• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Количественные методы анализа данных

2018/2019
Учебный год
RUS
Обучение ведется на русском языке
5
Кредиты
Статус:
Курс обязательный
Когда читается:
2-й курс, 1 модуль

Преподаватель


Силаева Светлана Анатольевна

Программа дисциплины

Аннотация

Целями курса «Количественные методы анализа данных» является формирование у студентов: - системных представлений об основных методах анализа данных; - практических навыков владения количественными методами анализа данных в системе публичного управления. Настоящая дисциплина относится к профессиональному циклу дисциплин и блоку дисциплин, обеспечивающих базовую подготовку бакалавра для направления подготовки 38.03.04 «Государственное и муниципальное управление». В результате освоения «Количественные методы анализа данных» студент должен: - знать методы сбора, первичной обработки, анализа, представления и интерпретации статистических данных; - уметь выбирать инструментальные средства и информационные технологии для сбора и обработки информации в области публичного управления; - владеть навыками анализа данных социальных, экономических, социологических исследований с использованием количественных методов. Изучение данной дисциплины базируется на знаниях, полученных при изучении следующих дисциплин: • Математика Основные положения дисциплины должны быть использованы в дальнейшем при изучении следующих дисциплин: • Технологии анализа больших данных • Регулирование и анализ рынка труда • Экономическая и социальная статистика Изучение дисциплины проводится в ходе лекционных и семинарских занятий, а также самостоятельной работы, без использования онлайн курса
Цель освоения дисциплины

Цель освоения дисциплины

  • формирование у студентов: - системных представлений об основных методах анализа данных; - практических навыков владения количественными методами анализа данных в системе публичного управления.
Планируемые результаты обучения

Планируемые результаты обучения

  • Применяет методы предобработки данных, анализирует показатели дескриптивной статистики, показатели структуры совокупности. Выделяет критерии проверки гипотез.
  • Использует параметрические и непараметрические методы анализа стохастических связей. Выполняет построение индексных систем.
  • Методы анализа временных рядов. Построение прогноза по временным рядам.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение в анализ данных
    Основные понятия и задачи анализа данных. Виды данных. Методы анализа данных. Дескриптивная статистика: визуализация распределения единиц совокупности, вычисление мер центральной тенденции, оценка разброса данных, выявление выбросов. Анализ структуры совокупности. Проверка гипотез о параметрах генеральной совокупности: о законе распределения вероятностей случайной величины (критерий Хи-квадрат Пирсона), о равенстве математических ожиданий нормальных генеральных совокупностей (критерий Стьюдента), о равенстве дисперсий нормальных генеральных совокупностей (критерий Фишера). Семинар 1. Анализ рядов распределения. Построение графика вариационного ряда. Расчет показателей центральной тенденции. Анализ вариации и формы распределения. Выявление выбросов. Анализ структуры совокупности (показатели структуры и структурных изменений). Семинар 2. Проверка статистических гипотез. Расчет критериев согласия: параметрических и непараметрических. Проверка гипотезы нормального распределения. Проверка гипотезы о принадлежности «выбросов» к исследуемой генеральной совокупности.
  • Анализ временных рядов
    Понятие и компоненты временного ряда. Этапы анализа временных рядов. Показатели динамики. Методы сглаживания временных данных и моделирования тенденции развития. Выбор метода прогнозирования в зависимости от специфики анализируемых данных. Наивные модели. Прогнозы, основанные на вычислении динамических средних. Адаптивные модели прогнозирования. Моделирование и прогнозирование сезонных колебаний. Корреляционно-регрессионный анализ временных данных. Ложная корреляция и методы ее устранения. Построение, анализ и интерпретация параметров динамических моделей регрессии. Прогнозирование на основе динамической модели. Вычисление ошибок прогноза. Оценка адекватности выбранного метода прогнозирования. Семинар1. Анализ временных рядов. Периодизация временного ряда. Расчет и анализ показателей динамики. Методы сглаживания временных рядов с помощью скользящих средних. Построение прогнозов на основе наивных и адаптивных моделей прогнозирования. Семинар 2. Моделирование и прогнозирование по временным рядам. Моделирование временных рядов. Прогнозирование по временному ряду. Построение и анализ моделей с периодическими колебаниями. Построение и анализ регрессионных динамических моделей.
  • Методы анализа детерминированных и стохастических связей
    Этапы построения регрессионной модели: формулировка целей и задач построения модели, выбор системы информативных признаков, корреляционный анализ, спецификация модели, оценка параметров модели (линейная и нелинейная регрессии), проверка значимости результатов корреляционно-регрессионного анализа (критерии Фишера и Стьюдента). Прогноз на основе полученного уравнения (точечный и интервальный). Интерпретация результатов корреляционно-регрессионного анализа. Случай множественной регрессии. Особенности построения и анализа. Уравнение регрессии в стандартизованной форме. Предпосылки МНК. Мультиколлинеарность и гетероскедастичность: методы выявления и устранения. Построение моделей с dummy-переменными. Непараметрические методы оценки связи. Оценка взаимосвязи на основе таблиц сопряженности. Показатели связи в случае дихотомических и многовариантных переменных. Измерение связи с помощью методов ранговой корреляции. Понятие ранга. Связанные ранги. Коэффициенты ранговой корреляции. Детерминированный факторный анализ оценки взаимосвязей. Индексный анализ. Виды индексов: индивидуальные и сводные, динамические и территориальные, агрегатные и средние. Выбор признака-веса при построении аналитических индексов. Система взаимосвязанных индексов, смысл ее применения. Примеры использования индексов в публичном управлении. Семинар 1. Построение и анализ парной регрессионной модели Решение задач на построение и анализ парных моделей регрессии. Прогнозирование на основе полученных моделей. Интерпретация результатов, подготовка аналитической записки. Семинар 2. Построение и анализ многофакторной регрессионной модели Решение задач на построение и анализ множественных моделей регрессии. Прогнозирование на основе полученных моделей. Интерпретация результатов, подготовка аналитической записки. Семинар 3. Непараметрические методы оценки связи. Решение задач на оценку статистических гипотез о непараметрических характеристиках генеральной совокупности. Анализ связи на основе таблиц сопряженности. Решение задач на измерение связи с помощью методов ранговой корреляции. Семинар 4. Индексный анализ. Расчет агрегатных и средневзвешенных индексов.
Элементы контроля

Элементы контроля

  • неблокирующий Оценка за выполнение индивидуальных заданий на семинарах (расчетно-аналитические работы)
  • неблокирующий Контрольная работа
  • неблокирующий Экзамен
    Способ округления экзаменационной и результирующей оценок: арифметический. Полученный после округления этой величины до целого значения результат выставляется как результирующая оценка по 10-балльной шкале по учебной дисциплине "Количественные методы анализа данных" в экзаменационную ведомость (оценкам 1, 2, 3 в 10-балльной системе соответствует оценка «неудовлетворительно» в пятибалльной системе, оценкам 4, 5 – «удовлетворительно», оценкам 6, 7 – «хорошо», оценкам 8, 9, 10 – «отлично»). На пересдаче студенту не предоставляется возможность получить дополнительный балл для компенсации оценки за текущий контроль.Экзамен проведён в 3 модуле 2020 г.
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (3 модуль)
    0.3 * Контрольная работа + 0.3 * Оценка за выполнение индивидуальных заданий на семинарах (расчетно-аналитические работы) + 0.4 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Эконометрика : теория и практика : учеб. пособие / Л.И. Ниворожкина, С.В. Арженовский, Е.П. Кокина. — М. : РИОР : ИНФРА-М, 2018. — 207 с. — (Высшее образование). — DOI: https://doi.org/10.12737/1698-5 - Режим доступа: http://znanium.com/catalog/product/907587
  • Эконометрика : учебник для бакалавриата и магистратуры / И. И. Елисеева [и др.] ; под редакцией И. И. Елисеевой. — Москва : Издательство Юрайт, 2019. — 449 с. — (Бакалавр и магистр. Академический курс). — ISBN 978-5-534-00313-0. — Текст : электронный // ЭБС Юрайт [сайт]. — URL: https://www.biblio-online.ru/bcode/431129 (дата обращения: 08.09.2019)

Рекомендуемая дополнительная литература

  • Многомерные статистические методы в экономике : учебник / Л.И. Ниворожкина, С.В. Арженовский. — М. : РИОР : ИНФРА-М, 2018. — 203 с. — (Высшее образование). — www.dx.doi.org/10.12737/21773. - Режим доступа: http://znanium.com/catalog/product/975772
  • Эконометрика. Практикум : учеб. пособие / С.А. Бородич. — Минск : Новое знание ; М. : ИНФРА-М, 2018. — 329 с. : ил. — (Высшее образование: Бакалавриат). - Режим доступа: http://znanium.com/catalog/product/988809