.
Sociālo pētījumu datu analīze
Studiju kursa apraksts
Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:5.00
Kursa apraksta apstiprināšanas datums:26.08.2024 13:10:59
| Par studiju kursu | |||||||||
| Kursa kods: | LUSDK_264 | LKI līmenis: | 7. līmenis | ||||||
| Kredītpunkti: | 2.00 | ECTS: | 3.00 | ||||||
| Zinātnes nozare: | Matemātika; Varbūtību teorija un matemātiskā statistika | Mērķauditorija: | Sociālā labklājība un sociālais darbs | ||||||
| Studiju kursa vadītājs | |||||||||
| Kursa vadītājs: | Ināra Kantāne | ||||||||
| Studiju kursa īstenotājs | |||||||||
| Struktūrvienība: | Statistikas mācību laboratorija | ||||||||
| Struktūrvienības vadītājs: | |||||||||
| Kontaktinformācija: | Baložu iela 14, A korpuss, Rīga, +37167060897, statistika rsu[pnkts]lv, www.rsu.lv/statlab | ||||||||
| Studiju kursa plānojums | |||||||||
| Pilns laiks - 1. semestris | |||||||||
| Lekcijas (skaits) | 0 | Lekciju ilgums (akadēmiskās stundas) | 0 | Kopā lekciju kontaktstundas | 0 | ||||
| Nodarbības (skaits) | 12 | Nodarbību ilgums (akadēmiskās stundas) | 2 | Kopā nodarbību kontaktstundas | 24 | ||||
| Kopā kontaktstundas | 24 | ||||||||
| Nepilns laiks - 1. semestris | |||||||||
| Lekcijas (skaits) | 0 | Lekciju ilgums (akadēmiskās stundas) | 0 | Kopā lekciju kontaktstundas | 0 | ||||
| Nodarbības (skaits) | 12 | Nodarbību ilgums (akadēmiskās stundas) | 2 | Kopā nodarbību kontaktstundas | 24 | ||||
| Kopā kontaktstundas | 24 | ||||||||
| Studiju kursa apraksts | |||||||||
| Priekšzināšanas: | Pamatzināšanas matemātikā un informātikā. | ||||||||
| Mērķis: | Sniegt zināšanas un prasmes statistiko metožu izmantošanā datu analīzē, kas nepieciešamas maģistra darba izstrādei un izpētes veikšanai savā specialitātē. | ||||||||
| Tēmu saraksts (pilna laika studijas) | |||||||||
| Nr. | Tēma | Īstenošanas forma | Skaits | Norises vieta | |||||
| 1 | Statistikas loma pētījuma procesā. Datu veidi, mērskalas, datu ievade, datu sagatavošana Excel. Iepazīšanās ar IBM SPSS Statistics datorprogrammu. | Nodarbības | 1.00 | datorklase | |||||
| 2 | Aprakstošās statistikas rādītāji, to aprēķins izmantojot Excel un IBM SPSS Statistics datorprogrammas. | Nodarbības | 1.00 | datorklase | |||||
| 3 | Normālsadalījums un tā raksturojošie aprakstošās statistikas rādītāji. | Nodarbības | 1.00 | datorklase | |||||
| 4 | Statistiskās hipotēzes, to veidi. Hipotēžu pārbaude. P vērtība. | Nodarbības | 1.00 | datorklase | |||||
| 5 | Parametriskās datu apstrādes metodes kvantitatīvajiem datiem. Neatkarīgo un atkarīgo izlašu salīdzināšana. | Nodarbības | 1.00 | datorklase | |||||
| 6 | Neparametriskās datu apstrādes metodes. | Nodarbības | 1.00 | datorklase | |||||
| 7 | Kvalitatīvo datu apstrādes metodes. | Nodarbības | 1.00 | datorklase | |||||
| 8 | Korelācijas analīze. Regresijas analīze (Lineārā regresija). | Nodarbības | 1.00 | datorklase | |||||
| 9 | Regresijas analīze (Binārā loģistiskā regresija). | Nodarbības | 1.00 | datorklase | |||||
| 10 | Zinātnisko publikāciju analīze. | Nodarbības | 1.00 | datorklase | |||||
| 11 | Patstāvīgais darbs ar datiem IBM SPSS Statistics. | Nodarbības | 1.00 | datorklase | |||||
| 12 | Patstāvīgā darba prezentācija. | Nodarbības | 1.00 | datorklase | |||||
| Tēmu saraksts (nepilna laika studijas) | |||||||||
| Nr. | Tēma | Īstenošanas forma | Skaits | Norises vieta | |||||
| 1 | Statistikas loma pētījuma procesā. Datu veidi, mērskalas, datu ievade, datu sagatavošana Excel. Iepazīšanās ar IBM SPSS Statistics datorprogrammu. | Nodarbības | 1.00 | datorklase | |||||
| 2 | Aprakstošās statistikas rādītāji, to aprēķins izmantojot Excel un IBM SPSS Statistics datorprogrammas. | Nodarbības | 1.00 | datorklase | |||||
| 3 | Normālsadalījums un tā raksturojošie aprakstošās statistikas rādītāji. | Nodarbības | 1.00 | datorklase | |||||
| 4 | Statistiskās hipotēzes, to veidi. Hipotēžu pārbaude. P vērtība. | Nodarbības | 1.00 | datorklase | |||||
| 5 | Parametriskās datu apstrādes metodes kvantitatīvajiem datiem. Neatkarīgo un atkarīgo izlašu salīdzināšana. | Nodarbības | 1.00 | datorklase | |||||
| 6 | Neparametriskās datu apstrādes metodes. | Nodarbības | 1.00 | datorklase | |||||
| 7 | Kvalitatīvo datu apstrādes metodes. | Nodarbības | 1.00 | datorklase | |||||
| 8 | Korelācijas analīze. Regresijas analīze (Lineārā regresija). | Nodarbības | 1.00 | datorklase | |||||
| 9 | Regresijas analīze (Binārā loģistiskā regresija). | Nodarbības | 1.00 | datorklase | |||||
| 10 | Zinātnisko publikāciju analīze. | Nodarbības | 1.00 | datorklase | |||||
| 11 | Patstāvīgais darbs ar datiem IBM SPSS Statistics. | Nodarbības | 1.00 | datorklase | |||||
| 12 | Patstāvīgā darba prezentācija. | Nodarbības | 1.00 | datorklase | |||||
| Vērtēšana | |||||||||
| Patstāvīgais darbs: | 1. Individuālais darbs ar literatūru – sagatavošanās katrai nodarbībai atbilstoši tematiskajam plānam. 2. Patstāvīga zinātniskās publikācijas analīze. 3. Patstāvīgais darbs – katram studentam tiks sagatavoti pētījuma datu faili (vai students var izmantot sava pētījuma datus) ar nodefinētiem pētījuma uzdevumiem. Studentam vajadzēs statistiski apstrādāt datus, lai sasniegtu nodefinētos uzdevumus, izmantojot atbilstošās aprakstošās statistikas metodes, slēdzienstatistikas un/vai analītiskās statistikas metodes, aprakstīt iegūtos rezultātus un prezentēt iegūtos rezultātus pēdējā nodarbībā. Lai izvērtētu studiju kursa kvalitāti kopumā, studentam jāaizpilda studiju kursa novērtēšanas anketa Studējošo portālā. | ||||||||
| Vērtēšanas kritēriji: | Līdzdalība praktiskajās nodarbībās. Par katru kavēto nodarbību – tēmas kopsavilkums izmantojot norādīto literatūru (min. 1 A4 lapa). Studiju kursa beigās ieskaite: 1. Patstāvīgā darba mutiska prezentācija – 50% 2. Eksāmens - daudzatbilžu tests ar teorētiskiem jautājumiem statistikā – 50%. | ||||||||
| Gala pārbaudījums (pilna laika studijas): | Eksāmens (Rakstisks) | ||||||||
| Gala pārbaudījums (nepilna laika studijas): | Eksāmens (Rakstisks) | ||||||||
| Studiju rezultāti | |||||||||
| Zināšanas: | Pēc studiju kursa prasību izpildes studējošie būs apguvuši zināšanas, kas ļaus: * pārzināt statistisko terminoloģiju un izmantotās statistiskās metodes zinātniskās publikācijās; * pārzināt IBM SPSS Statstcis piedāvātas iespējas datu apstrādē; * pārzināt kritērijus, datu apstrādes metožu izmatošanai; * pareizi interpretēt iegūtos pētījumu rezultātus. | ||||||||
| Prasmes: | Studiju kursa apguves rezultātā studējošie pratīs: * ievadīt un rediģēt datus datorprogrammās Excel un IBM SPSS Statistics; * korekti sagatavot datus statistiskai apstrādei; * izvēlēties piemērotas datu apstrādes metodes; * statistiski apstrādāt pētījuma datus, izmantojot datorprogrammu IBM SPSS Statistics; * izveidot tabulas un diagrammas Excel un IBM SPSS Statistics programmās ar iegūtajiem rezultātiem; * korekti aprakstīt iegūtos pētījuma rezultātus. | ||||||||
| Kompetences: | Studiju kursa apguves rezultātā studējošie būs spējīgi argumentēti pieņemt lēmumu par statistiskas datu apstrādes metožu izmantošanu pētījuma mērķa sasniegšanai, un, izmantojot datorprogrammas Excel un IBM SPSS Statistics, praktiski pielietot apgūtās statistiskās metodes veicot izpēti. | ||||||||
| Bibliogrāfija | |||||||||
| Nr. | Atsauce | ||||||||
| Obligātā literatūra | |||||||||
| 1 | Peat, J. & Barton, B. Medical Statistics: A Guide to SPSS, Data Analysis and Critical Appraisal. 2nd edition. John Wiley & Sons, 2014. | ||||||||
| 2 | Field, A. Discovering Statistics using IBM SPSS Statistics. 2018. | ||||||||
| Papildu literatūra | |||||||||
| 1 | Teibe, U. Bioloģiskā statistika. Rīga: LU Akadēmiskais apgāds. 2007, p 155. | ||||||||
