Naziv
Multivarijatne metode: prediktivni i klasifikacijski modeli
Organizacijska jedinica
Odsjek za psihologiju
ECTS bodovi
5
Šifra
125498
Semestri izvođenja
ljetni
Jezik izvođenja
hrvatski
Satnica
Predavanja
30
Vježbe u praktikumu
30

Cilj
Osposobiti studente za samostalni odabir, prosudbu adekvatnosti i tehničku provedbu odabranih metoda za multivarijatnu analizu podataka te kvantitativnu interpretaciju rezultata dobivenih njihovom primjenom.
Sadržaj
  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. Analitički pristupi korištenju masivnih podataka („big data analytics“)
  12. Tipična obilježja masivnih podataka, glavna područja/svrhe primjene analitičkih postupaka namijenjenih tretmanu masivnih baza podataka
  13. Racionala; specifičnosti metodologije
  14. Metodološki zahtjevi; statistički preduvjeti za adekvatan analitički tretman; zaključivanje i odlučivanje na temelju analiza dostupnih baza podataka
  15. Primjeri upotrebe „big data“ tehnologije u psihologijskoj praksi

Ishodi učenja
  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.
Metode podučavanja
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.
Metode ocjenjivanja
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.

Obavezna literatura
  1. Klecka, W.R. (1980). Discriminant analysis. Beverly Hills: Sage Publications.
  2. Pedhazur, E. J. (1997). Multiple regression in behavioral research: Explanation and prediction.
  3. Chen, E. E. i Wojcik, S. P. (2016). A Practical Guide to Big Data Research in Psychology. Psychological Methods, 21 (4), 458 – 474.
Dopunska literatura
  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.

Izborni predmet na studijima
  1. Psihologija, sveučilišni diplomski jednopredmetni studij, 2., 4. semestar
  2. Sociologija, sveučilišni diplomski dvopredmetni studij
  3. Sociologija, sveučilišni diplomski jednopredmetni studij