TECNICHE DI ANALISI DI DATI II

Docenti: 
PELOSI Annalisa
PINO Olimpia
Crediti: 
8
Sede: 
PARMA
Anno accademico di offerta: 
2019/2020
Responsabile della didattica: 
PELOSI Annalisa
Settore scientifico disciplinare: 
PSICOMETRIA (M-PSI/03)
Semestre dell'insegnamento: 
Secondo Semestre
Lingua di insegnamento: 

Italiano

Obiettivi formativi

Il corso intende fornire agli studenti gli strumenti teorici e applicativi per comprendere e sviluppare in autonomia le più importanti tecniche statistiche che costituiscono le applicazioni del Modello Lineare Generale (GLM) e della sua estensione (Generalized Linear Model) di più frequente applicazione nella ricerca psicobiologica e delle neuroscienze cognitive. Verranno inoltre fornite le linee-guida per la corretta redazione delle tecniche statistiche utilizzate nella produzione di testi che illustrino risultati di ricerca (tesi di laurea, comunicazione a convegni, articoli scientifici), secondo le raccomandazioni APA.

Prerequisiti

È richiesto come prerequisito l’aver sostenuto il corso di Tecniche di Analisi dei Dati I.

Contenuti dell'insegnamento

Inferenza statistica: NHST versus fitting del modello. Modello Lineare Generale: caratteristiche e assunzioni. Modelli di relazioni tra variabili quantitative: correlazioni di ordine zero e di ordine uno, regressione lineare semplice e multipla, modelli misti. Modelli di relazioni tra variabili categoriali e continue: ANOVA. Modelli di relazione tra variabili categoriali (Modello Lineare Generalizzato): regressione logistiche e di Poisson, test non parametrici.

Programma esteso

L’inferenza statistica: NHST versus model fitting. Il modello lineare generale: caratteristiche e assunzioni. Modelli di relazione tra variabili quantitative: correlazione di ordine zero e superiore, regressione lineare multipla, modelli misti. Modelli di relazione tra variabili continue e variabili nominali/categoriali: Analisi della varianza (disegni fattoriali, a misure ripetute). Modelli di relazione tra variabili categoriali (Generalized Linear Model): regressione di Poisson e logistica (binaria e multinomiale), test non parametrici.

Bibliografia

Micciolo, R., Espa, G., Canal, L. (2013). Ricerca con R – metodi di inferenza statistica. Apogeo edizioni (capp. 1, 2, 5).
Gallucci, M., Leone, L. , Berlingeri, M. (2017). Modelli statistici per le scienze sociali ( 2 Edizione). Pearson. (pp. 19-246; 281-288).
Task Force on Statistical Inference – American Psychological Association (1999). Follow up report: Statistical methods in psychology journals. (pp. 1-11). http://www.apa.org/science/leadership/bsa/statistical/tfsi-followup-repo...
E' inoltre messo a disposizione, sulla piattaforma didattica dei Corsi di Laurea di Medicina e Chirurgia: http://elly.medicina.unipr.it/2017/, ulteriore materiale didattico a sostegno della preparazione (dispense e slide).

Metodi didattici

Lezioni frontali integrate da esercitazioni in classe (utilizzo del software per elaborazioni statistiche R)

Modalità verifica apprendimento

Durante le lezioni sono previsti tre momenti di verifica intermedi, cui possono liberamente partecipare frequentanti e non frequentanti: le verifiche riguarderanno gli ambiti teorici affrontati a lezione e una esercitazione statistica pratica, in aula, su ambiente R. Solo per coloro che abbiano portato a termine tutte e tre le verifiche in itinere, la valutazione complessivamente ottenuta è considerata valida ai fine dell'esito finale. Per coloro che non abbiano svolto le verifiche in itinere o che non ne abbiano riportato una valutazione pienamente sufficiente, la verifica finale dell'apprendimento consisterà in un esame scritto, dello stesso tipo e formato seguito per le verifiche in itinere, sull'intero programma d'esame. Solo se la valutazione delle prove scritte, in itinere o negli appelli calendarizzati, è sufficiente, è facoltà dello studente richiedere anche una prova orale.