Правительство Российской Федерации
Федеральное государственное автономное образовательное учреждение высшего профессионального образования
"Национальный исследовательский университет
"Высшая школа экономики"-
Санкт-Петербург
Факультет социологии
Программа дисциплины
«Современная прикладная статистика с использованием языка «R»
Для направления 040100.68 «Социология» для магистерской программы
«Современный социальный анализ»
Автор программы:
Serban Tanasa, PhD, доцент кафедры методов и технологий социологических исследований, *****@
Одобрено на заседании кафедры МиТСИ «__» ___________ 2012 года
Зав. кафедрой _____________________
Руководитель магистерской программы «__»________ 2012г
_________________
Согласовано УМО «__» ___________ 2012 г.
Начальник УМО ____________________
Утверждена НМС «__» ___________ 2012 г.
Председатель НМС ______________________
Санкт – Петербург
2012
1. Область применения и нормативные ссылки
Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности.
Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления 040100.68 "Социология" подготовки магистра по программе «Современный социальный анализ» изучающих дисциплину «Сравнительная социология».
Программа разработана в соответствии с:
· Образовательным стандартом государственного образовательного бюджетного учреждения высшего профессионального образования ВЫСШЕЙ ШКОЛЫ ЭКОНОМИКИ, в отношении которого установлена категория «НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ» http://spb. *****/umuspb/curriculum
· Образовательной программой направления 040100.68 "Социология" подготовки магистра по программе «Современные методы и технологии в изучении социальных проблем общества».
· Рабочим учебным планом университета по направлению подготовки магистра по программе «Современные методы и технологии в изучении социальных проблем общества» 040100.68 «Социологи.
2. Цели освоения дисциплины
Данная программа рассчитана на студентов магистратуры факультета социологии и предполагает наличие базовых знаний в области социологии. Организация занятий предполагает наличие сформировавшихся навыков самостоятельного обучения, аналитического мышления, и аргументирования своих ответов. Программа адаптирована в соответствии с требованиями организации учебного процесса в НИУ ВШЭ и базовым учебным планом факультета социологии НИУ ВШЭ – Санкт-Петербург.
Форма проведения занятий: лекции и семинары.
3. Компетенции обучающегося, формируемые в результате освоения дисциплины
В результате освоения дисциплины студент осваивает следующие компетенции.
Компетенции | Код по ФГОС/ НИУ | Формы и методы обу- чения, способствую- щие формированию и развитию компетенции |
Способность свободно пользоваться русским и иностранными языками как средством делового общения; владение навыками редактирования и перевода профессиональных текстов; | ОК-3 | Лекционные и семинарские занятия, самостоятельная работа с литературой. |
Умение работать самостоятельно и в коллективе, навыки руководства коллективом | ОК-5 | Самостоятельная работа с литературой; презентация и проведение дискуссии. |
Способность к самостоятельному обучению новым методам исследования, к изменению научного и научно-производственного профиля своей профессиональной деятельности; | ОК-8 | Подготовка к семинарским занятиям, изучение литературы. |
Способность и умение самостоятельно использовать знания и навыки по философии социальных наук, новейшим тенденциям и направлениям современной социологической теории, методологии и методам социальных наук применительно к задачам фундаментального или прикладного исследования социальных общностей, институтов и процессов, общественного мнения; | ПК-1 | Семинарские занятия; контрольная работа и зачет. |
Способность использовать углубленные специализированные теоретические знания, практические навыки и умения для организации научных и научно-прикладных исследований, учебного процесса, экспертной, аналитической и консалтинговой деятельности (в соответствии с профилем ООП магистратуры); | ПК-11 | Семинарские занятия; контрольная работа и зачет. |
4. Место дисциплины в структуре образовательной программы
Данная дисциплина относиться к вариативной части (выбор 2 из 4)
5. Thematic plan of the course// Тематический план изучения дисциплины
№ | Theme | Total hours in theme | Hours in classroom | Independent Work | |
Lecture | Seminar | ||||
1 | Introduction | 18 | 2 | 0 | 16 |
2 | Theories of Inference | 20 | 2 | 2 | 16 |
3 | Asymptotics, Bootstrap and Refinements | 20 | 2 | 2 | 16 |
4 | MCMC (Markov Chain Monte Carlo) | 20 | 2 | 2 | 16 |
5 | Single Equation Models (model dependence) & Multiple Equation Models (seemingly unrelated regression models, reciprocal causation, multiple equation reparametrization, multinomial choice models) | 24 | 4 | 2 | 18 |
6 | The Very Basics of Time Series | 22 | 2 | 2 | 18 |
7 | Choice Models (mixed, simulation) | 20 | 2 | 2 | 16 |
8 | Matching (Bootstrap matching, cluster randomized, genetic algorithms) | 18 | 2 | 0 | 16 |
9 | Replication Projects due | 18 | 2 | 0 | 16 |
Total | 180 | 20 | 12 | 148 |
6. Формы контроля знаний студентов
Тип контроля | Форма контроля | Формат работы |
Самостоятельная работа | Домашнее задание | Weekly Assignments and Reading Comments |
Текущий | Контрольная работа | 90 min |
Итоговый | Зачет | Final Project |
6.1. Порядок формирования оценок по дисциплине
Cumulative part of your grade is based on your regular participation in class discussions, homework preparation, and attendance.
G cumulative = 0,25 G attendance + 0,30 G reading + 0,45 G homework
Each home assignment contains several exercises, which require knowledge of certain formulas.
The take home final exam will alone account for 40% of the total grade for the course. The final exam will ask the students to perform many of the tasks and apply many of the methods that we will have learned about in class.
G final = 0,5 G cumulative + 0,5 G exam
7. Содержание дисциплины
Session 1. Introduction
Course description, organizational matters, topic selection by group vote.
Session 2. Theories of Inference (Bayes, Likelihood, Neyman-Pearson hypothesis testing).
Session 3. Asymptotics, Bootstrap and Refinements
Session 4. MCMC (Markov Chain Monte Carlo)
Session 5. Single Equation Models (model dependence) & Multiple Equation
Models (seemingly unrelated regression models, reciprocal causation, multiple equation reparametrization, multinomial choice models)
Session 6. The Very Basics of Time Series
Session 7. Choice Models (mixed, simulation)
Session 8. Matching (Bootstrap matching, cluster randomized, genetic algorithms)
Session 9. Replication projects due
8. Образовательные технологии
8.1. SUMMARY
Building on the theoretical background acquired in Introductory Statistics for Sociology, taught last fall, this course aims to give you the tools to build valid and useful models to help your research in the social the end of this course, students should have developed the capability to parse published research articles employing novel statistical methods, replicate the results using R and assess the validity of the original model, generate alternative models, and explain the results to people not versed in statistics.
Prerequisites
Introductory Statistics for Sociology, a course in linear regression, or the equivalent. Yes, its possible to take this course without that background, but it requires a lot of catchup of course.
Language
The course will be conducted entirely in English, and as such, a certain level of language proficiency is expected. However, I do not expect flawless English, and you should never let a fear of making mistakes stop you from asking a question or making a comment.
8.2.HOW WILL THIS COURSE BE CONDUCTED?
I expect this course to be a collaborative experience. I strongly encourage you to work jointly on the problem sets. That usually means: you may work together to figure out the answers, but go back home and write your problem set up by yourself. For the final paper, I will ask you to work in groups (usually of two people). There will be a class emailing list. Feel free to ask any question related to the class on this list (including about meeting to work on the homework problems), and if you think you can answer any such questions, please go ahead and reply.
9. Оценочные средства для текущего контроля и аттестации студента
9.1. Weekly Assignments and Reading Comments
There will be homework assignments every week, except for the first week. I expect that you will complete and submit them electronically to me by Monday before class (before 5:59pm) each week. I plan to go over the solutions to the previous week’s problem set each week, so I cannot accept late homeworks. Also, by 11:59pm Saturday each week, I will ask for reading comments for the reading material assigned for the next week. These can be questions you asked yourself while reading (and your subsequent answers), reflections, comments, etc. and must be no longer than a page. I will on occasion provide guidance questions for the reading materials, which you will have to answer, in addition to your own reading comments. These two, together with class participation, will account for 50% of your grade.
9.2. Final Project
During the first class meeting, I will ask you to form groups of two (or sometimes 3), and by the end of the 2nd week of class, I expect each group to select a recent academic paper they wish to replicate. The paper must have been published in the last few years, the data it is based on must be already available online (or you already have it), the data must be of manageable size (you will have to run the model on your computer, after all) and it should use at least some methods we will go over during class. You must run the paper you wish to replicate by me before you start work on it! The replication will be due in the last week of class. This will count as a final project, and will account for 50% of your grade.
10. Учебно-методическое и информационное обеспечение дисциплины
Most of the readings will be academic articles. I may occasionally refer to a chapter from one of the books below, which I will make electronically available for the duration of the course. You won’t have to buy any textbooks for this class, but the books below are a good reference to have.
1. Albert, Jim. 2007. Bayesian Computation with R. Springer. Crawley, Michael R, 2007. The R Book. Wiley.
2. Fox, John. 2002. An R and S-Plus Companion to Applied Regression. Sage Publications.
3. King, Gary 1998. Unifying Political Methodology: The Likelihood Theory of Statistical Inference, Michigan U. Press.
4. Ripley, Brian D. and Venables, William N. 2002. Modern Applied Statistics with S. Springer.
5. Spector, Phil. 2008. Data manipulation with R. Springer.
6. The other reading materials, mostly articles in pdf electronic format, will be made available after we decide which topics to pursue.
