Анализ данных в социологии

Бакалавриат 2025/2026

Статус: Курс обязательный (Социология)

Кто читает: Департамент социологии

Где читается: Факультет социальных наук

Когда читается: 2-й курс, 2-4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Воронина Наталья Дмитриевна, Зангиева Ирина Казбековна, Мхитарян Тамара Арменовна

Язык: русский

Кредиты: 5

Дополнительные материалы в LMS Задать вопрос

Аннотация

Целями освоения дисциплины «Анализ данных в социологии» являются изучение и практическое освоение теории вероятностей, математической статистики и базовых методов статистического анализа данных в социальных науках; изучение и практическое освоение компьютерных программ, применяемых для статистического анализа данных (пакета SPSS); приобретение понимания специфики работы с количественными данными в социальных науках, понимания типов задач, которые могут быть решены с помощью статистических методов. В результате освоения дисциплины студент должен знать основные понятия теории вероятностей, математической статистики, методы статистического анализа данных в пределах программы курса; уметь ставить и понимать социологические задачи, которые могут быть решены с помощью статистического анализа данных, понимать специфику данных, используемых в статистическом анализе, а также владеть навыками самостоятельного статистического анализа данных на компьютере в программах SPSS.

Цель освоения дисциплины

Изучение и практическое освоение базовых методов статистического анализа данных в социальных науках
Изучение и практическое освоение компьютерной программы, применяемой для статистического анализа данных: SPSS
Формирование понимания специфики работы с количественными данными в социальных науках, понимания типов задач, которые могут быть решены с помощью различных статистических методов

Планируемые результаты обучения

Умеет проверять кластерную модель на устойчивость
Владеет навыками реализации иерархического КА и КА методом К-средних в SPSS
Владеет навыками реализации ФА МГК в SPSS
Знает возможности и ограничения применения кластерного анализа
Знает возможности и ограничения применения факторного анализа методом главных компонент (МГК)
Знает для решения каких задач в модель линейной регрессии включаются эффекты взаимодействия
Знает какие переменные перед включением в модель линейной регрессии необходимо преобразовать в фиктивные.
Знает логику создания фиктивных переменных и умеет их создавать в SPSS
Знает различия в иерархическом алгоритма КА и КА методом К-средних
Знает специфику зависимой переменной в модели бинарной логистической регрессии
Знает требования к выборке для получения корректных результатов ФА МГК
Знает требования к данным для построения моделей линейной регрессии
Знает требования к уровню измерения наблюдаемых переменных для кластерного
Знает требования к уровню измерения наблюдаемых переменных для факторного анализа МГК
Может интерпретировать регрессионные коэффициенты и оценивать качество моделей линейной регрессией
Обосновывает и отбирает итоговое количество кластеров в модели
Обосновывает и отбирает итоговое количество факторов в модели
Определяет качество полученных кластеров (в методе К-Средних): контрастность, наполненность и компактность
Отличает вырожденное факторное решение от невырожденного
Понимает разницу между условиями применения методов параметрической и непараметрической статистики.
Понимает, в каких случаях вместо линейной регрессии необходимо использовать логистическую регерссию, в частности бинарную.
Умеет проводить диагностику моделей линейной регрессии на основные ограничения и устранять несоблюдение этих ограничений
Умеет интерпретировать дендрограмму
Умеет интерпретировать модель бинарной логистической регрессии в линейной и экспоненциальной форме
Умеет интерпретировать полученные значения кластерных переменных
Умеет интерпретировать полученные значения факторных переменных
Умеет интерпретировать регрессионные коэффициенты в модели линейной регрессии с фиктивными переменными
Умеет интерпретировать регрессионные коэффициенты при переменных-эффектах взаимодействия
Умеет интерпретировать факторные нагрузки
Умеет оценивать качество модели бинарной логистической регрессии
Умеет правильно выбирать метод вращения факторных нагрузок в ФА МГК
Умеет правильно интерпретировать таблицу шагов аггломерации (в иерархическом кластерном анализу)
Умеет реализовывать с помощью SPSS тесты Манна –Уитни, знаков рангов Вилкоксона и непараметрический анализ Краскла-Уоллиса
Умеет содержательно интерпретировать результаты тестов Манна –Уитни, знаков рангов Вилкоксона и непараметрического анализа Краскла-Уоллиса
Умеет создавать в SPSS и включать в регрессионную модель эффекты взаимодействия категориальных переменных, категориальных и интервальных переменных.
Умеет строить модель бинарной логистической регрессии в SPSS
Формулирует содержательные задачи, для решения которых применим кластерный анализ
Формулирует содержательные задачи, для решения которых применим факторный анализ

Содержание учебной дисциплины

Базовые методы непараметрической статистики
Классическая линейная регрессия: парная и множественная. Введение в МНК. Ограничения модели регрессии.
Регрессия с фиктивными переменными
Эффекты взаимодействия в регрессионных моделях.
Бинарная логистическая регрессия
Мультиномиальная логистическая регрессия
Тема 7 Факторный анализ
Тема 8 Кластерный анализ

Элементы контроля

Проверочные работы на лекциях 1
Активность на семинарах 1
Проверка домашнего задания "Непараметрика"
Проверка домашнего задания "Линейная регрессия"
Контрольная "Непараметрика и линейная регрессия"
Проект "Факторный и кластерный анализ"
Экзамен 3-4
Проверочные работы на лекциях 3-4
Активность на семинарах 3-4
Лабораторная работа "Регрессия с фиктивными переменными"
Лабораторная работа "Логистическая регрессия"
Контрольная работа "Регрессия"

Промежуточная аттестация

2025/2026 2nd module
0.1 * Активность на семинарах 1 + 0.4 * Контрольная "Непараметрика и линейная регрессия" + 0.2 * Проверка домашнего задания "Линейная регрессия" + 0.2 * Проверка домашнего задания "Непараметрика" + 0.1 * Проверочные работы на лекциях 1
2025/2026 4th module
0.1 * Активность на семинарах 3-4 + 0.2 * Контрольная работа "Регрессия" + 0.1 * Лабораторная работа "Логистическая регрессия" + 0.1 * Лабораторная работа "Регрессия с фиктивными переменными" + 0.1 * Проверочные работы на лекциях 3-4 + 0.2 * Проект "Факторный и кластерный анализ" + 0.2 * Экзамен 3-4

Список литературы

Авторы

Сулейманова Анна Наильевна
Ротмистров Алексей Николаевич
Зангиева Ирина Казбековна
Воронина Наталья Дмитриевна

Программа дисциплины