社会统计学入门-L5数据特殊性要求
L5:课程导读试听课
课程导读试听课立即播放
一、秀才不出门,能知天下事-元分析于社会科学的应用
二、元分析定义
三、元分析的优势
四、元分析的开始
五、评估研究质量
六、效果量介绍
七、固定效果与随机效果Fix and Random effect model
八、异质性检验Heterogeneity
九、选择偏误
十、CMA操作实务
十一、多种数据形态输入
十二、调节变量的应用
十三、次群体在研究中的应用
十四、多重结果在研究中的应用
十五、从excel输入数据
十六、范例-萃取文章中的数据、效果量-皮尔森相关(r)
十七、CMA分析与报表解读
十八、异质性处理策略
十九、敏感度分析
二十、出版偏误
二十一、META论文解析(整合技术接受模型的荟萃分析)
二十二、META论文解析(基于元分析方法的可穿戴设备用户采纳行为研究)
二十三、META论文解析(Meta-analysis of studies of passive smoking and lung cancer)
二十四、META论文解析(A meta-analysis of e-learning technology accept)
二十五、META论文解析(主观幸福感与大三人格特征相关研究的元分析)
二十六、META论文解析(感恩的个体主观幸福感更强?)
二十七、META论文解析(大学生自尊与心理健康的元分析)
二、HLM的基本认识
三、故事从ANOVA开始
四、HLM的符号与术语
五、HLM的模型估计假设
六、HLM的分析流程
七、HLM软件操作与解读
八、HLM模型分析
九、随机ANCOVA模型
十、截距模型
十一、HLM的统计估计方法
十二、HLM自变量中心化
十三、HLM论文解析
十四、重复测量的HLM分析
十五、3LEVEL的HLM分析范例
统计学高级篇:能让你论文加分的定量研究方法!
你是否也曾出现过以下几种情况:
掌握统计学基本方法,却还是无法开启一项量化研究项目;
熟悉多种统计软件,但在一些特殊数据面前却还是不知所措;
用了多种定量研究方法,文章看起来却总是平平淡淡
……
目前在国内社会科学领域内,基本的量化统计方法已经很难发高级别的文章,许多学者面临着CSSCI和SSCI高级别期刊的发文压力。其实,想要在量化研究道路上有质的飞跃,那么有两种让你论文加分的定量研究方法你一定不能错过——元分析(meta-analysis)及多层线性模型HLM。
什么是元分析?
元分析(meta-analysis)是对众多现有实证文献的再次统计,又被称为研究中的研究,不同于一般研究的对象多半是人,元分析研究的对象是论文,将过去多年来不同的学者研究的结果加以整合并推论出结论。
元分析是一种正式的量化研究,透过系统性的过程取得以前的研究成果,以这些研究为本体分析取得结论。元分析的整合分析的结果可得到比单独的研究更精准的估计结果,各个研究之间的异质性及变化性的检验,也是重要的产出结果。
什么是HLM?
我们研究的社会现象十分复杂,会受到多种因素的影响,而这些因素常常来自不同层面:个体、团队或组织等层次。如学生成绩受个体智力、努力程度等个体层次因素影响,同时也会受教师教学风格等组织层次因素影响;或企业员工的表现会受到自身能力等个体层次因素影响,同时也会受团队主管风格、企业文化等组织层次因素影响,不同层次的变量交织在一起形成了复杂的影响关系。而多层线性模型就是一种同时考虑组织(高)层次和个体(低)层次因素的分析方法,处理这类不同层次因素或变量间关系的统计分析工具。HLM能够解决低层次变量间的相互关系,以及高层次变量如何影响不同低层次变量间的关系,广泛应用于心理学、教育学、管理学等领域,是目前国内外顶级期刊的前沿研究方法。
看完这两种定量研究方法之后,脑海里是不是又突然对论文产生了一些想法?那么如何才能将这两种前沿定量研究方法,最有效地运用在你的论文中呢?学术志特别联合张伟豪量化学院耗时半年时间,为想要学习高阶量化研究方法的学者,开发出《社会统计学高级:特殊数据处理》课程,课程涵盖元分析(meta-analysis)及多层线性模型HLM两种研究方法,从入门到精通。
课程亮点:
1、亚洲统计一哥坐镇,内容通俗易懂
本次课程都是由“亚洲一哥”张伟豪老师讲授,课程内容通俗易懂,小白初学者再也不用担心自己听不懂哦。
2、统计学成长体系:告别乱、散、碎
现实中,很多同学对于统计学知识的理解都是非常碎片化的。针对这个缺陷,张老师将带大家构建整全系统认识。学完整套课程让你从统计学小白,进阶到统计达人,最后真正逐步成长为量化高手。
3、课程内容由浅到深,层层攻破核心难题。
本套课程从最基本的概念讲起,逐步深化,让您步步为营,扎实的掌握每一个知识点。
4、一次订阅,永久回放
本次课程一经订阅课,可长期反复观看。
5、课程是如何更新的?
课程已经全部更新完成,订阅后即可随时观看,反复观看,想怎么看就怎么看。
6、如果中途不想学了能退款吗?
抱歉,本课程为付费视频课程,一旦课程开始,无法提供退款。
主讲老师介绍:
张伟豪老师,曾担任SPSS软体公司资深顾问,现任张伟豪量化学院院长,北京巨大量化科技有限公司董事长,同时亦为三星统计服务有限公司执行长,并担任首席资料分析师和首席培训师,人称「统计亚洲一哥」、「统计黑杰克」,专门解决统计疑难杂症。
精通多种资料分析应用技术,擅长各种统计方法课程教学,尤以结构方程模型(SEM, Structural EquationModeling)为最。处理资料分析案例上千件,组织和应邀统计学培训讲座数百场。因其资深的专业背景、精湛的分析技术、深入浅出的讲授以及幽默诙谐的课堂风格,广受大陆和台湾师生的喜爱。
社会统计学高级:特殊数据处理(元分析\HLM)
课程介绍:
本课程涵盖HLM及元分析(meta-analysis)两大部分。
▲元分析(meta-analysis)
在医学研究上,许多重要的问题通常不只被研究一次,也经常会产生不一致的结果。在许多情形下,某些议题在小型研究下的结果会相异或相互冲突,进而导致决策上的困难。医学研究是讲究科学证据,因此实务上下决策需仰赖 “以证据为基础的医学”(evidence-basedmedicine )。因此,meta-analysis经过特定系统性的统计过程,整合许多独立研究的结果,进而得到结论,多年来在证据医学上扮演重要的角色。
本课程的目标是提供meta-analysis 的介绍与分析,并且讨论这种类型研究所依据的理论及研究分析过程中的一些考虑,如研究的异质性、publication bias等。
▲HLM
在有母数(知道母体数据的分配,如常态分配)的统计分析中, 一般假设数据为常态、同质及独立。然而在实际学术研究中,有许多的数据、样本之间是不独立的。例如,纵断面数据、重复量数或追踪数据等,因此就必需仰赖不同的统计方法来协助分析,以减少估计上的偏误。
阶层线性模型(Hierarchical Linear Model, HLM)分析一般为巢形(层级)结构的数据,以三层为例,学生巢形于老师之下,而老师巢形于学校之下。学校样本单位是独立的,而全体老师的教学方式、态度、行为等会受到学校制度要求的影响,因此老师本身就不独立;而老师的教学经验、人生观等又会影响班级学生的看法及学习成绩等,因此学生也不独立。在类似这样的数据形态下,用以前的估计方法就会造成偏误,因此HLM即是用来解决这种数据形态的问题。
本阶段课程主要采用HLM软件进行。HLM容易理解与操作,因此为了让大家容易了解HLM在做什么,先以通俗易懂的例子带入,再以HLM为例分析数据加以说明,并以论文辅助说明如何撰写HLM论文,让所有研究者都能轻松上手。
适合对象:
√ 已熟悉进阶统计知识并有兴趣进行HLM分析或有进行重复量数分析者
√ 已熟悉进阶统计知识并有兴趣拿别人的论文来进行分析者
课程目录:
元分析:
一、秀才不出门,能知天下事-元分析于社会科学的应用
二、元分析定义
三、元分析的优势
四、元分析的开始
五、评估研究质量
六、效果量介绍
七、固定效果与随机效果Fix and Random effectmodel
八、异质性检验Heterogeneity
九、选择偏误
十、CMA操作实务
十一、多种数据形态输入
十二、调节变量的应用
十三、次群体在研究中的应用
十四、多重结果在研究中的应用
十五、从excel输入数据
十六、范例-萃取文章中的数据、效果量-皮尔森相关(r)
十七、CMA分析与报表解读
十八、异质性处理策略
十九、敏感度分析
二十、出版偏误
二十一、META论文解析(整合技术接受模型的荟萃分析)
二十二、META论文解析(基于元分析方法的可穿戴设备用户采纳行为研究)
二十三、META论文解析(Meta-analysis of studiesof passive smoking and lung cancer)
二十四、META论文解析(A meta-analysis ofe-learning technology accept)
二十五、META论文解析(主观幸福感与大三人格特征相关研究的元分析)
二十六、META论文解析(感恩的个体主观幸福感更强?)
二十七、META论文解析(大学生自尊与心理健康的元分析)
HLM
一、为什么需要HLM
二、HLM的基本认识
三、故事从ANOVA开始
四、HLM的符号与术语
五、HLM的模型估计假设
六、HLM的分析流程
七、HLM软件操作与解读
八、HLM模型分析
九、随机ANCOVA模型
十、截距模型
十一、HLM的统计估计方法
十二、HLM自变量中心化
十三、HLM论文解析
十四、重复测量的HLM分析
十五、3LEVEL的HLM分析范例
报名咨询
曾老师
电话:(010)68472925
QQ:619492407
邮箱: training@pinggu.org