Preskoči na glavni sadržaj

Multivarijatne metode: prediktivni i klasifikacijski modeli

ISVU: 198884•5 ECTS•Zimski i ljetni semestar

Osnovne informacije

Organizacijska jedinica
Odsjek za psihologiju
Satnica
  • Predavanja: 30 sati
  • Seminar: 15 sati
  • Vježbe u praktikumu: 15 sati

Nastavnici

Cilj

Osposobiti studente za samostalni odabir, prosudbu adekvatnosti i tehničku provedbu odabranih metoda za multivarijatnu analizu podataka te kvantitativnu interpretaciju rezultata dobivenih njihovom primjenom.

Sadržaj

  1. Opći linearni model povezanosti; bivarijatni i multivarijatni slučaj (višestruki regresijski i kanonički problem); logički status varijabli; opća strategija kvantifikacije multivarijatne povezanosti, pretpostavke višestrukog regresijskog modela; pragmatička i znanstvena primjena višestruke regresijske analize.
  2. Elementi višestruke regresijske analize; efekti standardizacije prediktorskih i kriterijske varijable; evaluacija ishoda višestruke regresijske analize;
  3. Kvantitativna interpretacija regresijskih koeficijenata i multiple korelacije; problem kolinearnosti prediktora; supresori; parcijalne i semiparcijalne korelacije;
  4. Modaliteti primjene višestruke regresijske analize; hijerarhijska regresijska analiza; testiranje interakcijskih efekata;
  5. Inferencijalno-statistički aspekti i problemi u primjeni višestruke regresijske analize: testiranje hipoteza o regresijskim koeficijentima i multiploj korelaciji; problem pristranosti (precjenjivanje R); stabilnost regresijskih jednadžbi; efekti odstupanja od statističkih preduvjeta;
  6. Diskriminacijski problem: određenje, empirijski primjeri, područja primjene, opća forma podataka;
  7. Logički status varijabli u DA, temeljna ideja o kondenzaciji informacija, geometrijska prezentacija;
  8. Opći matematički aspekti DA; Linearni i kanonički slučaj, multipla DA;
  9. Pretpostavke korektne provedbe DA i efekti odstupanja;
  10. Statistički aspekti: parametri DA i značajnost diskriminacijskih funkcija; interpretacija diskriminacijskih funkcija;
  11. Analitički pristupi korištenju masivnih podataka ("Big data" analitika);
  12. Pojam i tipična obilježja masivnih podataka; racionala i glavni tipovi/svrhe primjene analitičkih postupaka namijenjenih tretmanu masivnih baza podataka
  13. Specifičnosti metodologije (sličnosti/razlike, prednosti/ograničenja) u odnosu na standardne, multivarijatne statističko-analitičke postupke
  14. Metodološki zahtjevi (uključujući statističke preduvjete) za upotrebu analiza masovnih podataka.
  15. Demonstracije primjera analiza na realnim podacima; interpretacije rezultata, znanstvene i praktične primjene analiza masovnih podataka.

Ishodi učenja

  1. Samostalno odabrati i primijeniti metode za multivarijatnu analizu podataka obuhvaćene programom kolegija.
  2. Prosuditi adekvatnost primjene odabranih metoda u kontekstu zadovoljenja statističkih preduvjeta i obrazložiti odluke o načinu provedbe analiza.
  3. Obrazložiti prednosti i manjkavosti odabira pojedinih modaliteta multivarijatne analize podataka u vezi s konkretnim istraživačkim problemima.
  4. Osmisliti i formulirati kvantitativnu interpretaciju rezultata dobivenih primjenom odabranih metoda.
  5. Kritički prosuditi adekvatnost primjene multivarijatnih metoda za analizu podataka obuhvaćenih kolegijem u objavljenim znanstvenim radovima.

Metode podučavanja

Predavanja - dominantno izvedena u interaktivnoj, a manjim dijelom u klasičnoj formi; Auditorne i kompjutorske vježbe uz praktične demonstracije empirijskih primjera; Obaveze studenata uključuju aktivno sudjelovanje na nastavi (praktične provedbe analitičkih postupaka), redovito izvršavanje domaćih zadaća – priređivanje pisanih izvještaja o nalazima provedenih statističkih postupaka.

Metode ocjenjivanja

Provjera znanja provodi se tijekom semestra - kroz praktičan rad - provedbe analiza podataka u okviru vježbi (20%) i ekstenzivne pismene izvještaje o rezultatima analiza nakon svake tematske cjeline (60%), te opcionalno, ispitom nakon odslušanog programa kolegija (20%).

Obavezna literatura

  1. Pedhazur, E. J. (1997). Multiple regression in behavioral research: Explanation and prediction.
  2. Klecka, W. R. (1980). Discriminant Analysis. Beverly Hills: Sage publications.
  3. Pyne, S., Prakasa Rao, B. L. S. i Rao, S. B. (Ur.) (2016). Big data Analytics: Methods and Applications. New Delhi: Springer India.

Dopunska literatura

  1. Grimm, L.G., Yarnold, P.R. (Eds.) (1995). Reading and Understanding Multivariate Statistics. American Psyhological Association., Washington.
  2. Jaccard, J. et.al. (2002). Interaction effects in multiple regression. London: Sage.
Multivarijatne metode: prediktivni i klasifikacijski modeli