.
Statistikas pamati
Studiju kursa apraksts
Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:7.00
Kursa apraksta apstiprināšanas datums:09.08.2023 11:30:11
| Par studiju kursu | |||||||||
| Kursa kods: | SL_019 | LKI līmenis: | 6. 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, +371 67060897, 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) | 16 | Nodarbību ilgums (akadēmiskās stundas) | 2 | Kopā nodarbību kontaktstundas | 32 | ||||
| Kopā kontaktstundas | 32 | ||||||||
| Nepilns laiks - 1. semestris | |||||||||
| Lekcijas (skaits) | 0 | Lekciju ilgums (akadēmiskās stundas) | 0 | Kopā lekciju kontaktstundas | 0 | ||||
| Nodarbības (skaits) | 10 | Nodarbību ilgums (akadēmiskās stundas) | 2 | Kopā nodarbību kontaktstundas | 20 | ||||
| Kopā kontaktstundas | 20 | ||||||||
| Studiju kursa apraksts | |||||||||
| Priekšzināšanas: | Vidējās izglītības līmenim atbilstošas zināšanas matemātikā un informātikā. | ||||||||
| Mērķis: | Nodrošināt studentiem iespēju iegūt pamatzināšanas un prasmes statistiskajās datu apstrādes metodēs (aprakstošā statistika un slēdzienstatistikas metodes atšķirību novērtēšanai), kas nepieciešamas noslēguma darba izstrādei un statistisko rādītāju pielietošanai savā specialitātē. | ||||||||
| Tēmu saraksts (pilna laika studijas) | |||||||||
| Nr. | Tēma | Īstenošanas forma | Skaits | Norises vieta | |||||
| 1 | Ievads statistikā, statistikas loma pētījuma procesā. | Nodarbības | 1.00 | datorklase | |||||
| 2 | Datu veidi, mērskalas, datu ievade, datu sagatavošana MS Excel. | Nodarbības | 1.00 | datorklase | |||||
| 3 | Iepazīšanās ar IBM SPSS. Pamatdarbības ar datiem IBM SPSS programmā. | Nodarbības | 1.00 | datorklase | |||||
| 4 | Aprakstošās statistikas rādītāju aprēķināšana Excel un IBM SPSS Statistics, to interpretācija. | Nodarbības | 1.00 | datorklase | |||||
| 5 | Normālsadalījums un tā raksturojošie aprakstošās statistikas rādītāji. | Nodarbības | 1.00 | datorklase | |||||
| 6 | Statistiskās hipotēzes, to veidi. Hipotēžu pārbaude. P vērtība. | Nodarbības | 1.00 | datorklase | |||||
| 7 | Parametriskas datu apstrādes metodes kvantitatīvajiem datiem. Vienas izlases t tests. Neatkarīgo izlašu salīdzināšana. Stjūdenta t tests. Dispersijas analīze (ANOVA). | Nodarbības | 1.00 | datorklase | |||||
| 8 | Atkarīgo izlašu salīdzināšana. Pāru t tests. Dispersijas analīze atkarīgām izlasēm. | Nodarbības | 1.00 | datorklase | |||||
| 9 | Neparametriskas datu apstrādes metodes kvantitatīvajiem datiem. Neatkarīgo izlašu salīdzināšana. Manna-Vitnija tests. Kruskola-Volisa tests | Nodarbības | 1.00 | datorklase | |||||
| 10 | Atkarīgo izlašu salīdzināšana. Vilkoksona tests, Maknemāra tests. | Nodarbības | 1.00 | datorklase | |||||
| 11 | Kvalitatīvo datu apstrāde. Atkarīgas un neatkarīgas izlases. Pīrsona hī kvadrāta un Fišera ekzaktais tests. | Nodarbības | 1.00 | datorklase | |||||
| 12 | Uzticamības analīze. Skalas saskaņotības koeficients (Kronbaha Alfa) | Nodarbības | 1.00 | datorklase | |||||
| 13 | Zinātnisko publikāciju analīze. | Nodarbības | 1.00 | datorklase | |||||
| 14 | Patstāvīgais darbs ar datiem IBM SPSS. | Nodarbības | 1.00 | datorklase | |||||
| 15 | Patstāvīgais darbs ar datiem IBM SPSS. | Nodarbības | 1.00 | datorklase | |||||
| 16 | Patstāvīgā darba prezentācija. | Nodarbības | 1.00 | datorklase | |||||
| Tēmu saraksts (nepilna laika studijas) | |||||||||
| Nr. | Tēma | Īstenošanas forma | Skaits | Norises vieta | |||||
| 1 | Ievads statistikā, statistikas loma pētījuma procesā. | Nodarbības | 0.50 | datorklase | |||||
| 2 | Datu veidi, mērskalas, datu ievade, datu sagatavošana MS Excel. | Nodarbības | 0.50 | datorklase | |||||
| 3 | Iepazīšanās ar IBM SPSS. Pamatdarbības ar datiem IBM SPSS programmā. | Nodarbības | 1.00 | datorklase | |||||
| 4 | Aprakstošās statistikas rādītāju aprēķināšana Excel un IBM SPSS Statistics, to interpretācija. | Nodarbības | 1.00 | datorklase | |||||
| 5 | Normālsadalījums un tā raksturojošie aprakstošās statistikas rādītāji. | Nodarbības | 0.50 | datorklase | |||||
| 6 | Statistiskās hipotēzes, to veidi. Hipotēžu pārbaude. P vērtība. | Nodarbības | 0.50 | datorklase | |||||
| 7 | Parametriskas datu apstrādes metodes kvantitatīvajiem datiem. Vienas izlases t tests. Neatkarīgo izlašu salīdzināšana. Stjūdenta t tests. Dispersijas analīze (ANOVA). | Nodarbības | 0.50 | datorklase | |||||
| 8 | Atkarīgo izlašu salīdzināšana. Pāru t tests. Dispersijas analīze atkarīgām izlasēm. | Nodarbības | 0.50 | datorklase | |||||
| 9 | Neparametriskas datu apstrādes metodes kvantitatīvajiem datiem. Neatkarīgo izlašu salīdzināšana. Manna-Vitnija tests. Kruskola-Volisa tests | Nodarbības | 0.50 | datorklase | |||||
| 10 | Atkarīgo izlašu salīdzināšana. Vilkoksona tests, Maknemāra tests. | Nodarbības | 0.50 | datorklase | |||||
| 11 | Kvalitatīvo datu apstrāde. Atkarīgas un neatkarīgas izlases. Pīrsona hī kvadrāta un Fišera ekzaktais tests. | Nodarbības | 1.00 | datorklase | |||||
| 12 | Uzticamības analīze. Skalas saskaņotības koeficients (Kronbaha Alfa) | Nodarbības | 0.50 | datorklase | |||||
| 13 | Zinātnisko publikāciju analīze. | Nodarbības | 0.50 | datorklase | |||||
| 14 | Patstāvīgais darbs ar datiem IBM SPSS. | Nodarbības | 0.50 | datorklase | |||||
| 15 | Patstāvīgais darbs ar datiem IBM SPSS. | Nodarbības | 0.50 | datorklase | |||||
| 16 | Patstāvīgā darba prezentācija. | Nodarbības | 1.00 | datorklase | |||||
| Vērtēšana | |||||||||
| Patstāvīgais darbs: | 1. Individuālais darbs ar literatūru – sagatavošanās katrai nodarbībai atbilstoši tematiskajam plānam; 2. Pastāvīga zinātniskās publikācijas analīze. 3. Noslēguma 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, aprakstīt iegūtos rezultātus noslēguma darbā, noformēt darbu, atbilstoši prasībām 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. Apgūto statistisko terminu un metožu praktiskā pielietojuma pārbaude. Studiju kursa beigās: 1. Noslēguma darba mutiska prezentācija – 50%. 2. Eksāmens – daudzatbilžu tests ar teorētiskiem jautājumiem statistikā – 50%. Par katru kavēto nodarbību – tēmas kopsavilkums izmantojot norādīto literatūru (min. viena A4 lapa). | ||||||||
| 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: • atpazīt statistisko terminoloģiju un izmantotās pamatmetodes dažāda veida publikācijās; • pārzināt MS Excel un IBM SPSS piedāvātas iespējas datu apstrādē; • pārzināt kritērijus, datu apstrādes metožu izmatošanai; • pareizi interpretēt svarīgākos statistiskos rādītājus. | ||||||||
| Prasmes: | Studiju kursa apguves rezultātā studenti pratīs: • Ievadīt un rediģēt datus datorprogrammās MS Excel un IBM SPSS; • Korekti sagatavot datus statistiskai apstrādei; • Izvēlēties piemērotas datu apstrādes metodes, t.sk., spēs veikt statistisko hipotēžu pārbaudes; • Statistiski apstrādāt pētījuma datus, izmantojot datorprogrammas MS Excel un IBM SPSS; • Izveidot tabulas un diagrammas MS Excel un IBM SPSS programmās ar iegūtajiem rezultātiem; • Korekti aprakstīt iegūtos pētījuma rezultātus. | ||||||||
| Kompetences: | Studiju kursa apguves rezultātā studenti būs spējīgi argumentēti pieņemt lēmumu par statistiskas datu apstrādes metožu izmantošanu pētījuma mērķa sasniegšanai un, izmantojot datorprogrammas MS Excel un IBM SPSS, praktiski pielietot apgūtās statistiskās pamatmetodes pētījumu datu apstrādē. | ||||||||
| Bibliogrāfija | |||||||||
| Nr. | Atsauce | ||||||||
| Obligātā literatūra | |||||||||
| 1 | Petrie A. & Sabin C. Medical Statistics at a Glance. 3rd edition, 2009. | ||||||||
| 2 | Field A. Discovering Statistics using IBM SPSS Statistics. 4th edition, 2013. | ||||||||
| 3 | Teibe U. Bioloģiskā statistika. Rīga: LU 2007, – 156 lpp. | ||||||||
| Citi informācijas avoti | |||||||||
| 1 | How to choose a statistical test. | ||||||||
