отбирает итоговое количество кластеров в модели
Умеет проверять кластерную модель на устойчивость
Знает отличия пробит регрессии от других пройденных моделей регрессии
Знает возможности и ограничения пробит-регрессии
Умеет содержательно интерпретировать коэффициенты уравнения пробит-регрессии
Интерпретирует занчения медианного отклика и доли естественного отклика в пробит-регрессии
Умеет интерпретировать результаты параллельного теста и значений оценки подгонки модели Пирсона
Формулирует содержательные задачи, для решения которых применим дискриминантный анализ
Знает возможности и ограничения применения дискриминантного анализа
Знает требования к уровню измерения переменной образующей кластер и параметров классификации для дискриминантного анализа
Владеет навыками реализации дискриминантного анализа в SPSS
Понимает смысл дискриминирующей функции, и интерпретирует значения ее коэффициентов.
Знает смысл коэффициента канонической корреляции. Интерпретирует коэффициент Лямбда Уилкса и значения центроидов.

Содержание учебной дисциплины

Регрессия с фиктивными переменными
Регрессия с категориальными независимыми переменными. Понятие фиктивных переменных. Интерпретация коэффициентов в регрессии с фиктивными переменными.
Эффекты взаимодействия в регрессионных моделях.
Понятие взаимодействия переменных в регрессионной модели. Эффекты взаимодействия: между двумя интервальными переменными, интервальной и категориальной переменными, двумя категориальными переменными. Интерпретация регрессионных коэффициентов при переменных взаимодействия.
Бинарная логистическая регрессия
Регрессионные модели для бинарных зависимых переменных. Модель линейной вероятности. Логистическая регрессия. Интерпретация коэффициентов логистической регрессии. Шансы и отношения шансов.
Тема 6. Пробит-регрессия
Содержательные задачи, решаемые с помощью пробит-регрессии. Представление зависимой переменной в пробит-регрессии. Специфика интерпретации коэффициентов регрессионного уравнения
Тема 7 Факторный анализ
Модель факторного анализа (ФА) как модель латентных переменных. Различные подходы к определению числа факторов. Процент объясненной дисперсии как показатель качества факторной модели. Индивидуальные значения факторов. Сохранение факторов как новых переменных. Вращение матрицы факторных нагрузок. Ортогональные и неортогональные методы вращения.
Тема 8 Кластерный анализ
Иерархический агломеративный кластерный анализ. Кластерный анализ методом k-средних. Проблемы выбора меры расстояния и формы кластера. Проблема устойчивости кластеризации. Методы оценки устойчивости. Проблема отбора итогового количества кластеров в модели. Описание и интерпретация результатов кластеризации.
Категориальный метод главных компонент (CatPCA)
Категориальный метод главных компонент (CatPCA) - аналог традиционного метода главных компонент, в который встроена возможность его применения к категориальным переменным. Он предназначен для отображения (в т.ч., графического) связей между категориями многих переменных и объединения этих переменных в одну/несколько интегральных (латентных) переменных. Переменные могут принадлежать к любому типу шкалы (предпочтителен ранговый). Требуемый уровень подготовки пользователя: средний. Желательно владение методами: коэффициенты корреляции Пирсона и ранговые, а также метод главных компонент (МГК).
Мультиномиальная логистическая регрессия
Представление зависимой переменной в мультиномиальной логистической регрессии. Выбор контрольных групп. Интерпретация коэффициентов уравнения мультиномиальной логистической регрессии. Ограничения мультиномиальной логистической регрессии.
Тема 2. Модели многомерного шкалирования
Многомерное шкалирование как метод анализа данных, его цели и задачи. Классификация методов многомерного шкалирования. Исходные данные для многомерного шкалирования. Понятие близости данных. Методы получения данных о близости. Меры близости. Матрицы сходства и расстояния в многомерном шкалировании. R и Q – модели в многомерном шкалировании. Представление и первичная обработка статистических данных в многомерном шкалировании. Подготовка данных к многомерному шкалированию: типы матриц (матрица условных вероятностей, или матрица идентификаций, матрицы перехода, матрица совместных вероятностей, матриц мер различия профилей). Метрическое многомерное шкалирование. Классическая модель многомерного шкалирования Торгерсона: алгоритм, теоретические постулаты. Обобщенный алгоритм метрического многомерного шкалирования. Понятие о неметрическом многомерном шкалировании, его особенности. Метрики расстояний. Модели НМШ. Алгоритм НМШ. Стресс-формулы.
Тема 3. Модели деревьев классификации (деревьев решений).
Модели деревьев решений. Особенности работы алгоритмов CHAID и CRT. Ошибки классификации, определение понятия риска. Проверка качества модели, способы решения проблемы излишней подгонки дерева: кросс-проверка, V-кратная кросс-проверка.
Базовые методы непараметрической статистики
Различия параметрической и непараметрической статистики. Достоинства и недостатки непараметрических методов, по сравнению с параметрическими. Непараметрические аналоги некоторых параметрических методов: одновыборочный тест знаков (непараметрический аналог одновыборочного Т-теста), тесты суммы рангов Манна –Уитни и Вилкоксона (непараметрические аналоги Т-теста для независимых выборок), тест приписанных знаков рангов Вилкоксона (непараметрический аналог Т-теста для связанных выборок) и непараметрический дисперсионный анализ Краскла-Уоллиса (непараметрический аналог однофакторного дисперсионного анализа)
Тема 9. Дискриминантный анализ
Содержательные задачи, решаемые с помощью дискриминантного анализа. Специфика алгоритма, требования к уровню измерения переменных Дискриминирующая функция, интерпретация коэффициентов. Каноническая корреляция. Коэффициент Лямбда Уилкса. Центроиды. Проверка качества модели: кросс-проверка, V-кратная кросс-проверка.
Классическая линейная регрессия: парная и множественная. Введение в МНК. Ограничения модели регрессии.
Парная линейная регрессия. Связь между корреляцией и регрессией. Оценка регрессионных коэффициентов методом наименьших квадратов. Интерпретация регрессионных коэффициентов и стандартных ошибок. Статистическая значимость коэффициентов. Регрессия с несколькими предикторами. Понятие статистического контроля. Интерпретация коэффициентов в множественной регрессии. Коэффициент детерминации R2. Допущения регрессионных моделей и диагностика моделей. Гетероскедастичность. Нелинейные связи. Статистические выбросы. Мультиколлинеарность. Принципы построения регрессионных моделей.

Элементы контроля

Тест "Непараметрическая статистика"
Тест "Линейная регрессия"
Тест "Регрессия с фиктивными переменными"
Тест "Бинарная логистическая регрессия"
Домашнее задание «Непараметрическая статистика"
Возможна выборочная устная защита домашнего задания.
Домашнее задание «Классическая линейная регрессия"
Возможна выборочная устная защита домашнего задания.
Домашнее задание «Регрессия с фиктивными переменными и эффекты взаимодействия»
Возможна выборочная устная защита домашнего задания.
Домашнее задание «Бинарная логистическая регрессия»
Возможна выборочная устная защита домашнего задания.
Экзамен (итоговый тест)
Экзамен проводится в форме теста. Длительность теста 60 минут. Экзамен проводится на платформе LMS и параллельно в ZOOM. К экзамену (соответствующей конференции в ZOOM) необходимо подключиться за 5 минут до начала. В это же время нужно зайти в LMS, в раздел «Тесты» дисциплины «Анализ данных в социологии». Компьютер студента должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка ZOOM. Для участия в экзамене студент обязан: зайти в ZOOM под своим именем и фамилией, включить камеру и микрофон. Во время экзамена студентам запрещено: пользоваться какими бы то ни было материалами, выключать камеру и микрофон. Калькулятор в процессе экзамена тоже не требуется. Во время экзамена студентам разрешено: (перечислить действия). Кратковременным нарушением связи во время экзамена считается менее 5 минут. Долговременным нарушением связи во время экзамена считается временной период более 5х минут. При долговременном нарушении связи 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.
Контрольная работа за 3й модуль
Контрольная работа за 4й модуль
Тест "Эффекты взаимодействия в регрессионных моделях"
Тест "Факторный анализ"
Тест "Кластерный анализ"
Домашнее задание «Факторный и кластерный анализы»

Промежуточная аттестация

Промежуточная аттестация (4 модуль)
0.04 * Домашнее задание «Бинарная логистическая регрессия» + 0.04 * Домашнее задание «Классическая линейная регрессия" + 0.04 * Домашнее задание «Непараметрическая статистика" + 0.04 * Домашнее задание «Регрессия с фиктивными переменными и эффекты взаимодействия» + 0.04 * Домашнее задание «Факторный и кластерный анализы» + 0.1 * Контрольная работа за 3й модуль + 0.1 * Контрольная работа за 4й модуль + 0.027 * Тест "Бинарная логистическая регрессия" + 0.029 * Тест "Кластерный анализ" + 0.028 * Тест "Линейная регрессия" + 0.029 * Тест "Непараметрическая статистика" + 0.029 * Тест "Регрессия с фиктивными переменными" + 0.029 * Тест "Факторный анализ" + 0.029 * Тест "Эффекты взаимодействия в регрессионных моделях" + 0.4 * Экзамен (итоговый тест)

Bachelor’s Programme 'Sociology'

International Accreditation

Rankings

Data Analysis in Sociology

Instructors

Программа дисциплины

Аннотация

Цель освоения дисциплины

Планируемые результаты обучения

Содержание учебной дисциплины

Элементы контроля

Промежуточная аттестация

Список литературы

Рекомендуемая основная литература

Рекомендуемая дополнительная литература