Методы прикладной статистики для социологов | Новосибирский

НГУ
ЭФ
Кафедры
Кафедра общей
социологии
Методы прикладной статистики для
социологов
Предметы кафедры общей
социологии
Методы прикладной статистики для социологов
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.
Программа дисциплины «Методы прикладной статистики для социологов»
Последняя редакция: 28.01.2015 18:27