Zaawansowane metody badań ilościowych SD-1D-ZBI

1.Miary związku miedzy zmiennymi o- współczynnik korelacji. Szczególne przypadki mające wpływ na wyniki analiz korelacyjnych –
przypomnienie.
2. Regresja jednozmiennowa - istota, miary dopasowania modelu.
3. Wielozmiennowa analiza regresji - założenia, możliwości analizy i miary dopasowania modelu.
4. Regresja herarchiczna - istota, testowanie dopasowania modeli w blokach.
5. Testowanie założeń wielozmiennowej analizy regresji - homskedastyczność, brak skorelowania składników losowych, testowanie
współliniowości VIF.
6. Metody analizy moderatorów (moderacji) w analizie regresji.
7. Analiza mediacji w analizie regresji.
8. Eksploracyjna analiza czynnikowa (EFA).
9. Wprowadzenie do modelowania strukturalnego – filozofia modelowania, miary dopasowania modeli, oprogramowanie.
10. Opracowanie i prezentacja wyników analiz.

W cyklu 2021:

1.Miary związku między zmiennymi o- współczynnik korelacji. Szczególne przypadki mające wpływ na wyniki analiz korelacyjnych –
przypomnienie.
2. Regresja jednozmiennowa - istota, miary dopasowania modelu.
3. Wielozmiennowa analiza regresji - założenia, możliwości analizy i miary dopasowania modelu.
4. Regresja herarchiczna - istota, testowanie dopasowania modeli w blokach.
5. Testowanie założeń wielozmiennowej analizy regresji - homskedastyczność, brak skorelowania składników losowych, testowanie
współliniowości VIF.
6. Metody analizy moderatorów (moderacji) w analizie regresji.
7. Analiza mediacji w analizie regresji.
8. Eksploracyjna analiza czynnikowa (EFA).
9. Wprowadzenie do modelowania strukturalnego – filozofia modelowania, miary dopasowania modeli, oprogramowanie.
10. Opracowanie i prezentacja wyników analiz.

W cyklu 2022Z:

Rodzaj przedmiotu

obowiązkowe

Koordynatorzy przedmiotu

W cyklu 2022Z:

W cyklu 2021:

W cyklu 2023Z:

W cyklu 2020Z:

Efekty kształcenia

- doktorant/doktorantka zapoznał/-a się z zasadami prowadzenia badań naukowych, prowadzi badania samodzilenie oraz w zespole
- doktorant/doktorantka zna podstawowe i zaawansowane analizy danych ilościowych
W związku z tym:
- doktorant/doktorantka aktywnie prowadzi badania własne
- doktorant/doktorantka pracuje nad ilościową analizą danych (badania własne lub we współpracy z innymi badaczami)

Kryteria oceniania

SPOSÓB POMIARU EFEKTÓW KSZTAŁCENIA
1. Indywidualna praca zaliczeniowa (na ocenę) mająca na celu samodzielną analizę danych z wykorzystaniem metod regresyjnych,
analizy mediacji, analizy interakcji, oraz analizy czynnikowej.

Literatura

Literatura obowiązkowa:
1. Bedyńska, S., Brzezicka, A. (2012) Statystyczny drogowskaz. Praktyczny poradnik analizy danych w naukach społecznych na
przykładach z psychologii. Warszawa: Wydawnictwo Academica.
2. Bedyńska, S., Książek, M. (2012) (red.), Statystyczny drogowskaz 3. Praktyczny przewodnik wykorzystania modeli regresji oraz
równań strukturalnych. Warszawa: Wydawnictwo Akademickie Sedno.
4. Cichocka, A., Bilewicz, M. (2010). Co kryje się w nieistotnych efektach ststystycznych? Możliwości zastosowania analizy supresji w
psychologii spolecznej. Psychologia Społeczna, tom 5 (2-3), 191-198.
5. Gignac, G. E., SZodorai, E. T. (2016). Effect size guildelines for individual differences researchers. Personality and Individualn
Differences, 102, 74-78.
6. Hayes, A.F. (2009). Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication Monographs, 76(4),
408–420.
7. Hayes, A.F. (2022). Introduction to mediation, moderation and conditional process analysis. New York: Guilford Press.
8. Humenny, G., Grygiel, P. (2015). Wielowymiarowa struktura latentna w perspektywie analizy czynnikowej. W: A. Pokropek (red.),
Modele cech ukrytych w badaniach edukacyjnych, psychologii i socjologii. Teoria i zastosowania (s. 124–159). Warszawa: Instytut Badań
Edukacyjnych.
9. Hancock, G.R., Mueller, R.O. (2001). Rethinking construct reliability within latent variable systems. W: R. Cudeck, S. du Toit, D. Sörbom
(red.), Structural equation modeling: Present and future (s. 195–216). Lincolnwood, IL: Scientific Software International.
10. Hu, L., Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new
alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1-55.
Literatura uzupełniająca:
1. Francuz, P., Mackiewicz, R. (2007). Liczby nie wiedzą skąd pochodzą. Lublin: KUL.
2. Konarski, R. (2009). Modele równań strukturalnych. Teoria i praktyka. Warszawa: WN PWN.
3. Larose, D. T. (2008). Metody i modele eksploracji danych. Warszawa: PWN.

W cyklu 2020Z:

Wybrane artykuły będą przekazane podczas zajęć.

W cyklu 2021:

Literatura obowiązkowa:
1. Bedyńska, S., Brzezicka, A. (2012) Statystyczny drogowskaz. Praktyczny poradnik analizy danych w naukach społecznych na przykładach z psychologii. Warszawa: Wydawnictwo Academica.
2. Bedyńska, S., Książek, M. (2012) (red.), Statystyczny drogowskaz 3. Praktyczny przewodnik wykorzystania modeli regresji oraz
równań strukturalnych. Warszawa: Wydawnictwo Akademickie Sedno.
4. Cichocka, A., Bilewicz, M. (2010). Co kryje się w nieistotnych efektach ststystycznych? Możliwości zastosowania analizy supresji w psychologii spolecznej. Psychologia Społeczna, tom 5 (2-3), 191-198.
5. Gignac, G. E., Szodorai, E. T. (2016). Effect size guildelines for individual differences researchers. Personality and Individualn Differences, 102, 74-78.
6. Hayes, A.F. (2009). Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication Monographs, 76(4), 408–420.
7. Hayes, A.F. (2022). Introduction to mediation, moderation and conditional process analysis. New York: Guilford Press.
8. Humenny, G., Grygiel, P. (2015). Wielowymiarowa struktura latentna w perspektywie analizy czynnikowej. W: A. Pokropek (red.), Modele cech ukrytych w badaniach edukacyjnych, psychologii i socjologii. Teoria i zastosowania (s. 124–159). Warszawa: Instytut Badań Edukacyjnych.
9. Hancock, G.R., Mueller, R.O. (2001). Rethinking construct reliability within latent variable systems. W: R. Cudeck, S. du Toit, D. Sörbom (red.), Structural equation modeling: Present and future (s. 195–216). Lincolnwood, IL: Scientific Software International.
10. Hu, L., Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1-55.

Literatura uzupełniająca:
1. Francuz, P., Mackiewicz, R. (2007). Liczby nie wiedzą skąd pochodzą. Lublin: KUL.
2. Konarski, R. (2009). Modele równań strukturalnych. Teoria i praktyka. Warszawa: WN PWN.
3. Larose, D. T. (2008). Metody i modele eksploracji danych. Warszawa: PWN.

W cyklu 2022Z:

Literatura obowiązkowa:
1. Bedyńska, S., Brzezicka, A. (2012) Statystyczny drogowskaz. Praktyczny poradnik analizy danych w naukach społecznych na przykładach z psychologii. Warszawa: Wydawnictwo Academica.
2. Bedyńska, S., Książek, M. (2012) (red.), Statystyczny drogowskaz 3. Praktyczny przewodnik wykorzystania modeli regresji oraz
równań strukturalnych. Warszawa: Wydawnictwo Akademickie Sedno.
4. Cichocka, A., Bilewicz, M. (2010). Co kryje się w nieistotnych efektach ststystycznych? Możliwości zastosowania analizy supresji w psychologii spolecznej. Psychologia Społeczna, tom 5 (2-3), 191-198.
5. Gignac, G. E., Szodorai, E. T. (2016). Effect size guildelines for individual differences researchers. Personality and Individualn Differences, 102, 74-78.
6. Hayes, A.F. (2009). Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication Monographs, 76(4), 408–420.
7. Hayes, A.F. (2022). Introduction to mediation, moderation and conditional process analysis. New York: Guilford Press.
8. Humenny, G., Grygiel, P. (2015). Wielowymiarowa struktura latentna w perspektywie analizy czynnikowej. W: A. Pokropek (red.), Modele cech ukrytych w badaniach edukacyjnych, psychologii i socjologii. Teoria i zastosowania (s. 124–159). Warszawa: Instytut Badań Edukacyjnych.
9. Hancock, G.R., Mueller, R.O. (2001). Rethinking construct reliability within latent variable systems. W: R. Cudeck, S. du Toit, D. Sörbom (red.), Structural equation modeling: Present and future (s. 195–216). Lincolnwood, IL: Scientific Software International.
10. Hu, L., Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1-55.

Uwagi

W cyklu 2021:

Realizacja zajęć:
Zajęcia będą prowadzone bezpośrednio ze wsparciem platformy MS TEAMS .

Link do zespołu:
https://teams.microsoft.com/l/team/19%3aqynADS2c4X0Ca1jEZIfwWU1AJmVDMYTcVZcKBeiPzdE1%40thread.tacv2/conversations?groupId=d174523a-62eb-4c3e-bef1-28bbfeb3e3a8&tenantId=aee18df6-9fc6-4188-b9f4-b3f12e451c86

METODY PRACY:
WIEDZA
-dyskusja
-pokaz
-działania praktyczne
-prezentacja multimedialna
-praca z tekstem
UMIEJĘTNOŚCI
-pokaz
-działania praktyczne
KOMPETENCJE SPOŁECZNE
-dyskusja
-pokaz
-działania praktyczne

NAKŁAD PRACY STUDENTA
Liczba godzin kontraktowych (ćwiczenia) - 30h
Przygotowanie się do zajęć - 15h
Przygotowanie pracy zaliczeniowej - 15h
Łączny nakład pracy studenta - 60h

W cyklu 2022Z:

Realizacja zajęć:
Zajęcia będą prowadzone bezpośrednio ze wsparciem platformy MS TEAMS .

NAKŁAD PRACY STUDENTA
Liczba godzin kontraktowych (ćwiczenia) - 30h
Przygotowanie się do zajęć - 15h
Przygotowanie pracy zaliczeniowej - 15h
Łączny nakład pracy studenta - 60h

W cyklu 2023Z:

Realizacja zajęć:
Zajęcia będą prowadzone bezpośrednio ze wsparciem platformy MS TEAMS .

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu SD-1D-ZBI w USOSweb