Анализ данных с использованием
 IBM SPSS Statistics

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

Программа обучения (6 тем)

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.

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

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.

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

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).

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

Контакты:

• Руководитель программы – Кучмаева Оксана Викторовна, 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. Данный курс апробирован в открытом университете Фонда Е. Гайдара.
  • e-mail: : kuchmaeva@econ.msu.ru
• Менеджер программы – Борисенко  Яна
  • E-mail: yana_borisenko25@mail.ru
  • Телефон: +7 915 087 86 83