Γενικοί στόχοι – Γενικά μαθησιακά αποτελέσματα

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.

Eξειδικεύονται στις παρακάτω κατηγορίες:

Γνώσεις

Με το πέρας του μαθήματος, οι φοιτητές / φοιτήτριες είναι σε θέση (ι) να κατανοούν τις έννοιες των στατιστικών μεθόδων και πιο συγκεκριμένα τον τρόπο, τις διαδικασίες / τεχνικές προετοιμασίας, επεξεργασίας και παρουσίασης των δεδομένων και αποτελεσμάτων, (ιι) να κατανοούν τα πλεονεκτήματα όπως και τις προϋποθέσεις και τους περιορισμούς των εξεταζόμενων στατιστικών μεθόδων.

Δεξιότητες

Με το πέρας του μαθήματος, οι φοιτητές / φοιτήτριες θα είναι σε θέση να προσδιορίζουν και να επεξεργαστούν κατάλληλους δείκτες για (i) την ανάλυση κοινωνικο-οικονομικών φαινόμενων, (ii) το σχεδιασμό έργων ανάπτυξης και γενικότερα το σχεδιασμό του χώρου καθώς και (iii) τη λήψη αποφάσεων. Επίσης θα έχουν αποκτήσει δεξιότητες στη χρήση στατιστικών πακέτων, όπως SPSS, EViews, και GeoDaSpace.

Ικανότητες

Με το πέρας του μαθήματος, οι φοιτητές / φοιτήτριες θα έχουν αποκτήσει:

(i) την ικανότητα εφαρμογής ενός ευρύ φάσματος κλασσικών και σύγχρονων στατιστικών και οικονομετρικών τεχνικών που επιτρέπουν την περιγραφή, ανάλυση και μοντελοποίηση χρονοσειρών ή / και χωρικών δεδομένων.

(ii) την ικανότητα προσαρμογής στις πραγματικές ερευνητικές και μελετητικές διαδικασίες ειδικά ως προς την αναζήτηση,  την επεξεργασία και την ερμηνεία αξιόπιστων δεδομένων.

(iii) την ικανότητα ανάπτυξης κριτικής ανάλυσης μέσω της ερμηνείας στατιστικών αποτελεσμάτων και της αξιολόγησης πολύπλοκων και πολυδιάστατων εννοιών.

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

1. Έννοιες και εναλλακτικές στατιστικές μέθοδοι ανάλυσης δεδομένων. Συλλογή και οργάνωση πρωτογενών και δευτερογενών δεδομένων σε βάσεις δεδομένων. Απλή περιγραφική στατιστική ανάλυση.
2. Υπολογισμός και στατιστική επεξεργασία δεικτών όπως δείκτες συγκέντρωσης / διασποράς δραστηριοτήτων στον χώρο, δείκτες απόκλισης / συμμετοχής, συντελεστές εξειδίκευσης και συμμετοχής.
3. Διερευνητική Παραγοντική Ανάλυση (Exploratory Factor Analysis): (ι) Παραγοντική Ανάλυση Κυρίων Συνιστωσών (Principal Components Analysis), (ιι) Ανάλυση Κύριων Παραγόντων (Principal Factor Analysis).
4. Ανάλυση αξιοπιστίας και εσωτερικής συνάφειας (reliability – consistency, Cronbach’s α) με κλίμακες μεταβλητές (Likert-scale). Επιβεβαιωτική Παραγοντική Ανάλυση (Confirmatory Factor Analysis).
5. Ανάλυση ταξινόμησης δεδομένων – διαμόρφωση τυπολογίας: σκοπός της τυπολογίας, επιλογή μεθόδου: (ι) Ιεραρχική Ανάλυση Συστάδων (Hierarchical Cluster Analysis) (ιι) Μέθοδος k-means clusters.
6. Εισαγωγή στις τεχνικές επαγωγικής 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.
7. 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.).
8. Το Γραμμικό Υπόδειγμα και η εκτίμηση της καμπύλης παλινδρόμησης (Curve estimation): από την γραμμική στην μη γραμμική καμπύλη.
9. Η ανάλυση πολλαπλής παλινδρόμησης με (ι) διαστρωματικά δεδομένα και (ιι) χρονολογικές σειρές.
10. Οι παραβιάσεις των σημαντικότερων υποθέσεων των γραμμικών υποδειγμάτων: έλεγχοι και επίλυση. Πολυσυγραμμικότητα, Αυτοσυσχέτιση, Ετεροσκεδαστικότητα, Σφάλματα εξειδίκευσης υποδειγμάτων.
11. Η χωρική αυτοσυσχέτιση: Γενική και Τοπική Χωρική Συσχέτιση. Δείκτης Γενικής Χωρικής Αυτοσυσχέτισης (Moran I, Geary C), Δείκτες Τοπικής Χωρικής Αυτοσυσχέτισης (LISA).
12. 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).

Το σύστημα αξιολόγησης είναι γνωστό και σαφές από την αρχή του μαθήματος δεδομένου ότι, το περίγραμμα του μαθήματος αναφέρει τον τρόπο αξιολόγησης των φοιτητών/φοιτητριών και βρίσκεται αναρτημένο στο open e-class του Π.Θ.
Η διαδικασία αξιολόγησης διαμορφώνεται ως έξης:
Το 40% του τελικού βαθμού θα διαμορφώνεται από την υλοποίηση έξι εργασιών. Το υπόλοιπο 60% του τελικού βαθμού θα προκύπτει από τη γραπτή εξέταση του μαθήματος.
Οι εργασίες θα αφορούν στην εφαρμογή των κύριων στατιστικών μεθόδων ανάλυσης δεδομένων. Για την εκπόνηση των εργασιών θα χρησιμοποιηθούν τα λογισμικά SPSS, Eviews και GeoDaspace.
Η γραπτή εξέταση θα είναι διάρκειας 3 ωρών και θα βασίζεται σε επίλυση ασκήσεων που θα αντιστοιχούν σε όλο το εύρος της διδαχθείσας ύλης.
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.
Η διαφάνεια διασφαλίζεται πλήρως. Σε περίπτωση κατά την οποία υπάρχει διάσταση απόψεων αναφορικά με τη βαθμολόγηση, οι φοιτητές / φοιτήτριες έχουν το δικαίωμα να ζητήσουν αναβαθμολόγηση από τη ΓΣ του Τμήματος.

1. Anselin, L. (1988), Spatial econometrics: Methods and models. Kluwer Academic Publishers, Netherlands, chapters 1-3 & 8-9.
2. Anselin, L. (1999), Spatial Econometrics. Available from: https://csiss.ncgia.ucsb.edu/aboutus/ presentations/files/baltchap.pdf.
3. Anselin L. (1995), Local Indicators of Spatial Association (LISA), Geographical Analysis, 27: 93-115.
4. Anselin L. (2003), GeoDa 0.9.3 User’s Guide, University of Illinois at Urbana-Champaign.
5. 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.
6. Ashenfelter O., Levine P., Zimmerman D. (2005), Statistics and Econometrics: Methods and Applications, Wiley.
7. Bickenbach F. and Bode E. (2008), Disproportional Measures of Concentration, Specialization and Localization, International Regional Science Review, 31(4): 359-388.
8. 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.
9. 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.
10. 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.
11. Davidson R. and Mackinnon J. G. (2004), Econometric Theory and Methods, Oxford University Press.
12. Field A. (2016), Η διερεύνηση της στατιστικής με τη χρήση του SPSS της IBM, 1η ελληνική έκδοση από την 4η Αγγλική, Εκδόσεις ΠΡΟΠΟΜΠΟΣ, Αθήνα. 
13. Florax R. G. J. M. and Nijkamp P. (2003), Misspecification in Linear Spatial Regression Models, Tinbergen Institute Discussion Papers, 03-081.
14. Fotheringham S., Brunsdon C. and Charlton M. (2000), Quantitative Geography: Perspectives on Modern Spatial Analysis, Sage, chapters 1-2 & 5.
15. 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.
16. Greene W. (2008), Econometric Analysis, Prentice Hall.
17. Gujarati D. N. (2003), Basic Econometrics, McGraw Hill.
18. Haining R. (2003), Spatial Data Analysis: Theory and Practice, Cambridge University Press, chapters 0-2 & 5-7.
19. Keller, G. (2010), Στατιστική για οικονομικά και διοίκηση επιχειρήσεων, Εκδόσεις Επίκεντρο, Θεσσαλονίκη.
20. 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.
21. Μαυρομάτης Γ. (1999), Στατιστικά Μοντέλα και Μέθοδοι Ανάλυσης δεδομένων. Θεσσαλονίκη: University Studio Press.
22. Ντυκέν, Μ-Ν (2015), Ποσοτικές Μέθοδοι Χωρικής Ανάλυσης, Π.Θ., Βόλος.
23. Ord J. K. and Getis A. (1995), Local Spatial Autocorrelation Statistics: Distributional Issues and Application, Geographical Analysis, 27: 286-305.
24. Rogerson P. (2006), Statistical Methods for Geography: A Student’s Guide, Sage.
25. Wooldridge, J.M. (2013), Εισαγωγή στην οικονομετρία, μια σύγχρονη προσέγγιση, 4η έκδοση, Εκδόσεις Παπαζηση, Αθήνα.

Συναφή επιστημονικά περιοδικά:

1. Journal of applied Statistics
2. Social Indicators Research