«Анализ данных с использованием IBM SPSS Statistics»

2.7

(2 мес.),

начало По мере набора группы

Сложность

Начинающий

Тип обучения

Курс

Формат обучения

С проверкой домашнего задания

Сертификат

Да

Стоимость курса

42 000 ₽

нет рассрочки

В весьма сжатом виде данный курс является частью популярного дистанционного курса «Как сделать научное исследование: методология, инструменты, методы» открытого университета Фонда Е. Гайдара (около 2 тыс. слушателей в год). ЭФ МГУ предоставляет возможность слушателям в оборудованном компьютерном классе с установленной программой SPSS подробно изучить методы работы с данными в очном режиме с преподавателем, своими «руками» поработать с программой SPSS. Есть возможность работать не только с предложенными преподавателем базами данных, но и с данными слушателей, преподаватель проконсультирует, какие методы и как использовать для анализа Ваших данных.

Данный курс апробирован в открытом университете Фонда Е. Гайдара.

Форма обучения
Очно-заочная

Объем программы (академические часы)
Всего - 72

На кого рассчитана программа:

Научных и педагогических работников,
специалистов компаний,
государственных служащих,
для всех, кто осуществляет профессиональную деятельность в сферах, связанных с анализом данных, обработкой результатов опросов общественного мнения

Что даст вам освоение этой программы:

Слушатель, освоивший программу, будет способен:

формировать массивы данных на основе проведения обследований населения и проводить их анализ
иметь представление о том, как проводятся обследования различных целевых групп и какое внимание надо уделить формулировке вопросов с учетом их последующей обработки;
знать методы, применяемые для анализа результатов проводимых выборочных исследований (проверки гипотез, наличия связи, выявление однородных групп, построение моделей)
уметь применять полученные знания для формирования, корректировки и обработки данных исследования, анализа различных проблем жизнедеятельности населения и социально-демографических групп, факторов и детерминант социальной и экономической политики
получить навыки анализа и интерпретации результатов выборочных обследований с применением IBM SPSS Statistics

Документы по окончании программы: Удостоверение о повышении квалификации МГУ

Вас будут обучать

Кучмаева Оксана Викторовна

курс

доктор экономических наук, профессор Экономического факультета МГУ, специалист по количественным исследованиям в социальной сфере, руководитель более 30 исследовательских проектов, имеет опыт преподавания аналитических курсов в НИУ ВШЭ, РЭУ им. В.Г.Плеханова.

E-mail: kuchmaeva@econ.msu.ru

Образовательная организация

MSU

0 отзывов

Общая информация

Программы дополнительного образования МГУ
Открытые лектории в Московском университете
«МГУ — школе»
«Университет без границ»
Подготовка к поступлению
Школы юных, кружки и образовательные курсы для школьников при факультетах МГУ
Общеуниверситетские подготовительные курсы
Подготовительные курсы факультетов МГУ (бакалавриат, специалитет, магистратура)
Мероприятия для школьников в музеях МГУ

Нормативные документы

Приказ Минобрнауки России от 1 июля 2013 г. №499 «Об утверждении Порядка организации и осуществления образовательной деятельности по дополнительным профессиональным программам»
Положение о повышении квалификации работников МГУ

Программа курса

1 Сущность и основные направления выборочных обследований населения. Возможности использования специальных ППП для обработки данных выборочных обследований

Методы сбора количественной информации. Выборочные исследования. Выборочные социально-демографические обследования в России. Основные пакеты статистических прикладных программ для социальных исследований. Функции специальных ППП (Statistica, SPSS) в обработке данных выборочных исследований. Структура, модули SPSS. Направления обработки данных. Подготовка данных. Ввод и сохранение данных. Шкалы измерений (количественная, порядковая, номинальная). Свойства шкал и их допустимые преобразования. Типы категоризации данных.

2 Подготовка данных. Отбор и модификация данных

Выбор наблюдений. Сортировка наблюдений. Разделение наблюдений на группы. Модификация данных. Вычисление новых переменных. Вычисление новых переменных в соответствии с определенными условиями. Формулировка условий. Агрегирование данных. Ранговые преобразования. Веса случаев. Причины и механизмы порождения пропусков данных. Возможности игнорирования пропусков. Методы заполнения пропущенных значений. Методы выявления аномальных значений. Применение устойчивых процедур оценивания. Анализ множественных ответов

3 Дескриптивная статистика. Таблицы сопряженности

Роль статистики в обработке результатов выборочных обследований. Микро- и метаданные. Области применения и границы применимости математико-статистических методов. Сводка наблюдений. Описательная статистика. Одномерные распределения. Показатели вариации. Дисперсия, вариационный размах, среднее абсолютное отклонение, квантильные размахи. Построение таблиц сопряженности. Графическое представление таблиц сопряженности.

4 Параметрические и непараметрические критерии

Анализ взаимосвязи между признаками. Независимость переменных. Основные характеристики связи. Непараметрические и параметрические критерии. Критерий независимости (критерий согласия χ2). Сравнение двух и нескольких выборок (зависимых и независимых). t-критерий. Статистические критерии для таблиц сопряженности. Коэффициенты корреляции (для номинальных и ранговых шкал). Меры тесноты связи между переменными. Простейшие меры тесноты связи (для дихотомических переменных). Меры связи для таблиц с порядковыми данными. t-меры Кендэла и их свойства. d-меры Сомерса. Мера Гудмена-Краскала и ее свойства. Дисперсионный анализ

5 Корреляционно-регрессионный анализ

Сущность и задачи корреляционного анализа. Диаграммы рассеяния. Парные коэффициенты корреляции. Измерение степени тесноты статистической связи, «очищенной» от влияния посторонних признаков с помощью частных коэффициентов корреляции. Проверка существенности связи признаков. Доверительные интервалы для коэффициентов корреляции. Множественный коэффициент корреляции. Коэффициент детерминации. Двухмерная модель регрессионного анализа: линейная и нелинейная модели регрессии. Кривые роста в задачах прогнозирования, «фиктивные» переменные и их применение. Множественная линейная модель регрессии. Нелинейная регрессия (бинарная логистическая регрессия, мультиноминальная логистическая регрессия, порядковая регрессия, пробит-анализ, приближение с помощью кривых).

6 Методы снижения размерности

Статистический подход в методе главных компонентов. Вычисление главных компонентов и их графическая интерпретация. Информативность редуцированного признакового пространства. Регрессия на главные компоненты. Роль и место непараметрических методов в структурном моделировании. Иерархический кластерный анализ. Метрики признакового пространства. Принципы измерения расстояния между группами объектов. Алгоритмы быстрого кластерного анализа, метод k-средних. Двухэтапный кластерный анализ. Построение дерева целей