Alle opleidingen > Kwantitatieve data-analyse m.i.v. oefeningen

Kwantitatieve data-analyse m.i.v. oefeningen (B-KUL-S0E37A)

6 studiepuntenNederlands52 urenTweede semester
N. |  Grosemans Eva (medewerker)
POC Communicatiewetenschappen

Doelstellingen

Bij het voltooien van dit opleidingsonderdeel heeft de student de volgende doelstellingen bereikt:

  • Studenten kennen de doelstellingen en kunnen de verschillen tussen volgende technieken van data-analyse weergeven: enkelvoudige en meervoudige lineaire regressie-analyse; variantie-analyse; logistische regressie, principale componenten analyse en exploratieve factor analyse
  • Studenten kunnen de statistische achtergrond van deze technieken beschrijven.
  • Studenten kunnen, vertrekkend van een inhoudelijke onderzoeksvraag, de meest aangewezen analysetechniek selecteren en deze met behulp van R toepassen op bestaande data.

Deze doelstellingen worden bij de start van de colleges aan de studenten gecommuniceerd.

Begintermen

Bij aanvang van dit opleidingsonderdeel wordt de student verondersteld te beschikken over basis rekenvaardigheden, een grondige kennis van beschrijvende statistiek en een basiskennis van inductieve statistiek.

Volgtijdelijkheidsvoorwaarden

Je moet voldoen aan een volgtijdelijkheidsvoorwaarde om dit opleidingsonderdeel te mogen opnemen. Volgtijdelijkheid kan STRENG of SOEPEL zijn of een GELIJKTIJDIGHEID inhouden. Ook kan een diplomaNIVEAU als voorwaarde gesteld zijn.
Verklaring:
STRENG: Om dit opleidingsonderdeel op te nemen, moet je geslaagd zijn voor of een tolerantie ingezet hebben voor de opleidingsonderdelen waarvoor dit soort voorwaarde geldt.
SOEPEL: Om dit opleidingsonderdeel op te nemen, moet je de opleidingsonderdelen waarvoor dit soort voorwaarde geldt, gevolgd hebben.
GELIJKTIJDIG: Om dit opleidingsonderdeel op te nemen, moet je ook de opleidingsonderdelen waarvoor dit soort voorwaarde geldt, opnemen of al opgenomen hebben.
NIVEAU: Om dit opleidingsonderdeel op te nemen, moet je ten minste deze graad behaald hebben.


SOEPEL(S0A17D) OF SOEPEL(P0R97A) OF SOEPEL(S0A17E)

Bovenstaande codes van opleidingsonderdelen stemmen overeen met onderstaande omschrijvingen van die opleidingsonderdelen:
S0A17D : Sociale statistiek, m.i.v. oefeningen (Niet meer aangeboden dit academiejaar)
P0R97A : Statistiek voor gedragswetenschappers, deel 1 (Niet meer aangeboden dit academiejaar)
S0A17E : Statistiek van de sociale wetenschappen

Dit opleidingsonderdeel is een voorwaarde voor het opnemen van volgende opleidingsonderdelen:
S0F17A : Kwantitatieve onderzoeksmethoden: data-analyse 2
S0N90A : Kwantitatief seminarie 1
S0N91A : Kwantitatief seminarie 2

Plaats in het onderwijsaanbod

Onderwijsleeractiviteiten

3 sp. Kwantitatieve data-analyse: oefeningen (B-KUL-S0H05a)

3 studiepuntenNederlandsWerkvorm: Practicum26 urenTweede semester
N. |  Grosemans Eva (medewerker)
POC Communicatiewetenschappen

Inhoud

In deze leeractiviteit leren de studenten de geziene technieken (verschillende vormen van lineaire regressie-analyse, variantie-analyse, logistische regressie, principale componenten analyse, exploratieve factor analyse) toepassen op bestaande data via R.

Studiemateriaal

 Het studiemateriaal wordt gecommuniceerd via Toledo.

Toelichting werkvorm

Met het oog op het succesvol realiseren van de onderwijsdoelstellingen, is het aangewezen dat de studenten aanwezig zijn in de oefenzittingen. Hier dienen ze actief te werken aan en na te denken over de opgegeven oefeningen, en interactief mee te werken bij het oplossen van deze oefeningen. Studenten kunnen hier individuele vragen stellen en feedback krijgen.

3 sp. Kwantitatieve data-analyse: colleges (B-KUL-S0S29a)

3 studiepuntenNederlandsWerkvorm: College26 urenTweede semester
N.
POC Communicatiewetenschappen

Inhoud

Deze leeractiviteit maakt de studenten vertrouwd met de doelstellingen en de statistische achtergrond van enkele courant gebruikte basistechnieken van statistische analyse. In deze leeractiviteit komen de volgende technieken aan bod:

Conceptuele inleiding

Analyse van afhankelijkheid
 - Enkelvoudige lineaire regressie-analyse
 - Meervoudige lineaire regressie-analyse, met zowel metrische als categorische onafhankelijke variabelen, met zowel hoofdeffecten als interactietermen
 - GLM
 - Assumpties van het regressie-model
  - Logistische regressie-analyse

Data-reductie
- Principale componentenanalyse (PCA)
- Exploratieve factoranalyse (EFA)

In deze leeractiviteit wordt vertrokken van realistische onderzoeksvragen waar sociale wetenschappers mee geconfronteerd worden. De onderzoeksmatige toepassing van de geziene technieken en inhoudelijke interpretatie van de resultaten staat centraal.

Studiemateriaal

Om deze leeractiviteit vorm te geven wordt er met volgend studiemateriaal gewerkt:
- Slides van de hoorcolleges ter beschikking gesteld via Toledo

- Extra teksten (wordt door de docent gecommuniceerd via Toledo)

Toelichting werkvorm

Met het oog op het succesvol realiseren van de onderwijsdoelstellingen, wordt van de studenten verwacht dat zij aanwezig zijn in de hoorcolleges. Ze dienen actief mee te denken tijdens de les en kunnen vragen stellen over de leerstof. In de colleges wordt de theorie behandeld die in de oefensessies wordt toegepast. De colleges en de oefeningen vormen als dusdanig een coherent en samenhangend geheel.

Evaluatieactiviteiten

Evaluatie: Kwantitatieve data-analyse m.i.v. oefeningen (B-KUL-S2E37a)

Type : Examen tijdens de examenperiode
Evaluatievorm : Schriftelijk
Vraagvormen : Gesloten vragen, Open vragen
Leermateriaal : Formularium, Rekenmachine

Toelichting


Het opleidingsonderdeel wordt beoordeeld door de docent(en), zoals meegedeeld via Toledo en de examenregeling. Het resultaat wordt berekend en uitgedrukt met een geheel getal op 20. Het examen omvat twee delen:

  • Een theoretisch deel met vragen die peilen naar de conceptuele kennis van en inzicht in de behandelde statistische technieken
  • Een praktisch deel waarin studenten een aantal empirische problemen moeten oplossen door te tonen dat ze begrijpen hoe ze met R de analyses kunnen tot stand laten komen. Verder moet de student tonen dat ze bevindingen adequaat en inzichtelijk kunnen interpreteren en rapporteren

Tijdens het examen kan de student gebruik maken van een eigen (wetenschappelijk of grafisch) rekenmachine (met leeg geheugen). Tabellen met kansverdelingen, een formularium en eventueel een computer met R worden ter beschikking gesteld om de toepassingsvragen te beantwoorden. 

Verdere toelichtingen over de modaliteiten van het examen zullen gecommuniceerd worden via Toledo.

Toelichting bij herkansen

De evaluatiekenmerken en bepaling van het eindresultaat van de tweede examenkans kunnen verschillen van de eerste examenkans. De precieze modaliteiten van de tweede examenkans worden via Toledo gecommuniceerd na publicatie van de resultaten van de junizittijd.