Бакалавриат 2024/2025

Многомерные статистические методы

Статус: Курс обязательный (Экономика и статистика)

Направление: 38.03.01. Экономика

Кто читает: Департамент статистики и анализа данных

Где читается: Факультет экономических наук

Когда читается: 2-й курс, 3, 4 модуль

Формат изучения: с онлайн-курсом

Онлайн-часы: 20

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Архипова Марина Юрьевна, Богомолова Полина Максимовна, Емелина Наталья Константиновна

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

• 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

• 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

• 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

• Текущая
  доля посещенных семинаров и активность на семинарах
• 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
• 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.
• Презентация итоговой работы
• Контрольная работа
  Контрольная работа выполняется по всем темам курса
• Творческая работа по анализу данных
  Приведите примеры использования современных возможностей анализа данных в учебном процессе

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

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