ASOB16014U Nyere statistiske analysestrategier
New statistical analysis strategies
Bemærk kurset undervises på engelsk i F24
Obligatorisk kursus på 4. semester BA på sociologiuddannelsen
Åbent for meritstuderende
Formålet med faget er at give den studerende en indføring i et bredt repertoire af kvantitative analysemetoder til klassifikation af og mønstersøgning i data anvendt i samfundsvidenskabelig udredning og forskning. Faget bygger i nogen grad videre på den viden og de færdigheder, som den studerende har tilegnet sig i fagene Grundlæggende statistik og Videregående kvantitative metoder.
Faget introducerer den studerende til videregående deskriptive kvantitative metoder. Deskriptive metoder dækker groft sagt over metoder til eksplorativ kortlægning af mønstre i data (data-mining). Disse metoder omfatter bl.a. metoder til gruppering af variable og klassifikation af individer i grundlæggende typer eller segmenter (faktoranalyse, klyngeanalyse, latent klasseanalyse). De omfatter også ”nyere” metoder som fx social netværksanalyse eller analyse af big data fra internettet.
Kurset er lagt sådan an, at det giver et overblik over disse metoder, herunder indbyrdes forskelle og ligheder samt deres brug i sociologisk forskning. Kurset vil endvidere dykke ned i enkelte af metoderne for, gennem øvelser, at give den studerende mulighed for at få praktisk erfaring med metoderne til senere brug på studiet.
Viden
Faget præsenterer den studerende for en række metoder til klassifikation og mønstersøgning i statistiske data, samt til teoretisk informerede analysestrategier i form af forlæns modelsøgning. Metoder til klassifikation og mønstersøgning i data dækker over deskriptive metoder, som klassificerer enten variabler eller individer. Eksempler på konkrete metoder er faktoranalyse, klyngeanalyse, multipel korrespondanceanalyse og social netværksanalyse, herunder via digitale metoder. Den studerende skal kunne
- forstå disse metoder og deres anvendelse i sociologisk forskning
- praktisk beherske et mindre udsnit af disse metoder
Færdigheder
Faget giver den studerende mulighed for, i standard-software som f.eks. Stata, praktisk at beherske én eller flere metoder til klassifikation og mønstersøgning i statistiske data, samt at anvende teoretisk informeret forlæns modelsøgning som analysestrategi. Den studerende bliver endvidere i stand til at redegøre for logikken i forskellige målemodeller, herunder forskellen mellem manifeste og latente variable. Mere konkret skal den studerende kunne:
- anvende – herunder begrunde valg af, fortolke resultater produceret af samt præsentere og formidle resultater fra – én eller flere metoder til klassifikation og mønstersøgning i data, i relation til en given problemstilling
- anvende forlæns modelsøgning på en teoretisk informeret måde, herunder argumentere for valg af variable og modelsøgningsstrategi, i relation til en given problemstilling
- kritisk vurdere og reflektere over sin empiriske analyse i relation til en given problemstilling på en måde, der signalerer forståelse af muligheder og begrænsninger ved brugen af metoder til klassifikation af data i sociologisk forskning
- kunne læse og kritisk forholde sig til sociologisk forskningslitteratur, der anvender metoder til klassifikation af og mønstersøgning i data.
Kompetencer
Efter endt undervisning skal den studerende kunne
- omsætte sin viden og færdigheder i forsknings- og konsulentøjemed ved at kunne planlægge og gennemføre analyser, der involverer klassifikation af og mønstersøgning i data, f.eks. segmentanalyser, på teoretisk informeret vis
- tilegne sig andre videregående kvantitative metoder på kandidatniveau, som f.eks. kvasieksperimentelle metoder, multilevel-modeller eller latent klasseanalyse
- forstå og bedømme, samt selvstændigt engagere sig i sociologiske studier, der anvender disse metoder
Kombineret elektronisk og fysisk kompendium. Grundbøger vil være tilgængelige elektronisk.
Pensum ca. 650 sider.
Kurset forudsætter elementær forståelse af krydstabeller og regressionsanalyse. Studerende vil opnå et særligt stort udbytte af kurset, hvis de inden kursusstart læser grundigt op på de metoder, som gennemgås på bachelordelens forudgående metodeundervisning.
- Kategori
- Timer
- Forelæsninger
- 42
- Forberedelse (anslået)
- 134
- Eksamen
- 30
- I alt
- 206
Ved udvalgte øvelser organisere læringsaktiviteter, hvor de studerende giver feedback til hinanden på deres besvarelser af øvelserne. Derudover bedes de studerende om at forberede feedback på en anden studerendes besvarelse. Feedbacken sker i undervisningen i grupper af tre, hvor en studerende giver feedback, en anden modtager og en tredje noterer feedbackens indhold og modtagerens respons (feedback-triader).
Tilmeldingsdeadline for kurser er:
1. Juni for efterårskurser
1. december for forårskurser
Når du tilmelder dig et kursus, bliver du også automatisk tilmeldt
eksamen.
Sociologistuderende (Egne):
Tilmeld dig via selvbetjeningen på KUnet
Meritstuderende:
Find mere
information
her
- Point
- 7,5 ECTS
- Prøveform
- Skriftlig aflevering, -
- Prøveformsdetaljer
- Individuelt eller i gruppe (max 4 studerende).
Eksamen er en skriftlig opgave.
Den studerende formulerer selvstændigt sit eksamensspørgsmål på baggrund af prædefinerede eksamensretningslinjer udformet af underviseren. Den studerende vil få eksamensretningslinjerne i løbet af det igangværende semester. Underviseren skal give mindst to eksempler på eksamensspørgsmål, der imødekommer eksamensretningslinjerne.
Afleveringen må maximalt fylde 10 sider. Ved gruppebesvarelser tillægges 5 sider pr. ekstra studerende.
Se detaljer for prøveformen i studieordningen. - Krav til indstilling til eksamen
Du skal være tilmeldt kurset for at deltage i eksamen
- Hjælpemidler
- Alle hjælpemidler tilladt
Policy on the Use of Generative AI Software and Large Language Models in Exams
The Department of Sociology prohibits the use of generative AI software and large language models (AI/LLMs), such as ChatGPT, for generating novel and creative content in written exams. However, students may use AI/LLMs to enhance the presentation of their own original work, such as text editing, argument validation, or improving statistical programming code. Students must disclose if and how AI/LLMs have been used in an appendix, which will not count toward the page limit of the exam. This policy is in place to ensure that students’ written exams accurately reflect their own knowledge and understanding of the material.
- Bedømmelsesform
- 7-trins skala
- Censurform
- Ekstern censur
- Eksamensperiode
Find mere information på din studieinformationsside på KUnet.
For meritstuderende findes listen over afleveringsdatoer på Sociologisk Instituts hjemmeside:
www.soc.ku.dk under Uddannelser --> Eksamen- Reeksamen
- Hvis reeksamen tages i ordinær eksamensperiode: se ordinær eksamensform
- Hvis reeksamen tages i reeksamensperiode:
Studerende skal skrive et nyt essay ud fra de prædefinerede eksamensretningslinjer udformet af underviseren.
OBS!
Kurset er obligatorisk og det er derfor kun muligt at gå til eksamen i foråret, da kurset ikke bliver udbudt i efteråret.
Kriterier for bedømmelse
Se målbeskrivelsen.
Kursusinformation
- Sprog
- Dansk
- Kursuskode
- ASOB16014U
- Point
- 7,5 ECTS
- Niveau
- Bachelor
- Varighed
- 1 semester
- Placering
- Forår
- Skemagruppe
- Se skemalink.
- Kursuskapacitet
- Vejl. 110 personer
Studienævn
- Sociologisk studienævn
Udbydende institut
- Sociologisk Institut
Udbydende fakultet
- Det Samfundsvidenskabelige Fakultet
Kursusansvarlige
- Friedolin Merhout (8-6a7169766c73797844777367326f7932686f)
Undervisere
Diana-Roxana Galos drg@soc.ku.dk