Orientacyjny sylabus zajęć

Dokładny układ materiału na zajęciach może nieznacznie zmienić się w toku semestru.

Zajęcia podzielone będą na bloki tematyczne.

R jako język programowania i praca z danymi.

W tym bloku tematycznym studenci zapoznają się z R jako językiem programowania. Omówione zostaną podstawowe struktury danych oraz struktury kontrolne. Szczegółowo przedstawione zostanie zagadnienie wczytywania danych zapisanych w najbardziej rozpowszechnionych formatach. Dodatkowo studenci będą mieli możliwość zapoznania się z unikatowymi dla środowiska R możliwościami takimi jak tworzenie wizualizacji danych oraz manipulowanie danymi w formie tabelarycznej. Studenci poznają również najczęściej wykorzystywane przy analizie danych eksperymentalnych funkcje oferowane przez pakiet bibliotek tidyverse. Głównym celem pierwszego bloku jest “oswojenie” słuchaczy ze środowiskiem R jako narzędziem, pozwalającym manipulować danymi.

1. Podstawowe typy danych (wektory typu numeric, character, logical, integer)
2. Zaawansowane typy danych (ramki danych i listy)
3. Struktury kontrolne (konstrukcje warunkowe, pętle)
4. Funkcje lapply, tapply, sapply
5. Podstawy grafiki w R
6. Wprowadzenie do tidyverse

Podstawy statystyki inferencyjnej z R

Kolejny blok tematyczny poświęcony będzie logice statystycznego testowania hipotez oraz podstawowym, używanym w praktyce badawczej testom statystycznym. Studenci poznają zasady wnioskowania statystycznego, zobaczą w jaki sposób zasady te realizowane są w praktyce na przykładach wybranych testów statystycznych oraz nauczą się interpretować wyniki tych tekstów. Nacisk położony zostanie również na założenia tych testów oraz konsekwencje ich złamania. Omówione zostanie również zagadnienie wielkości efektów oraz mocy testów statystycznych.

1. Rozkłady teoretyczne i symulacje
2. Testowanie statystyczne hipotez
3. Test chi-kwadrat
4. Test t-Studenta i przedziały ufności
5. Wielkość efektu i moc testów statystycznych
6. Wstęp do testów nieparametrycznych
7. Korelacja i regresja
8. Regresja liniowa
9. Analiza wariancji

Analiza danych eksperymentalnych z R

Ostatni z bloków tematycznych dotyczyć będzie technik statystycznych wykorzystywanych do analizy danych pochodzących ze złożonych schematów eksperymentalnych oraz danych, do których trudno zastosować jest omówione w poprzednim bloku techniki. Szczególny nacisk w tym bloku położony zostanie na umiejętności praktyczne wykraczające poza same obliczenia, takie jak przejrzyste raportowanie wyników analiz statystycznych oraz tworzenie wizualizacji danych na potrzeby publikacji naukowych.

1. Wprowadzenie do bootstrappingu i innych technik resamplingowych jako alternatywy dla testów nieparametrycznych
2. Podstawy ogólnego modelu liniowego
3. Zmienne nominalne w ogólnym modelu liniowym
4. Interakcje w modelu liniowym
5. Analiza wariancji jako szczególny przypadek modelu liniowego
6. Interakcje między zmiennymi nominalnymi i analiza wariancji
7. Analiza wariancji dla powtórzonych pomiarów
8. Podstawy regresji logistycznej

Literatura

Podręczniki

1. Howell, D. C. (2009). Statistical methods for psychology. Cengage Learning.
2. Matloff, N. (2011). The art of R programming: A tour of statistical software design. No Starch Press.
3. Tibshirani, R. J., & Efron, B. (1993). An introduction to the bootstrap. Monographs on statistics and applied probability, 57, 1-436.
4. Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2013). Applied multiple regression/correlation analysis for the behavioral sciences. Routledge.

Dodatkowe artykuły

1. Cohen, J. (1968). Multiple regression as a general data-analytic system. Psychological bulletin, 70(6p1), 426.
2. Havlicek, L. L., & Peterson, N. L. (1974). Robustness of the t test: A guide for researchers on effect of violations of assumptions. Psychological Reports, 34(3_suppl), 1095-1114.
3. Rochon, J., Gondan, M., & Kieser, M. (2012). To test or not to test: Preliminary assessment of normality when comparing two independent samples. BMC medical research methodology, 12(1), 81.
4. Blair, R. C., & Higgins, J. J. (1980). A comparison of the power of Wilcoxon’s rank-sum statistic to that of student’s t statistic under various nonnormal distributions. Journal of Educational Statistics, 5(4), 309-335.
5. Weber, M., & Sawilowsky, S. (2009). Comparative Power Of The Independent t, Permutation t, and Wilcoxon Tests. Journal of Modern Applied Statistical Methods, 8(1), 3.
6. Levine, T. R., & Hullett, C. R. (2002). Eta squared, partial eta squared, and misreporting of effect size in communication research. Human Communication Research, 28(4), 612-625.