SPSS: Cовременный статистический анализ данных на компьютере. (72 часа)

Дистанционный курс на платформе MS Teams с удаленным доступом каждого слушателя к компьютеру с программным обеспечением IBM SPSS Statistics

Цель:
повышение квалификации в области современного статистического анализа данных на компьютере.

Аудитория:

• научные сотрудники в гуманитарных, общественных и медико-биологических науках,
• преподаватели образовательных учреждений высшего профессионального образования

Ведущий:

Наследов Андрей Дмитриевич – кандидат психологических наук, доцент кафедры педагогики и педагогической психологии факультета психологии Санкт-Петербургского государственного университета.

Программа (36 контактных академических часов онлайн)

Часть 1. Основы статистического анализа:

Планирование исследования и структура исходных данных. Основные математические модели анализа данных: измерительные, описательные и статистического вывода.
Измерения и шкалы. Структура таблицы исходных данных: переменные, объекты, выборки. Создание, редактирование и преобразования таблиц данных.

Первичные количественные обобщения исходных данных. Графики, частоты, первичные статистики, проверка нормальности распределения.

Методы определения статистической значимости и их классификация. Гипотезы научные и статистические. Логика статистической проверки гипотезы, нулевая и альтернативная гипотезы. Р-уровень значимости, его интерпретация и его зависимость от: величины эффекта, объема выборки, дисперсии. Статистический критерий.
Статистическая проверка гипотезы в структуре научного исследования. Классификация методов статистической проверки гипотез: корреляционный анализ, частотный анализ, методы сравнения выборок. Классификация методов сравнения выборок.

Анализ номинальных данных. Критерий согласия Хи-квадрат. Анализ таблиц сопряженности.

Корреляционный анализ. Связи функциональные и статистические. Ковариация и корреляция Пирсона, их формулы, свойства и интерпретация. Ранговые корреляции: Спирмена и Кендалла. Границы применения корреляций. Двумерная регрессия, коэффициент детерминации. Анализ криволинейности.

Методы сравнения выборок. t-Стьюдента для независимых и зависимых выборок. Сравнение дисперсий. Ранговые критерии U Манна-Уитни и Т Вилкоксона. Дисперсионный анализ (ANOVA) для независимых и зависимых выборок. Ранговые аналоги ANOVA: критерии Н Краскала-Уоллиса и Хи-квадрат Фридмана.

Введение в дисперсионный анализ (ANOVA). Основные понятия и виды ANOVA. Однофакторный дисперсионный анализ: гипотеза, последовательность вычислений, результаты, ограничения. Множественные сравнения: парные Post Hoc и метод контрастов.

Часть 2. Сложные методы анализа:

Общие линейные модели. Многофакторный ANOVA: условия применения, гипотезы о главных эффектах и взаимодействиях, модель, последовательность вычислений, результаты. Многомерный ANOVA: многомерный и одномерный этапы, многомерные критерии, ограничения, результаты. ANOVA с повторными измерениями: модель, гипотезы о внутри- и межгрупповых эффектах, одномерный и многомерный подходы, ограничения, результаты.

Классификация многомерных статистических методов. Многомерные данные. Матрицы. Геометрические представления. Классификация многомерных методов по назначению, по структуре и виду исходных данных.

Многомерные методы прогнозирования. Множественный регрессионный анализ (МРА) в задачах предсказания, его виды. Математико-статистические идеи МРА, требования к исходным данным и основные результаты применения МРА.
Множественный дискриминантный анализ (ДА) в задачах предсказания. Математико-статистические идеи метода, вид исходных данных, решение задачи классификации в ДА. Решение задачи интерпретации межгрупповых различий при помощи канонического анализа в ДА.

Методы кластеризации. Кластерный анализ (КА) в задачах классификации, его виды. Понятие сходства между объектами, меры сходства: прямые оценки, условные и совместные вероятности, меры различия профилей. Иерархические методы кластеризации: одиночной связи, полной связи и средней связи. Другие методы классификации: кластеризация К-средними, 2-этапных кластерный анализ.

Факторный анализ. Факторный анализ в задачах измерения латентных (скрытых) переменных и задачах уменьшения размерности исследуемого пространства признаков. Основные проблемы факторного анализа и способы их решения: общности, числа факторов, вращения, интерпретации факторного решения и оценки факторов. Матрица факторных нагрузок и соотношения основных показателей. Примеры применения факторного анализа в практических исследованиях.

Многомерное шкалирование. Многомерное шкалирование данных о различии (сходстве) объектов, модели многомерного шкалирования. Метрическая и неметрическая модели многомерного шкалирования. Модель шкалирования индивидуальных различий. Модель шкалирования индивидуальных предпочтений. Примеры применения многомерного шкалирования в психологических исследованиях.

Введение в моделирование структурными уравнениями (SEM). Общая характеристика SEM. Элементы структурной модели. Конфирматорный факторный анализ и модели путей. Основные количественные показатели структурных моделей. Примеры структурных моделей.

Режим занятий:
36 часов онлайн-занятий под руководством преподавателя, с удаленным доступом к компьютерам для практических занятий с программой IBM SPSS.
36 часов — самостоятельная работа.

Стоимость обучения –

После окончания программы выдается Удостоверение о повышении квалификации.