„Анализа података коришћењем ИБМ СПСС Статистицс” - курс 42.000 РУБ. из МСУ, обука (2 месеца), датум 03.12.2023.
мисцеланеа / / December 06, 2023
У веома сажетом облику, овај курс је део популарног курса учења на даљину „Како се бавити научним истраживањем: методологија, алати, методе” Е. Фоундатион Опен Университи. Гајдар (око 2 хиљаде. слушалаца годишње). Економски факултет Московског државног универзитета пружа студентима могућност коришћења опремљене рачунарске класе са инсталираним СПСС детаљно проучите методе рада са подацима лицем у лице са наставником, радите са програмом својим „рукама“ СПСС. Могуће је радити не само са базама података које је предложио наставник, већ и са подацима ученика; наставник ће саветовати које методе и како користити за анализу ваших података.
Овај курс је тестиран на Отвореном универзитету Е. Фондације. Гаидар.
Доктор економских наука, професор Економског факултета Московског државног универзитета, специјалиста за квантитативна истраживања у друштвеној сфери, вођа више од 30 истраживачких пројеката, има искуство предавања аналитичких курсева на Националном истраживачком универзитету ХСЕ, РЕУ им. В.Г. Плеханов.
Емаил: [заштићено имејлом]
1 Суштина и главни правци узорка истраживања становништва. Могућности коришћења посебних ППП за обраду података узорка
Методе за прикупљање квантитативних информација. Узорак студија. Примери социо-демографских истраживања у Русији. Основни статистички софтверски пакети за друштвена истраживања. Функције специјалног софтвера (Статистица, СПСС) у обради података из узорака студија. Структура, СПСС модули. Области обраде података. Припрема података. Уношење и чување података. Мерне скале (квантитативне, ординалне, номиналне). Својства вага и њихове дозвољене трансформације. Врсте категоризације података.
2 Припрема података. Избор и модификација података
Избор запажања. Сортирање запажања. Подела запажања у групе. Модификација података. Прорачун нових варијабли. Прорачун нових варијабли према одређеним условима. Формулисање услова. Агрегација података. Трансформације ранга. Тегови кућишта. Разлози и механизми за стварање празнина у подацима. Могућност игнорисања пропуста. Методе попуњавања недостајућих вредности. Методе за идентификацију аномалних вредности. Примена робусних процедура процене. Анализа вишеструких одговора
3 Дескриптивна статистика. Табеле за непредвиђене ситуације
Улога статистике у обради резултата анкета узорака. Микро и метаподаци. Области примене и границе применљивости математичких и статистичких метода. Резиме запажања. Дескриптивна статистика. Униваријантне дистрибуције. Индикатори варијације. Дисперзија, опсег варијације, средња апсолутна девијација, квантилни опсези. Израда столова за ванредне ситуације. Графички приказ контингентних табела.
4 Параметарски и непараметарски тестови
Анализа односа између карактеристика. Независност варијабли. Основне карактеристике комуникације. Непараметарски и параметарски тестови. Тест независности (тест доброг уклапања χ2). Поређење два и више узорака (зависних и независних). т-тест. Статистички тестови за контигентне табеле. Коефицијенти корелације (за номиналне и рангиране скале). Мере блискости односа између варијабли. Најједноставније мере блискости везе (за дихотомне варијабле). Мере односа за табеле са редним подацима. Кендал т-мере и њихова својства. Сомерсове д-мере. Гудман-Крускал мера и њена својства. Анализа варијансе
5 Корелациона и регресиона анализа
Суштина и циљеви корелационе анализе. Сцаттерплотс. Парни коефицијенти корелације. Мерење степена блискости статистичке везе, „очишћено“ од утицаја страних карактеристика коришћењем парцијалних коефицијената корелације. Провера значаја односа између знакова. Интервали поверења за коефицијенте корелације. Вишеструки коефицијент корелације. Коефицијент детерминације. Модел дводимензионалне регресионе анализе: модели линеарне и нелинеарне регресије. Криве раста у проблемима предвиђања, „лажне“ варијабле и њихове примене. Модел вишеструке линеарне регресије. Нелинеарна регресија (бинарна логистичка регресија, мултиномијска логистичка регресија, ординална регресија, пробит анализа, уклапање криве).
6 Методе редукције димензионалности
Статистички приступ у методи главне компоненте. Прорачун главних компоненти и њихова графичка интерпретација. Информациони садржај смањеног простора обележја. Регресија главних компоненти. Улога и место непараметарских метода у структурном моделовању. Хијерархијска кластер анализа. Метрика простора обележја. Принципи мерења растојања између група објеката. Алгоритми за брзу анализу кластера, к-меанс метода. Двостепена кластер анализа. Изградња стабла циљева