Παρουσίαση/Προβολή

Διδάσκοντες

Βερναδάκης Νικόλαος, Καθηγητής (nvernada@phyed.duth.gr)

Καναβάκη Αρχόντισσα, Επίκουρη Καθηγήτρια (mkanavak@phyed.duth.gr)

Περιεχόμενο μαθήματος

1. Εισαγωγή στη Στατιστική και Στατιστικό Λογισμικό

   • Επανάληψη βασικών στατιστικών εννοιών

   • Εισαγωγή σε στατιστικά πακέτα λογισμικού

2. Έλεγχος Κανονικότητας και Μείωση Σφάλματος

   • Έλεγχος κατανομής δεδομένων

   • Μείωση bias και έλεγχος ισχύος του δείγματος

3. Παλινδρόμηση και Συσχέτιση

   • Απλή γραμμική παλινδρόμηση (ποσοτικές & ποιοτικές μεταβλητές)

   • Πολλαπλή γραμμική παλινδρόμηση

4. Ειδικές Τεχνικές Παλινδρόμησης

   • Mediation και moderation analysis

   • Λογαριθμιστική παλινδρόμηση (Logistic Regression)

5. Συγκριτικοί Έλεγχοι και Ανάλυση Διακύμανσης

   • t-test και μη παραμετρικοί έλεγχοι

   • Ανάλυση διακύμανσης (ANOVA)

6. Επαναλαμβανόμενες Μετρήσεις

   • Στατιστικές τεχνικές για δεδομένα με πολλαπλές μετρήσεις

7. Ανάλυση Συνδιακύμανσης (ANCOVA)

   • Συνδυασμός ανάλυσης διακύμανσης και παλινδρόμησης

8. Πολυμεταβλητή Ανάλυση Διακύμανσης (MANOVA)

   • Πολυμεταβλητές συγκρίσεις μεταξύ ομάδων

9. Παραγοντική Ανάλυση

   • Διερευνητική παραγοντική ανάλυση (Exploratory Factor Analysis)

10. Μοντελοποίηση Δομών (SEM & Path Analysis)

• Path Analysis

• Δομικές Εξισώσεις (Structural Equation Modeling - SEM)

• Latent Growth Modeling

11. Ανάλυση Συστάδων και Ανάλυση Διακριτότητας

• Cluster Analysis

• Discriminant Analysis

12. Συστηματική Ανασκόπηση και Μετά-Ανάλυση

• Μεθοδολογία και εφαρμογές στη στατιστική έρευνα

• Κριτική αξιολόγηση ερευνών

13. Επανάληψη και Ερωτήσεις

• Ανακεφαλαίωση και επίλυση αποριών

Μαθησιακοί στόχοι

Με την ολοκλήρωση του μαθήματος Προχωρημένη Στατιστική, οι φοιτητές θα είναι σε θέση να:

1. Κατανοούν και εφαρμόζουν προχωρημένες στατιστικές μεθόδους για την ανάλυση δεδομένων, συμπεριλαμβανομένης της παλινδρόμησης, της ανάλυσης διακύμανσης και των πολυμεταβλητών τεχνικών.

2. Επιλέγουν την κατάλληλη στατιστική μέθοδο ανάλογα με το είδος των δεδομένων και την ερευνητική ερώτηση που καλούνται να απαντήσουν.

3. Χρησιμοποιούν στατιστικό λογισμικό (π.χ. Jamovi, SPSS, R, ή άλλο σχετικό λογισμικό) για την ανάλυση δεδομένων και την ερμηνεία των αποτελεσμάτων.

4. Εφαρμόζουν τεχνικές ελέγχου κανονικότητας και αντιμετώπισης σφαλμάτων ώστε να βελτιώσουν την εγκυρότητα και αξιοπιστία των αποτελεσμάτων τους.

5. Σχεδιάζουν και εκτελούν πολυμεταβλητές αναλύσεις όπως η ανάλυση συνδιακύμανσης (ANCOVA), η πολυμεταβλητή ανάλυση διακύμανσης (MANOVA) και η παραγοντική ανάλυση.

6. Κατανοούν και εφαρμόζουν τεχνικές μοντελοποίησης δομών (SEM) για την ανάλυση πολύπλοκων σχέσεων μεταξύ μεταβλητών.

7. Αναλύουν και ερμηνεύουν αποτελέσματα στατιστικών αναλύσεων και να τα παρουσιάζουν με σαφή και επιστημονικά τεκμηριωμένο τρόπο.

8. Διεξάγουν και αξιολογούν συστηματικές ανασκοπήσεις και μετά-αναλύσεις, κατανοώντας τις αρχές και τις μεθοδολογικές προσεγγίσεις τους.

9. Αναπτύσσουν κριτική σκέψη και ερευνητικές δεξιότητες, ώστε να αξιολογούν τη στατιστική ποιότητα επιστημονικών μελετών και να εντοπίζουν πιθανές αδυναμίες στις αναλύσεις.

10. Συνδέουν τη θεωρητική γνώση με την πρακτική εφαρμογή σε ερευνητικά δεδομένα, προετοιμάζοντας τους εαυτούς τους για προχωρημένη έρευνα και εφαρμοσμένη στατιστική ανάλυση σε διάφορους επιστημονικούς κλάδους.

Μέθοδοι διδασκαλίας

Το μάθημα θα διδαχθεί ως συνδυασμός δύο μεθόδων διδασκαλίας:

• διαλέξεις όπου θα εισάγονται βασικές έννοιες και θεωρίες σχετικές με το περιεχόμενο του μαθήματος
• εργαστηριακή διδασκαλία όπου οι φοιτητές θα εργάζονται αυτόνομα ή σε ομάδες αλλά με καθοδήγηση, εκτελώντας εργασίες με πακέτα λογισμικού γενικής και ειδικής χρήσης.

Παράλληλα θα αναπτύσσεται το μοντέλο της μικτής μάθησης με χρήση εξ αποστάσεως μάθησης μέσω αντίστοιχης πλατφόρμας διαχείρισης μάθησης.

Μέθοδοι αξιολόγησης

Η αξιολόγηση για το μάθημα θα δομηθεί ως εξής:

• Ενδιάμεση αξιολόγηση (Επίλυση Προβλημάτων) 30%
• Γραπτή εξέταση (Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης) 70%