Przestrzenna analiza danych 1600-SZD-SPEC-PAD-EF
Zajęcia poświęcone są zastosowaniu metod statystycznej i ekonometrycznej analizy danych o charakterze przestrzennym (danych regionalnych, punktowych, grid). Celem kursu jest poznanie sposobów ilościowych uwzględniania lokalizacji, ko-lokalizacji i odległości w modelowaniu zjawisk dyfuzji, aglomeracji i gęstości lokalizacji, specjalizacji, renty geograficznej, lokalizacji absolutnej i względnej, interakcji przestrzennych, autokorelacji przestrzennej, przestrzennego sortowania i heterogeniczności. Przedstawione zostaną najnowsze metody analiz przestrzennych, z silnym akcentem na podejście stosowane. Wszystkie problemy modelowania zostaną przedstawione i rozwiązane w programie R. Przykłady problemów dotyczyć będą zjawisk społeczno-gospodarczych, jak polityka gospodarcza, procesy społeczne w przestrzeni geograficznej, lokalizacja firm. Stosowane metody dydaktyczne: wykłady dotyczące omawianych zagadnień, rozwiązywanie problemów badawczych, planowanie szczegółów analizy ilościowej, programowanie w R (wczytywanie danych, pisanie kodów na potrzeby badania), interpretacja wyników i ich konfrontacja z literaturą tematu (z perspektywy ilościowej i tematycznej). Tematy: 1) Wizualizacja danych przestrzennych w R (dane regionalne i punktowe), 2) Macierze wag przestrzennych i statystyka przestrzenna dla danych regionalnych (obszarowych), badanie rozkładów przestrzennych (Moran I, Getis-Ord, LOSH, LISA, join-count, DBSCAN), statystyki dla danych w grid, 3) modelowanie ekonometryczne zależności przestrzennych (z użyciem macierzy wag przestrzennych) – wybór modelu i zmiennych, estymacja, testowanie, prognozowanie, braki w danych, badanie interakcji przestrzennych, modele na danych obszarowych i punktowych (w tym GNS, SDM, SDEM, SAC, SEM, SAR, SLX, GWR), modele interakcji przestrzennych, 4) regresja ważona geograficznie (GWR) – modele dryfu przestrzennego (jednookresowe) i przestrzenno-czasowa stabilnoś klastrów (modele wielookresowe), 5) entropia i tesselacja Vonoia w pomiarze aglomeracji, wyzwania big data i uczenia maszynowego w odniesieniu do danych przestrzennych, klastrowanie danych punktowych
Rodzaj przedmiotu
Koordynatorzy przedmiotu
Efekty kształcenia
Wiedza | Zna i rozumie:
WG_01 w stopniu umożliwiającym rewizję istniejących paradygmatów - światowy dorobek, obejmujący podstawy teoretyczne oraz zagadnienia ogólne i wybrane zagadnienia szczegółowe – właściwe dla danej dyscypliny w ramach nauk społecznych
WG_02 - główne tendencje rozwojowe dyscyplin w ramach nauk społecznych, w których odbywa się kształcenie
WG_03 - metodologię badań naukowych w obrębie dyscyplin naukowych z dziedziny nauk społecznych
WK_01 - fundamentalne dylematy współczesnej cywilizacji z perspektywy nauk społecznych
Umiejętności | Potrafi:
UK_05 - posługiwać się językiem obcym na poziomie B2 Europejskiego Systemu Opisu Kształcenia Językowego z wykorzystaniem fachowej terminologii właściwej danej dyscyplinie w ramach nauk społecznych w stopniu umożliwiającym uczestnictwo w międzynarodowym środowisku naukowym i zawodowym
Kompetencje społeczne | Jest gotów do:
KO_01 - wypełniania zobowiązań społecznych badaczy i twórców
KO_02 wypełniania zobowiązań społecznych i podejmowania działań na rzecz interesu publicznego, zwłaszcza w zakresie inicjowania działań na rzecz interesu publicznego
KO_03 - myślenia i działania w sposób przedsiębiorczy
Kryteria oceniania
Opis wymagań związanych z uczestnictwem w zajęciach, w tym dopuszczalnej liczby nieobecności podlegających usprawiedliwieniu: Udział w zajęciach obowiązkowy, dopuszczona jedna nieobecność
Zasady zaliczania zajęć i przedmiotu (w tym zaliczania poprawkowego): Zaliczenie w każdym terminie obejmuje dwie składowe: a) Pisemna recenzja przydzielonego przez prowadzącego artykułu; b) Praca zaliczeniowa na temat ustalony z prowadzącym (własne badanie, replikacja/rozszerzenie istniejących badań, zastosowanie istniejących rozwiązań do nowych zagadnień). Składowa zaliczenia przedstawiona w sesji podstawowej może być uznana w sesji poprawkowej.
Metody weryfikacji efektów uczenia się: Realizacja elementów zaliczenia – recenzji i własnego badania, pozwala zbadać stopień przyswojenia zakładanych efektów uczenia się
Kryteria oceniania: Zrealizowany projekt i recenzja mają wykazać, że doktorant zna i rozumie tematykę analiz przestrzennych i potrafi samodzielnie przeprowadzić badanie. Ocena końcowa oddaje stopień znajomości i zrozumienia tematyki kursu oraz samodzielności w prowadzeniu analiz przestrzennych.
Praktyki zawodowe
-
Literatura
1] Kopczewska K. (red). (2020), Przestrzenne metody ilościowe w R: statystyka, ekonometria, uczenie maszynowe, analiza danych, CeDeWu
[2] Kopczewska K (eds.) (2020), Applied Spatial Statistics and Econometrics: Data Analysis in R, Routledge
[3] Artykuły naukowe (głównie w języku angielskim) dobrane wg zainteresowań doktorantów
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: