kurz Statistika ve společenských vědách

Analýza vícerozměrných dat je součástí téměř každého kvantitativního výzkumu ve společenských vědách. Zatímco základním statistické metody nám umožňují analyzovat data týkající se jedné až dvou proměnných (koncept jedné nezávisle proměnné ovlivňující jednu závisle proměnnou), z pohledu společenských věd bývá daleko zajímavější vztah mezi více proměnnými současně. Pokud je třeba uvažovat opravdu mnoho proměnných zároveň, objem dat stejně jako komplexnost vazeb mezi proměnnými rychle roste. Dvoudenní kurz Statistika ve společenských vědách si klade za cíl seznámit účastníky s řadou metod, které umožňují tyto vazby prozkoumat s využitím příslušných modulů analytického softwaru STATISTICA. Všechny metody budou ilustrovány na datech z různých společenskovědních oborů, tak aby účastníci kurzu získali dobrou představu o jejich využití.

Program kurzu

První část kurzu bude věnována metodám, které umožňují zhustit velké množství dat do podoby, která je na prvním pohled lépe srozumitelná (nejlépe ve 2D prostoru). Velmi podobné (často synonymní) jsou metody, které hledají skupiny podobných (nebo naopak nepodobných) případů či proměnných v našich datech. Mezi tyto metody, kterým se budeme především věnovat patří:

Shluková analýza (Cluster Analysis)
Vícerozměrné škálování (Multidimensional Scaling)
Korespondenční analýza (Correspondence Analysis)
Analýza hlavních komponent (Principal Component Analysis)

Druhá část kurzu se zaměří na metody, které nám umožní dozvědět se něco o procesu, jehož výsledkem jsou data, která máme k dispozici a předpovídat výsledky pro jinou konstelaci vstupů. V kurzu se zaměříme zejména na následující metody:

Vícerozměrná regrese (Multiple regression)
Faktorová analýza
Vícerozměrné klasifikační metody (diskriminační analýza, klasifikační stromy)

Ve zbývajícím čase se zaměříme na další metody, které jsou součástí statistické analýzy ve společenských vědách. Především:

Položková analýza reliability dotazníků (Cronbachovo alfa)

Kurz bude klást důraz na kritické posouzení vstupních dat, získaných výsledků a jejich interpretaci. S rozvojem počítačů mají uživatelé čím dál více tendenci používat složité metody, kterým nerozumí, a které navíc nemusí být pro jejich úlohu nejlepší. I pokud je metoda vhodná, příliš složitý model nemusí vystihovat obecné závislosti v datech, ale jen „šum“.