Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Zaawansowane metody statystyczne

Informacje ogólne

Kod przedmiotu: 1600-SZD-WM-ZMS
Kod Erasmus / ISCED: 14.4 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0313) Psychologia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Zaawansowane metody statystyczne
Jednostka: Wydział Psychologii
Grupy: Zajęcia metodologiczne i metodyczne - Szkoła Doktorska Nauk Społecznych
Punkty ECTS i inne: (brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: polski
Rodzaj przedmiotu:

fakultatywne

Skrócony opis:

Przedmiot dotyczy zastosowań modeli regresyjnych w naukach społecznych. Wychodzi on od klasycznej metody najmniejszych kwadratów (KMNK) i jej założeń, aby w dalszej części przejść do modeli nieliniowych, takich jak regresja logistyczna czy regresja Poisson. Przedmiot wykorzystuje oprogramowanie Stata i dodatkowe oprogramowanie instalowane w ramach Staty (np. Clarify), aby zademonstrować jak stosować modele regresyjne w sposób świadomy, efektywny i z uniknięciem powszechnie popełnianych błędów.

Pełny opis:

Przedmiot dotyczy zastosowań modeli regresyjnych w naukach społecznych. Wychodzi on od klasycznej metody najmniejszych kwadratów (KMNK) i jej założeń, aby w dalszej części przejść do modeli regresyjnych dla zmiennych nieciągłych (liczby naturalne, wielokrotny wybór dyskretny itd.). Zajęcia łączą warsztaty komputerowe (z użyciem oprogramowani Stata) z seminarium w celu zademonstrowania studentom jak stosować modele regresyjne, a jednocześnie unikać powszechnie popełnianych błędów. Komponent seminaryjny ma za zadanie uwrażliwić studentów na owe powszechnie popełniane błędy, np. koncentrowanie się na współczynniku R-kwadrat, używanie standaryzowanych współczynników regresji w miejsce niestandaryzowanych czy też niewłaściwa interpretacja efektów interakcyjnych w modelach liniowych i nieliniowych.

Literatura:

Rabe-Hesketh, Sophia, and Anders Skrondal. Multilevel and longitudinal modeling using Stata. STATA Press, 2008.

King, Gary. "How not to lie with statistics: Avoiding common mistakes in quantitative political science." American Journal of Political Science (1986): 666-687.

Brambor, Thomas, William Roberts Clark, and Matt Golder. "Understanding interaction models: Improving empirical analyses." Political Analysis 14, no. 1 (2006): 63-82.

Ai, Chunrong, and Edward C. Norton. "Interaction terms in logit and probit models." Economics Letters 80, no. 1 (2003): 123-129.

King, Gary, Michael Tomz, and Jason Wittenberg. "Making the most of statistical analyses: Improving interpretation and presentation." American Journal of Political Science (2000): 347-361.

Górecki, Maciej A. "Electoral context, habit-formation and voter turnout: A new analysis." Electoral Studies 32, no. 1 (2013): 140-152.

King, Gary. "Replication, replication." PS: Political Science & Politics 28, no. 03 (1995): 444-452.

Martin, Lanny W., and Randolph T. Stevenson. "Government formation in parliamentary democracies." American Journal of Political Science (2001): 33-50.

Efekty uczenia się:

Posiada pogłębioną znajomość metody KMNK i jej założeń.

Wie jak postępować w przypadkach, gdy założenią metody KMNK nie są spełnione.

Wie jak unikać powszechnych błędów w zastosowaniu metody KMNK.

Posiada pogłębioną wiedzę na temat interpretacji efektów interakcyjnych w metodzie KMNK.

Posiada pogłębioną wiedze na temat zastosowania regresji logistycznej w sytuacji, gdy zmienna zależna jest zmienną binarną.

Wie jak interpretować efekty interakcyjne w regresji logistycznej oraz zna różnice między efektami interakcyjnymi w modelach liniowych vs. nieliniowych.

Rozumie problem efektu sufitu/podłogi w regresji logistycznej i wie jak postępować w takim przypadku.

Wie jak szacować modele wyboru dyskretnego (wielomianowa oraz warunkowa regresja logistyczna).

Ma świadomość znaczenia założenia o niezależności od alternatyw niezwiązanych (IIA) w modelach wyboru dyskretnego.

Wie jak testować założenie IIA z pomocą oprogramowania IIATEST Martina I Stevensona.

Ma pogłębioną wiedzę na temat regresji Poisson w sytuacji, gdy zmienna niezależna jest liczbą naturalną.

Rozumie problem nad-dyspersji w regresji Poisson oraz umie zastosować regresję negatywną dwumianową jako alternatywę dla regresji Poisson.

Wie jak stosować oprogramowanie CLARIFY Tomza, Wittenberga i Kinga do klarownej prezentacji wyników analiz statystycznych.

Umie zastosować program CEM Iacusa, Kinga i Porro, stosujący metodę szorstkiego dokładnego dopasowania w celu dokonania analizy quasi-eksperymentalnej.

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- Zna i rozumie:

- podstawowe zasady transferu wiedzy do sfery gospodarczej i społecznej oraz komercjalizacji wyników działalności naukowej i know-how związanego z tymi wynikami.

Umiejętności:

Potrafi:

- wykorzystywać wiedzę z różnych dziedzin nauki lub dziedziny sztuki do twórczego identyfikowania, formułowania i innowacyjnego rozwiązywania złożonych problemów lub wykonywania zadań o charakterze badawczym, a w szczególności:

- definiować cel i przedmiot badań naukowych, formułować hipotezę badawczą

- rozwijać metody, techniki i narzędzia badawcze oraz twórczo je stosować

- wnioskować na podstawie wyników badań naukowych.

Metody i kryteria oceniania:

Znajomość podstaw statystyki, włączając podstawową wiedzę na temat metody KMNK.

Studenci powinni posiadać podstawową wiedzę z zakresu statystyki (rozkłady, statystyka opisowa, testowanie hipotez), powinni też umieć zinterpretować wyniki uzyskane metodą KMNK.

Praca pisemna, aktywny udział w zajęciach

Praca pisemna

Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)

Okres: 2024-02-19 - 2024-06-16
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Warsztaty, 20 godzin, 20 miejsc więcej informacji
Koordynatorzy: Maciej Górecki
Prowadzący grup: Maciej Górecki
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie
Warsztaty - Zaliczenie
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
ul. Banacha 2
02-097 Warszawa
tel: +48 22 55 44 214 https://www.mimuw.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.1.0-03d50b88b (2024-02-19)