• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Углубленные методы анализа данных в социальных науках: многоуровневый регрессионный анализ и структурное моделирование

2019/2020
Учебный год
RUS
Обучение ведется на русском языке
8
Кредиты
Статус:
Курс обязательный
Когда читается:
2-й курс, 1, 2 модуль

Преподаватель

Программа дисциплины

Аннотация

Программа «Углубленные методы» познакомит будущих исследователей и аналитиков с продвинутыми методами статистической об-работки данных в социальных науках. В результате успешного освоения курса вы сможете проводить многоуровневый регрессионный анализ, логистический многоуровневый регрессионный анализ, конфирматорный факторный анализ, строить путевые диаграммы. Научитесь выбирать метод, подходящий целям и задачам разных исследований. Для освоения дисциплины «Углубленные методы анализа данных в социальных науках» вам необходимо: • уметь работать с одним из пакетов по анализу данных (SPSS, Stata, R) • знать основы регрессионного анализа • знать основные принципы факторного анализа.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целями освоения дисциплины «Углубленные методы анализа данных в социальных науках: многоуровневый регрессионный анализ и структурное моделирование» являются овладение студентами основными понятиями и умениями в области продвинутых методов анализа данных, а именно многоуровневого регрессионного анализа и моделирования структурными уравнениями.
Результаты освоения дисциплины

Результаты освоения дисциплины

  • Выбирать адекватный метод анализа данных в зависимости от исследовательских вопросов и задач и специфики данных
  • Проверять способы соблюдения основных требований регрессионного анализа
  • Выбирать релевантную многоуровневую модель в зависимости от исследовательского вопроса
  • Строить разные типы многоуровневых моделей и интерпретировать их результаты
  • Использовать разные типы трансформации переменных и понимать особенности интерпретации полученных коэффициентов
  • Включать в регрессионную модель переменные взаимодействия и интерпретировать коэффициенты переменных взаимодействия
  • Рассчитывать коэффициент интер- и интраклассовой корреляции (unconditional и conditional) и интерпретировать его значения для двух- и трех-уровневых мо-делей
  • Проверять степень соответствия модели данным
  • Проводить конфирматорный факторный анализ
  • Писать академические тексты с применением результатов анализа данных. Работать с исследовательскими текстами и анализа выбранной авторами стратегии анализа
  • Работать в программной оболочке для анализа данных Stata и Mplus
  • Интерпретировать результаты множественного регрессионного анализа, многоуровневого анализа, конфирматорного факторного анализа и путевого анализа
  • Строить путевые диаграммы и интерпретировать их; Оценивать прямой и непрямой эффект переменных в путевых моделях
  • Использовать интервальные и бинарные переменные как зависимые в многоуровневом регрессионном анализа и моделировании структурными уравнения-ми
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Тема 1. Общее представление о многоуровневом и структурном анализе. Множественная регрессия для интервальных переменных
    Многоуровневая регрессия – регрессия «в особых условиях». Моделирование структурными уравнениями и многоуровневая регрессия как расширение возможностей регрессионного анализа. Понятие множественной регрессии. Включение в анализ переменных взаимодействия. Интерпретация коэффициентов переменных взаимодействия. Использование регрессионного анализа для контроля условий. Оценка соответствия модели полученным данным. История применения многоуровневой регрессии в исследованиях образования. Виды ис-следований и выборок, в которых используется многоуровневые методы анализа. Необхо-димость и преимущества многоуровневого анализа. Сравнение простого и многоуровне-вого регрессионного анализа. Виды структур: 2,3 и 4 уровневые структуры. Иерархиче-ские и неиерархические структуры. Структуры с пересекающейся классификацией. Структуры с множественным членством. Различия между уровнями и переменными, фиксированными и случайными классификациями. Размер и построение выборки для многоуровневого анализа.
  • Тема 2. Многоуровневая регрессия. Виды 2-уровневых моделей и логистическая многоуровневая регрессия
    Базовая 2-уровневая модель. Отклонения 1 и 2 уровня . Способы оценки модели и гипотез. Виды моделей: intercept-only model, модель с независимыми переменными 1 уровня с неизменяющимся коэффициентом регрессии в группах (fixed slope and random intercept), модель с независимыми переменными 1 уровня с изменяющимся коэффициентом регрессии в группах (random slope and random intercept), модель с независимыми переменными 2 уровня, модель с взаимодействием переменных 1 и 2 уровней. Коэффициент интраклассовой корреляции, безусловный и условный. Расчет процента объясненной дисперсии для 1 и 2 уровня. Использование центрированных и стандартизованных переменных. Виды центрирования. Интерпретация моделей. Анализ соответствия моделей полученным данным. Исследовательские вопросы для каждой модели. Обобщенная линейная модель. Логит- и пробит анализ. Интерпретация логистических коэффициентов. Виды моделей многоуровневого анализа для бинарной переменной. Квазиправдоподобие.
  • Тема 3. Анализ лонгитюдных данных в рамках многоуровневого анализа
    Способы работы с лонгитюдными данными. Виды анализа. Модели с фиксированными и изменяющимися эффектами. Выбор переменной «время». Линейные и нелинейные изменения. Включение переменных взаимодействия. Оценка разных типов траекторий изменений.
  • Тема 4. Введение в структурное моделирование (Structural Equation Modeling). Конфирматорный факторный анализ.
    Основные характеристики SEM. Понятие латентной переменной. Экзогенные и эндоген-ные конструкты. Измерительные и структурные модели. Базовые принципы построения моделей. Конфирматорный факторный анализ. Отличия от эксплораторного факторного анализа. Валидность и надежность коэффициентов КФА, ошибка измерения. Индексы соответ-ствия модели данным.
  • Тема 5. КФА в Mplus. Измерительная инвариантность
    Общее представление о программе и ее целях. Знакомство с интрефейсом. Подготовка файлов к работе в Mplus. Основные команды синтаксиса. Измерительная инвариантность. Конфирматорный факторный анализ с факторами второго порядка и бифакторные модели Практические занятия: Подготовка файлов к работе Работа с меню, работы с синтаксисом. Примеры. Конфирматорный факторный анализ с двумя факторами. Работа с outputs. Интерпретация индексов соответствия модели данным, коэффициентов, modification indices. Мульти-групповой КФА (Multiple group CFA).
  • Тема 6. Путевые диаграммы. Прямой и непрямой эффект, медиаторы и модераторы.
    Принципы построения путевых диаграмм. Идентификация и оценка моделей. Интерпретация результатов. Медиаторы. Модели с полным и частичным медиаторным эффектом. Модерация с латентными переменными.
Элементы контроля

Элементы контроля

  • неблокирующий Экзамен
  • неблокирующий Домашние задания (в том числе эссе или презентации)
  • неблокирующий Самостоятельная работа
  • неблокирующий Контрольная работа
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (1 модуль)
    0.5 * Домашние задания (в том числе эссе или презентации) + 0.5 * Контрольная работа
  • Промежуточная аттестация (2 модуль)
    0.42 * Промежуточная аттестация (1 модуль) + 0.28 * Самостоятельная работа + 0.3 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Bickel, R. (2007). Multilevel Analysis for Applied Research : It’s Just Regression! New York: The Guilford Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=262458
  • Boekbespreking van “A.S. Bryk & S.W. Raudenbusch - Hierarchical linear models: Applications and data analysis methods”: Sage Publications, Newbury Parki, London/New Delhi 1992. (1995). Sociologische Gids, 62(4/5), 371–373. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsnar&AN=edsnar.oai.ris.utwente.nl.publications.870e1364.4937.4613.a2ed.115b14596127
  • Ker, H. W. (2014). Application of Hierarchical Linear Models/Linear Mixed-Effects Models in School Effectiveness Research. Universal Journal of Educational Research, 2(2), 173–180. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=eric&AN=EJ1053942
  • Rumberger, R. W. (1997). Hierarchical linear models: Applications and data analysis methods : and . Newbury Park, CA: Sage, 1992. (ISBN 0-8039-4627-9), pp. xvi + 265. Price: U.S. $45.00 (cloth). Economics of Education Review, (3), 348. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.a.eee.ecoedu.v16y1997i3p348.348
  • Tony Jung, & K. A. S. Wickrama. (n.d.). Social and Personality Psychology Compass 2/1 (2008): 302–317, 10.1111/j.1751-9004.2007.00054.x An Introduction to Latent Class Growth Analysis and Growth Mixture Modeling. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.9601523B

Рекомендуемая дополнительная литература

  • Melissa A. Curran, Lara K. Kammrath, J.-P. Laurenceau, Sean P. Lane, & Erin P. Hennes. (2017). Power struggles: Estimating sample size for multilevel relationships research. https://doi.org/10.1177/0265407517710342
  • Merlo, J., Chaix, B., Ohlsson, H., Beckman, A., Johnell, K., Hjerpe, P., … Larsen, K. (2006). A brief conceptual tutorial of multilevel analysis in social epidemiology: using measures of clustering in multilevel logistic regression to investigate contextual phenomena. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.2D84FDAA
  • Skrondal, A., & Rabe-Hesketh, S. (2004). Generalized Latent Variable Modeling : Multilevel, Longitudinal, and Structural Equation Models. Boca Raton: Chapman and Hall/CRC. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=111068