Ανάλυση Δεδομένων

Τα θεωρητικά μέρη του μαθήματος περιέχουν

• -Ανάλυση της μεθοδολογίας των ελέγχων στατιστικών υποθέσεων,
• -Ανάλυση των βασικών μεθόδων δειγματοληψίας όπως, δειγματοληψίες με πιθανότητες, απλή τυχαία δειγματοληψία (A.Τ.Δ.), στρωματοποιημένη δειγματοληψία, και συστηματική τυχαία δειγματοληψία,
• -Ανάλυση παλινδρόμησης δηλ. προσδιορισμός των συντελεστών α και β της ευθείας παλινδρόμησης, μελέτη της ευθείας παλινδρόμησης, παραβολική παλινδρόμηση, εφαρμογή της εκθετικής παλινδρόμησης και πολλαπλή παλινδρόμηση
• Ανάλυση σε κύριες συνιστώσες δηλ. τυποποίηση του αρχικού πίνακα δεδομένων, δημιουργία του πίνακα συσχετίσεων, εύρεση των ιδιοτιμών και των ιδιοδιανυσμάτων του πίνακα συσχετίσεων, υπολογισμός του ποσοστού αδράνειας (διασποράς) του νέφους των σημείων στον κάθε έναν από τους νέους παραγοντικούς άξονες και υπολογισμός των συντεταγμένων των σημείων στους νέους άξονες
• Μεθόδους αυτόματης ομαδοποίησης κατά συστάδες (Clustering) δηλ. ιεραρχικές μεθόδους όπως η μέθοδος του πλησιέστερου γειτονικού σημείου, την εύκαμπτη μέθοδο των Lance και Williams και μη ιεραρχικές μεθόδους όπως Η μέθοδος ομαδοποίησης γύρω από κινητά κέντρα (Κ-Means).
• Προαιρετικά περιλαμβάνονται :
• Απλή και Πολλαπλή Παραγοντική Ανάλυση Αντιστοιχιών (ACM). Στατιστική μέθοδος επεξεργασίας δεδομένων που επιτρέπει τον εντοπισμό του τρόπου που συνδέονται συνολικά οι διάφορες μεταβλητές. Η εφαρμογή της δείχνει τον βαθμό στον οποίο είναι δυνατό να συμπυκνωθεί αυτή την πληροφορία σε ένα μικρό αριθμό χαρακτηριστικών πιο εύκολα αντιληπτών. Πίνακές συνάφειας και αντιστοιχιών.
• Στοιχεία εξελιγμένων μεθόδων ανάλυσης. Structural Equation Modeling (SEM) με τη χρήση του AMOS, Neural Networks Models με χρήση του SPSS.

Οι εργαστηριακές ασκήσεις και εφαρμογές σε εικονικά ή και πραγματικά δεδομένα θα πραγματοποιούνται με την χρήση του λογισμικού στατιστικής επεξεργασίας δεδομένων S.P.S.S. Η ύλη των εργαστηριακών ασκήσεων δεν θα συμβαδίζει απαραίτητα με την ύλη της θεωρίας, αλλά σε πολλές περιπτώσεις θα υπάρχει αντιστοιχία μεταξύ τους (ανεξάρτητα από την σειρά που θα διδαχθούν).

Είναι σκόπιμο οι φοιτητές να έχουν σε κάθε μάθημα προσωπικά το ατομικό usb flash disk.

Η ύλη των εργαστηριακών ασκήσεων και εφαρμογών θα περιλαμβάνει με ελαφρές αποκλίσεις : Εισαγωγή - Μορφοποίηση δεδομένων. Συμβατότητα με άλλα λογισμικά (π.χ. Excel), Βασικές εντολές του SPSS (διάταξης, κωδικοποίησης, δημιουργίας νέων μεταβλητών, καθώς και συνένωσης και διαχωρισμού αρχείων δεδομένων), Γραφικά με το SPSS, Περιγραφικές στατιστικές και πίνακες συνάφειας με το λογισμικό SPSS, Στατιστικοί έλεγχοι υποθέσεων, Πίνακες συσχετίσεων και παλινδρομήσεις, Ταξινομήσεις, Παραγοντική ανάλυση

Με την παροχή θεωρητικών γνώσεων στατιστικών ελέγχων υποθέσεων και βασικών μεθόδων ανάλυσης δεδομένων σε συνδυασμό με εργαστηριακές ασκήσεις εφαρμογών σε ηλεκτρονικούς υπολογιστές επιδιώκεται η δημιουργία ενός ολοκληρωμένου υποβάθρου γνώσεων συγκεκριμένων μεθόδων στατιστικής και ανάλυσης δεδομένων και χειρισμού στατιστικών λογισμικών στους φοιτητές.

Από το σύνολο του τελικού βαθμού η θεωρία παίρνει 50% της βαθμολογίας ενώ οι εργαστηριακές ασκήσεις και εφαρμογές το 50%. Η εξέταση της θεωρίας είναι γραπτή ενώ των εργαστηριακών ασκήσεων με την πραγματοποίηση ασκήσεων σε Η/Υ

Η τυχόν εθελοντική ή κατευθυνόμενη πραγματοποίηση κάποιας (σχετικά μικρής) ερευνητικής ή μελετητικής εργασίας τόσο σε θεωρητικό όσο και σε εργαστηριακό επίπεδο θα συνεισφέρει στον τελικό βαθμό. Η πραγματοποίηση εργασίας είναι ΠΡΟΑΙΡΕΤΙΚΗ.

Bonus σε φοιτητές που παρακολουθούν ανελλιπώς το μάθημα θα δοθούν με την μορφή ενός προαιρετικού test στο οποίο θα ληφθούν υπ’όψη η απόδοση και οι παρουσίες.

Περάκης Γ. Κ. «Στοιχεία δειγματοληψίας και ανάλυσης δεδομένων», Διδακτικές σημειώσεις, 2000 Ντυκέν Μ. Ν. «Εισαγωγή στο SPSS και στατιστικές εφαρμογές» Διδακτικές σημειώσεις, 2001

Howitt D. και Cramer D. «στατιστική με το SPSS 10 για Windows», Εκδόσεις Κλειδάριθμος 2001 Everitt Br., “Cluster Analysis” Halsted Press a Division of J. Wiley & Sons, New York, 1981.

Johnson R., Wichem D., “Applied Multivariate Statistical Analysis” , Prentice-Hall, 1982.

Krzanowski W., “Principles of Multivariate Analysis. A user perpective” Oxford Science Publications, 1990.

Morisson D., “Multivariate Statistical Methods” McGraw-Hill Series in Probability and Statistics, 1990.