PředmětyPředměty(verze: 908)
Předmět, akademický rok 2022/2023
   Přihlásit přes CAS
Advanced Statistics in SPSS and AMOS - JSB526
Anglický název: Advanced Statistics in SPSS and AMOS
Zajišťuje: Katedra sociologie (23-KS)
Fakulta: Fakulta sociálních věd
Platnost: od 2020
Semestr: letní
E-Kredity: 6
Způsob provedení zkoušky: letní s.:
Rozsah, examinace: letní s.:1/1, Z [HT]
Počet míst: neomezen / neomezen (neurčen)
Minimální obsazenost: neomezen
Virtuální mobilita / počet míst: ne
Stav předmětu: vyučován
Jazyk výuky: angličtina
Způsob výuky: prezenční
Další informace: http://samba.fsv.cuni.cz/~soukp6as/ADVANCED_STATISTICS/
Poznámka: předmět je možno zapsat mimo plán
povolen pro zápis po webu
Garant: PhDr. Ing. Petr Soukup, Ph.D.
Vyučující: PhDr. Ing. Petr Soukup, Ph.D.
Třída: Courses for incoming students
Soubory Komentář Kdo přidal
stáhnout Regression_HW.doc description of regression lectures and HW1 PhDr. Ing. Petr Soukup, Ph.D.
Literatura - angličtina
Poslední úprava: PhDr. Vilém Novotný, Ph.D. (19.11.2021)

Field. A. 2009 Discovering statistics using SPSS. Sage

Norusis, M. 2005. Advanced Statistical Procedure Companion. Prentice Hall.

Tarling, R. 2009. Statistical Modelling for Social Researchers, Routledge. 

Byrne, B. 2010. Structural equation modeling with AMOS. (ch.1-3)

Požadavky ke zkoušce - angličtina
Poslední úprava: PhDr. Ing. Petr Soukup, Ph.D. (02.02.2022)

Exam consist of 5 homework and oral exam (every part is evaluated separately 0-100 %).

Weights for final evalution: every hw 10 %, oral exam 50 % (for BA students).

Final grading: 0-50 % 4 (failed), 51 % - 60 % E, ), 61 % - 70 % D,  71-80 % C, ), 81 % - 90 % B  and 91 % and more A. 

Sylabus - angličtina
Poslední úprava: PhDr. Ing. Petr Soukup, Ph.D. (02.02.2022)

The course will be held in Pekarska building, computer lab 308

Online access is possible via ZOOM:

https://cesnet.zoom.us/j/4677639176?pwd=dVAyWkJISGRrOGp2ZUJRc0I2Y3p2UT09

Meeting ID: 467 763 9176

Passcode: 355749

 

 1.      Introduction to SPSS syntax language. Descriptive statistics and correlation analysis in SPSS. Missing values, results, handling and replacing. Data weighting. (1 lecture)

2.      Linear regression analysis - simple and multiple regression. Assumptions, model fit, possible modification of regression model. Model evaluation and interpretation. Dummy variables, multicollinearity, influential points, heteroscedasticity. Robust regression.(1st HW)  (2 lectures)

3.      Logistic regression - binary ordinal and polytomous model. Odds, odd ratio, logit. Model evaluation and interpretation. (2nd HW)  (2 lectures)

4.      Loglinear models (advanced contingency tables).  Model evaluation and interpretation.  (1 lecture)

5.      Latent class analysis (typology from binary and nominal variables). Explanatory and confirmatory approach. Unconditional latent class probability and conditional probability of individual answer. Comparison of models (decision about the number of latent classes). (3rd HW)  (1 lectures)

6.      Exploratory factor analysis. Assumptions, number of factors, Extraction and rotation. Factor weights and interpretation of factors. Factor scores and it’s usage. (4th HW)  (1 lecture)

7.      Confirmatory factor analysis for cardinal, ordinal and binary indicators. Model fit indices and criteria. Basic equations and graphical presentation. Modification indices, Bayesian estimation for nominal and ordinal data. (5th HW)  (2 lectures)

Exam consist of 5 homework and oral exam (every part is evaluated separately 0-100 %).

Weights for final evalution: every hw 10 %, oral exam 50 % (for BA students).

Final grading: 0-50 % 4 (failed), 51 % - 60 % E, ), 61 % - 70 % D,  71-80 % C, ), 81 % - 90 % B  and 91 % and more A. 

 
Univerzita Karlova | Informační systém UK