Ο πρώτος σκοπός του μαθήματος είναι να παρέχει στους φοιτητές μια εννοιολογική επισκόπηση των στατιστικών και οικονομετρικών μεθόδων επεξεργασίας και ανάλυσης δεδομένων δίνοντας έμφαση στην επιλογή – ανάλογα με τα δεδομένα που διαθέτει ο ερευνητής – των κατάλληλων μεθόδων καθώς και στις προϋποθέσεις και διαδικασίες εφαρμογής τους. O δεύτερος σκοπός του μαθήματος είναι να συμβάλλει στην κατανόηση των διαδικασιών διερεύνησης των σχέσεων που επικρατούν μεταξύ διαφόρων μεταβλητών (που εκφράζουν χρονικά ή/και χωρικά φαινόμενα), δεδομένου ότι, η «αυξανομένη πίεση» που παρατηρείται για το σχεδιασμό και τη λήψη ορθολογικών αποφάσεων απαιτούν όλο και περισσότερο τη δημιουργία θεωρητικών και εμπειρικών μοντέλων στα οποία μπορούν να στηριχθούν οι παραπάνω αναλύσεις. Μετά από μια σύντομη υπενθύμιση των απαραιτήτων εννοιών της περιγραφικής στατιστικής, το 1o θεωρητικό μέρος του μαθήματος αποσκοπεί στην παρουσίαση και ανάλυση ειδικών θεμάτων της περιγραφικής – εξερευνητικής στατιστικής (exploratory analysis) ενώ το 2ο θεωρητικό μέρος επικεντρώνεται στις μεθόδους της επαγωγικής στατιστικής με βάση τις οποίες ο ερευνητής μπορεί να εξάγει αξιόπιστα συμπεράσματα και προβλέψεις. Μέσω της συστηματικής ανάλυσης αντιπροσωπευτικών παραδειγμάτων, έμφαση δίνεται στην εφαρμογή των μεθόδων καθώς και στην ερμηνεία των αποτελεσμάτων σύμφωνα με τις δυνατότητες και τους περιορισμούς που περιλαμβάνουν οι σχετικές στατιστικές μέθοδοι. Τα παραδείγματα που εξετάζονται αφορούν πραγματικά δεδομένα και μεγέθη προκειμένου οι φοιτητές να εξοικειωθούν με πολλαπλά θέματα του σχεδιασμού του χώρου.
Το μάθημα αποσκοπεί:
· στην αποδεδειγμένη γνώση και κατανόηση του σχεδιασμού μιας επιστημονικής έρευνας, της μεθοδολογίας και των μεθόδων έρευνας. Η ανάπτυξη της γνώσης και της κατανόησης των υπο-διερεύνηση αντικειμένων προσφέρει ταυτόχρονα την δυνατότητα διεύρυνσης των επιστημονικών οριζόντων.
· στην απόκτηση γνώσης όσον αφορά τη χρήση των διαφορών στατιστικών τεχνικών και μεθόδων.
· στην απόκτηση, μέσω της συστηματικής εφαρμογής των σχετικών μεθόδων, των απαραίτητων ικανοτήτων προσαρμογής στις πραγματικές ερευνητικές διαδικασίες ειδικά ως προς την αναζήτηση, την επεξεργασία και την ερμηνεία αξιόπιστων πληροφοριών. Στο πέρας του μαθήματος, οι φοιτητές θα είναι σε θέση να σχεδιάζουν και να διεξάγουν, σε πραγματικές συνθήκες, μια επιστημονική έρευνα μικρής όπως και μεγάλης κλίμακας.
· στην απόκτηση ικανοτήτων για κριτική ανάλυση, αξιολόγηση και σύνθεση πολύπλοκων και πολύ διαστατών εννοιών
· στο σχεδιασμό και ολοκλήρωση αυτόνομης εργασίας
· στην άσκηση κριτικής και αυτοκριτικής
· στην προαγωγή της προόδου της κοινωνίας της γνώσης και παράγωγη νέων ερευνητικών ιδεών
· στην προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης.
Το μάθημα οργανώνεται σύμφωνα με τις ακόλουθες ενότητες:
Έννοιες και εναλλακτικές στατιστικές μέθοδοι ανάλυσης δεδομένων. Συλλογή και οργάνωση πρωτογενών και δευτερογενών δεδομένων σε βάσεις δεδομένων. Απλή περιγραφική στατιστική ανάλυση.
Υπολογισμός και στατιστική επεξεργασία δεικτών όπως δείκτες συγκέντρωσης / διασποράς δραστηριοτήτων στον χώρο, δείκτες απόκλισης / συμμετοχής, συντελεστές εξειδίκευσης και συμμετοχής.
Εισαγωγή στις τεχνικέςεπαγωγικής για έλεγχο υποθέσεων: (i) χρήσιμες κατανομές (Κανονική κατανομή, t του Student, X2, Fisher, κ.ά.), (ii) διαδικασία ελέγχου (υποθέσεις, επίπεδο σημαντικότητας, ισχύς, p-τιμή), (iii) επιλογή στατιστικών κριτήριων ανάλογα με το αν οι μεταβλητές είναι ποσοτικές ή κατηγορικές με δύο ή περισσότερες κατηγορίες.
Εφαρμογή ελέγχων στο SPSS για το μέσο όρο, τη διακύμανση, την αναλογία, την διαφορά μέσων ορών (ANOVA), την διαφορά αναλογιών, την συνάφεια μεταξύ κατηγορικών μεταβλητών. Έλεγχοι σχέσης μεταξύ μεταβλητών (συσχέτιση, One-way ANOVA, κ.ά.).
Το Γραμμικό Υπόδειγμα και η εκτίμηση της καμπύλης παλινδρόμησης (Curveestimation): από την γραμμική στην μη γραμμική καμπύλη.
Η ανάλυση πολλαπλής παλινδρόμησης με (ι) διαστρωματικά δεδομένα και (ιι) χρονολογικές σειρές.
Οι παραβιάσεις των σημαντικότερων υποθέσεων των γραμμικών υποδειγμάτων: έλεγχοι και επίλυση. Πολυσυγραμμικότητα, Αυτοσυσχέτιση, Ετεροσκεδαστικότητα, Σφάλματα εξειδίκευσης υποδειγμάτων.
Η χωρική αυτοσυσχέτιση: Γενική και Τοπική Χωρική Συσχέτιση. Δείκτης Γενικής Χωρικής Αυτοσυσχέτισης (Moran I, Geary C), Δείκτες Τοπικής Χωρικής Αυτοσυσχέτισης (LISA).
Εφαρμογή μοντέλων χωρικής οικονομετρίας: Χωρικό Αυτόπαλίνδρομο (Spatial Autoregressive Model – SAR), Μοντέλο χωρικού σφάλματος (Spatial Error Model – SEM) και χωρικό υπόδειγμα Durbin (Spatial Durbin Model – SDM).
Επανάληψη, προετοιμασία για τις εξετάσεις.
Το 40% του τελικού βαθμού προκύπτει από την υλοποίηση μικρών εργασιών. Οι μικρές εργασίες αφορούν απλές εφαρμογές των κύριων στατιστικών μεθόδων ανάλυσης δεδομένων. Για την εκπόνηση των εργασιών θα χρησιμοποιηθούν τα λογισμικά Excel, SPSS και GeoDaspace.
Το υπόλοιπο 60% του τελικού βαθμού προκύπτει από την εκπόνηση μελέτης (κύρια εργασία) και την παρουσίασή της (προφορικά) κατά την περίοδο των τελικών εξετάσεων του 2ου εξάμηνου.
Η εκπόνηση μελέτης βασίζεται στην χρήση συνδυασμένων μεθόδων και τεχνικών αναλύσεων προκείμενου να αξιολογούν τα αποτελέσματα με βάση:
(α) στατιστικά κριτήρια (αξιοπιστία αποτελεσμάτων) καθώς και,
(β) εννοιολογικά κριτήρια:
σε ποιο βαθμό, τα στατιστικά αποτελέσματα συμβάλλουν στην ερμηνεία του φαινόμενου που εξετάζεται,
σε ποιο βαθμό μπορούμε να διατυπώσουμε αξιόπιστα συμπεράσματα σύμφωνα με το κεντρικό ερευνητικό ερώτημα (Research question) και τις υποθέσεις εργασίας μας (Hypotheses).
Η παραπάνω διαδικασία αξιολόγησης δίνει στους φοιτητές τη δυνατότητα να ασχοληθούν συστηματικά με το μάθημα κατά τη διάρκεια του εξαμήνου και κατ’ επέκταση να προετοιμαστούν έγκαιρα για την κύρια εργασία και την προφορική παρουσίαση της στο τέλος του εξαμήνου.
Anselin, L. (1988), Spatial econometrics: Methods and models. Kluwer Academic Publishers, Netherlands, chapters 1-3 & 8-9.
Anselin, L. (1999), Spatial Econometrics. Available from: https://csiss.ncgia.ucsb.edu/aboutus/ presentations/files/baltchap.pdf.
Anselin L. (1995), Local Indicators of Spatial Association (LISA), Geographical Analysis, 27: 93-115
Anselin L. (2003), GeoDa 0.9.3 User’s Guide, University of Illinois at Urbana-Champaign
Anselin L. and Bera A. (1998), Spatial Dependence in Linear Regression Models with an Introduction to Spatial Econometrics in Ullah A. and Giles D. (eds): Handbook of Applied Economic Statistics, Marcel Dekker, 237-289.
Ashenfelter O., Levine P., Zimmerman D. (2005), Statistics and Econometrics: Methods and Applications, Wiley.
Bickenbach F. and Bode E. (2008), Disproportional Measures of Concentration, Specialization and Localization, International Regional Science Review, 31(4): 359-388.
Brown, J.D. (2009a), Statistics Corner. Questions and answers about language testing statistics: Principal components analysis and exploratory factor analysis, Definitions, differences and choices, Shiken: JALT Testing & Evaluation SIG Newsletter, 13(1), January p.26-30
Brown, J. D. (2009b), Statistics Corner. Questions and answers about language testing statistics: Choosing the right number of components or factors in PCA and EFA. Shiken: JALT Testing & Evaluation SIG Newsletter, 13(2), p.19-23
Brown, J. D. (2009c), Statistics Corner. Questions and answers about language testing statistics: Choosing the right type of rotation in PCA and EFA. Shiken: JALT Testing & Evaluation SIG Newsletter, 13(3), 20 – 25
Davidson R. and Mackinnon J. G. (2004), Econometric Theory and Methods, Oxford University Press
Field A. (2016), Η διερεύνηση της στατιστικής με τη χρήση του SPSS της IBM, 1η ελληνική έκδοση από την 4η Αγγλική, Εκδόσεις ΠΡΟΠΟΜΠΟΣ, Αθήνα
Florax R. G. J. M. and Nijkamp P. (2003), Misspecification in Linear Spatial Regression Models, Tinbergen Institute Discussion Papers, 03-081
Fotheringham S., Brunsdon C. and Charlton M. (2000), Quantitative Geography: Perspectives on Modern Spatial Analysis, Sage, chapters 1-2 & 5.
Getis A. and Ord J. K. (1996), Local Spatial Statistics: An Overview in Longley P. and Batty M. (eds): Spatial Analysis: Modeling in a GIS Environment, Wiley, 261-277.
Greene W. (2008), Econometric Analysis, Prentice Hall
Gujarati D. N. (2003), Basic Econometrics, McGraw Hill.
Haining R. (2003), Spatial Data Analysis: Theory and Practice, Cambridge University Press, chapters 0-2 & 5-7.
Keller, G. (2010), Στατιστική για οικονομικά και διοίκηση επιχειρήσεων, Εκδόσεις Επίκεντρο, Θεσσαλονίκη
Le Gallo J. and Ertur C. (2003), Exploratory Spatial Data Analysis (ESDA) of the Distribution of Regional Capita GDP in Europe, 1980-1995, Papers in Regional Science, 82: 175-201.
Μαυρομάτης Γ. (1999), Στατιστικά Μοντέλα και Μέθοδοι Ανάλυσης δεδομένων. Θεσσαλονίκη: University Studio Press.
