ASTK18010U Kernefag: Videregående kvantitative metoder i studiet af politisk adfærd

Årgang 2019/2020
Engelsk titel

Core Subject: Advanced quantitative methods in the study of political behavior

Uddannelse

Kernefag på den kernefaglige linje Politisk Adfærd. Faget kan kun følges af studerende, der også er optaget på Politisk Adfærd.

 

NB! Eksamen (både ordinær og re-eksamen) udbydes kun ifbm efterårssemestret, da kernefag ikke udbydes i foråret

Kursusindhold

Faget dækker videregående kvantitative metoder, der anvendes i studiet af politisk adfærd. Det er tilrettelagt til at spille sammen med Politisk adfærd, substansfaget i den kernefaglige linje Politisk Adfærd. Faget vil således inddrage temaer fra Politisk adfærd. Vi tager fat i centrale studier af politisk adfærd og spørger: hvordan er forfatteren nået frem til sit resultat? Kan vi genskabe resultatet? Og hvor følsomt er det over for andre metodiske valg? Vi lægger også stor vægt på hvordan studerende kan bruge metoderne til selv at besvare politologiske spørgsmål.

Faget er struktureret omkring tre temaer. Første tema, Brush-up (gang 1-2,5-7), samler op på centrale elementer fra Metode 2, herunder regressionsanalyse (OLS). Temaet introducerer også metoder til at håndtere paneldata ved hjælp af fixed effects modeller.

Andet tema, Kausal inferens (gang 8-13) handler om at undersøge om ét fænomen påvirker et andet – og hvor stor en eventuel påvirkning er. I de senere år har man inden for samfundsvidenskaben oplevet en såkaldt ‘credibility revolution’ med et stadig stigende fokus på, hvordan man kan udtale sig om kausale effekter. I tråd med denne udvikling er formålet at introducere de studerende til forskellige forskningsdesigns og statistiske metoder til at drage kausale slutninger. Der vil især blive lagt stor vægt på designs, da et veldesignet studie ofte mindsker behovet for at anvende avancerede statistiske teknikker.

Tredje tema, Politologisk data science (gang 3-4, 14), introducerer til hvordan man kan udtrække og analysere data fra andre kilder end traditionelle, flade tabelformater. Temaet introducerer også til hvordan man kan trække data fra internettet og metoder til at analysere tekstdata.

Målbeskrivelser

Viden

  • Identificere relevante designs og teknikker for at løse politologiske problemstillinger

 

Færdigheder

  • Bearbejde data i strukturerede og ustrukturerede formater mhp. senere analyse.

 

Kompetencer

  • Analysere empiriske politologiske problemstillinger med udgangspunkt i kvantitative data.
  • Reflektere over fordele og ulemper ved forskellige designs og teknikker fra kursets pensum og samt i andres og eget arbejde.

Undervisningsmateriale

B: Anbefales købt i bogform

E: Kan anskaffes i elektronisk form

Bøger

  • [E] AGS: Andreß, H. J., Golsch, K., & Schmidt, A. W. (2013). Applied panel data analysis for economic and social surveys. Springer Science & Business Media.
  • [B] GG: Gerber, A. S., & Green, D. P. (2012). Field experiments: Design, analysis, and interpretation. WW Norton.
  • [B] AP: Angrist, J. D., & Pischke, J. S. (2014). Mastering ’metrics: The path from cause to effect. Princeton University Press.
  • [E] MRMN: Munzert, S., Rubba, C., Meißner, P., & Nyhuis, D. (2014). Automated data collection with R: A practical guide to web scraping and text mining. John Wiley & Sons.

Artikler

  • Benoit, K., & Nulty, P. (2016) Getting Started with quanteda
  • [E] Grimmer, J., & Stewart, B. M. (2013). Text as data: The promise and pitfalls of automatic content analysis methods for political texts. Political Analysis, 21(3), 267-297.
  • [E] Hariri, J. G. (2012). Kausal inferens i statskundskaben. Politica, 44(2), 184-201.
  • [E] Justesen, M. K., & Klemmensen, R. (2014). Sammenligning af sammenlignelige observationer. Politica, 46(1), 60-78.
  • [E] Leeper, T. (2016). Really Introductory Introduction to R.
  • [E] Montgomery, J. M., & Olivella, S. (2017). Tree-based models for political science data. American Journal of Political Science, forthcoming.
  • [E] Samii, C. (2016). Causal empiricism in quantitative research. Journal of Politics 78(3): 941–955.
  • [E] Varian, H. R. (2014). Big data: New tricks for econometrics. The Journal of Economic Perspectives, 28(2), 3-27.
  • [E] Wickham, H. (2014). Tidy data. Journal of Statistical Software, 59(10), 1-23.
  • [E] Zhang, C. (2017). Tricks for cleaning your data in R.

Cases

  • Baturo, A., & Mikhaylov, S. (2013). Life of Brian revisited: Assessing informational and non-informational leadership tools. Political Science Research and Methods, 1(01), 139-157.
  • Eckles, D., & Bakshy, E. (2017). Bias and high-dimensional adjustment in observational studies of peer effects. Retrieved from arxiv.org/abs/1706.04692
  • Eggers, A. C., & Hainmueller, J. (2009). MPs for sale? Returns to office in postwar British politics. American Political Science Review, 103(04), 513-533.
  • Gerber, A. S., & Green, D. P. (2000). The effects of canvassing, telephone calls, and direct mail on voter turnout: A field experiment. American Political Science Review, 94(03), 653-663.
  • Gilens, M., & Page, B. I. (2014). Testing theories of American politics: Elites, interest groups, and average citizens. Perspectives on politics, 12(03), 564-581.
  • Gerber, A. S., Green, D. P., & Larimer, C. W. (2008). Social pressure and voter turnout: Evidence from a large-scale field experiment. American Political Science Review, 102(01), 33-48.
  • Hjorth, F. (2016). Intergroup Bias in Parliamentary Rule Enforcement. Political Research Quarterly, 69(4), 692-702.
  • Larsen, M. V., Hjorth, F., Dinesen, P. & Sønderskov, K. M. (2017). When Do Citizens Respond Politically to the Local Economy? Evidence from Registry Data on Local Housing Markets. Working paper.
  • Lundborg, P., Plug, E., & Rasmussen, A. W. (2017). Can Women Have Children and a Career? IV Evidence from IVF Treatments. The American Economic Review.
  • Nall, C. (2015). The political consequences of spatial policies: How interstate highways facilitated geographic polarization. The Journal of Politics, 77(2), 394-406.
  • Newman, B. J., Johnston, C. D., & Lown, P. L. (2015). False consciousness or class awareness? Local income inequality, personal economic position, and belief in American meritocracy. American Journal of Political Science, 59(2), 326-340.
  • Solt, F., Hu, Y., Hudson, K., Song, J., & Yu, D. E. (2017). Economic inequality and class consciousness. The Journal of Politics, 79(3).
  • Theocharis, Y., Barbera, P., Fazekas, Z., & Popa, S. A. (2016). A Bad Workman Blames His Tweets? The Consequences of Citizens’ Uncivil Twitter Use When Interacting with Party Candidates. Journal of Communication, 66, 1007-1031.

Supplerende læsning

  • Athey, S., & Imbens, G. (2016). The State of Applied Econometrics-Causality and Policy Evaluation. arXiv preprint arXiv:1607.00699.
  • Gelman, A., & Hill, J. (2006). Data analysis using regression and multilevel/hierarchical models. Cambridge University Press.
  • Grimmer, J. (2015). We are all social scientists now: how big data, machine learning, and causal inference work together. PS: Political Science & Politics, 48(01), 80-83.
  • Harford, T. (2014). Big data: A big mistake?. Significance, 11(5), 14-19. Chicago
  • Iacus, S.M., King, G., & Porro, G. (2016). CEM: Software for Coarsened Exact Matching
  • Imai, K. (2017): Quantitative Social Science: An Introduction. Princeton University Press.
  • Kleinberg, J., Ludwig, J., Mullainathan, S. (2016). A Guide to Solving Social Problems with Machine Learning. Harvard Business Review.
  • Ladd, J. M., & Lenz, G. S. (2009). Exploiting a rare communication shift to document the persuasive power of the news media. American Journal of Political Science, 53(2), 394-410.
  • Stegmueller, D. (2013). How many countries for multilevel modeling? A comparison of frequentist and Bayesian approaches. American Journal of Political Science, 57(3), 748-761.
Fagets undervisnings- og læringsaktiviteter består af en kombination af holdundervisning, hvor ugens pensum gennemgås, hjemmeøvelser i Swirl, et program til øvelsesopgaver implementeret direkte i R-konsollen, samt fælles diskussion om implementering af fagets teknikker i R.
  • Kategori
  • Timer
  • Holdundervisning
  • 28
  • I alt
  • 28
Løbende feedback i undervisningsforløbet
Point
7,5 ECTS
Prøveform
Skriftlig aflevering
Fri opgave
Bedømmelsesform
7-trins skala
Censurform
Ingen ekstern censur
Kriterier for bedømmelse
  • Karakteren 12 gives for den fremragende præstation, dvs. hvor den studerende med ingen eller få og uvæsentlige mangler og på selvstændig og overbevisende måde er i stand til at indfri målbeskrivelsen for udbuddet.
  • Karakteren 7 gives for den gode præstation, dvs. hvor den studerende, om end med adskillige mangler, på sikker vis er i stand til at indfri målbeskrivelsen for udbuddet.
  • Karakteren 02 gives for den tilstrækkelige præstation, dvs. den minimalt acceptable præstation, hvor den studerende kun usikkert, mangelfuldt og/​eller uselvstændigt er i stand til at indfri målbeskrivelsen for udbuddet.