Магистратура 2025/2026

Основы статистического анализа

Статус: Курс по выбору (Продуктовый подход и аналитика данных в HR-менеджменте)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Сальникова Дарья Вячеславовна

Язык: русский

Кредиты: 6

Контактные часы: 56

Программа дисциплины

Аннотация

Целью курса «Основы статистического анализа» является освоение основных понятий и инструментов теории вероятностей и математической статистики, а также приобретение навыков анализа данных для последующего применения в рамках решения прикладных задач в сфере HR-менеджмента. После освоения базовых понятий ТВиМС в первой части курса студенты познакомятся с математическими деталями оценивания линейных и логистических регрессионных моделей, допущениями об ошибках такого класса моделей, способами их диагностики и поправками в случае нарушения этих допущений. Отдельное внимание также будет уделено применению регрессионного анализа в контексте анализа панельных данных. Одним из форматов занятий является репликация результатов исследований с последующей критикой примененной стратегии эмпирического анализа. В рамках курса для анализа данных используется Python.

Цель освоения дисциплины

• Целью курса «Основы статистического анализа» является освоение основных понятий и инструментов теории вероятностей и математической статистики, а также приобретение навыков анализа данных для последующего применения в рамках решения прикладных задач в сфере HR-менеджмента.

Планируемые результаты обучения

• Студент способен сформулировать основные понятия теории вероятностей, такие как случайный эксперимент, пространство элементарных событий (для случая счетного числа элементарных исходов), пространство событий, случайное событие, достоверное событие, невозможное событие, несовместные события, обратное событие, функция вероятности
• уметь оценивать параметры линейной регрессионной модели
• Умение строить доверительные интервалы для неизвестных параметров распределений
• Освоение базовых понятий в проверке статистических гипотез. Умение классифицировать два типа ошибок статистического вывода -- ошибка первого и второго рода. Освоение понятия "статистический уровень значимости".
• 3.1 Выявлять мультиколлинеарность. Анализировать внешние признаки, применять методы диагностики, методы устранения. Владеть методом главных компонент. 3.2. Выявлять ошибки спецификации. Различать виды ошибок спецификации и их последствия. Диагностировать ошибки спецификации. Выбирать «оптимальный» набор регрессоров и функциональную форму регрессионной зависимости.
• Вычислять коэффициент корреляции Пирсона и интерпретировать полученные результаты
• Уметь объяснить, что такое случайная величина, и привести примеры дискретных и непрерывных случайных величин
• Умеет объяснять суть понятия "гетероскедастичность" и применять необходимые поправки в условиях гетероскедастичности
• Умеет диагностировать нетипичные наблюдения по отклику (outliers) и предикторам (leverages), влиятельные наблюдения в регрессионной модели
• Знать, как строить и интерпретировать доверительные интервалы для среднего значения, пропорции и дисперсии.
• Умеет сформулировать основную идею центральной предельной теоремы, умеет применить ее на практике
• Умеет объяснить разницу между моделью с фиксированными эффектами и моделью со случайными эффектами

Содержание учебной дисциплины

• Случайные события: вероятности и операции со случайными событиями
• Случайные величины и их распределения
• Статистические оценки
• Проверка статистических гипотез. Параметрические и непараметрические критерии
• Меры взаимосвязи. Проблема устойчивости
• Линейные регрессионные модели
• Регрессионный анализ в контексте анализа панельных данных
• Логистические регрессионные модели бинарного выбора
• Предельные теоремы

Элементы контроля

• Домашнее задание 1
• Домашнее задание 2
• Домашнее задание 3
• Проверочная работа 1
• Проверочная работа 2
• Семинарская активность
• Экзамен

Промежуточная аттестация

• 2025/2026 2nd module
  0.1 * Домашнее задание 1 + 0.1 * Домашнее задание 2 + 0.1 * Домашнее задание 3 + 0.15 * Проверочная работа 1 + 0.15 * Проверочная работа 2 + 0.1 * Семинарская активность + 0.3 * Экзамен

Список литературы

Рекомендуемая основная литература

• 9780387217369 - Larry Wasserman - All of Statistics : A Concise Course in Statistical Inference - 2010 - Springer - https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=2544135 - nlebk - 2544135
• Agresti, A. (2013). Categorical Data Analysis (Vol. Third edition). Hoboken, NJ: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=769330
• Basic econometrics, Gujarati, D. N., 2009
• Introduction to mathematical statistics and its applications, Larsen, R. J., 2014
• Mastering 'Metrics : the path from cause to effect, Angrist, J. D., 2015
• Mostly harmless econometrics : an empiricist's companion, Angrist, J. D., 2009
• Теория вероятностей, математическая статистика. В примерах, задачах и тестах : учеб. пособие, Сапожников П.Н., Макаров А.А., 2017
• Тюрин, Ю. Н. Теория вероятностей : учебник / Ю. Н. Тюрин, А. А. Макаров, Г. И. Симонова. — Москва : МЦНМО, 2009. — 256 с. — ISBN 978-5-94057-540-5. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/9426 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• A modern introduction to probability and statistics : understanding why and how, Dekking, F. M., 2010
• An introduction to categorical data analysis, Agresti, A., 2007
• Dekking F. M. et al. A Modern Introduction to Probability and Statistics: Understanding why and how. – Springer Science & Business Media, 2005. – 488 pp.
• Fixed effects regression models, Allison, P. D., 2009
• J. Scott Long, & Jeremy Freese. (2006). Regression Models for Categorical Dependent Variables using Stata, 2nd Edition. StataCorp LP. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.b.tsj.spbook.long2
• Mathematical statistics with applications, Wackerly, D. D., 2008
• Sangseok Lee. (2016). Why do we read many articles with bad statistics? : what does the new American Statistical Association’s statement on p-values mean? Korean Journal of Anesthesiology, 69(2), 109–110. https://doi.org/10.4097/kjae.2016.69.2.109
• Testing Statistical Hypotheses, with 6 illustrations, 3rd ed., 784 p., Lehmann, E. L., Romano, J. P., 2005

Авторы

• Яковлева Илона Александровна
• Сальникова Дарья Вячеславовна