Osposobiti studente za samostalni odabir, prosudbu adekvatnosti i tehničku provedbu odabranih metoda za multivarijatnu analizu podataka te kvantitativnu interpretaciju rezultata dobivenih njihovom primjenom.

1. Opći linearni model povezanosti; bivarijatni i multivarijatni (višestruki regresijski i kanonički problem); logički status varijabli; opća strategija kvantifikacije multivarijatne povezanosti, pretpostavke višestrukog regresijskog modela); pragmatička i znanstvena primjena višestruke regresijske analize;
2. Elementi višestruke regresijske analize; efekti standardizacije prediktorskih i kriterijske varijable; evaluacija ishoda višestruke regresijske analize;
3. Kvantitativna interpretacija regresijskih koeficijenata i multiple korelacije; problem kolinearnosti prediktora; supresori; parcijalne i semiparcijalne korelacije;
4. Modaliteti primjene višestruke regresijske analize; hijerarhijska regresijska analiza; testiranje interakcijskih efekata;
5. Inferencijalno-statistički aspekti i problemi u primjeni višestruke regresijske analize: testiranje hipoteza o regresijskim koeficijentima i multiploj korelaciji; problem pristranosti (precjenjivanje R); stabilnost regresijskih jednadžbi; efekti odstupanja od statističkih preduvjeta;
6. Diskriminacijski problem: određenje, empirijski primjeri, područja primjene, opća forma podataka;
7. Logički status varijabli u DA, temeljna ideja o kondenzaciji informacija, geometrijska prezentacija;
8. Opći matematički aspekti DA; Linearna i kanonička, multipla DA;
9. Pretpostavke korektne provedbe DA i efekti odstupanja;
10. Statistički aspekti: parametri DA i značajnost diskriminacijskih funkcija; interpretacija diskriminacijskih funkcija;
11. Analiza traga: modeliranje strukturalnim jednadžbama na manifestnim podacima; usporedba sa standardnim multivarijatnim postupcima,
12. Osnovna logika i strategije u provedbi analize, opći model i koraci u provedbi;
13. Specifikacija usporedivih modela traga; pitanje kauzalnosti 13. Statističke pretpostavke i odluke o izboru postupaka po pojedinim koracima; primjeri i područja primjene;
14. Provedba analize uz upotrebu LISREL statističkog paketa;
15. Razmatranje kriterija u ocjeni prihvatljivosti testiranih modela; kvantitativno i psihološko značenje parametara modela; interpretacija rezultata.

1. Samostalno odabrati i primijeniti metode za multivarijatnu analizu podataka obuhvaćene programom kolegija.
2. Prosuditi adekvatnost odabranih metoda u kontekstu statističkih uvjeta i u vezi s konkretnim istraživačkim problemima.
3. Osmisliti i formulirati kvantitativnu interpretaciju rezultata dobivenih primjenom odabranih metoda.
4. Kritički prosuditi odabir metoda za analizu podataka i ponuđenu kvantitativnu interpretaciju rezultata u objavljenim istraživačkim radovima.

Nastava se odvija kroz predavanja, praktične kompjutorske vježbe i samostalne domaće zadatke. Praćenjem aktivnosti i uspješnosti studenata na vježbama provjerava se kompetentnost i samostalnost polaznika u odabiru i tehničkoj primjeni pojedinih metoda za multivarijatnu analizu podataka; analizama pismenih uradaka studenata, uključujući pismene povratne informacije studentima o sadržajnim, formalnim i metodološkim aspektima kvalitete izvještaja, provjerava se dosegnutost odgovarajuće razine kritičke prosudbe u odnosu na odabrane metode za analizu podataka u kontekstu statističkih uvjeta.

Provjera znanja provodi se tijekom semestra - kroz praktičan rad - provedbe analiza podataka u okviru vježbi (20%) i ekstenzivne pismene izvještaje o rezultatima analiza nakon svake tematske cjeline (60%), te opcionalno, ispitom nakon odslušanog programa kolegija (20%). Na temelju analiza studentskih izvještaja i/ili putem usmenih ispita provjerava se mogu li studenti osmisliti i adekvatno formulirati kvantitativnu interpretaciju rezultata; praćenje kvalitete uključuje i analizu studentskog vrednovanja nastave.

1. Grimm, L.G., Yarnold, P.R. (Eds.) (1995). Reading and Understanding Multivariate Statistics. American Psyhological Association., Washington.
2. Jaccard, J. et.al. (2002). Interaction effects in multiple regression. London: Sage.
3. Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (1998). Multivariate Data Analysis (5th Ed.). New Jersey: Prentice-Hall Inc.

1. Psihologija, sveučilišni diplomski jednopredmetni studij, 2., 4. semestar