Введение в статистический анализ для социальных исследований

29 июля – 9 августа

Очное участие/Онлайн

Язык преподавания: Английский

Этот курс представляет собой введение в количественные методы исследования для нужд социальных наук.

Описание курса

К концу этого курса студенты смогут эффективно оценивать и анализировать исследования, в которых используются количественные методы сбора и анализа данных; понимать базовую статистику, корреляцию и каузальность; и получат опыт сбора, анализа, визуализации и интерпретации количественных данных в статистической среде R.

Первое правило статистики: корреляция не отражает причинно-следственную связь. Второе правило статистики: причинно-следственная связь никогда не бывает абсолютной. Зная эти два правила, мы можем дать достоверные и корректные ответы на большие вопросы, которые подкидывает нам наш постоянно меняющийся мир.

Алексей Сорбалэ

Доцент: НИУ ВШЭ в Санкт-Петербурге / Санкт-Петербургская школа социальных наук и востоковедения / Департамент политологии и международных отношений

Почему именно этот курс?

Благодаря интенсивному курсу студенты приобретут практические навыки работы со статистическими данными, которые имеют очень большое значение для современной науки, индустрии и государственной службы. К концу курса студенты будут иметь четкое представление о логике построения любого статистического исследования, необходимых пререквизитах сбора и анализа данных, алгоритмах проведения каузального эмпирического анализа. Особым преимуществом курса является то, что он преподается на R, одном из самых популярных языков программирования в мире.

Содержание курса

Тема 1. Базовый синтаксис и основы R

Алгоритм установки и запуска статистической среды R и R-Studio. Основные команды, объекты и функции в R. Оператор присваивания. Способы ввода данных в R. Работа с импортированными данными. Создание таблиц и работа с ними.

Тема 2. Описательная статистика

Генеральная совокупность и выборка. Типы данных. Описательная статистика: меры центральной тенденции и меры дисперсии. Нормальное распределение и центральная предельная теорема. Способы вывода описательной статистики в R.

Тема 3. Визуализация данных: принципы, инструменты, примеры

Роль визуализации данных в представлении результатов исследования. Принципы визуализации данных. Типы диаграмм: диаграмма рассеяния (гистограмма), «ящик с усами», скрипичная диаграмма, столбчатая диаграмма, круговая диаграмма. Базовый R для визуализации и пакет ggplot2.

Тема 4. Статистические гипотезы и ошибки. Сравнение выборок

Статистические гипотезы. Статистические ошибки. Статистическая значимость. Биномиальный тест. Сравнение выборок: обзор статистических тестов (параметрический-непараметрический; двусторонний; левосторонний; правосторонний). Параметрические тесты: t-критерий для независимых и парных выборок. ANOVA-тест. Непараметрические тесты: тест Манна-Уитни для независимых и парных выборок.

Тема 5. Корреляция

Корреляция и ковариация. Коэффициент корреляции Пирсона. Интерпретация значений коэффициента корреляции. Значение коэффициента корреляции. Коэффициент корреляции Спирмена. Корреляционная матрица.

Тема 6. Парная линейная регрессия: принцип, интерпретация, дизайн

Разница между регрессией и корреляцией. Зависимые и независимые переменные. Метод наименьших квадратов (МНК): суть, предположения. Парная линейная регрессия: уравнение регрессии, интерпретация результатов регрессии. Коэффициент детерминации. Представление результатов регрессии в stargazer. Композиционное построение исследования с использованием регрессионного анализа. Реализация парной линейной регрессии в R. Интерпретация результатов регрессионного анализа.

Тема 7. Множественная линейная регрессия: принцип, интерпретация, дизайн

Множественная линейная регрессия: уравнение регрессии, параметры, рассчитанные для независимых переменных, значение F-статистики для регрессионных моделей. Сравнение регрессионных моделей. Нюансы интерпретации коэффициента детерминации и стандартизованных коэффициентов независимых переменных. Рассмотрение композиционного построения исследования с использованием множественной линейной регрессии в качестве основного метода анализа данных.

Тема 8. Технические проблемы и предпосылки линейной регрессии

Технические проблемы регрессионных моделей: мультиколлинеарность, гетероскедастичность, выбросы, влиятельные наблюдения. Диагностика и пути решения технических проблем регрессионных моделей.

Тема 9. Содержательные проблемы регрессионных моделей.

Основные проблемы регрессионных моделей: эндогенность, исключение из анализа релевантных объясняющих переменных, включение в анализ нерелевантных объясняющих переменных. Проблема смещения выборки.

Тема 10. Логистическая регрессия: принцип, интерпретация, дизайн

Обобщенные линейные модели: суть, виды. Логистическая регрессия: суть, виды. Бинарное и порядковое уравнение логистической регрессии. Параметры оценки логистических моделей. Выдача логистической регрессии, ее интерпретация. Прогнозируемые вероятности и отношение шансов.

Навыки и умения

Навыки сбора, анализа, визуализации и интерпретации количественных данных, использование эвристики статистической среды R.

Требования к участникам

Для данного курса нет специальных требований, за исключением базового понимания алгебры и умения пользоваться компьютером. Для практических занятий необходимо программное обеспечение R и RStudio.

Метод преподавания

Лекции, практики.

Финальный экзамен

Проект.

Оценка работы

Выполнение тренингов (скриптов) и финальный проект

Курс читают

Доцент А.Б. Сорбалэ.