Università degli Studi di Catania
Facoltà di Scienze Politiche
Corso di Laurea Magistrale in Sociologia (LM 88)
Docente: Tomaselli Venera
Luogo e orario di ricevimento: DSPS (I piano), Lunedì h. 8:30-9:30, Martedì 16:00-17:00
e-mail e recapito telefonico: [email protected]; 09570305274
SSD
Insegnamento
CFU
SECS-S/05
Modelli e tecniche statistiche per l’analisi multidimensionale dei dati
6
TITOLI MODULI e TESTI DI RIFERIMENTO
Modulo 1:
Tecniche fattoriali e di clustering
Contenuti:
I principi e la logica dell’analisi multidimensionale e multivariata
I paradossi dell’analisi multivariata
La tipologia delle matrici
Analisi fattoriale: fattori principali e componenti principali
Scaling multidimensionale
Analisi delle corrispondenze: semplici e multiple
Analisi dei gruppi
Metodologie di fuzzy clustering
Testi:
Fabbris L. (1997), Statistica multivariata. Analisi esplorativa dei dati, McGrawHill, Milano, pp. 3-77; 163-295; 301-351.
Kosko B. (1995), Il fuzzy-pensiero. Teoria ed applicazioni della logica fuzzy,
Baldini & Castaldi, Milano, pp. 13-57; 147- 183.
Sangalli A. (2000), L’importanza di essere fuzzy, Bollati Boringhieri, Torino, p. 19147.
Modulo 2:
Modelli multivariati per l’analisi della relazioni causali
Contenuti:
Regressione multipla
Regressione non lineare e logistica
Modelli log-lineari
Testi:
Bohrnstedt G. W. and Knoke D. (1998), Statistica per le scienze sociali, Il Mulino,
Bologna, pp. 207-375.
Breve descrizione del Corso:
Il corso fornisce le indicazioni operative utili per un'efficace strutturazione dell’analisi
multivariata di complessi data-base mediante tecniche, modelli e procedure statistiche di sintesi e di analisi
delle relazioni tra variabili, necessarie per un impiego corretto ed efficiente dei dati e delle informazioni.
Esso prevede l’esecuzione di esperienze di ricerca empirica e di applicazione di procedure di
elaborazione dei dati, anche congiuntamente ad altre discipline, mediante la partecipazione didatticamente
orientata alle attività di stages e tirocinio.
Obiettivi formativi dell’insegnamento e indicatori dei risultati attesi
(congruenti con gli obiettivi generali del Corso di Laurea):
Lo studente dovrà acquisire le conoscenze teoriche necessarie alla comprensione delle tecniche e
dei modelli multidimensionali di elaborazione dei dati.
Svilupperà
la conoscenza metodologica e tecnica delle procedure di gestione di data-base
complessi mediante l’uso di banche-dati digitali in rete e di software specialistico di elaborazione statistica
dei dati.
Obiettivi formativi (EN) - Learning outcomes:
(Knowledge and understanding: Applying knowledge and understanding: Making judgments:
Communication skills: Learning skills:).
The student will acquire the theoretical and methodological knowledge for the understanding of the
techniques and multidimensional models of data processing.
The student will know technical procedures for the management of complex and large data-base through
the use of specialized software for statistical data processing.
Reading list:
Per ogni singolo modulo sarà distribuito materiale didattico ed esemplificativo a cura della docente.
Sono previsti seminari di approfondimento su argomenti specialistici:
analisi testuale
Tuzzi A. (2003), L’analisi del contenuto, Carocci, Roma
D. F. Iezzi (2009), Statistica per le Scienze Sociali, Carocci, Roma (Cap. 13).
analisi di dati relazionali (network analysis)
D. F. Iezzi (2009), Statistica per le Scienze Sociali, Carocci, Roma (Cap. 14).
reti neuronali
Meraviglia C. (2001), Le reti neurali nella ricerca sociale, FrancoAngeli, Milano, pp. 13-78.
modelli multilevel
Hox J.J. (1995), Applied Multilevel Analysis, TT-Publikaties, Amsterdam, p. 1-30.
Dispense a cura della docente.
modelli di equazioni strutturali
Corbetta P. (2002), Metodi di analisi multivariata per le scienze sociali. I modelli di equazioni
strutturali, Il Mulino, Bologna, pp. 39-94.
modelli di Item Response Theory (IRT)
Giampaglia G. (2008), Il modello di Rasch nella ricerca sociale, Liguori, Napoli.
Metodo didattico:
Lezioni frontali mediante l’uso di slides a cura della
docente.
Gli studenti saranno coinvolti in esperienze di ricerca
e di laboratorio per l’elaborazione dei dati.
X
Lezioni frontali
X
Seminari
X
Presentazioni
X
Laboratori
□
Altro
Metodo di valutazione delle competenze acquisite:
X
X
X
□
Scritto
Orale
Presentazione essay
Altro
