Вы находитесь на старом сайте НГУ. Перейти на новый сайт

Методы прикладной статистики для социологов

Бакалавриат

Разработчики курса: Ечевская О.Г., к.соц.н.; Лазарева А.Ю., к.соц.н.

Преподаватели курса: Капелюк С.Д., к.э.н.; Лаврусевич П.Е.

Цель дисциплины: ознакомление студентов с основными методами статистического анализа социологических данных, реализованными в пакете SPSS.

Особое внимание уделяется возможностям и ограничениям применимости отдельных методов для анализа разных видов информации, а также корректной социологической интерпретации полученных данных; системе организации работы с данными в пакете SPSS, подготовке баз данных. Изучение методов статистического анализа позволяет проводить наиболее полный и детальный анализ социологической информации.

Достижение поставленной цели раскрывается в задачах курса:

  • ознакомить студентов с возможностями и ограничениями статистического пакета SPSS;
  • сформировать у студентов навыки работы с пакетом SPSS;
  • ознакомить студентов с порядком подготовки данных к применению тех или иных статистических моделей;
  • научить применять основные статистические методы для анализа различных типов социологических данных и решения различных задач;
  • дать представление о логике интерпретации результатов статистического анализа;
  • сформировать навыки написания аналитических отчетов на основе результатов проведенного анализа.

Основные разделы дисциплины «Методы прикладной статистики для социологов»

1. Вводная часть: логика и методологические принципы исследования, основанного на статистических данных.

Методологические основания количественного исследования; типы переменных и типы шкал, выборочная и генеральная совокупность, логика проверки статистических гипотез, статистический критерий.

Структура пакета SPSS. Основные окна и команды: окна ввода данных, вывода результатов, синтаксиса. Ввод данных. Графические возможности пакета.

2. Анализ одномерных частотных распределений (процедуры Frequencies и Descriptives) и способы проверки нормальности распределения (процедура Explore).

Первый этап статистического анализа: анализ распределения (процент от опрошенных, процент от ответивших, накопленный процент); ошибки кодировки и пропущенные значения. Описательные статистики для различных типов переменных (мода, медиана, среднее) и меры разброса для интервальных признаков. Представления о нормальном распределении. Меры скошенности и пикообразности как косвенные показатели «нормальности» распределения. Глазомерный способ. Критерий Колмогорова-Смирнова. Анализ Z-статистик.

3. Процедуры преобразования переменных и работы с массивом.

Методы преобразования переменных и построение признаков: процедуры COMPUTE, RECODE, COUNT. Построение типологий «вручную».

Методы преобразования данных. Формирование подвыборок (процедуры SELECT и SPLIT), сортировка данных, построение агрегированных файлов и статистик (процедура AGGREGATE), слияние и объединение массивов данных.

4. Анализ взаимосвязей признаков, измеренных номинальной шкалой (процедура CROSSTABS). Статистики таблиц сопряженности, коэффициенты связи номинальных признаков. Статистики связи в целом по таблице, статистики клеток. Критерий Хи-квадрат: логика расчета, возможности, ограничения. Стандартизованные коэффициенты взаимосвязи, основанные на Хи-квадрат. Анализ стандартизованных смещений частот в клетках таблицы. Содержательная интерпретация результатов.

5. Анализ линейных взаимосвязей между ранговыми и интервальными признаками. Коэффициенты ранговой корреляции и коэффициент корреляции Пирсона. Общая логика построения. Особенности, связанные с линейностью (для коэффициента Пирсона). Ограничения и возможные факторы, влияющие на отсутствие линейной связи, или наоборот. Условная корреляция. Примеры социологических задач, решаемых при помощи корреляционного анализа.

6. Методы исследования межгрупповых различий. Сравнение параметров и распределений в группах.

Параметрические и непараметрические методы: сравнительная характеристика, возможности, ограничения. Одновыборочные, двухвыборочные, многовыборочные тесты.

Параметрические методы: критерий Стьюдента (сравнение средних в двух группах), критерий Фишера (сравнение средних и дисперсий в трех и более группах).

Непараметрические методы: одновыборочные (методы проверки репрезентативности выборки), двухвыборочные, многовыборочные тесты. Примеры социологических задач, решаемых при помощи параметрических и непараметрических методов.

7. Регрессионный анализ: модель линейной регрессии и логистическая регрессионная модель.

Анализ множественных взаимосвязей. Прогнозирование изменений значения признака на основе динамики нескольких независимых переменных.

Линейная регрессионная модель: логика построения, возможности, ограничения. Основные статистики: коэффициенты детерминации и множественной корреляции, стандартизованные и нестандартизованные регрессионные коэффициенты.

Логистическая регрессионная модель: логика и техника построения модели; дамми-переменные. Основные статистики регрессионной модели: статистика Вальда, ExpB, способы оценки качества прогноза.

8. Факторный анализ методом главных компонент.

Изучение латентных взаимосвязей между признаками, классификация признаков; уменьшение размерности признакового пространства (построение укрупненных признаков), общие и специфические факторы. Вращение факторов.

Основные статистики выдачи: модельные общности, процент объясненной дисперсии, факторные нагрузки. Способы оценки качества модели. Критерии отбора факторов: глазомерный метод, критерий Кайзера, принудительное включение.

Примеры социологических задач, решаемых при помощи факторного анализа.

9. Кластерный анализ.

Логика построения автоматических (эмпирических) классификаций объектов, группировка объектов. Меры близости и меры расстояния между объектами. Методы кластерного анализа: иерархический, методом К-средних.

Иерархический кластерный анализ: возможности, ограничения, логика построения. Основные статистики модели. Способы отбора оптимального количества кластеров. Графические возможности модели: анализ дендрограммы кластеризации.

Быстрый кластерный анализ методом К-средних: возможности, ограничения, логика построения модели. Основные статистики модели, критерии оценки качества модели. Способы отбора оптимального числа кластеров. Визуализация результатов группировки.

Расширенная аннотация рабочей программы дисциплины «Методы прикладной статистики для социологов»

Последняя редакция: 09.03.2017 15:12