Daugiamačiai duomenų analizės metodai psichologijoje
Dalyko anotacija lietuvių kalba
Kursas skirtas išmokyti studentus šiuolaikinių daugiamačių statistinių metodų teorinių pagrindų ir praktinių jų taikymo įgūdžių. Po kurso baigimo studentai geba formuluoti statistines hipotezes, pasirinkti tinkamus daugiamačius statistinius metodus jų patikrinimui, atlikti duomenų peržiūrą, atlikti MANOVA, tiesinę, logistinę ir ranginę regresines analizes, klasterinę ir faktorinę analizes naudojant SPSS (Statistical Package for the Social Sciences) programinę įrangą, suprasti ir mokėti naudotis SPSS komandų kalba, atlikti struktūrinį lygčių modeliavimą naudojant AMOS programinę įrangą, įvertinti ir interpretuoti gautus rezultatus, formuluoti išvadas ir jas tinkamai pateikti.
Dalyko anotacija užsienio kalba
The goal is to provide students with theoretical and practical basis of multivariate statistical methods applied in psychological research. After completion of the course students will be able to formulate statistical hypotheses, choose the appropriate multivariate statistical analysis method, perform data screening, perform MANOVA, linear, logistic and ordinal regression, cluster and factor analysis using SPSS (Statistical Package for the Social Sciences), understand and use SPSS syntax files, perform structural equation modeling using AMOS, evaluate and interpret the results obtained, formulate and present the conclusions.
Būtinas pasirengimas dalyko studijoms
Psichologinių tyrimų duomenų analizės metodai
Dalyko studijų rezultatai
1. Formuluoti statistines hipotezes ir parinkti tinkamą daugiamatį statistinį metodą.
2. Naudotis SPSS programinio paketo komandų kalba.
3. Atlikti duomenų peržiūrą.
4. Atlikti MANOVA, tiesinę, logistinę ir ranginę regresines analizes, klasterinę ir faktorinę analizes naudojantis SPSS programiniu paketu, įvertinti ir interpretuoti gautus rezultatus, formuluoti išvadas ir jas tinkamai pateikti.
5. Atlikti struktūrinį lygčių modeliavimą naudojantis AMOS programiniu paketu, įvertinti ir interpretuoti gautus rezultatus, formuluoti išvadas ir jas tinkamai pateikti.
Dalyko turinys
Vienmačiai ir daugiamačiai statistiniai duomenų analizės metodai: skirtumai ir panašumai, privalumai ir trūkumai.
SPSS komandų kalba. Sintaksinio failo sukūrimas. Komandos, raktažodžiai, sisteminiai kintamieji. Kintamųjų sukūrimas, kintamųjų perkodavimas, paprasčiausios aritmetinės ir loginės operacijos. Statistisnio kriterijaus taikymas naudojant SPSS komandų kalbą.
Duomenų peržiūra. Duomenų reikšmių peržiūra. Trūkstamų reikšmių analizė. Vienmatės ir daugiamatės išskirtys. Statistinių prielaidų išlaikymo tikrinimas.
Daugiamatė dispersinė analizė MANOVA. Vidurkio vektorius, kovariacinė ir koreliacinė matricos. Box kriterijus. Bartelto sferiškumo kriterijus. Faktorių ir jų sąveikos daugiamatis efektas. Faktorių ir jų sąveikos vienmatis efektas. Post hoc kriterijai.
Tiesinė regresinė analizė. Modelio statistinio reikšmingumo kriterijus. Determinacijos koeficientas. Modelio koeficientai. Išskirtys. Liekamųjų paklaidų sklaidos diagrama. Kategoriniai kintamieji kaip pseudokintamieji.
Logistinė regresinė analizė. Galimybė. Galimybių santykis. Modelio suderinamumo kriterijus. Determinacijos koeficientai. Modelio koeficientai. Klasifikacinė lentelė.
Ranginė regresinė analizė. Logitas. Modelio suderinamumo kriterijus.
Pseudodeterminacijos koeficientai. Modelio koeficientai. Lygiagrečių linijų testas.
Klasterinė analizė. Hierarchiniai ir nehierarchiniai klasterizavimo metodai. k-vidurkių metodas. Hierarchinis metodas. 2 žingsnių klasterinė analizė.
Faktorinė analizė. KMO matas. PCA ir PAF faktorių ištraukimo metodai. Statmenas ir įstrižas faktorių pasukimas. Faktorių interpretavimas. Faktorių panaudojimas.
Struktūrinis lygčių modeliavimas. Paskirtis. Modelio aprašymas. Modelio identifikavimas. Modelio tinkamumas duomenims. Parametrų įvertinimas. Modelio interpretavimas. Modelio modifikavimas.
Dalyko studijos valandomis
Paskaitos 30 val.
Laboratoriniai darbai 30 val.
Savarankiškas darbas 100 val.
Iš viso 160 val.
Studijų rezultatų vertinimas
Kolokviumas – 15%, laboratoriniai darbai – 25% , individualus namų darbas – 20%, baigiamasis egzaminas – 40%.
Literatūra
1. 2004 Čekanavičius V., Murauskas G. Statistika ir jos taikymai (II). Vilnius: TEV
2. 2010 Čekanavičius V., Murauskas G. Statistika ir jos taikymai (III). Vilnius: TEV
3. 2006 Vaitkevičius R., Saudargienė A. Statistika su SPSS psichologiniuose tyrimuose. VDU
4. 2018 Tabachnick, B. G., & Fidell, L. S. (2012). Using multivariate statistics (6th ed.). Pearson
Papildoma literatūra
1. 2010 Venclovienė J. Statistiniai metodai medicinoje: bendrasis vadovėlis aukštosioms mokykloms. VDU
2. 2017 Hayes, A. Introduction to Mediation, Moderation, and Conditional Process Analysis A Regression-based Approach. Guilford
3. 2005 Meyers L.S., Gamst G.C., Guarino A.J., Applied Multivariate Research: Design and Interpretation. Sage Publications, Inc.