SOCn5006 Analýza kvantitativních dat

Fakulta sociálních studií
podzim 2021
Rozsah
1/1/0. 12 kr. Ukončení: zk.
Vyučující
prof. Martin Kreidl, Ph.D. (přednášející)
Garance
prof. PhDr. Ladislav Rabušic, CSc.
Katedra sociologie – Fakulta sociálních studií
Kontaktní osoba: Ing. Soňa Enenkelová
Dodavatelské pracoviště: Katedra sociologie – Fakulta sociálních studií
Rozvrh
Čt 12:00–13:40 PC26
Předpoklady
! SOC561 Regresní modely pro kateg. && !NOWANY( SOC561 Regresní modely pro kateg. , SOC560 Sociologický výzkum ) && SOUHLAS
Základní metodologický kurz navazujícího magisterského studia sociologie. U studentů očekávám vstupní znalosti na úrovni základních metodologických a statistických kurzů z bakalářského studia v rozsahu, který je FSS vyučován v oborech sociologie (a nebo psychologie). Orientace v programu STATA je vítána, není však nezbytně nutná, pouze usnadňuje zvládnutí kurzu. Pokud studující neabsolvovali v předchozím studiu základy statistiky a analýzy dat musí si potřebné dostudovat z těchto knih: Treiman (2008), kap. 1-4; Agresti, Finlay (1997), kap. 1-8
Omezení zápisu do předmětu
Předmět je určen pouze studentům mateřských oborů.

Předmět si smí zapsat nejvýše 5 stud.
Momentální stav registrace a zápisu: zapsáno: 0/5, pouze zareg.: 0/5
Mateřské obory/plány
Cíle předmětu
Tento kurz rozvíjí schopnosti prakticky provádět sociálně vědní výzkum, zejména pak rozvíjí použití analýzy kvantitativních dat v konkrétním, teoreticky motivovaném výzkumu. Na konci semestru bude každý (úspěšně) studující schopen zpracovat, sociologicky interpretovat a publikačně efektivně využít statistická data. Kurz se věnuje celé řadě statistických technik a analytických postupů (pro jejich soupis viz níže). Nejedná se o úzce zaměřený statistický a/nebo ekonometrický kurz! Těžiště kurzu spočívá ve schopnosti dospívat na základě statistických dat a modelů k substantivním závěrům ohledně fungování sociálního světa, v umění tyto závěry efektivně prezentovat a popsat v odborném textu. Budeme se zabývat analýzou kvantitativních dat z (reprezentativních) vzorků dobře definovaných populací. V reálném empirickém výzkumu mohou být tyto populace v principu tvořeny čímkoli, počínaje jednotlivými lidmi (respondenty dotazníkového šetření), formálními organizacemi i celými společnostmi, přes povolání a sociální skupiny, až po úlomky slovanské keramiky. Ve všech těchto případech totiž musíme řešit podobné analytické úlohy. Kurz se nezabývá technikami sběru dat, pokud se přímo nedotýkají analytických otázek. (Ostatně znalost technik sběru dat byste měli mít ze základních kurzů metod v bakalářském studiu.) V kurzu je využíván program STATA. Pokud jej ještě neznáte, věnujte na počátku semestru zvýšenou pozornost studijní literatuře k tomuto programu, která je zmíněna níže. Program je Vám díky fondu rozvoje rektora k dispozici v počítačových laboratořích na FSS v nejnovější verzi (což je v současnosti verze 15). Kromě počítačové laboratoře (kterou můžete podle stanoveného rozvrhu využívat i pro samostatnou/domácí práci) je program rovněž dostupný na vybraných počítačích v oranžové studovně knihovny FSS MU (jde o sedm strojů u severní zdi této studovny).
Výstupy z učení
studenti umějí aplikovat vybrané statistické postupy na kvantitativní sociologická data v kontextu konkrétního výzkumného problému
umějí zhodnotit povahu výzkumné otázky, zhodnotit dostupné analytické metody a vybrat vhodnou metodu analýzy
umějí data připravit pro analýzu
umějí proceduru naprogramovat v programu STATA
umějí zpracovat výsledky pro prezentovatelné podoby obvyklé v odborných sociologických studiích
umějí výsledky adekvátně interpretovat a popsat
umějí výsledky vztáhnout k původní výzkumné otázce
studenti si osvojí základní dovednosti v psaní o kvantitativních datech
Osnova
  • Úvod: Statistika a sociologie; základy statistiky a statistického usuzování
  • Principy a účel analýzy dat, model elaborace
  • Zvláštní příklady tabulek
  • Míry asociace v tabulkách, index nepodobnosti
  • Test dobré shody
  • Rychlokurz ve STATě
  • Lineární korelace a regrese, metoda nejmenších čtverců
  • Mnohorozměrná regrese
  • Mnohorozměrná regrese-speciální analytické úlohy
  • Chybějící data – mnohonásobná imputace
  • Logistická regrese
Literatura
    povinná literatura
  • TREIMAN, Donald J. Quantitative data analysis : doing social research to test ideas. Edited by Deirdre D. Johnston - Thomas J. Grites. San Francisco: Jossey-Bass, 2008, xxxii, 443. ISBN 9780470380031. info
    doporučená literatura
  • FOX, John. Applied regression analysis and generalized linear models. Third edition. Los Angeles: Sage, 2016, xxiv, 791. ISBN 9781452205663. info
  • AGRESTI, Alan a Barbara FINLAY. Statistical methods for the social sciences. 3rd ed. Upper Saddle River, N.J.: Prentice Hall, 1997, xiv, 706. ISBN 0136225152. info
Výukové metody
Výuka je vedena formou přednášek, cvičení, individuálních a kolektivních projektů a další samostatné práce. V rámci přednášek budou studentům prezentována základní témata, která pak budou na cvičeních detailně procvičována formou praktické práce se softwarem, diskuse, prezentací a dalších metod. Kurz dále zahrnuje samostudium literatury, domácí přípravy a písemné práce.
Metody hodnocení
Kurz je hodnocen na základě průběžné práce ve smyslu čl 16, ods. 8 Studijního a zkušebního řádu MU. Praktické týdenní analytické úkoly (10x). Každý průběžný úkol je hodnocen 2 body; je třeba získat celkem alespoň 10 bodů z 20 možných. Souhrnná analytická práce je hodnocena 20 body. Závěrečnou práci odevzdávají pouze studující, kteří splnili výše uvedené podmínky při odevzdávání průběžných prací. Detaily pro závěrečnou práci budou diskutovány v kurzu.
Informace učitele
Jde o volitelný kurz navazujícího magisterského studia sociologie. Je určen pro studující, kteří mají metodologickou povinnost splněnou z předchozího studia. Kurz je doporučeným metodologickým kurzem pro zájemce o magisterskou profilaci „Populační studia“.
Další komentáře
Předmět je vyučován každoročně.
Pokud si student zapíše tento předmět, již si nemůže zapsat povinný SOCn4003.
Předmět je zařazen také v obdobích podzim 2019, podzim 2023.