“Datu analīze, izmantojot IBM SPSS Statistics” - kurss RUB 42 000. no MSU, apmācība (2 mēneši), datums 2023. gada 3. decembris.

Ekonomikas doktors, Maskavas Valsts universitātes Ekonomikas fakultātes profesors, kvantitatīvo pētījumu speciālists g. sociālajā jomā, vairāk nekā 30 pētniecības projektu vadītājs, ir pieredze analītisko kursu pasniegšanā Nacionālajā pētniecības universitātē HSE, REU im. V.G. Plehanovs.

E-pasts: [aizsargāts ar e-pastu]

1 Iedzīvotāju izlases veida apsekojumu būtība un galvenie virzieni. Īpašu PPP izmantošanas iespējas izlases apsekojumu datu apstrādei

Kvantitatīvās informācijas vākšanas metodes. Pētījumu paraugi. Sociāli demogrāfisko aptauju paraugi Krievijā. Pamata statistikas programmatūras pakotnes sociālajiem pētījumiem. Speciālās programmatūras (Statistica, SPSS) funkcijas izlases pētījumu datu apstrādē. Struktūra, SPSS moduļi. Datu apstrādes jomas. Datu sagatavošana. Datu ievadīšana un saglabāšana. Mērījumu skalas (kvantitatīvās, kārtas, nominālās). Svaru īpašības un to pieļaujamās pārvērtības. Datu kategorizēšanas veidi.

2 Datu sagatavošana. Datu atlase un modificēšana

Novērojumu atlase. Novērojumu šķirošana. Novērojumu sadalīšana grupās. Datu modifikācija. Jaunu mainīgo lielumu aprēķins. Jaunu mainīgo lielumu aprēķins atbilstoši noteiktiem nosacījumiem. Nosacījumu formulēšana. Datu apkopošana. Ranga transformācijas. Korpusa svari. Datu nepilnību rašanās iemesli un mehānismi. Iespēja ignorēt izlaidumus. Metodes trūkstošo vērtību aizpildīšanai. Anomālu vērtību noteikšanas metodes. Stingras novērtēšanas procedūru piemērošana. Vairāku atbilžu analīze

3 Aprakstošā statistika. Tabulas neparedzētiem gadījumiem

Statistikas loma izlases aptauju rezultātu apstrādē. Mikro un metadati. Matemātisko un statistisko metožu pielietošanas jomas un pielietojamības robežas. Novērojumu kopsavilkums. Aprakstošā statistika. Viendimensiju sadalījumi. Variācijas rādītāji. Dispersija, variācijas diapazons, vidējā absolūtā novirze, kvantiļu diapazoni. Neparedzēto situāciju tabulu uzbūve. Ārkārtas situāciju tabulu grafiskais attēlojums.

4 Parametriskie un neparametriskie testi

Pazīmju savstarpējo saistību analīze. Mainīgo lielumu neatkarība. Komunikācijas pamatīpašības. Neparametriskie un parametriskie testi. Neatkarības tests (piemērotības tests χ2). Divu un vairāku paraugu (atkarīgo un neatkarīgo) salīdzinājums. t-tests. Negadījumu tabulu statistikas testi. Korelācijas koeficienti (nominālajām un rangu skalām). Mainīgo attiecību ciešuma mēri. Vienkāršākie savienojuma tuvuma mēri (dihotomiem mainīgajiem). Sakarības mēri tabulām ar kārtas datiem. Kendal t-mēri un to īpašības. Somersa d-pasākumi. Goodman-Kruskal mērs un tā īpašības. Dispersijas analīze

5 Korelācijas un regresijas analīze

Korelācijas analīzes būtība un mērķi. Izkliedes diagrammas. Pāru korelācijas koeficienti. Statistiskās sakarības tuvuma pakāpes mērīšana, “attīrīta” no svešu raksturlielumu ietekmes, izmantojot daļējās korelācijas koeficientus. Zīmju attiecību nozīmīguma pārbaude. Korelācijas koeficientu ticamības intervāli. Daudzkārtējs korelācijas koeficients. Determinācijas koeficients. Divdimensiju regresijas analīzes modelis: lineārās un nelineārās regresijas modeļi. Izaugsmes līknes prognozēšanas problēmās, “fiktīvie” mainīgie un to pielietojumi. Vairāku lineārās regresijas modelis. Nelineārā regresija (binārā loģistiskā regresija, daudznomu loģistiskā regresija, kārtas regresija, probitu analīze, līknes pielāgošana).

6 Dimensiju samazināšanas metodes

Statistiskā pieeja galveno komponentu metodē. Galveno komponentu aprēķins un to grafiskā interpretācija. Samazinātās objektu telpas informācijas saturs. Galveno komponentu regresija. Neparametrisko metožu loma un vieta struktūras modelēšanā. Hierarhiskā klasteru analīze. Objektu telpas metrika. Attāluma mērīšanas principi starp objektu grupām. Algoritmi ātrai klasteru analīzei, k-means metode. Divpakāpju klasteru analīze. Mērķu koka veidošana