Modulets indhold, forløb og pædagogik

Fagindhold og sammenhæng med øvrige moduler/semestre

Studerende på 2. semester er blevet fortrolige med helt ordinær lineær regression og binær logistisk regression. De ordinære regressionsmodeller er anvendelige i en lang række af situationer. Imidlertid er der flere situationer, som disse analysemetoder ikke kan håndtere tilfredsstillende. Ved benyttelse af andre metoder kan man udnytte informationen i data langt bedre i analysen og dermed i konklusionen. Dette gælder for forskere såvel som studerende.

Eksempelvis vil det ofte være tilfældet, at man ønsker at undersøge effekter på variabler, der hverken er intervalskalerede eller dikotome. I givet fald bør man i stedet benytte andre metoder end lineær regression og binær logistisk regression, som fx ordinal eller multinomial logistisk regression.

Og er man fx interesseret i læring i folkeskolen og vil gerne benytte PISA-data, kan man ikke komme uden om at benytte multilevel analyse (MLA). Det samme gælder, hvis man har en problemstilling, der angår komparationer af en række forskellige lande, og man fx gerne vil udnytte et af de store internationale datasæt som ISSP, World Values Survey, European Values Study og European Social Survey.

Har man i sit projekt stor interesse i at undersøge, hvordan de kausale effekter arter sig i et helt stisystem i stedet for blot at se på en serie uafhængige variablers kontrollerede effekter på en afhængig variabel, er der store fordele forbundet ved at skifte fra klassiske regressionsmodeller til såkaldt strukturelle ligningsmodeller (SEM).

Ovennævnte analysemetoder vil igennem en serie lektioner udgøre kernen i kurset. Vi starter imidlertid kurset med en repetition af nogle af de klassiske regressionsmetoder, hvor vi også udvider mulighederne lidt og går dybere ned i nogle væsentlige detaljer. Derforuden vil vi også i en af lektionerne behandle forklaring af effekter via mediering af mellemkommende variabler mere formelt og dybdegående, end hvad der er blevet gjort tidligere i uddannelsen. Endelig vil missing data og vægtningsproblematikker behandles særskilt i en lektion.

Fokus i kurset vil være på forståelsen for de grundlæggende principper i metoderne samt færdigheder og kompetencer i praktisk anvendelse. Med formuleringen ”forståelsen for de grundlæggende principper” henviser vi til, at vi ikke går i dybden med det strengt statistiske og matematiske, men derimod fokuserer på praktisk anvendelse. Til alle analysemetoderne anvendes statistikprogrammet Stata.

Læringsmål

Viden

• Bred viden om regressionsanalyse

• Indgående viden om de i modulet gennemgåede avancerede analysemetoder, herunder viden om forudsætninger, muligheder og begrænsninger

Færdigheder

• Færdigheder i at kunne benytte de gennemgåede analysemetoder på en række forskellige måder

Kompetencer

• Kompetencer til at kunne anvende avancerede statistiske analysemetoder på selvvalgte problemstillinger
• Kompetencer til at kunne diskutere metodernes forudsætninger, muligheder og begrænsninger ift. selvvalgte problemstillinger

Omfang og forventet arbejdsindsats

5 ECTS svarer til en arbejdsindsats på 140 timer, og disse forventes fordelt på følgende måde:

Eksamen

Prøver