Număr de credite: 7

Cod: AMR0164

Predare: curs 2h, lucrări practice: 1h

Limba de predare: Română

Tip: curs principal, semestrul 2, Masteratul Analiza Datelor Complexe

1. Recapitularea Noțiunilor Fundamentale

- conceptelor de bază în statistică multivariată, inclusiv date, măsurători și variabile.

- Descrierea distribuțiilor statistice și introducerea statisticilor univariate.

- Asocierea între două variabile și importanța acestui aspect în analiza datelor

2. Analiza de Varianță (ANOVA) și de Covarianță (ANCOVA)

- Detalii despre analiza de varianță și cum se aplică în contextul datelor multivariate.

- Discuție despre analiza de covarianță și modul în care ea se ocupă de variabilele continue și categorice.

- Exemple practice de utilizare a ANOVA și ANCOVA în cercetarea socială.

3. Analiza de Varianță Multivariată (MANOVA)

- Introducere în analiza de varianță multivariată și motivul utilizării ei în cercetarea socială.

- Demonstrarea modului de implementare a MANOVA și interpretarea rezultatelor.

- Studii de caz pentru a ilustra utilizarea MANOVA în analiza datelor sociale complexe.

4. Corelație și Regresia Liniară Simplă

- Prezentarea conceptelor de corelație și regresia liniară simplă și a utilizării lor în analiza datelor bivariate.

- Exemplificarea modului în care se calculează coeficienții de corelație și regresia liniară simplă.

- Aplicarea acestor concepte în cercetarea socială pentru a înțelege relațiile dintre variabile.

5. Regresia Liniară Multipă

- Extinderea conceptelor de regresie liniară la cazul cu mai multe variabile independente.

- Introducerea variabilelor dummy pentru a trata variabilele categorice în model.

- Asumpțiile, selecția și îmbunătățirea modelelor de regresie liniară multiplă pentru analiza datelor sociale complexe.

6. Regresia Logistică

- Prezentarea regresiei logistice și modul în care este utilizată pentru a analiza datele binare sau categoriale.

- Demonstrarea calculului coeficienților și interpretarea lor în contextul regresiei logistice.

- Exemple concrete de aplicare a regresiei logistice în cercetarea socială pentru analiza datelor de tip "da/nu" sau "adevărat/fals".

7. Construcția de Indecși Sintetici

- Explicarea conceptului de indice sintetic și importanța sa în sinteza și interpretarea datelor complexe.

- Demonstrarea tehnicii de construire a unor indici sintetici reprezentativi pentru fenomenele sociale.

- Exemplificarea utilizării indecșilor sintetici în cercetarea socială.

8. Analiza Factorială I

- Utilitatea și logica analizei factoriale în reducerea dimensiunii datelor și identificarea structurilor subiacente.

- Prezentarea pașilor pentru realizarea unei analize factoriale și interpretarea rezultatelor inițiale.

- Cazuri de aplicare a analizei factoriale pentru analiza datelor sociale.

9. Analiza Factorială II

- Detalii despre tehnici avansate de analiză factorială și aprofundarea interpretării rezultatelor.

- Exemplificarea utilizării analizei factoriale în identificarea factorilor latenti în datele sociale complexe.

- Abordarea problemelor specifice de modelare și interpretare în analiza factorialei sociale.

10. Analiza Cluster I

- Prezentarea metodelor ierarhice aglomerative pentru gruparea datelor.

- Demonstrarea cum se formează și se interpretează grupurile în analiza cluster.

- Exemplificarea utilizării analizei cluster pentru identificarea tipologiilor sociale.

11. Analiza Cluster II

- Prezentarea metodelor de grupare prin partiție iterativă, cum ar fi K-Means.

- Demonstrarea modului de aplicare și interpretare a rezultatelor în contextul datelor sociale.

- Studii de caz pentru ilustrarea utilizării analizei cluster pentru segmentarea datelor sociale.

12. Ecuații Structurale

- Introducerea conceptului de ecuații structurale și a utilității lor în modelarea relațiilor complexe în date.

- Demonstrarea modului de construcție a modelelor de ecuații structurale și interpretarea rezultatelor.

Exemple practice de aplicare a ecuațiilor structurale în cercetarea socială și raportarea rezultatelor.

Coroborarea conținuturilor disciplinei cu așteptările reprezentanților comunității epistemice, asociațiilor profesionale și angajatorilor reprezentativi din domeniul aferent programului

- Anticiparea tendințelor și luarea de decizii proactive: Acest curs ar putea ajuta compania să dezvolte resurse umane capabile să efectueze analize avansate pentru a anticipa tendințele viitoare și pentru a lua decizii strategice în consecință.

- Îmbunătățirea strategiilor de marketing și vânzări: Analiza predictivă ar putea ajuta compania să dezvolte strategii de marketing și vânzări mai eficiente, având în vedere nevoile și preferințele clienților.

• Culic, I. (2004) Metode avansate în cercetarea socială. Analiza multivariată de interdependenţă. Iaşi: Polirom.
• Agresti, A. şi B., Finlay (2009) (4nd ed.). Statistical Methods for the Social Sciences. London: Collier Macmillan Publishers
• Tabachnick, B.G, L. S., Fidell (2006) Using Multivariate Statistics, Pearson
• Aldenderfer, M. S., R. K., Blashfield, Roger K. (1984) Cluster Analysis. Newbury Park: Sage Publications.
• Dunteman, G. H., (1989) Principal Components Analysis. Newbury Park, Ca.: Sage Publications.
• Jaccard, J. şi R. Turrisi (2003) Interaction Effects in Multiple Regression. Second Edition. Sage.
• Jae-On, K., C. W., Mueller (1978a) Introduction to Factor Analysis. What It Is and How to Do It. Newbury Park: Sage Publications.
• Jae-On, K., C. W., Mueller (1978b) Factor Analysis. Statistical Methods and Practical Issues. Newbury Park: Sage Publications.

- 70% Examen scris final

- 30% Teme pentru acasă

- 10% prezente

Obiective generale:

- Scopul principal al cursului "Analiză Predictivă și a Co-dependențelor în R" este de a dezvolta înțelegerea și competențele studenților în ceea ce privește analiza cantitativă multivariată, precum și să le ofere o bază solidă pentru utilizarea analizei predictive și a co-dependențelor în mediu R.

Obiective specifice:

- Abilități în Pregătirea Datelor: Dezvoltarea abilităților de pregătire a datelor pentru analiza cantitativă. Studenții vor învăța să gestioneze și să pregătească datele pentru analize ulterioare, inclusiv curățarea, transformarea și structurarea datelor.

- Modelarea Multivariată a Diferitelor Tipuri de Date: Dezvoltarea capacității de a modela date multivariabile, inclusiv date numerice și categorice, și identificarea algoritmilor potriviți pentru fiecare tip de date. Studenții vor învăța să selecteze și să aplice metode analitice adecvate pentru problemele specifice pe care le întâlnesc.

- Analiza Co-dependențelor și Predictivă: Înțelegerea conceptelor și metodelor legate de analiza co-dependențelor și analiza predictivă. Studenții vor dobândi abilități practice în identificarea relațiilor dintre variabile și în realizarea analizelor predictive pentru a face previziuni sau pentru a identifica modele de comportament.

- Raportarea Rezultatelor Analizelor Complexe: Construirea capacității de a comunica rezultatele analizelor complexe într-un limbaj accesibil și coerent. Studenții vor învăța să prezinte și să interpreteze rezultatele analizelor lor într-un mod care să permită luarea deciziilor informate.