• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2024/2025

Многомерные статистические методы

Статус: Курс обязательный (Экономика и статистика)
Направление: 38.03.01. Экономика
Когда читается: 2-й курс, 3, 4 модуль
Формат изучения: с онлайн-курсом
Онлайн-часы: 20
Охват аудитории: для всех кампусов НИУ ВШЭ
Язык: русский
Кредиты: 7

Программа дисциплины

Аннотация

Целью курса многомерные статистические методы является изучение основных направлений развития современного многомерного статистического инструментария, включая методы корреляционно-регрессионного анализа, снижения размерности признакового пространства, классификации объектов, среди которых иерархические и итерационные алгоритмы кластерного анализа, параметрическая и непараметрическая классификация, деревья решений и случайные леса. Важной особенностью курса является широкое использование наглядных примеров и применение широкого арсенала современных средств обработки статистической информации (например, в ППП SPSS, средах R, Python), освобождающих исследователя от вычислительной рутины и позволяющих превратить статистическое исследование в увлекательное занятие.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целями освоения дисциплины "Многомерные статистические методы" является - ознакомление с основными направлениями развития и освоение современных многомерных статистических методов, получение навыков их практического применения для анализа социально-экономических процессов и явлений, - выработка компетенций, необходимых для успешного применения рассматриваемого инструментария при решении профессиональных задач анализа социально-экономических процессов и явлений. Ценностью учебной дисциплины являются навыки анализа данных (data mining) с использованием современных программных систем и сред.
Планируемые результаты обучения

Планируемые результаты обучения

  • Использует дскриминантный анализ для кластеризации новых объектов. Строит дискриминантные функции, интерпретирует межгрупповые различия. Выбирает показатели, обладающие наибольшей дискриминирующей силой
  • Проводит класстеризацию многомерных наблюдений с использованием иерархических и итеративных алгоритмов кластерного анализа. Строит и интерпретирует дендрограммы.
  • Проводит кластеризацию объектов с использованием деревьев решений
  • Собирает информацию из разных источников, Проводит предварительный анализ данных, Изучает связи между переменными в многомерном пространстве с использованием современных программных продуктов
  • Проводит снижение признакового пространства с использованием метода главных компонент. Строит уравнение регрессии на главных компонентах
  • Строит многомерные регрессионные модели. Проводит верификацию модели. Строит интервальные оценки
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Предмет, содержание, задачи курса. Предварительный и корреляционного анализа
  • Основы регрессионного анализа. Двумерная и многомерная регрессионные модели
  • Методы снижения размерности. Компонентный анализ и основы факторного анализа
  • Классификация многомерных наблюдений. Кластерный анализ
  • Классификация многомерных наблюдений с обучением. Основы дискриминантного анализа
  • Деревья решений, случайные леса
Элементы контроля

Элементы контроля

  • неблокирующий Текущая
    доля посещенных семинаров и активность на семинарах
  • неблокирующий Практическая работа №1
    Работа включает в себя задание, выполненная на основе реальных данных по темам: предварительный анализ данных, корреляционный, регрессионный анализ и метод главных компонент
  • неблокирующий Практическая работа №2
    Работа включает в себя задание, выполненная на основе реальных данных по темам кластеризации и классификации данных. Каждый метод должен включать четкую постановку задачи, проверку предпосылок использования инструментария, корректные расчеты, проведение анализа, интерпретацию полученных результатов, выводы.
  • неблокирующий Презентация итоговой работы
  • неблокирующий Контрольная работа
    Контрольная работа выполняется по всем темам курса
  • неблокирующий Творческая работа по анализу данных
    Приведите примеры использования современных возможностей анализа данных в учебном процессе
Промежуточная аттестация

Промежуточная аттестация

  • 2024/2025 4th module
    0.25 * Контрольная работа + 0.3 * Практическая работа №1 + 0.05 * Презентация итоговой работы + 0.05 * Презентация итоговой работы + 0.15 * Творческая работа по анализу данных + 0.1 * Текущая + 0.1 * Текущая
Список литературы

Список литературы

Рекомендуемая основная литература

  • SPSS 19. Профессиональный статистический анализ данных, Наследов А., 2011
  • Анализ данных в MS Excel : основные сведения о MS Excel, статистические таблицы и графики, статистические функции, пакет анализа (анализ данных) : учеб. пособие для вузов, Мхитарян, В. С., 2018
  • Анализ данных в науке и технике : машинное обучение, динамические системы и управление, Брантон, С. Л., 2021
  • Анализ данных и машинное обучение на платформе MS SQL Server : учеб. пособие, Кондрашов, Ю. Н., 2024
  • Анализ данных методами многомерного шкалирования, Терехина, А. Ю., 1986
  • Анализ данных на компьютере : учеб. пособие, Тюрин, Ю. Н., 2008
  • Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2018
  • Вероятностное машинное обучение. Дополнительные темы : основания, вывод, Мэрфи, К. П., 2024
  • Груздев, А. В. Прогнозное моделирование в IBM SPSS Statistics и R: Метод деревьев решений : руководство / А. В. Груздев. — Москва : ДМК Пресс, 2016. — 278 с. — ISBN 978-5-97060-456-4. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/93280 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
  • Груздев, А. В. Прогнозное моделирование в IBM SPSS Statistics, R и Python: метод деревьев решений и случайный лес : руководство / А. В. Груздев. — Москва : ДМК Пресс, 2018. — 642 с. — ISBN 978-5-97060-539-4. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/123700 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
  • Декомпозиция и классификация дискретных функций : монография, Черемушкин, А. В., 2020
  • Классификация и кластер, , 1980
  • Классификация и оценка маркетинговых практик на российском рынке : автореф. дис. ... канд. экон. наук : 08.00.05, Ветрова, Т. В., 2016
  • Кластерный анализ, Дюран, Б., 1977
  • Корреляция мер по противодействию коррупции с причинами и условиями ее возникновения : науч.-метод. пособие / Е.И. Добролюбова, А.В. Павлушкин, Э.Л. Сидоренко [и др.] ; под ред. В.Н. Южакова, А.М. Цирина. — М. : Институт законодательства и сравнительного правоведения при Правительстве Российской Федерации : ИНФРА-М, 2017. — 156 с. — www.dx.doi.org/10.12737/18664. - Режим доступа: http://znanium.com/catalog/product/767949
  • Математическая статистика. Оценка параметров. Проверка гипотез : учеб. пособие для вузов, Боровков, А. А., 1984
  • Методы эконометрики: Учебник / С.А. Айвазян; Московская школа экономики МГУ им. М.В. Ломоносова (МШЭ). - М.: Магистр: ИНФРА-М, 2010. - 512 с.: 70x100 1/16. (переплет) ISBN 978-5-9776-0153-5 - Режим доступа: http://znanium.com/catalog/product/196548
  • Популярное введение в современный анализ данных и машинное обучение на Statistica, Боровиков, В. П., 2023
  • Прикладная статистика и основы эконометрики : учебник для вузов, Айвазян, С. А., 1998
  • Прикладная статистика. Основы эконометрики. Т.1: Теория вероятностей и прикладная статистика, Айвазян, С. А., 2001
  • Прикладная эконометрика. Т.62, N.2, , 2021
  • Статистический анализ данных с пропусками, Литтл, Р. Дж. А., 1991
  • Эконометрика - 2: продвинутый курс с приложениями в финансах: Учебник / С.А. Айвазян, Д. Фантаццини; Московская школа экономики МГУ им. М.В. Ломоносова (МШЭ). - М.: Магистр: НИЦ ИНФРА-М, 2014. - 944 с.: 70x100 1/32. (переплет) ISBN 978-5-9776-0333- - Режим доступа: http://znanium.com/catalog/product/472607
  • Эконометрика : учебник для бакалавриата, Михайлова, С. С., 2024
  • Эконометрика : учебник и практикум для вузов, Демидова, О. А., 2024
  • Эконометрика : учебник, Мхитарян В.С., 2014

Рекомендуемая дополнительная литература

  • Meyers, L. S. (2013). Performing Data Analysis Using IBM SPSS. Hoboken: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=610849
  • Воскобойников Ю.Е. - Эконометрика в Excel: парные и множественные регрессионные модели: учебное пособие - Издательство "Лань" - 2018 - 260с. - ISBN: 978-5-8114-2318-7 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/108319
  • Корреляция мер по противодействию коррупции с причинами и условиями ее возникновения: Науч.-методич. пос. / Добролюбова Е.И., Павлушкин А.В., Сидоренко Э.Л.; Под ред. Южакова В.Н.-М.:НИЦ ИНФРА-М,2016-156с:60x90 1/16.(ИЗиСП)(П) ISBN 978-5-16-012086-7 - Режим доступа: http://znanium.com/catalog/product/553315
  • Прикладной многомерный статистический анализ: Презентации для лекций и примеры решений с использованием пакета R: Учебное пособие на английском языке / Зарова Е.В. - М.:НИЦ ИНФРА-М, 2016. - 370 с.: 60x90 1/16 (Обложка) ISBN 978-5-16-012133-8 - Режим доступа: http://znanium.com/catalog/product/557578
  • Яковлев, В. Б., Регрессионный анализ. Расчеты в Excel и Statistica : учебное пособие / В. Б. Яковлев. — Москва : Русайнс, 2018. — 176 с. — ISBN 978-5-4365-2727-7. — URL: https://book.ru/book/930268 (дата обращения: 26.08.2024). — Текст : электронный.

Авторы

  • Звездина Наталья Валерьевна
  • Архипова Марина Юрьевна