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

Бакалаврская программа «Политология и мировая политика»

07
Апрель

Количественные методы в политических исследованиях

2017/2018
Учебный год
RUS
Обучение ведется на русском языке
4
Кредиты
Статус:
Курс обязательный
Когда читается:
2-й курс, 3, 4 модуль

Преподаватель


Турченко Михаил Сергеевич

Программа дисциплины

Аннотация

Настоящая рабочая программа дисциплины устанавливает минимальные требования к знаниям и умениям студента, а также определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей дисциплины «Количественные методы в политических исследованиях», учебных ассистентов и студентов направления подготовки 41.03.04. Политология, обучающихся по образовательной программе «Политология и мировая политика».
Цель освоения дисциплины

Цель освоения дисциплины

  • формирование у студентов представления о познавательных возможностях количественных методов анализа данных в политологических исследованиях
  • приобретение студентами знаний, умений и навыков, необходимых для сбора количественных данных и их визуализации; сравнения различных наборов данных при помощи статистических тестов; изучения взаимосвязей внутри количественных данных с помощью базовых статистических инструментов
  • приобретение студентами навыков, необходимых для работы со специализированными статистическими программами, в частности, со статистической средой R
Планируемые результаты обучения

Планируемые результаты обучения

  • Способность работать с информацией: находить, оценивать и использовать информацию из различных источников, необходимую для решения научных и профессиональных задач (в том числе на основе системного подхода)
  • Способность выбирать адекватные задачам исследования методы исследования и применять их
  • Способность осуществлять поиск, сбор, обработку, анализ и хранение информации для решения поставленных задач
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение в дисциплину. Основы работы с R
    Лекция 1. Введение в содержание курса: формы текущего и итогового контроля знаний, порядок формирования накопленной и результирующей оценок. Обзор основной литературы по курсу. Место количественных методов в современных политологических исследованиях. Лекция 2. Специализированные статистические программы: виды, примеры, плюсы и минусы разных программ. Алгоритм установки и запуска статистической среды R и R-Studio. Обзор интерфейса статистической среды R и R-Studio. Основные команды, объекты и функции в R. Семинар 1. R как калькулятор. Примеры действий с объектами. Оператор присваивания. Способы ввода данных в R: функция c(). Подготовка данных к импорту в R из Excel: функция read.csv(). Сохранение результатов работы. Выход из программы. Открытие сохранённых скриптов. Семинар 2. Импорт данных в R из других статистических программ: функции read.spss(), read.dta() и др. Работа с загруженными данными: функции attach() и detach(), команда $, извлечение отдельных данных из массива. Создание таблиц и работа с ними.
  • Основные статистические понятия и введение в описательную статистику
    Лекция 3. Генеральная совокупность и выборка. Типы данных. Описательная статистика: меры центральной тенденции и меры разброса. Нормальное распределение и центральная предельная теорема. Семинар 3. Способы расчёта описательной статистики в R. Работа с данными из конкретного политологического исследования.
  • Визуализация данных: принципы, инструменты, примеры
    Лекция 4. Роль визуализации данных в представлении результатов научного исследования. Принципы визуализации данных. Типы диаграмм: диаграмма рассеяния, диаграмма распределения (гистограмма), диаграмма размахов (боксплот), скрипичная диаграмма, столбчатая диаграмма, круговая диаграмма. Примеры диаграмм из политологических исследований. Семинары 4-5. Рассмотрение функций для создания различных типов диаграмм: plot(), hist(), boxplot(), vioplot(), barplot(), pie(). Рассмотрение функций для корректировки параметров диаграмм: par(), title(), lines(), legend(). Сохранение диаграмм в разных форматах и с разным разрешением. Работа с пакетом ggplot2.
  • Введение в индуктивную статистику. Статистические тесты
    Лекция 5. Статистические гипотезы: альтернативная и нулевая. Статистические ошибки: первого и второго родов. Статистическая значимость. Лекция 6. Статистика хи-квадрат и её разновидности. Вычисление хи-квадрата вручную. Примеры использования статистики хи-квадрат в политологических исследованиях. Лекция 7. Биномиальный тест. Сравнение выборок: общее представление о статистических тестах (параметрические – непараметрические; двусторонние – левосторонние – правосторонние). Параметрические тесты: t-тест для независимых и парных выборок. Непараметрические тесты: тест Вилкоксона (Манна-Уитни) для независимых и парных выборок. Тест Шапиро-Уилкса для проверки нормальности распределения. Иллюстрация работы статистических тестов. Семинар 6. Расчёт в R статистики хи-квадрат. Работа с электоральной статистикой: сравнение результатов голосования за разные партии на разных УИКах в ЕДГ-2016.
  • Корреляция. Подведение промежуточных итогов
    Лекция 8. Корреляция и ковариация. Коэффициент корреляции Пирсона. Интерпретация значений коэффициента корреляции. Значимость коэффициента корреляции. Коэффициент корреляции Спирмена. Корреляционная матрица. Лекция 9. Подведение итогов первой половины курса. Обобщение разобранного материала. Семинар 8. Проведение корреляционного анализа и построение корреляционных матриц в R. Анализ содержания политологических исследований, использовавших корреляционный анализ.
  • МНК-регрессия: принцип, интерпретация, оформление
    Лекция 10. Отличие регрессии от корреляции. Зависимая и независимая переменные. Метод наименьших квадратов (МНК): суть, допущения. Парная линейная регрессия: уравнение регрессии, интерпретация регрессионной выдачи. Коэффициент детерминации (R 2 ). Лекция 11. Множественная линейная регрессия: уравнение регрессии, параметры, рассчитываемые для независимых переменных, значение F-статистики для регрессионной модели. Сравнение регрессионных моделей. Нюансы интерпретации коэффициента детерминации и стандартизированных коэффициентов для независимых переменных. Лекция 12. Оформление результатов регрессионной выдачи: примеры из политологических исследований. Оформление результатов регрессионной выдачи в R: пакет stargazer. Композиционное построение исследований, использующих регрессионный анализ. Нюансы использования категориальных и порядковых переменных в регрессионном анализе. Семинар 10. Реализация парной линейной регрессии в R. Визуализация сути метода наименьших квадратов. Интерпретация результатов регрессионного анализа. Семинар 11. Реализация множественной линейной регрессии в R. Сравнение регрессионных моделей с помощью функции anova(). Интерпретация результатов регрессионного анализа. Семинар 12. Рассмотрение композиционного построения политологического исследования, использующего в качестве основного метода анализа данных множественную линейную регрессию. Рассмотрение особенной включения в регрессионные модели категориальных и порядковых переменных: работа с базой данных Duncan.
  • Технические и содержательные проблемы регрессионных моделей. Диагностика
    Лекция 13. Предпосылки МНК-регрессии. Технические проблемы регрессионных моделей: мультиколлинеарность, гетероскедастичность, выбросы, влиятельные наблюдения. Лекция 14. Диагностика и способы решения технических проблем регрессионных моделей. Лекция 15. Содержательные проблемы регрессионных моделей: эндогенность, исключение из анализа релевантных объяснительных переменных, включение в анализ нерелевантных объяснительных переменных. Проблема смещения выборки. Семинар 13. Подробное рассмотрение сути технических проблем регрессионных моделей: мультиколлинеарности, гетероскедастичности, выбросов и влиятельных наблюдений. Семинар 14. Работа с базой данных Duncan и базами данных, собранными студентами. Работа с функциями идентификации мультиколлинеарности: vif(); гетероскедастичности: ncvTest(), spreadLevelPlot(); выбросов: qqplot(), outlierTest(); влиятельных наблюдений: influencePlot() и др. Семинар 15. Рассмотрение проблем смещения выборки (отбора единиц анализа по зависимой переменной), эндогенности, исключения из анализа релевантных объяснительных переменных и включения в анализ нерелевантных объяснительных переменных. Семинар 16. На семинарском занятии проводится контрольная работа.
  • Обобщённые линейные модели: краткий обзор
    Лекция 16. Обобщённые линейные модели: суть, виды. Логистическая регрессия: суть, виды. Уравнение бинарной логистической регрессии. Параметры оценки логистических моделей. Выдача логистической регрессии, её интерпретация. Предсказанные вероятности и отношения шансов. Лекция 17. Порядковая логистическая регрессия: особенности. Выдача порядковой логистической регрессии. Предсказанные вероятности и отношения шансов для порядковой логистической регрессии. Подведение итогов курса. Семинар 17. Реализация логистической регрессии в R. Рассмотрение политологического исследования, использующего в качестве основного метода анализа данных логистическую регрессию. Семинар 18. Реализация порядковой логистической регрессии в R. Рассмотрение политологического исследования, использующего в качестве основного метода анализа данных логистическую регрессию.
Элементы контроля

Элементы контроля

  • неблокирующий Работа на семинарских занятиях
  • неблокирующий Контрольная работа
    Контрольная работа проводится в учебной аудитории и выполняется в письменной форме.
  • неблокирующий Самостоятельная работа
    Самостоятельная работа проводится с использованием статистической среды R в форме письменного теста, включающего закрытые и открытые (полуоткрытые) вопросы. Студенты, выполняя часть заданий в R, отражают результаты работы в выданном им распечатанном варианте теста. Самостоятельная работа проводится в учебной аудитории. Время самостоятельной работы 1 час 20 минут
  • неблокирующий Домашнее задание
  • неблокирующий Экзамен
    Экзамен проводится в учебной аудитории и выполняется в письменной форме. Время экзамена 1 час 20 минут
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (4 модуль)
    Накопленная оценка по дисциплине рассчитывается с помощью взвешенной суммы оценок за отдельные формы текущего контроля знаний и аудиторную работу следующим образом: Онакопленная = 0.2 * Отекущий1 + 0.2 * Отекущий2 + 0.4 * Отекущий3 + 0.2 * Оаудиторная, где Отекущий1 – оценка за самостоятельную работу, Отекущий2 – оценка за контрольную работу,Отекущий3 – оценка за домашнее задание. Оаудиторная – оценка за работу в рамках семинарских занятий (по 10-ти балльной шкале). Результирующая оценка по дисциплине (которая идет в диплом) рассчитывается следующим образом: Орезультирующая = 0.6 * Онакопленная + 0.4 * Оэкзамен, где Онакопленная – накопленная оценка по дисциплине, Оэкзамен – оценка за экзамен.
Список литературы

Список литературы

Рекомендуемая основная литература

  • Field, A. V. (DE-588)128714581, (DE-627)378310763, (DE-576)186310501, aut. (2012). Discovering statistics using R Andy Field, Jeremy Miles, Zoë Field. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edswao&AN=edswao.363067604
  • Роберт И., Кабаков - R в действии. Анализ и визуализация данных в программе R - Издательство "ДМК Пресс" - 2014 - 588с. - ISBN: 978-5-97060-077-1 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/58703
  • Шипунов А.Б., Балдин Е.М., Волкова П.А. - Наглядная статистика. Используем R! - Издательство "ДМК Пресс" - 2014 - 298с. - ISBN: 978-5-94074-828-1 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/50572

Рекомендуемая дополнительная литература

  • Golosov, G. V., & Konstantinova, M. (2016). Gubernatorial Powers in Russia The Transformation of Regional Institutions Under the Centralizing Control of the Federal Authorities. Problems of Post-Communism, 63(4), 241–252. https://doi.org/10.1080/10758216.2016.1146906
  • King, G. (1986). How Not to Lie With Statistics: Avoiding Common Mistakes in Quantitative Political Science. American Journal of Political Science (Wiley-Blackwell), 30(3), 666. https://doi.org/10.2307/2111095