Поиск в базе сайта:
Программа дисциплины «Компьютерные методы анализа социологических данных (введение в математическую статистику и анализ данных)» для направления 040100. 68 «Социология» подготовки магистра icon

Программа дисциплины «Компьютерные методы анализа социологических данных (введение в математическую статистику и анализ данных)» для направления 040100. 68 «Социология» подготовки магистра




Скачать 290.8 Kb.
НазваниеПрограмма дисциплины «Компьютерные методы анализа социологических данных (введение в математическую статистику и анализ данных)» для направления 040100. 68 «Социология» подготовки магистра
Дата конвертации24.05.2013
Вес290.8 Kb.
КатегорияПрограмма дисциплины





Национальный исследовательский университет «Высшая школа экономики»
Программа дисциплины «Компьютерные методы анализа социологических данных (введение в математическую статистику и анализ данных)»

для направления 040100.68 «Социология» подготовки магистра


Правительство Российской Федерации


Федеральное государственное автономное образовательное учреждение высшего профессионального образования
"Национальный исследовательский университет
"Высшая школа экономики"



Факультет социологии


^ Программа дисциплины «Многомерные методы анализа данных»




для направления 040200.62 «Социология» подготовки бакалавра

для бакалаврской программы «Прикладные методы социологических исследований»


Автор программы:

Градосельская Галина Витальевна, к.с.н., доцент, mss981009@mail.ru


Одобрена на заседании кафедры методов сбора и анализа социологической информации

«22» ноября 2011 г., Протокол № 10

Зав. кафедрой И.М.Козина


Рекомендована секцией УМС  FILLIN \* MERGEFORMAT "Социология" «___»____________ 20 г

Председатель В.Г. Ледяев


Утверждена УС факультета  FILLIN \* MERGEFORMAT социологии «___»_____________20 г.

Ученый секретарь Е.В. Надеждина ________________________ [подпись]


Москва, 2012

^ Настоящая программа не может быть использована другими подразделениями университета и другими вузами без разрешения кафедры-разработчика программы.

  1. ^

    Область применения и нормативные ссылки



Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности.

Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления подготовки  FILLIN \* MERGEFORMAT 040100.62 «Социология», обучающихся по бакалаврской программе « Прикладные методы социологических исследований», изучающих дисциплину « FILLIN \* MERGEFORMAT Многомерные методы анализа данных».

Программа разработана в соответствии с:

    Оригинальным образовательным стандартом НИУ ВШЭ по социологии;

    Образовательной программой по направлению 040200.62 «Социология».

    Рабочим учебным планом университета по направлению подготовки  FILLIN \* MERGEFORMAT 040200.62 «Социология», утвержденным в 2011г.



  1. ^

    Цели освоения дисциплины


Курс «Многомерные методы анализа данных» направлен на повышение профессионального уровня владения современными методами многомерного статистического моделирования, с применением пакетов SPSS, Amos в конкретных социологических исследованиях. Обучение по этой программе сопровождается рядом лабораторных работ, где студенты имеют возможность ознакомиться с современными программными пакетами статистической обработки данных: SPSS, Amos, Deduktor. В этом курсе необходимо максимально полно использовать источники реальных данных конкретных социологических исследований, что бы сразу приучить студентов к определенным профессиональным стандартам выполнения профессиональных работ.

Целями освоения дисциплины « FILLIN \* MERGEFORMAT Многомерные методы анализа данных» являются:

-Знакомство с основными теоретическими и методологическими направлениями многомерного статистического анализа данных, область его применения, владеть соответствующим категориальным аппаратом;

-Навыки формализовать социально-экономическую проблему и предложить адекватные методы для ее анализа;

-Иметь представление о современных тенденциях развития анализа данных;

-Навыки применения многомерных статистических методов анализа данных.

- Работа с пакетами SPSS, Amos, Deduktor должна быть доведена до автоматизма.

- Ознакомить студентов с построением разных видов многомерной статистики с тем, что бы они научились решать задачи на высоком профессиональном уровне, а выдаваемый ими продукт (по крайней мере по уровню технического исполнения) мог успешно конкурировать с работами выпускников экономических специальностей.

- Научить студентов использовать вспомогательные методы анализа данных, адекватно оценивать необходимость их применения в своей работе и работе своих коллег.


Большое внимание уделяется изучению примеров решения конкретных задач по материалам исследовательских проектов. Программа предусматривает проведение семинарских занятий и лабораторных работ, подготовка к которым осуществляется студентами самостоятельно по рекомендованной литературе. Помимо этого предусматривается выполнение и последующая проверка обязательных домашних работ (решение задач).


  1. ^

    Компетенции обучающегося, формируемые в результате освоения дисциплины



В результате освоения дисциплины студент должен:

-Знать основные методы современного анализа данных для решения задач классификации, кластеризации, прогноза.

-Уметь строить модели, оценивать их качество и сравнивать различные модели.

-Иметь навыки (приобрести опыт) анализа реальных социологических данных с применением пакета SPSS, Amos, Deduktor.


В результате освоения дисциплины студент осваивает следующие компетенции:

Компетенция

Код по ФГОС/ НИУ

Дескрипторы – основные признаки освоения (показатели достижения результата)

Формы и методы обучения, способствующие формированию и развитию компетенции

Способен рефлексировать освоенные научные методы (формируется частично)

СК-М1

− обосновывает систему критериев, применяемых для критической оценки научной теории

− дает самостоятельную оценку предлагаемому научному тексту

лекции, практические занятия, выполнение домашних заданий по анализу данных

Способен предлагать модели (формируется частично)

СК-М2

− самостоятельное построение моделей анализа данных

практические занятия, выполнение домашних заданий по анализу данных

Способен к самостоятельному освоению новых методов исследования (формируется частично)

СК-М3

− усвоение методов анализа данных на уровне, позволяющем самостоятельно строить модели

практические занятия, выполнение домашних заданий по анализу данных, выполнение итоговой работы

Способен самостоятельно формулировать цели, ставить конкретные задачи научных исследований в фундаментальных и прикладных областях социологии и решать их с помощью современных исследовательских методов с использованием новейшего отечественного и зарубежного опыта и с применением современной аппаратуры, оборудования, информационных технологий (формируется частично)

ИК-3

− самостоятельное построение моделей анализа данных, оценка качества модели и умение выбрать лучшую модель

− обработка реальных социологических данных с применением пакетов SPSS, Amos, Deduktor

практические занятия, выполнение домашних заданий по анализу данных, выполнение итоговой работы

Способен собирать, обрабатывать и интерпретировать с использованием современных информационных технологий данные, необходимые для формирования суждений по соответствующим социальным, научным и этическим проблемам (формируется частично)

ИК-12

− умение работать с базами социологических данных

− умение строить модели анализа и давать интерпретацию полученных результатов

лекции, практические занятия, выполнение домашних заданий по анализу данных

Способен порождать принципиально новые идеи и продукты, обладает креативностью, инициативностью (формируется частично)

СЛК-8

− умение на основе комбинированного применения методов анализа данных строить принципиально новые модели

выполнение домашних заданий по анализу данных, выполнение итоговой работы



  1. ^

    Место дисциплины в структуре образовательной программы



Для бакалаврской программы «Прикладные методы социологических исследований» настоящая дисциплина является обязательной дисциплиной.

Изучение данной дисциплины базируется на следующих дисциплинах:

Анализ социологических данных-1

Теория вероятностей и математическая статистика


Основные положения дисциплины должны быть использованы в дальнейшем при изучении следующих дисциплин:

«Научно-исследовательский семинар»

«Методология и методы исследований в социологии»

курсы по выбору

  1. ^

    Тематический план учебной дисциплины







Название темы

Всего часов по дисциплине

Аудиторные часы

Самостоятельная работа

Лекции

Сем.

практ. занятия



Основные понятия анализа данных и многомерного моделирования в социологических исследованиях

40

4

0

4

32



Введение в теорию графов, их место в социальном моделировании

40

4

0

4

32



Основы причинного анализа

44

6

0

6

32



Многомерное шкалирование

44

6

0

6

32



Анализ временных рядов

44

6

0

6

32



Нейронные сети

40

4

0

4

32



Подтверждающий факторный анализ

52

10

0

10

32



Структурные модели

56

12

0

12

32




Итого:

360

52

0

52

256



  1. ^

    Формы контроля знаний студентов


Тип контроля

Текущий

(неделя)

Форма контроля

1 год

Параметры

1

2

3




Домашнее задание

1-я /
7-я

1-я /
6-я

1-я /
8-я

Письменная домашняя работа - построение моделей в SPSS, Amos по текущей теме

Промежуточный

Контрольная работа




7-я




Письменная контрольная работа, 160 минут, время оценки 7 дней

Итоговый

Зачет







9-я

Письменный зачет, 160 минут, время оценки 7 дней



^

1.1Критерии оценки знаний, навыков


Итоговая ценка за курс складывается из общей накопленой оценки с весом 60% и общей экзаменнационной оценки с весом 40%.

Общая накопленная оценка состоит из оценок за посещаемость и домашние задания. ^ Общая накопленная оценка на 60% определяется накопленной оценкой за 1-2 модули (темы 1-6) и на 40% накопленной оценкой за 3й модуль (темы 7-8).

Общая экзаменнаяционная оценка на 60% определяется оценкой за контрольную работу и на 40% -оценкой за зачетную работу.


Если общая экзаменнационная оценка составляет менее 4-х баллов, то за курс автоматически выставляется оценка «неудовлетворительно». Таким образом общая экзаменационная оценка является блокирующей.

Контрольная работа состоят из нескольких заданий, проверяющих наличие у студентов необходимых знаний и навыков. Каждое задание в зависимости от своей сложности оценивается определенным количеством баллов. За правильно и полностью выполненное задание начисляется максимальное число баллов. За задание, выполненное частично или с ошибками, начисляется только часть баллов. Начисленные за отдельные задания баллы суммируются.

Письменная зачетная работа состоят из нескольких заданий, проверяющих наличие у студентов необходимых знаний и навыков. Каждое задание в зависимости от своей сложности оценивается определенным количеством баллов. За правильно и полностью выполненное задание начисляется максимальное число баллов. За задание, выполненное частично или с ошибками, начисляется только часть баллов. Начисленные за отдельные задания баллы суммируются.


  1. ^

    Содержание дисциплины



Тема 1. Основные понятия анализа данных и многомерного моделирования в социологических исследованиях.

Основные принципы математического моделирования. Модели и моделирование. Объект-оригинал и модель. Основные этапы моделирования. Системы. Макроподходы и микроподходы. Особенности математического моделирования социально-экономических процессов.

Типы моделей и типы данных.

Математико-статистический инструментарий социально-экономических исследований. Границы применимости теоретико-вероятностного способа рассуждения. Вероятностно-статистическая модель как частный случай математической модели. Моделирование механизма вместо формальной статистической фотографии.

Теоретические основы многомерного статистического анализа, его место в социально-экономических исследованиях. Методы многомерного статистического анализа. Многомерное признаковое пространство. Особенности обработки многомерных статистических данных.


Литература

  1. Сошникова Л.А., Тамашевич В.Н., Уебе Г., Шефер М. Многомерный статистический анализ в экономике: Учеб пособие для вузов/ под ред.проф. В.Н.Тамашевича. – М: ЮНИТИ-ДАНА, 1999. С. 11-32.

  2. Паклин Н., Орешков В. Бизнес-аналитика: от данных к знаниям. Учебное пособие. 2-е издание, дополненное и переработанное. Издательство «Питер». 2010. Главы 1, 3, 4, 5. стр. 14-51, 138-166, 173-202, 211-273.


Дополнительная литература

  1. Бююль А., Цефель П. SPSS: искусство обработки информации, анализ статистических данных и восстановление скрытых закономерностей. DiaSoft, 2002.

  2. Доугерти К. Введение в эконометрику: Пер. с англ. М.: ИНФРА-М, 2010.(серия «Университетский учебник»).

  3. Эддоус М., Стэнсфилд Р. Методы принятия решений/ Пер. с англ. Под ред. член-корр. РАН И.И.Елисеевой. М.: Аудит, ЮНИТИ, 1997.


Тема 2. Введение в теорию графов, их место в социальном моделировании


Возникновение теории графов, области их практического приложения.

Основные определения теории графов. Пути, цепи, циклы.

Свойства графов и операции над графами.

Граф как способ хранения и представления информации. Взаимосоответствие графов и матриц.

Типы структур: деревья, решетки, двудольные графы.

Составные компоненты графов, анализ структуры графов.

Логическое представление данных.

Моделирование графов в социальных науках.


Литература:

  1. Харари Ф. Теория Графов. М. URSS. 2006. (Frank Harary. Graph theory.), Главы 1, 2, 3, 4, 5, 13, 16. стр. 9-18, 21-38, 41-48, 48-59, 60-74, 178-187, 232-244.

  2. Андерсон Дж.А. Дискретная математика и комбинаторика. М. 2004. (James A.Anderson. Discrete mathematics with Combinatorics). - главы 6, 14, 15, 16. стр. 244-290, 556-611, 624-682, 691-716.


Дополнительная литература

  1. Оре О. Графы и их применение. М.: URSS. 2006. (Oysten Ore. Graphs and their Uses.)


Тема 3. Основы причинного анализа.


Понятие причинности. Причинность событий. Основания и структура причинности. Причинное упорядочение. Операторы, поля, потоки. Их свойства. Причинный вывод. Причинные системы.

Причинные диаграммы и анализ потоковых графов. Графическое изображение причинных отношений. Ветви, петли, стрелки, возмущения. Нелинейные отношения. Составление уравнений. Правила редукции. Потоковые графы с петлями. Соприкасающиеся пути. Редукция петель.

Путевой анализ. Модификации потоковых графов. Редукция петель. Ковариация входов и возмущений. Координация возмущений. Ковариационный анализ. Корреляционный анализ

Статистические характеристики – в виде графов и структур. Экзогенные и эндогенные переменные. Математическое ожидание в структурном виде и его свойства. Дисперсия и вариация. Ковариация как совместное распределение – его представление в структурных уравнениях. Постоянная и случайная составляющая переменной. Стандартные величины.


Литература:

  1. Д.Хейс. Причинный анализ в статистических исследованиях. М. Финансы и статистика.1981. главы 1, 2, 4. стр. 15-43, 48-81, 107-131.

  2. Доугерти К. Введение в эконометрику: Пер. с англ. М.: ИНФРА-М, 2010.(серия «Университетский учебник»). Глава 0,1, 6. стр. 3-30, 44-68, 203-227.



Тема 4. Многомерное шкалирование.


Многомерное шкалирование как метод анализа данных, его цели и задачи. Классификация методов многомерного шкалирования.

Исходные данные для многомерного шкалирования. Понятие близости данных. Методы получения данных о близости. Меры близости. Матрицы сходства и расстояния в многомерном шкалировании. R и Q – модели в многомерном шкалировании.

Представление и первичная обработка статистических данных в многомерном шкалировании. Подготовка данных к многмерному шкалированию: типы матриц (матрица условных вероятностей, или матрица идентификаций, матрицы перехода, матрица совместных вероятностей, матриц мер различия профилей).

Метрическое многомерное шкалирование. Классическая модель многомерного шкалирования Торгерсона: алгоритм, теоретические постулаты. Обобщенный алгоритм метрического многомерного шкалирования.

Понятие о неметрическом многомерном шкалировании, его особенности. Метрики расстояний. Модели НМШ. Алгоритм НМШ. Стресс-формулы.


Литература

  1. Ю.Н.Толстова. Основы многомерного шкалирования. Учебное пособие. Изд-во «Университет» М.2006. глава 1, 2, 3, 5, 6. стр. 6-20, 28-40, 47-53, 62-65, 69-76.

  2. Сошникова Л.А., Тамашевич В.Н., Уебе Г., Шефер М. Многомерный статистический анализ в экономике: Учеб пособие для вузов/ под ред.проф. В.Н.Тамашевича. М.: ЮНИТИ-ДАНА, 1999. Глава 8, стр. 401-432.


Дополнительная литература

  1. Бююль А., Цефель П. SPSS: искусство обработки информации, анализ статистических данных и восстановление скрытых закономерностей. DiaSoft, 2002.

  2. Клигер С.А., Косолапов М.С., Толстова Ю.Н. Шкалирование при сборе и анализе социологической информации. М.: Наука, 1978.

  3. Терехина А.Ю. Анализ данных методом многомерного шкалирования. М.: Наука, 1986.

  4. Терехина А.Ю. Методы многомерного шкалирования в системных исследованиях. М. 1982.

  5. Терехина А.Ю. Метрическое многомерное шкалирование. М.: НПУ, 1977.

  6. Толстова Ю.Н. Логика математического анализа социологических данных. М.: Наука, 1991.

  7. Kruskal J.B., Wish M. Multidimensional scaling. SAGE, 1978.


Тема 5. Анализ временных рядов.


Временной ряд – определения, примеры, формулировки основных задач. Классификация временных рядов. Условия сопоставимости данных временных рядов.

Элементы временного ряда. Тенденция и колеблемость. Периодизация динамики временного ряда – статистические методы периодизации.

Виды тренда и методы его распознавания.

Методы распознавания типа колебаний и оценки параметров колеблемости

Элементы временного ряда – тренд, сезонность. Измерение величины ошибок ВР. Анализ моделей с аддитивной и мультипликативной компонентами: алгоритм. Пример анализа модели с аддитивной компонентой – подробное описание шагов. Пример анализа модели с мультипликативной компонентой – подробное описание шагов.

Исследование колебаний методами спектрального анализа и автокорреляции.

Прогнозирование с помощью методов ARMA- и ARIMA – процессов. Сложные временные ряды и особенности их моделирования. Стационарные временные ряды и их основные характеристики. Автокорреляционная и частная автокорреляционная функции и ее роль в моделировании временных рядов.

Авторегрессионые модели. Прогноз AR-модели.

Модели скользящего среднего. Авторегрессионные модели со скользящими средними в остатках – MA-модели.

Прогнозирование ARMA-процессов

Методология Бокса-Дженкинса при построении ARIMA – моделей.


Литература

  1. В.Н.Афанасьев, М.М.Юзбашев Анализ временных рядов и прогнозирование: учебник/ - 2-е изд., перераб. и доп. -М.: Финансы и статистика; ИНФРА-М, 2010. - 320 с: ил

  2. Эддоус М., Стэнсфилд Р. Методы принятия решений/ Пер. с англ. Под ред. Член-корр. РАН И.И.Елисеевой. М.: Аудит, ЮНИТИ, 1997. Глава 9. С. 290-312.

  3. Доугерти К.Введение в эконометрику: Пер. с англ. — М.: ИНФРА-М, 2010. — 3-е изд., 465 с. — (Серия «Университетский учебник»). Глава 5, 11, 12, 13. стр. 197-203, 329-354, 357-381, 388-415.


Дополнительная литература

  1. Ю.П.Лукашин Адаптивные методы краткосрочного прогнозирования временных рядов: учебное пособие/-М.: Финансы и статистика; ИНФРА-М, 2003. - 416 с: ил


Тема 6. Нейронные сети.


Нейронные сети как особый тип моделирования. Типы и классификации нейронных сетей. Возможности сочетания нейросетевого моделирования со статистическими методами обработки данных. Применение нейронных сетей в социальных науках.

Определение нейронной сети. Биологическое и математическое описание нейронных сетей.

Математическое определение нейрона. Базовый оценочный модуль. Вычисление активаций базового оценочного модуля. Передаточная функция нейрона. Активационные функции нейрона.

Этапы построения и моделирования нейронной сети. Архитектура нейронной сети. Типы сетей, и особенности задач, решаемых архитектурой каждого типа.

Алгоритм обучения нейронной сети. Виды обучения – с учителем, без учителя и др.

Типы многослойных сетей.

Нейронная сеть Хопфилда. Соответствующие данному типу НС практические задачи и математические условия и ограничения.

Нейронные карты Кохонена. Соответствующие данному типу НС практические задачи и математические условия и ограничения.

ROC-кривые для оценки качества прогностических моделей.


Литература:

  1. Круглов В. В., Дли М.И., Годунов Р.Ю. Нечеткая логика и искусственные нейронные сети: Учеб. пособие.—М.: Издательство Физико-математической литературы, 2001.—224 с—ISBN 5-94052-027-8. Рецензенты: доктор технических наук, профессор В. П. Дьяконов, доктор технических наук В. В. Борисов. Глава 2. стр.45-103.

  2. Многомерный статистический анализ: компьютерное моделирование в SPSS. //Учебное пособие под ред. И.В.Орловой.- М.: Вузовский учебник, 2009. – 310 с. Глава2 Стр.60-78.



Дополнительная литература

  1. Хайкин, Саймон.Нейронные сети: полный курс, 2-е издание. : Пер. с англ. — М. : Издательский дом "Вильяме", 2008. — 1104 с. : ил. — Парал. тит. англ.

  2. Пегат А.Нечеткое моделирование и управление / А. Пегат ; пер. с англ. — М. : БИНОМ. Лаборатория знаний, 2009. — 798 с. : ил. — (Адаптивные и интеллектуальные системы).


Тема 7. Подтверждающий факторный анализ.


Особенности измерения в социальных науках. Ошибки измерений. Надежность.

Валидность. Валидность исследовательских дизайнов. Валидность измерений.

Латентные переменнные. Двухуровневая теория измерения. Спецификация факторной модели. Выборочная модельная дисперсионно-ковариационная матрицы. Идентификация модели.

Оценки согласия модели. Критерий хи-квадрат. Индексы согласия модели.

Разведывательный и подтверждающий факторные составляющие регрессионной модели.

Подтверждающий факторный анализ: пример построения модели в AMOS. Гипотеза о структуре. Построение модели. Оценка модели.


Литература:

  1. Назаров Б. В., Мальцев В. Е. Структурные ковариационные модели в социологии. Учебное пособие. Стр. 54-87.



Тема 8. Структурные модели.


Общая структурная модель. Спецификация модели. Измерительная и структурная части модели. Обобщение структурной модели. Общая структурная модель: пример построения в AMOS.

Статистическое оценивание параметров структурных ковариационных моделей. Нахождеие параметров мделей. Свойства статистических способов оценки параметров. Классификация методов оценки парамтров структурных моделей. Метод наибольшего правдоподобия.

Соотношение МНК и МНП в регрессионной модели. Функция правдоподобия для оценки структурной модели. Метод наименьших квадратов. Метод минимизации функции одгонки. Сравнение и модификация моделей.

Расширенные структурные ковариационные модели. Моделирование средними моделями. Сравнение групп. Моделирование при нарушении параметрических предположени й.


Литература

  1. Назаров Б. В., Мальцев В. Е. Структурные ковариационные модели в социологии. Учебное пособие. Главы 5, 6, 7, 8. Стр.88-103, 104-120, 121-135, 136-161.

  2. Руководство пользователя Amos.


Дополнительная литература

  1. Hayduk, L. A, Structural equation modeling with LISREL: Essentials and advances. The John Hopkins university press, 1987

  2. Kaplan, David. Structural Equation Modeling: Foundations and Extensions (Advanced Quantitative Techniques in the Social Sciences). NY: Sage Publications, 2000

  3. Little, R. J. A., Rubin, D. B. Statistical analysis with missing data. John Wiley & Sons, 2002

  4. Nunnally, J. C. Psychometric theory (2nd ed.). McGraw-Hill, NY, 1978

  5. Pearl, J. Causality: models, reasoning and inference. Cambridge University Press, 2000

  6. Winship, Christopher, Sobel, Michael. Causal Inference in Sociological Studies. 2001. http://www.wjh.harvard.edu/~winship/cfa.html



  1. ^

    Образовательные технологии




Занятия проводятся в форме интерактивных лекций и практических занятий. Обработка данных проводится на ЭВМ, на которых установлен пакет SPSS

  1. ^

    Оценочные средства для текущего контроля и аттестации студента

    1. Тематика заданий текущего контроля


1. Подготовить структуру меню SPSS.

2. Написать макет SPSS по анкете специалиста. Синтакс-файл приложить.

3. Перевзвешивание массива сразу по двум переменным: возрасту и полу.

4. Агрегирование файлов – что это такое,

  • как самостоятельное использование

  • в каких видах анализа данных используются (кластерный анализ и многомерное шкалирование)

5. Перекодировка переменных: номинальных в порядковые

6. Перекодировка переменных – интервальных в порядковые на примере факторных переменных

7. Склейка массивов по базам RLMS.

8. Провести анализ еальных массивов данных и поинтерпретировать полученные результаты по текущей теме (линейная регрессия, логистическая регрессия, факторный, кластерный анализ, многомерное шкалиование, временные ряды).

    1. ^

      Вопросы для оценки качества освоения курса


  1. Особенности моделирования данных в гуманитарных науках. Типы данных для разных гуманитарных наук. Пересечение областей анализа и стратегий обработки данных в разных науках.

  2. Типы данных: cross-sectional и time-series. Отличия в сути сохранения данных, процедурах обработки, получаемых результатах.

  3. Основные определения математического моделирования. Понятие системы.

  4. Основные этапы обработки данных. Операции над данными: очистка, агрегирование, трансформация. Способы хранения и представления данных.

  5. Основные определения теории графов. Графы как способ хранения данных и представления информации.

  6. Взаимное соответствие матричного и структурного представления данных.

  7. Свойства графов и операции над ними. Анализ структуры графов.

  8. Типы графов и их структурные особенности.

  9. Причинность и причинный анализ. Понятие причинности. Причинность событий. Основания и структура причинности.

  10. Причинность и причинный анализ. Причинное упорядочение. Операторы. Потоки. Поля. Их свойства.

  11. Причинность и причинный анализ. Причинный вывод. Причинные системы.

  12. Причинные диаграммы и анализ потоковых графов. Графическое изображение причинных отношений. Ветви, петли, стрелки, возмущения. Нелинейные отношения.

  13. Причинные диаграммы и анализ потоковых графов. Составление уравнений. Правила редукции.

  14. Причинные диаграммы и анализ потоковых графов. Потоковые графы с петлями. Соприкасающиеся пути. Редукция петель.

  15. Статистические характеристики – в виде графов и структур. Экзогенные и эндогенные переменные. Дисперсия и вариация. Ковариация как совместное распределение – его представление в структурных уравнениях. Стандартные величины.

  16. Путевой анализ. Модификации потоковых графов. Редукция петель. Ковариация входов и возмущений. Координация возмущений.

  17. Путевой анализ. Ковариационный анализ.

  18. Путевой анализ. Корреляционный анализ.

  19. Многомерное шкалирование как метод анализа данных, его цели и задачи. Классификация методов многомерного шкалирования..

  20. Исходные данные для многомерного шкалирования. Понятие близости данных. Методы получения данных о близости. Меры близости. Матрицы сходства и расстояния в многомерном шкалировании. R и Q – модели в многомерном шкалировании.

  21. Представление и первичная обработка статистических данных в многомерном шкалировании. Подготовка данных к многмерному шкалированию: типы матриц (матрица условных вероятностей, или матрица идентификаций, матрицы перехода, матрица совместных вероятностей, матриц мер различия профилей).

  22. Метрическое многомерное шкалирование. Классическая модель многомерного шкалирования Торгерсона: алгоритм, теоретические постулаты. Обобщенный алгоритм метрического многомерного шкалирования.

  23. Понятие о неметрическом многомерном шкалировании, его особенности. Метрики расстояний. Модели НМШ. Алгоритм НМШ. Стресс-формулы..

  24. Временной ряд – определения, примеры, формулировки основных задач. Классификация временных рядов. Условия сопоставимости данных временных рядов.

  25. Элементы временного ряда. Тенденция и колеблемость. Периодизация динамики временного ряда – статистические методы периодизации.

  26. Элементы временного ряда – тренд, сезонность. Измерение величины ошибок ВР. Анализ моделей с аддитивной и мультипликативной компонентами: алгоритм. Пример анализа модели с аддитивной компонентой – подробное описание шагов.

  27. Элементы временного ряда – тренд, сезонность. Измерение величины ошибок ВР. Анализ моделей с аддитивной и мультипликативной компонентами: алгоритм. Пример анализа модели с мультипликативной компонентой – подробное описание шагов.

  28. Прогнозирование с помощью методов ARMA- и ARIMA – процессов. Сложные временные ряды и особенности их моделирования. Стационарные временные ряды и их основные характеристики. Автокорреляционная и частная автокорреляционная функции и ее роль в моделировании временных рядов.

  29. Авторегрессионые модели. Прогноз AR-модели.

  30. Модели скользящего среднего. Авторегрессионные модели со скользящими средними в остатках – MA-модели.

  31. Прогнозирование ARMA-процессов

  32. Методология Бокса-Дженкинса при построении ARIMA – моделей.

  33. Нейронные сети как особый тип моделирования. Типы и классификации нейронных сетей. Возможности сочетания нейросетевого моделирования со статистическими методами обработки данных. Применение нейронных сетей в социальных науках.

  34. Определение нейронной сети. Биологическое и математическое описание нейронных сетей.

  35. Математическое определение нейрона. Базовый оценочный модуль. Вычисление активаций базового оценочного модуля. Передаточная функция нейрона. Активационные функции нейрона.

  36. Этапы построения и моделирования нейронной сети. Архитектура нейронной сети. Типы сетей, и особенности задач, решаемых архитектурой каждого типа.

  37. Алгоритм обучения нейронной сети. Виды обучения – с учителем, без учителя и др.

  38. Типы многослойных сетей.

  39. Нейронная сеть Хопфилда. Соответствующие данному типу НС практические задачи и математические условия и ограничения.

  40. ROC-кривые для оценки качества прогностических моделей.



  1. ^

    Порядок формирования оценок по дисциплине


Преподаватель оценивает самостоятельную работу студентов: правильность и своевременность выполнения домашних работ, задания для которых выдаются на семинарских занятиях. За нарушение срока сдачи работы оценка за нее снижается на 50%. Прием работ прекращается с момента выдачи студентам проверенных домашних работ по данной теме.

Итоговая ценка за курс складывается из общей накопленой оценки (оценка за посещаемость 10% и оценка за домашние задания -50%) и общей экзаменнационной оценки с весом 40%.

На пересдаче студенту не предоставляется возможность получить дополнительный балл для компенсации оценки за текущий контроль.

  1. ^

    Учебно-методическое и информационное обеспечение дисциплины




    1. Базовый учебник


Назаров Б. В., Мальцев В. Е. Структурные ковариационные модели в социологии. Учебное пособие. Главы 5, 6, 7, 8. Стр.88-103, 104-120, 121-135, 136-161

Руководство пользователя Amos.

Сошникова Л.А., Тамашевич В.Н., Уебе Г., Шефер М. Многомерный статистический анализ в экономике: Учеб пособие для вузов/ под ред.проф. В.Н.Тамашевича. М.: ЮНИТИ-ДАНА, 1999.

Доугерти К. Введение в эконометрику: Пер. с англ. М.: ИНФРА-М, 2010.(серия «Университетский учебник»).

Обновленная электронная версия ридера высылается на электронный адрес студенческой группы.

    1. ^

      Основная литература



Т е м а 1.

Сошникова Л.А., Тамашевич В.Н., Уебе Г., Шефер М. Многомерный статистический анализ в экономике: Учеб пособие для вузов/ под ред.проф. В.Н.Тамашевича. – М: ЮНИТИ-ДАНА, 1999. С. 11-32.

Паклин Н., Орешков В. Бизнес-аналитика: от данных к знаниям. Учебное пособие. 2-е издание, дополненное и переработанное. Издательство «Питер». 2010. Главы 1, 3, 4, 5. стр. 14-51, 138-166, 173-202, 211-273.


Т е м а 2.

Харари Ф. Теория Графов. М. URSS. 2006. (Frank Harary. Graph theory.), Главы 1, 2, 3, 4, 5, 13, 16. стр. 9-18, 21-38, 41-48, 48-59, 60-74, 178-187, 232-244.

Андерсон Дж.А. Дискретная математика и комбинаторика. М. 2004. (James A.Anderson. Discrete mathematics with Combinatorics). - главы 6, 14, 15, 16. стр. 244-290, 556-611, 624-682, 691-716.


Т е м а 3.

Д.Хейс. Причинный анализ в статистических исследованиях. М. Финансы и статистика.1981. главы 1, 2, 4. стр. 15-43, 48-81, 107-131.

Доугерти К. Введение в эконометрику: Пер. с англ. М.: ИНФРА-М, 2010.(серия «Университетский учебник»). Глава 0,1, 6. стр. 3-30, 44-68, 203-227.


Т е м а 4.

Ю.Н.Толстова. Основы многомерного шкалирования. Учебное пособие. Изд-во «Университет» М.2006. глава 1, 2, 3, 5, 6. стр. 6-20, 28-40, 47-53, 62-65, 69-76.

Сошникова Л.А., Тамашевич В.Н., Уебе Г., Шефер М. Многомерный статистический анализ в экономике: Учеб пособие для вузов/ под ред.проф. В.Н.Тамашевича. М.: ЮНИТИ-ДАНА, 1999. Глава 8, стр. 401-432.


Т е м а 5.

В.Н.Афанасьев, М.М.Юзбашев Анализ временных рядов и прогнозирование: учебник/ - 2-е изд., перераб. и доп. -М.: Финансы и статистика; ИНФРА-М, 2010. - 320 с: ил

Эддоус М., Стэнсфилд Р. Методы принятия решений/ Пер. с англ. Под ред. Член-корр. РАН И.И.Елисеевой. М.: Аудит, ЮНИТИ, 1997. Глава 9. С. 290-312.

Доугерти К.Введение в эконометрику: Пер. с англ. — М.: ИНФРА-М, 2010. — 3-е изд., 465 с. — (Серия «Университетский учебник»). Глава 5, 11, 12, 13. стр. 197-203, 329-354, 357-381, 388-415.


Т е м а 6.

Круглов В. В., Дли М.И., Годунов Р.Ю. Нечеткая логика и искусственные нейронные сети: Учеб. пособие.—М.: Издательство Физико-математической литературы, 2001.—224 с—ISBN 5-94052-027-8. Рецензенты: доктор технических наук, профессор В. П. Дьяконов, доктор технических наук В. В. Борисов. Глава 2. стр.45-103.

Многомерный статистический анализ: компьютерное моделирование в SPSS. //Учебное пособие под ред. И.В.Орловой.- М.: Вузовский учебник, 2009. – 310 с. Глава2 Стр.60-78.


Т е м а 7.

Назаров Б. В., Мальцев В. Е. Структурные ковариационные модели в социологии. Учебное пособие. Стр. 54-87.


Т е м а 8.

Назаров Б. В., Мальцев В. Е. Структурные ковариационные модели в социологии. Учебное пособие. Главы 5, 6, 7, 8. Стр.88-103, 104-120, 121-135, 136-161.

Руководство пользователя Amos.

    1. ^

      Дополнительная литература



Т е м а 1.

Доугерти К. Введение в эконометрику: Пер. с англ. М.: ИНФРА-М, 2010.(серия «Университетский учебник»).

Эддоус М., Стэнсфилд Р. Методы принятия решений/ Пер. с англ. Под ред. член-корр. РАН И.И.Елисеевой. М.: Аудит, ЮНИТИ, 1997.


Т е м а 2.

Оре О. Графы и их применение. М.: URSS. 2006. (Oysten Ore. Graphs and their Uses.)


Т е м а 3.


Т е м а 4.

Бююль А., Цефель П. SPSS: искусство обработки информации, анализ статистических данных и восстановление скрытых закономерностей. DiaSoft, 2002.

Клигер С.А., Косолапов М.С., Толстова Ю.Н. Шкалирование при сборе и анализе социологической информации. М.: Наука, 1978.

Терехина А.Ю. Анализ данных методом многомерного шкалирования. М.: Наука, 1986.

Терехина А.Ю. Методы многомерного шкалирования в системных исследованиях. М. 1982.

Терехина А.Ю. Метрическое многомерное шкалирование. М.: НПУ, 1977.

Толстова Ю.Н. Логика математического анализа социологических данных. М.: Наука, 1991.

Kruskal J.B., Wish M. Multidimensional scaling. SAGE, 1978.


Т е м а 5.

Ю.П.Лукашин Адаптивные методы краткосрочного прогнозирования временных рядов: учебное пособие/-М.: Финансы и статистика; ИНФРА-М, 2003. - 416 с: ил


Т е м а 6.

Хайкин, Саймон.Нейронные сети: полный курс, 2-е издание. : Пер. с англ. — М. : Издательский дом "Вильяме", 2008. — 1104 с. : ил. — Парал. тит. англ.

Пегат А.Нечеткое моделирование и управление / А. Пегат ; пер. с англ. — М. : БИНОМ. Лаборатория знаний, 2009. — 798 с. : ил. — (Адаптивные и интеллектуальные системы).


Т е м а 7.

Замков О.О. Эконометрические методы в макроэкономическом анализе: Курс лекций. М.: ГУ ВШЭ, 2001.

Veerbeek M. A guide to modern econometrics. John Wiley&Sons Ltd, 2000.


Т е м а 8.

Hayduk, L. A, Structural equation modeling with LISREL: Essentials and advances. The John Hopkins university press, 1987

Kaplan, David. Structural Equation Modeling: Foundations and Extensions (Advanced Quantitative Techniques in the Social Sciences). NY: Sage Publications, 2000

Little, R. J. A., Rubin, D. B. Statistical analysis with missing data. John Wiley & Sons, 2002

Nunnally, J. C. Psychometric theory (2nd ed.). McGraw-Hill, NY, 1978

Pearl, J. Causality: models, reasoning and inference. Cambridge University Press, 2000

Winship, Christopher, Sobel, Michael. Causal Inference in Sociological Studies. 2001. http://www.wjh.harvard.edu/~winship/cfa.html


    1. ^

      Справочники, словари, энциклопедии


Используются электронные справочники, издания, а так же базы данных, в том числе:

  • Base Group Lab http://www.basegroup.ru/ Обратить внимание на раздел «Библиотека»

  • RLMS.



    1. ^

      Дистанционная поддержка дисциплины


После каждого занятия студентам на указанные ими адреса электронной почты высылаются разделы электронного ридера по пройденной теме, а также информационные и статистические материалы, необходимые для выполнения домашних заданий и подготовки эссе.


  1. Материально-техническое обеспечение дисциплины



На всех лекциях используется проектор, на практических занятиях знакомство с методами и обработка результатов проводится на ЭВМ с установленными пакетами SPSS, AMOS.


Похожие:




©fs.nashaucheba.ru НашаУчеба.РУ
При копировании материала укажите ссылку.
свазаться с администрацией