«Програмний комплекс SPSS в соціології та маркетингу»

Цель: приобретение практических навыков работы с пакетом SPSS, необходимых для самостоятельного анализа и интерпретации данных социологических и маркетинговых исследований. 


Преподаватель: ВИНОГРАДОВ АЛЕКСАНДР ГЕННАДИЕВИЧ, кандидат психологических наук, доцент кафедры социологии НаУКМА 
Дата проведения: по мере формирования групп 
Место проведения: г.Киев, ул.Шелковичная, 12, компьютерный класс 
Время проведения: 10.00 – 15.00 

Программа

Тема 1. Измерение. Анализ одной переменной (2 часа лекция)

• измерение, переменные (признаки), типы шкал; дискретные и непрерывные переменные; дихотомические переменные
• случайная величина; вероятность (частотное определение), распределение (дискретный и непрерывный случай), основные распределения (нормальное, Стьюдента, Хи-квадрат, Фишера)
• меры центральной тенденции (мода, медиана, среднее), меры вариации (дисперсия, стандартное отклонение, процентили, индекс качественной вариации), "выбросы" (outliers); одномерная таблица частот и процентов: структура, процент к ответам (valid percent), кумулятивный процент, правила оформления таблицы
• генеральная совокупность, выборка (простая случайная выборка), ошибка выборки, параметр и выборочная статистика, выборочное распределение, стандартная ошибка (для среднего, для процента)

• Точечные оценки, интервальные оценки (доверительные интервалы) - построение и интерпретация;
• Статистические гипотезы, значимость различий (двух средних – независимые и зависимые выборки, двух процентов); статистическая значимость и практическая важность
• Однофакторный дисперсионный анализ и множественные сравнения (гипотеза о равенстве нескольких средних)

• Строение пакета SPSS, типы окон, структура меню, установка и настройка пакета. Автоматизация анализа данных в пакете: синтаксис, скрипт и внешние языки программирования.
• Структура файла данных: наблюдение (case), переменная (variable), матрицы данных «объект х признак», «объект х объект»
• Типы переменных, имя переменной (variable name), метка переменной (variable label), метка значения (value label), отсутствующее значение (missing value). Редактирование свойств переменных.
• Определение структуры данных при помощи синтаксиса, импорт и экспорт данных.
• Работа с окном вывода результатов, подготовка отчета и презентации.

• Создание новых переменных. Категоризация непрерывных переменных, перекодировка, условные преобразования. Кодирование открытых вопросов.
• Отбор наблюдений по условию (построение фильтров) и расслоение массива
• Взвешивание выборки
• Объединение файлов данных, изменение структуры данных.
• Проверка статистических гипотез: равенство двух средних, равенство двух процентов (процедура GLM, z-критерий)
• Однофакторный дисперсионный анализ и попарные сравнения нескольких групп (процедура GLM). Корреляционное отношение

• Двумерная таблица частот и процентов (таблица сопряженности): структура таблицы, ожидаемые значения частот, остатки и критерий хи-квадрат.
• Понятие связи, различные модели связи, коэффициенты связи для двух дискретных переменных, их достоинства и недостатки; значимость коэффициентов связи.
• Коэффициент линейной корреляции Пирсона, непараметрические коэффициенты корреляции Спирмена и Кендалла. Корреляция и причинность, значимость коэффициента корреляции;

4 часа – практическое занятие

• процедуры CROSSTAB, CUSTOM TABLES и CORRELATE в SPSS
• использование контрольных переменных в процедуре CROSSTAB
• значимость различий двух процентов, анализ остатков в таблице сопряженности

Тема 7. Парная и множественная линейная регрессия 2 часа – лекция

• Множественная регрессия, множественная корреляция, частная корреляция, отбор независимых переменных, анализ остатков, оценки соответствия для регрессионной модели
• Использование фиктивных (dummy) переменных в регрессионном анализе

• Задачи ФА, требования к данным, разведывательный и подтверждающий ФА
• Основное предположение факторного анализа (ФА), модель факторного анализа
• Методы извлечения факторов (главные компоненты и главные факторы), определение количества факторов
• Структура матрицы факторных нагрузок, методы ортогонального вращения, интерпретация факторной структуры, вычисление факторных значений
• Собственные значения факторов, общности переменных, оценки соответствия факторной модели
• Задача автоматической классификации объектов, модель кластерного анализа (КА), характеристики кластеров
• Расстояние, вычисление расстояния для различных типов шкал, классификация объектов и классификация переменных
• Иерархический КА, методы объединения кластеров, определение количества кластеров, анализ и интерпретация кластерной структуры, оценка надежности кластерной структуры
• Метод “быстрого кластера”, параметры и особенности метода, способы задания начальных центров кластеров

• Вычисление коэффициентов частной корреляции
• Процедура LINEAR REGRESSION, пошаговые методы автоматического отбора независимых переменных, процедура GLM

• Примеры использования факторного анализа в социологических исследованиях - процедура Factor
• Примеры использования методов автоматической классификации в социологических исследованиях – процедуры CLUSTER и K-means CLUSTER