Data Analysis in Sociology

2020/2021

Academic Year

RUS

Instruction in Russian

5

ECTS credits

Delivered at:

School of Sociology

Course type:

Compulsory course

When:

2 year, 2-4 module

Instructors

Voronina, Natalya

Zangieva, Irina

Rotmistrov, Alexey

Suleimanova, Anna

Программа 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
• 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
• 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

Содержание учебной дисциплины

• 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)
• 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.
• 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.
• Мультиномиальная логистическая регрессия
  Представление зависимой переменной в мультиномиальной логистической регрессии. Выбор контрольных групп. Интерпретация коэффициентов уравнения мультиномиальной логистической регрессии. Ограничения мультиномиальной логистической регрессии.
• 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.

Элементы контроля

• 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 и мультиномиальная логистическая регрессия»
  Возможна выборочная устная защита домашнего задания.
• Экзамен
  Длительность экзамена 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 «Экзамен» 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 2й модуль
  По темам 1-2
• Контрольная работа за 3й модуль
  По темам 3-4
• Домашнее задание «Факторный и кластерный анализы»
• Средняя оценка за тесты по отдельным темам
  Каждый тест состоит из 5 вопросов. Всего 8 тестов по следующим темам: "Основы непараметрической статистики", "Линейная регрессия", "Регрессия с фиктивными переменными", "Эффекты взаимодействия в регрессионных моделях", "Бинарная логистическая регрессия", "Мультиномиальная логистическая регрессия", "Факторный анализ", "Кластерный анализ".

Промежуточная аттестация

• Промежуточная аттестация (4 модуль)
  0.04 * Домашнее задание "Бинарная и мультиномиальная 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 2й модуль + 0.1 * Контрольная работа за 3й модуль + 0.2 * Средняя оценка за тесты по отдельным темам + 0.4 * Экзамен

Список литературы

Рекомендуемая основная литература

• Elementary statistics : a step by step approach, Bluman, A. G., 1995
• Meyers, L. S. (2013). Performing Data Analysis Using IBM SPSS. Hoboken: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=610849
• SPSS 19: профессиональный статистический анализ данных, Наследов, А., 2011
• SPSS: искусство обработки информации : анализ стат. данных и восстановление скрытых закономерностей: пер. с нем., Бююль, А., 2002
• SPSS: Статистический анализ в маркетинговых исследованиях, Таганов, Д., 2005
• Анализ социологических данных с помощью пакета SPSS : учеб. пособие для вузов, Крыштановский, А. О., 2006
• Маркетинговые исследования с SPSS: Учебное пособие / Г. Моосмюллер, Н.Н. Ребик. - 2-e изд. - М.: ИНФРА-М, 2011. - 200 с.: 60x90 1/16. - (Высшее образование). (обложка) ISBN 978-5-16-004240-4 - Режим доступа: http://znanium.com/catalog/product/257371

Рекомендуемая дополнительная литература

• Син Такахаси - Занимательная статистика. Факторный анализ. Манга - Издательство "ДМК Пресс" - 2015 - 248с. - ISBN: 978-5-97060-116-7 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/93563