Kommentar |
Sowohl in soziologischer Lehre als auch Forschung wird sich standardmäßig an der frequentistischen Statistik orientiert, wenn soziale Phänomene quantitativ-empirisch untersucht werden. In den letzten Jahrzehnten hat sich jedoch zunehmend ein alternativer Ansatz etabliert, nämlich die Bayes-Statistik.
Der Kurs hat zum Ziel Grundlagen der Bayes-Statistik anwendungsorientiert zu vermitteln, der Fokus liegt dabei auf der konzeptuellen Ebene. Zunächst besprechen wir Unterschiede im bayesianischen und frequentistischen Wahrscheinlichkeitsbegriff und klären Begriffe wie Zufallsvariable (ZV), Verteilungen und statistisches Modell.
Nachdem grundlegende Begriffe (stat. Modell, ZV, subjektiver Wahrscheinlichkeitsbegriff) vermittelt wurden, wird die zentrale Bedeutung des Bayes-Theorems besprochen und an Beispielen demonstriert. Wir diskutieren die Interpretation von frequentistischen und bayesianischen Intervallschätzern in der multiplen linearen Regression. Wir besprechen, wie Wahrscheinlichkeitsverteilungen genutzt werden können um Polarisierung zu beschreiben (siehe Bramson et al).
Im Anschluss gehen wir stärker auf die Anwendung der Bayes-Statistik in der Datenanalyse ein. Die Regressionsmodellierung kann verwendet werden, um statistische Muster zu finden und zu beschreiben, die eine Grundlage für die Diskussion von sozialen Phänomenen darstellen können. Die Studierenden sollen ein prädiktives bayesianisches Regressionsmodell nutzen, um eine eigene Fragestellung zu untersuchen, die sich mit der Polarisierung von Schüler*innen im Schulsystem beschäftigt (siehe z. B. Ivaniushina et al). Das Vorgehen orientiert sich an Borsboom et al, wobei nur der erste Schritt, also die Identifikation des Phänomens, besprochen wird.
Der Kurs bietet Studierenden die Möglichkeit die Standard-Anwendungen der frequentistischen Statistik differenzierter zu verstehen, Konzepte der Bayes-Statistik kennenzulernen und deren Anwendung auf soziologische Fragestellungen zu erkunden und mitzugestalten.
Wir arbeiten mit Stata, die Nutzung des Programmes zur Datenaufbereitung und zur Datenanalyse wird im Kurs vermittelt.
zentrale statistische Themen: Wahrscheinlichkeitskonzepte und Bayes-Theorem, Priori-Verteilung, Likelihood, posteriori-Verteilung, MCMC, Multiple lineare Regressionsanalyse
Veranstaltungshinweis:
Vortrag und Workshop „A GENTLE INTRODUCTION TO BAYESIAN STATISTICS“ (14.10/15.10.21)
https://www.soziologie.uni-jena.de/aktuelles/vortrag+und+workshop+%E2%80%9Ea+gentle+introduction+to+bayesian+statistics%E2%80%9C |
Literatur |
Borsboom D, van der Maas HLJ, Dalege J, Kievit RA, Haig BD (2021). Theory Construction Methodology: A Practical Framework for Building Theories in Psychology. Perspectives on Psychological Science. ;16(4):756-766. doi:10.1177/1745691620969647
Bramson, A., Grim, P., Singer, D. J. ; Berger, W. J. ; Sack, G., Fisher, S.,Flocken, C., Holman, B (2017). Understanding polarization: Meanings, measures, and model evaluation. In: Philosophy of Science. ; Vol. 84, No. 1. pp. 115-159.
Frost, Irasianty (2017): Statistische Testverfahren, Signifikanz und p-Werte. Allgemeine Prinzipien verstehen und Ergebnisse angemessen interpretieren. 1. Auflage 2017. Wiesbaden: Springer Fachmedien Wiesbaden (essentials).
Frost, Irasianty (2018): Einfache lineare Regression. Die Grundlage für komplexe Regressionsmodelle verstehen. Wiesbaden: Springer VS (essentials).
Gelman, Andrew; Hill, Jennifer (2006): Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge: Cambridge University Press.
Gelman, Andrew; Hill, Jennifer; Vehtari, Aki (2020): Regression and Other Stories: Cambridge University Press.
Gill, Jeff; Traunmüller, Richard (2020): Bayesianische Inferenz als Alternative zur klassischen Statistik. In: Claudius Wagemann, Achim Goerres und Markus B. Siewert (Hg.): Handbuch Methoden der Politikwissenschaft. Wiesbaden: Springer Fachmedien Wiesbaden, S. 671–697.
Ivaniushina, Valeria; Alexandrov, Daniel (2018): Anti-school attitudes, school culture and friendship networks. In: British Journal of Sociology of Education 39 (5), S. 698–716.
Kaplan, David (2014). Bayesian statistics for the social sciences. Guilford Press. Chap. 1, 2, 3, 4, 5, 6
Kohler, Ulrich; Kreuter, Frauke (2017): Datenanalyse mit Stata. Allgemeine Konzepte der Datenanalyse und ihre praktische Anwendung. 5. aktualisierte Auflage. Berlin: De Gruyter Oldenbourg.
Konishi, Chiaki; Hymel, Shelley; Zumbo, Bruno D.; Li, Zhen (2010): Do School Bullying and Student—Teacher Relationships Matter for Academic Achievement? A Multilevel Analysis. In: Canadian Journal of School Psychology 25 (1), S. 19–39.
Mittag, Hans-Joachim; Schüller, Katharina (2020): Statistik. Eine Einführung mit interaktiven Elementen. 6., vollständig überarbeitete und ergänzte Auflage. Berlin, Heidelberg: Springer Spektrum.
Tramonte, Lucia; Willms, J. Douglas (2010): Cultural capital and its effects on education outcomes. In: Economics of Education Review 29 (2), S. 200–213.
Wenzelburger, Georg; Jäckle, Sebastian; König, Pascal (2014): Weiterführende statistische Methoden für Politikwissenschaftler. München: Oldenbourg Wissenschaftsverlag.
Ziegler, Markus (2017): Induktive Statistik und soziologische Theorie. Eine Analyse des theoretischen Potenzials der Bayes-Statistik. 1. Auflage. Weinheim: Beltz Juventa (Grundlagentexte Methoden).
Zucchini, Walter; Schlegel, Andreas; Nenadic, Oleg; Sperlich, Stefan (2009): Statistik für Bachelor- und Masterstudenten. Eine Einführung für Wirtschafts- und Sozialwissenschaftler. Berlin, Heidelberg: Springer (Statistik und ihre Anwendungen). |
Bemerkung |
Der Kurs findet 14-tägig statt und umfasst dann 180 Minuten. Die Kurszeit wird in zwei 90-Minuten Blöcke unterteilt. Im ersten Abschnitt werden Inhalte erklärt. Im zweiten Abschnitt werden Aufgaben bearbeitet und Sie haben die Möglichkeit unmittelbar Fragen zu diesen Aufgaben zu stellen. In den Wochen in denen der Kurs nicht stattfindet wird ein begleitendes Tutorium angeboten. Auch hier finden Sie die Gelegenheit des betreuten Arbeitens insbesondere mit Stata. Der Kurs ist so aufgebaut, dass ausreichend Zeit ist um auf Fragen einzugehen und diese zu besprechen. Durch die Anwendungsbeispiele im zweiten Teil des Kurses, haben Sie die Möglichkeit die methodischen Aspekte des ersten Abschnittes auszuprobieren und damit vertraut zu werden.
Der Kurs richtet sich vor allem an Studierende, die Interesse daran haben ihre Methoden-Kenntnisse zu vertiefen und statistische Methoden auf einer konzeptuellen Ebene zu hinterfragen. Vorausgesetzt wird ein gutes Verständnis, der Interpretation der multiplen linearen Regression. Der Kurs ist dialogisch ausgerichtet, daher ist auch die Bereitschaft zu einer aktiven Beteiligung eine Voraussetzung für diese Veranstaltung.
In diesem Kurs werden grundlegende Konzepte vermittelt, keine fertigen Analysestrategien, insbesondere keine fertigen Ideen davon, wie ein Forschungsprozess ablaufen sollte. Durch die Vermittlung unterschiedlicher Konzepte können sich Studierende mit unterschiedlichen Ansätzen aus der Frequ. und aus der Bayes Statistik auseinandersetzen und dadurch ihr Blickfeld auf die Anwendung statistischer Methoden erweitern.
Eine Vertiefung der Inhalte der Veranstaltung erfolgt im begleitenden Tutorium, dessen Besuch ausdrücklich empfohlen wird.
|