Το μάθημα περιλαμβάνεται στο Μεταπτυχιακό Πρόγραμμα Σπουδών PODEPRO και συμβάλλει στην ολοκλήρωση των γνώσεων και των ικανοτήτων των φοιτητών, στη χρήση και αξιοποίηση εργαλείων ανάλυσης των δημογραφικών, κοινωνικών, οικονομικών και χωρικών φαινόμενων.
Βασικοί στόχοι του μαθήματος είναι:
1. Να παράσχει στους φοιτητές γνώσεις σχετικά με τις βασικές αρχές και σημαντικότερες μεθόδους ανάλυσης δεδομένων. Αν και οι προχωρημένες στατιστικές αυτές τεχνικές έχουν γενική εφαρμογή, είναι ιδιαίτερα σημαντικές και χρήσιμες για την διερεύνηση και κατανόηση των δημογραφικών, κοινωνικών, οικονομικών και χωρικών φαινόμενων.
2. Να εξοικειωθούν οι φοιτητές με τις πιο σύγχρονες μέθοδοι ανάλυσης συνθετικών συμπεριφορών και συμπύκνωσης πολλαπλών πληροφοριών.
3. Μέσω της εργαστηριακής εκπαίδευσης, να αποκτήσουν οι φοιτητές εμπειρία ως προς την εφαρμογή των σημαντικότερων μεθόδων ανάλυσης δεδομένων με τη χρήση ενός από τα πιο διαδεδομένα στατιστικά λογισμικά (SPSS) και εν συνεχεία να αναπαράγουν τα αποτελέσματα τους σε χάρτες (με τη χρήση του λογισμικό Phil carto – ελεύθερη πρόσβαση στην σχετική ιστοσελίδα).
Τελικός σκοπός του μαθήματος είναι οι φοιτητές να διαθέτουν επαρκείς γνώσεις για να επεξεργάζονται μεγάλο όγκο δεδομένων εμπειρικών ερευνών.

Το μάθημα «ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ» που διδάσκεται στα γαλλικά, εντάσσεται στην Ενότητα Μαθημάτων U.4. ΜΕΘΟΔΟΙ ΚΑΙ ΤΕΧΝΙΚΕΣ του διατμηματικού κοινού ελληνογαλλικου ΠΜΣ  «Πληθυσμός, Ανάπτυξη, Στρατηγικές Προοπτικές»  που διοργανώνεται σε συνεργασία με το γαλλικό Πανεπιστήμιο  Bordeaux IV.
Οι Μέθοδοι Ανάλυσης Δεδομένων αφορούν την Πολυδιάστατη Στατιστική Ανάλυση και ως εκ τούτου πρόκειται για εργαλεία ανάλυσης πολύ χρήσιμα, καθώς επιτρέπουν την ανάλυση περίπλοκων φαινόμενων τα οποία έχουν από τη φύση τους πολυδιάστατη μορφή και επηρεάζονται από πολλές συνιστώσες (μεταβλητές) οι οποίες συχνά συσχετίζονται μεταξύ τους.
Αν η ανάλυση της συμπεριφοράς μεμονωμένων χαρακτηριστικών, με τη χρήση απλών στατιστικών μεθόδων (περιγραφική στατιστική), είναι πολύ χρήσιμη σε μια πρώτη φάση αναγνώρισης ενός φαινόμενου, δεν αρκεί όμως διότι δεν επιτρέπει η διερεύνηση των σχέσεων και αλληλεξαρτήσεων που υπάρχουν πραγματικά μεταξύ των διάφορων χαρακτηριστικών του φαινόμενου που εξετάζεται.
Οι μέθοδοι ανάλυσης δεδομένων επιτρέπουν την επεξεργασία μεγάλου αριθμού χαρακτηριστικών (μεταβλητών) και επομένως τη λεπτομερή ανάλυση των φαινόμενων, μέσω της συμπύκνωσης της αρχικής πληροφορίας. Επομένως, οι μέθοδοι αυτοί επιδιώκουν τη συνθετική απόδοση της πληροφορίας που συγκεντρώνεται σε πίνακες δεδομένων με μεγάλο αριθμό μεταβλητών έτσι ώστε να υπάρχει δυνατότητα κατανόησης της δομής του φαινόμενου που εξετάζεται.
Το μάθημα χωρίζεται στις ακόλουθες ενότητες:
– Εισαγωγή, βασικές έννοιες της θεωρίας των πιθανοτήτων, Βασικές αρχές για τη συμπύκνωση δεδομένων, Ανάλυση σχέσεων μεταξύ μεταβλητών και στατιστικός έλεγχος
– Η έννοια της «απόστασης» και οι εναλλακτικοί δείκτες μέτρησης της απόστασης
– Μέθοδοι ανάλυσης πολυδιαστάτων δεδομένων και ειδικότερα:
 Ανάλυση σε κυρίες συνιστώσες (ΑΚΣ) ( ανάλυση του νέφους των ενεργών ατόμων, καθορισμός των παραγοντικών αξόνων, αδράνεια, υπολογισμός παραγοντικών συντεταγμένων των ατόμων και των μεταβλητών, αναπαράσταση ατόμων και μεταβλητών, ερμηνεία κ.λπ.)
 Παραγοντική ανάλυση των αντιστοιχιών (ΠΑΑ) (προετοιμασία δεδομένων, διαδικασία ανάλυσης, πίνακες, χρήση της μετρικής του Χ2, κέντρο βάρους, παραγοντικοί άξονες, αδράνεια, απόλυτη συμμετοχή του profil των γραμμών, σχετική συμμετοχή των αξόνων στις γραμμές, ερμηνεία κλπ)
 Παραγοντική ανάλυση διακριτότητας (περιγραφή της ανάλυσης και της διαδικασίας, εύρεση του διακριτού άξονα, ιδιοτιμές και ιδιοδιανύσματα, τοποθέτηση των σημείων, ποιότητα της διακριτότητας, ερμηνεία κλπ)
– Μέθοδοι ταξινόμησης : ιεραρχημένη και μη ιεραρχημένη ταξινόμηση (περιγραφή των εναλλακτικών διαδικασιών ταξινόμησης και ερμηνεία των αποτελεσμάτων), ανάλυση τμηματοποίησης (segmentation)
– Τέλος το μάθημα θα ολοκληρωθεί με την παρουσίαση ορισμένων μεθόδων ταξινόμησης που βασίζονται σε μια οπτική επεξεργασία των δεδομένων (Μέθοδος Bertin), ιδιαίτερα αποτελεσματική στην περίπτωση των γεωγραφικών δεδομένων.

Το μάθημα είναι ισομερισμένο σε θεωρία και πρακτικές ασκήσεις. Περιλαμβάνει :
(α) διαλέξεις του διδάσκοντα όπου παρουσιάζονται οι μέθοδοι ανάλυσης δεδομένων και η εφαρμογή τους σε πραγματικά δεδομένα
(β) εργαστηριακές ασκήσεις μετά από κάθε διάλεξη όπου οι φοιτητές καλούνται σε ομάδες δύο ατόμων να εφαρμόσουν και να αναλύσουν συγκεκριμένα θέματα. Οι εργαστηριακές ασκήσεις είναι προσαρμοσμένες σε δημογραφικά και κοινωνικά οικονομικά δεδομένα ενώ συστηματικά ενσωματώνεται η χωρική διάσταση των φαινόμενων.
(γ)    τέσσερις μικρές κατ’ οίκον ασκήσεις
(δ)  εκπόνηση μιας συλλογικής εργασίας κατά τη διάρκεια του εξαμήνου. Η εργασία βασίζεται σε πραγματικά δεδομένα.

• Κατ’ οίκον συλλογική εργασία
• Ατομική προφορική παρουσίαση της εργασίας