Kvantitatiivne andmeanalüüs II (RAS6014.YK)
Õppeaine kood
RAS6014.YK
vana ainekood
Õppeaine nimetus eesti k
Kvantitatiivne andmeanalüüs II
Õppeaine nimetus inglise k
Quantitative Data Analysis II
Õppeaine maht EAP
5.0
Kontrollivorm
eksam
2025/2026 sügissemestri õppejõud
Ei ole õpetamiseks avatud. Vt all õppekava lingi kaudu peaeriala all nominaaljaotuse ajakava.
2025/2026 kevadsemestri õppejõud
Ei ole õpetamiseks avatud. Vt all õppekava lingi kaudu peaeriala all nominaaljaotuse ajakava.
Õppeaine eesmärgid
Luua võimalused teoreetiliste teadmiste ja praktiliste oskuste omandamiseks sotsiaalteaduslike andmete kvantitatiivsel analüüsil kesktasemel. Luua võimalused iseseisvalt kvantitatiivse andmeanalüüsi teostamiseks sobiva(te) analüüsimeetodi(te) valiku, tulemuste esitamise ning tõlgendamise oskuste näol.
Õppeaine sisu lühikirjeldus
Kursus koosneb loengutest-seminaridest ning praktikumidest, kus üliõpilastelt eeldatakse aktiivset kaasamõtlemist ja –töötamist.
Loenguteks-seminarideks tuleb üliõpilastel läbi töötada õppejõu poolt ette antud kirjandus ja ülesanded. Praktikumides tehakse loengus õpitu läbi praktiliste näidete ja harjutuste näol. Peamiseks töövahendiks praktikumis on andmetöötluspakett R (ja R Studio).
Kursuse raames käsitletakse järgmisi teemasid ja teemadeblokke:
· Mitmene lineaarne regressioonmudel erinevat tüüpi sõltumatute tunnuste kaasamisega mudelisse;
· Logistiline regressioon – binaarse ja multinominaalse logistilise regressiooni põhimudel ning erinevat tüüpi tunnuste kaasamine regressioonmudelisse.
· Erinevad andmekorraldusviisid ja andmeteisendused, sh uute tunnuste moodustamine, töö põhimuutujatega (haridus, amet, sissetulek)
· Faktoranalüüs – eksploratiivse faktoranalüüsi põhimudel;
Lisaks loengutele-praktikumidele tuleb kursuse läbimiseks iseseivalt läbida DataCamp.com keskkonnas üks kursus ning esitada kaks praktilistest andmeanalüüsi ülesannetest koosnevat kodutööd kursusel läbitud materjali ulatuses. Kodutöö eeldab iseseisvat töötamist andmetega (andmetöötluspaketi R kasutamist), oma tulemuste esitamist (ülesande lahendus ja esitus + skript’i fail). Iseseisvate tööde tulemused moodustavad kursuse lõpphinde.
Seminaride-praktikumide materjalid on kättesaadavad kursust toetavas õpikeskkonnas Moodle: https://moodle.hitsa.ee/course/view.php?id=6084
Loenguteks-seminarideks tuleb üliõpilastel läbi töötada õppejõu poolt ette antud kirjandus ja ülesanded. Praktikumides tehakse loengus õpitu läbi praktiliste näidete ja harjutuste näol. Peamiseks töövahendiks praktikumis on andmetöötluspakett R (ja R Studio).
Kursuse raames käsitletakse järgmisi teemasid ja teemadeblokke:
· Mitmene lineaarne regressioonmudel erinevat tüüpi sõltumatute tunnuste kaasamisega mudelisse;
· Logistiline regressioon – binaarse ja multinominaalse logistilise regressiooni põhimudel ning erinevat tüüpi tunnuste kaasamine regressioonmudelisse.
· Erinevad andmekorraldusviisid ja andmeteisendused, sh uute tunnuste moodustamine, töö põhimuutujatega (haridus, amet, sissetulek)
· Faktoranalüüs – eksploratiivse faktoranalüüsi põhimudel;
Lisaks loengutele-praktikumidele tuleb kursuse läbimiseks iseseivalt läbida DataCamp.com keskkonnas üks kursus ning esitada kaks praktilistest andmeanalüüsi ülesannetest koosnevat kodutööd kursusel läbitud materjali ulatuses. Kodutöö eeldab iseseisvat töötamist andmetega (andmetöötluspaketi R kasutamist), oma tulemuste esitamist (ülesande lahendus ja esitus + skript’i fail). Iseseisvate tööde tulemused moodustavad kursuse lõpphinde.
Seminaride-praktikumide materjalid on kättesaadavad kursust toetavas õpikeskkonnas Moodle: https://moodle.hitsa.ee/course/view.php?id=6084
Õppeaine õpiväljundid
Õppeaine edukal läbimisel üliõpilane:
- omab teoreetilisi ja praktilisi baasteadmisi lineaarse regressioonimudeli rakendamisest sotsiaalteaduslikus uurimistöös ning oskab nimetatud analüüsi kursuse mahu raames iseseisvalt teostada;
- omab teoreetilisi ja praktilisi baasteadmisi logistilise regressioonimudeli rakendamisest sotsiaalteaduslikus uurimistöös ning oskab binaarset logistilist regressiooni kursuse mahu raames iseseisvalt teostada;
- omab teoreetilisi ja praktilisi baasteadmisi eksploratiivse faktoranalüüsi rakendamisest sotsiaalteaduslikus uurimistöös ning oskab nimetatud analüüsi kursuse mahu raames iseseisvalt teostada;
- omab praktilisi oskusi andmete korraldamisest, andmeteisendustest ning kesksete tunnuste nagu haridus, amet ja sissetulek rakendamisest erinevat tüüpi analüüsides;
- suudab iseseisvalt valida analüüsiks sobiva analüüsimeetodi kursusel läbitud teemade ja meetodite piires ning selle analüüsi teostada andmetöötluspaketis R.
- omab teoreetilisi ja praktilisi baasteadmisi lineaarse regressioonimudeli rakendamisest sotsiaalteaduslikus uurimistöös ning oskab nimetatud analüüsi kursuse mahu raames iseseisvalt teostada;
- omab teoreetilisi ja praktilisi baasteadmisi logistilise regressioonimudeli rakendamisest sotsiaalteaduslikus uurimistöös ning oskab binaarset logistilist regressiooni kursuse mahu raames iseseisvalt teostada;
- omab teoreetilisi ja praktilisi baasteadmisi eksploratiivse faktoranalüüsi rakendamisest sotsiaalteaduslikus uurimistöös ning oskab nimetatud analüüsi kursuse mahu raames iseseisvalt teostada;
- omab praktilisi oskusi andmete korraldamisest, andmeteisendustest ning kesksete tunnuste nagu haridus, amet ja sissetulek rakendamisest erinevat tüüpi analüüsides;
- suudab iseseisvalt valida analüüsiks sobiva analüüsimeetodi kursusel läbitud teemade ja meetodite piires ning selle analüüsi teostada andmetöötluspaketis R.
Õppejõud
Dotsent Kadri Täht ja lektor Eve-Liis Roosmaa
Eeldusaine 1
Õppekavaversioonid, millesse aine kuulub