Pārlekt uz galveno saturu

Kvantitatīvu datu apstrāde

Studiju kursa apraksts

Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:2.00
Kursa apraksta apstiprināšanas datums:08.07.2024 10:00:01
Par studiju kursu
Kursa kods:LSPA_317LKI līmenis:7. līmenis
Kredītpunkti:2.00ECTS:3.00
Zinātnes nozare:Sporta zinātneMērķauditorija:Rehabilitācija; Sporta treneris
Studiju kursa vadītājs
Kursa vadītājs:Evita Dubiņina
Studiju kursa īstenotājs
Struktūrvienība:Latvijas Sporta pedagoģijas akadēmija
Struktūrvienības vadītājs:
Kontaktinformācija:LSPA, Brīvības gatve 333, Rīga, LV-1006
Studiju kursa plānojums
Pilns laiks - 1. semestris
Lekcijas (skaits)0Lekciju ilgums (akadēmiskās stundas)0Kopā lekciju kontaktstundas0
Nodarbības (skaits)12Nodarbību ilgums (akadēmiskās stundas)2Kopā nodarbību kontaktstundas24
Kopā kontaktstundas24
Studiju kursa apraksts
Priekšzināšanas:
Pamatzināšanas par matemātiskas statistikas metodēm 6 ECTS apjomā.
Mērķis:
Sniegt studentiem iespēju apgūt padziļinātas zināšanas matemātiskas statistiskas datu apstrādes metodēs (aprakstošā, analītiskā, salīdzinoša, sakarību, atšķirību novērtēšanas un slēdzienstatistika utt.)., kā arī rezultātu analīzē un interpretācijā, pilnveidot prasmes saprotami prezentēt pētījumu rezultātus.
Tēmu saraksts (pilna laika studijas)
Nr.TēmaĪstenošanas formaSkaitsNorises vieta
1Ievads studiju kursā, iepriekš iegūto zināšanu līmeņa noteikšana. Ievads IBM SPSS vai R programmā, datu bāzes izveide un noformēšana, datu filtri, datu transformācijas, tīrīšana. Aritmētiskās darbības un funkcijas.Nodarbības2.00auditorija
2Aprakstošā statistika, datu veidi, mērījumu skalas. Biežumu sadalījumi. Centrālās tendences un variācijas rādītāji. Sadalījuma formas rādītāji. Tabulu un diagrammu veidošana, to atbilstoša noformēšana.Nodarbības2.00auditorija
3Varbūtības jēdziens, teorētiskie sadalījumi. Ticamības intervāls. Statistiskās hipotēzes, to veidi. Parametriskās datu salīdzināšanas metodes (t-tests, dispersiju analīze).Nodarbības2.00auditorija
4Neparametriskās datu salīdzināšanas metodes (Manna-Vitnija, Vilkoksona, Kruskola-Volisa, Frīdmana tests).Nodarbības2.00auditorija
5Korelāciju un regresijas analīze.Nodarbības1.00auditorija
6Datu vizualizācija MS Excel. Mākslīgā intelekta iespējas kvantitatīvu datu apstrādē.Nodarbības2.00auditorija
7Tests par matemātiskas statistikas datu apstrādes terminoloģiju un zinātniskā raksta analīzes prezentācijaNodarbības1.00auditorija
Vērtēšana
Patstāvīgais darbs:
Patstāvīga darba uzdevumi: dot iespēju praktiski pielietot iegūt zināšanas par datu analīzi; nostiprināt zināšanas par matemātiskas statistikas metožu datu apstrādes terminoloģiju; veicināt kritiskas domāšanas un atpazīšanas spējas attiecībā uz izmantotājiem metodēm dažāda veida publikācijās Studentiem - patstāvīgi jālasa literatūra par nodarbību tematiem; - jāizveido un jāizstāv prezentācija par zinātniska raksta analīzi (matemātiskās statistikas metožu lietošana un analīze); - jāsagatavojas teorētiskam testam par matemātiskas statistikas metožu datu apstrādes terminoloģiju; - jāizpilda praktiskais uzdevums par datu analīzi (matemātiskas statistikas lietošana un rezultātu interpretācija), jānoformē darbu atbilstoši prasībām.
Vērtēšanas kritēriji:
Gala vērtējumu veido punktu kopums, ko iegūst par izpildītiem uzdevumiem. Prezentācijas sagatavošana par zinātniska raksta analīzi (matemātiskās statistikas metožu lietošana un analīze) - maksimāli 5 punkti. Teorētiskais tests (par matemātiskas statistikas metožu datu apstrādes terminoloģija) - slēgta tipa jautājumi ar atbilžu variantiem. Tests tiek ieskaitīts, ja ir iegūti minimāli 4 punkti. Praktiskais uzdevums: Studentiem līdz konkrētam datumam jāsagatavo un jāielādē KVS sistēmā praktiskais uzdevums - datu analīze ar noteiktām matemātiskas statistikas metodēm. Maksimālais vērtējums - 15 punkti. Studentiem ir iespēja iegūt papildus punktus par aktīvu dalību nodarbībās (diskusijas, oponēšana utt.)
Gala pārbaudījums (pilna laika studijas):Eksāmens
Gala pārbaudījums (nepilna laika studijas):
Studiju rezultāti
Zināšanas:Studējošais spēs atpazīt statistisko terminoloģiju un izmantotās metodes dažāda veida publikācijās; pārzinās MS Excel un IBM SPSS/R piedāvātas iespējas datu apstrādē; pārzinās kritērijus datu apstrādes metožu izmantošanai; pareizi interpretēt iegūtos pētījuma rezultātus.
Prasmes:Studējošais varēs korekti sagatavot datus statistiskai apstrādei; izvēlēties piemērotas statistiskās datu apstrādes metodes; apstrādāt pētījuma datus, pielietojot statistiskās datu apstrādes metodes, Microsoft Excel un IBM SPSS/R datorprogrammās; izveidot tabulas un atbilstošas diagrammas Microsoft Excel un IBM SPSS/R datorprogrammās iegūtajiem rezultātiem; korekti aprakstīt iegūtos pētījuma rezultātus.
Kompetences:Studējošais būs spējīgs argumentēti pieņemt lēmumu par statistiskas datu apstrādes metožu izmantošanu pētījuma mērķa sasniegšanai un, izmantojot datorprogrammas Microsoft Excel un IBM SPSS, praktiski pielietot apgūtās statistiskās pamatmetodes pētījumu datu apstrādē.
Bibliogrāfija
Nr.Atsauce
Obligātā literatūra
11. Petrie, A., & Sabin, C. (2020). Medical statistics at a glance (4th ed., At a glance series). Newark: Wiley.
22. Verde, G. (2021). Rehabilitation Methodology and Strategies. Cham: Springer International Publishing AG.
33. Campbell, M., Walters, S., & Machin, D. (2007). Medical statistics : A textbook for the health sciences / Michael J. Campbell, David Machin, Stephen J. Walters. (4th ed.). Chichester, England] ; [Hoboken, NJ]: Wiley.
44. Field, A. (2018). Discovering statistics using IBM SPSS statistics / Andy Field. (5th ed.).
Papildu literatūra
11. Baltiņš, Jēgere, Jozauska, Jēgere, Ināra, Jozauska, Regīna, & Zinātne. (2003). Lietišķā epidemioloģija / Māris Baltiņš ; māksliniece Ināra Jēgere ; redaktore Regīna Jozauska. Rīga: Zinātne.
22. Mārtinsone, Pipere, Kamerāde-Hanta, Draguns, Dimdiņš, Tramdaka, Lazdiņa, Baiba. (2016). Pētniecība: Teorija un prakse / Kristīnes Mārtinsones, Anitas Piperes, Daigas Kamerādes zinātniskajā redakcijā ; [recenzenti: Juris G. Draguns, Ģirts Dimdiņš ; redaktore Gunta Tramdaka ; dizains: Baiba Lazdiņa]. Rīga: RaKa.
Citi informācijas avoti
11. Khan Academy