TECNICHE DI ANALISI DI DATI II

Crediti: 
8
Sede: 
PARMA
Anno accademico di offerta: 
2021/2022
Responsabile della didattica: 
Settore scientifico disciplinare: 
PSICOMETRIA (M-PSI/03)
Semestre dell'insegnamento: 
Secondo Semestre
Anno di corso: 
1
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. In dettaglio, gli obiettivi formativi sono:
1. Conoscenza e capacità di comprensione. Gli studenti dovranno raggiungere una buona conoscenza della statistica inferenziale e comprendere come viene utilizzata nella ricerca di base e applicata.
2. Capacità di applicare conoscenza e comprensione. Gli studenti dovranno essere in grado di utilizzare l’ambiente di sviluppo R per sviluppare e interpretare analisi inferenziali su modelli lineari semplici e complessi.
3. Autonomia di giudizio. Gli studenti dovranno sviluppare capacità critica e autonomia di giudizio rispetto alla produzione e descrizione di dati in testi che illustrino risultati di ricerca.
4. Abilltà comunicative. Gli studenti dovranno essere in grado di comunicare i risultati di analisi inferenziali di dati, sia in forma numerica sia in forma grafica, inserendoli nel contesto di ipotesi di ricerca.
5. Capacità di apprendimento. Gli studenti dovranno essere in grado di apprendere nuove tecniche per la conduzione di analisi inferenziali, in particolare nell’ambiente di sviluppo R, e il loro report in testi scientifici.

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, ANCOVA. Modelli di relazione tra variabili categoriali (Modello Lineare Generalizzato): regressione logistiche, multilevel linear models.

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

Tutti i materiali formativi sono messi a disposizione nella pagina Elly dell'insegnamento.
Lo studente potrà scaricare la dispensa del corso, slide, videoregistrazioni, esercizi.

Sono consigliati, inoltre, i seguenti testi:

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...

Metodi didattici

Le lezioni si svolgeranno in presenza, nel rispetto degli standard di sicurezza. Il materiale didattico sarà depositato sulla specifica piattaforma ad accesso riservato agli studenti (Elly) e comprenderà presentazioni iconografiche, audio-video di supporto o videoregistrazione delle lezioni.

Modalità verifica apprendimento

Durante le lezioni sono previsti due momenti di verifica intermedi, cui possono liberamente partecipare frequentanti e non frequentanti. le verifiche riguarderanno gli ambiti teorici affrontati a lezione, e sono strutturate in due domande aperte di teoria e una esercitazione pratica, su ambiente R, divisa in tre parti: una relativa a statistiche descrittive, le altre due relative a verifiche inferenziali di ipotesi. L'esercizio prevede l'analisi di dati che saranno messi a disposizione (tramite Elly) al massimo 48 ore prima della prova. Le analisi comprenderanno una prima parte relativa a statistiche descrittive sui dati e due successive parti in cui saranno richieste verifiche inferenziali di ipotesi. Oltre alla corretta esecuzione delle statistiche, sarà considerata parte imprescindibile ai fini della sufficienza la capacità di interpretare e commentare adeguatamente gli output delle analisi. La valutazione in trentesimi sarà così composta:
prima domanda di teoria: 0-8 punti; seconda domanda di teoria: 0-8 punti
esercizio: 0-14 punti, così suddivisi:
prima parte 0-4 punti;
seconda parte 0-5 punti;
terza parte 0-5 punti. Solo per coloro che abbiano portato a termine tutte le verifiche in itinere, la valutazione mediamente 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 del tutto analogo alle verifiche intermedie, salvo che i contenuti richiesti riguarderanno l'intero programma: due domande aperte di teoria sull'intero programma, e un esercizio in ambiente R. L'esercizio prevede l'analisi di dati che saranno messi a disposizione (tramite Elly) al massimo 48 ore prima della prova. Le analisi comprenderanno una prima parte relativa a statistiche descrittive sui dati e due successive parti in cui saranno richieste verifiche inferenziali di ipotesi. Oltre alla corretta esecuzione delle statistiche, sarà considerata parte imprescindibile ai fini della sufficienza la capacità di interpretare e commentare adeguatamente gli output delle analisi. La valutazione in trentesimi sarà così composta:
prima domanda di teoria: 0-8 punti; seconda domanda di teoria: 0-8 punti
esercizio: 0-14 punti, così suddivisi:
prima parte 0-4 punti;
seconda parte 0-5 punti;
terza parte 0-5 punti.
E' facoltà dello studente chiedere che l'esame sia integrato da una prova orale, purché l'esito della prova scritta sia complessivamente sufficiente. La prova orale è strutturata in maniera analoga alla prova scritta: domande relative ai contenuti dell'intero programma e una breve esercitazione in ambiente R su dati utilizzati per le esercitazioni durante il corso. Nel caso si renda necessario adottare la modalità a distanza, anche per la prova orale facoltativa si procederà a distanza, utilizzando la piattaforma Teams.
Gli Studenti con DSA/BSE devono preventivamente contattare Le Eli-che: supporto per studenti con disabilità, D.S.A., B.E.S. (http://cai.unipr.it/it/le-eli-che/42/)

Altre informazioni

Si raccomanda con insistenza di accompagnare la preparazione teorica con l'esecuzione degli esercizi proposti; si suggerisce di richiedere al docente feedback sulla loro correttezza.