ASTK15679U SEMINAR: Videregående kvantitative metoder i studiet af politisk adfærd

Årgang 2017/2018
Engelsk titel

SEMINAR: Advanced quantitative methods in the study of political behavior

Uddannelse

Kernekursus i ''Specialisering i politisk adfærd og anvendt videregående kvantitativ metode".

Kurset kan søges af alle kandidatstuderende

 

Kursusindhold

Seminaret er en obligatorisk del af specialiseringen Politisk Adfærd og anvendt videregående kvantitative metode.

Seminaret dækker videregående kvantitative metoder, der anvendes i studiet af politisk adfærd. Det er tilrettelagt til at spille tæt sammen med Politisk adfærd, substansfaget i specialiseringen Politisk Adfærd og anvendt videregående kvantitative metode. Seminaret vil således inddrage tekster og temaer 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.

Seminaret er struktureret omkring tre tematiske blokke. Første blok, Brush-up (gang 1-4), samler op på centrale elementer fra Metode 2, herunder multivariat (OLS og logistisk) regressionsanalyse. Blokken introducerer også metoder til at håndtere multilevel-data ved hjælp af fixed effects og random effects-modeller.

Anden blok, Kausal inferens (gang 5-11) 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 sand ‘credibility revolution’ med et stadig stigende fokus på, hvordan man kan udtale sig om kausale effekter. I tråd med denne udvikling er formålet med blokken 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 blok, Politologisk data science (gang 12-14), introducerer til hvordan man kan udtrække og analysere data fra andre kilder end traditionelle, flade tabelformater. Blokken introducerer til hvordan man kan ‘skrabe’ data fra internettet og metoder til at analysere tekstdata og spatiale data.

Undervisningsplan.

Gang

Tema

Litteratur

Case

1

Introduktion til R

Imai kap 1

 

2

Regression I: OLS

GH kap 3, MM kap 2

Gilens & Page (2014)

3

Regression II: Paneldata

GH kap 11

Larsen et al. (2016)

4

Regression III: Multileveldata, interaktioner

GH kap 12

Berkman & Plutzer (2011)

5

Introduktion til kausal inferens

Hariri (2012), Samii (2016)

 

6

Matching

Justesen & Klemmensen (2014)

Ladd & Lenz (2009)

Efterårsferie

 

 

7

Eksperimenter I

MM kap 1, GG kap 1+2

Gerber, Green & Larimer (2008)

8

Eksperimenter II

GG kap 3+4+5

Gerber & Green (2000)

9

Instrumentvariable

MM kap 3

Arunachalam & Watson (2016)

10

Regressionsdiskontinuitetsdesigns

MM kap 4

Eggers & Hainmueller (2009)

11

Difference-in-differences

MM kap 5

Enos (2016)

12

'Big data' og maskinlæring

Harford (2014), Grimmer (2015), Varian (2014), Athey & Imbens (2016)

 

13

Scraping af data fra online-kilder

MRMN kap 9+14

 

14

Tekst som data

Grimmer & Stewart (2013), Imai kap 5, Benoit & Nulty (2016)

Hjorth et al. (2015)

 

Kompetencebeskrivelse

Faget giver en bedre forståelse af politisk adfærd og politiske processer: Mange politiske tiltag har som formål at påvirke borgernes adfærd og i den sammenhæng bidrager den politiske adfærdsforskning med en forståelse af, hvilke konsekvenser den førte politik kan forventes at have for menneskers adfærd. Som eksempel kan nævnes betydningen af politiske kampagner, anvendelse af performance mål i den offentlige sektor. Her kan den politiske adfærdsforskning bidrage med viden om, hvordan befolkningen reagerer på information og dermed udgøre et oplyst grundlag at føre politik på.

Der lægges vægt på, at de studerende opnår kompetencer til at forstå, udføre, tolke og præsentere undersøgelser med udgangspunkt i de forskningsdesigns og metoder, der fremgår af pensum, og at denne anvendelse sker i sammenhæng med teorier om politisk adfærd.

 

Målbeskrivelser

Seminarets målsætning er at sætte den studerende i stand til efter endt undervisning at kunne (ILO's):
Viden
•  Identificere relevante designs og teknikker for at løse politologiske problemstillinger
•  Forstå sammenhængen mellem strukturerede og ustrukturerede dataformater og relevante analytiske mål
Færdigheder
•  Bearbejde data i strukturerede og ustrukturerede formater mhp. senere analyse
•  Analysere empiriske politologiske problemstillinger med udgangspunkt i kvantitative data
Kompetencer
•  Reflektere over fordele og ulemper ved forskellige designs og teknikker fra kursets pensum og samt i andres og eget arbejde
•  Udvikle analysedesigns med mulighed for kausal inferens

 

Bøger
• GH: Gelman, A., & Hill, J. (2006). Data analysis using regression and multilevel/hierarchical models. Cambridge University Press.
• GG: Gerber, A. S., & Green, D. P. (2012). Field experiments: Design, analysis, and interpretation. WW Norton.
• Imai: Imai, K. (2016): A First Course in Quantitative Social Science. Unpublished manuscript.
• MM: Angrist, J. D., & Pischke, J. S. (2014). Mastering 'metrics: The path from cause to effect. Princeton University Press.
• 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
• Athey, S., & Imbens, G. (2016). The State of Applied Econometrics-Causality and Policy Evaluation. arXiv preprint arXiv:1607.00699.
• Benoit, K., & Nulty, P. (2016) Getting Started with quanteda
• 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.
• 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.
• Harford, T. (2014). Big data: A big mistake?. Significance, 11(5), 14-19. Chicago
• Hariri, J. G. (2012). Kausal inferens i statskundskaben. Politica, 44(2), 184-201.
• Justesen, M. K., & Klemmensen, R. (2014). Sammenligning af sammenlignelige observationer. Politica, 46(1), 60-78.
• Samii, C. (2016). Causal empiricism in quantitative research. Journal of Politics 78(3): 941–955.
• Varian, H. R. (2014). Big data: New tricks for econometrics. The Journal of Economic Perspectives, 28(2), 3-27.
Cases
• Arunachalam, R., & Watson, S. (2016). Height, Income and Voting. British Journal of Political Science, 46(03), 1–20.
• Berkman, M. B., & Plutzer, E. (2011). Defeating creationism in the courtroom, but not in the classroom. Science, 331(6016), 404-405.
• Eggers, A. C., & Hainmueller, J. (2009). MPs for sale? Returns to office in postwar British politics. American Political Science Review, 103(04), 513-533.
• Enos, R. D. (2016). What the demolition of public housing teaches us about the impact of racial threat on political behavior. American Journal of Political Science, 60(1), 123-142.
• 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., Klemmensen, R., Hobolt, S., Hansen, M. E., & Kurrild-Klitgaard, P. (2015). Computers, coders, and voters: Comparing automated methods for estimating party positions. Research & Politics, 2(2).
• 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.
• Larsen, M. V., Hjorth, F., Dinesen, P. & Sønderskov, K. M. (2016). Housing Bubbles and Support for Incumbents. Annual Meeting of the American Political Science Association.
Supplerende læsning
• Kleinberg, J., Ludwig, J., Mullainathan, S. (2016). A Guide to Solving Social Problems with Machine Learning. Harvard Business Review.
• 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.
 

Det forudsættes at man har gennemført Metode 2, Almen Statskundskab og Sammenlignede Statskundskab eller tilsvarende.
Undervisnings- og læringsaktiviteter (TLAs):
1. Holdundervisning, hvor ugens pensum gennemgås
2. Løbende hjemmeøvelser i Swirl, et program til øvelsesopgaver implementeret direkte i R-konsollen
3. Øvelsesopgave (midterm) ca. halvvejs i forløbet som samler op på pensum hidtil
  • Kategori
  • Timer
  • Holdundervisning
  • 28
  • I alt
  • 28
Point
7,5 ECTS
Prøveform
Skriftlig aflevering
Individuel seminaropgave
Krav til indstilling til eksamen

En betingelse for at bestå seminarer er, at den studerende har deltaget aktivt i seminaret, dels gennem tilstedeværelse i minimum 75% af undervisningen og dels gennem aktiv deltagelse

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.