Data Analysis for Social Science

Tilvalin námsbók fyrir byrjendur sem kennir frá grunni á R, tölfræði og undirstöður megindlegrar félagsvísindarannsóknar. Data Analysis for Social Science veitir aðgengilegan inngang að þeim tölfræðihugtökum og forritunarfærni sem þarf til að framkvæma og meta félagsvísindarannsóknir. Ekki er gert ráð fyrir fyrri þekkingu á tölfræði eða forritun og aðeins lágmarksþekkingu á stærðfræði. Fjallað er um undirstöður spurningakannana, spálíkana og orsakaályktana með greiningu gagna úr birtum rannsóknum í tölfræðiforritinu R.

Bókin kennir ekki aðeins hvernig framkvæma á gagnagreiningar, heldur einnig hvernig túlka á niðurstöðurnar og greina styrkleika og takmarkanir aðferðanna. Efnið byggist upp með því að kenna lausn á einni tegund viðfangsefnis í senn og kynna viðeigandi aðferðir eftir þörfum. Í þessari röð er kennt að (1) meta orsakaáhrif með slembuðum tilraunum, (2) setja gögn fram myndrænt og draga þau saman, (3) álykta um eiginleika þýðis, (4) spá fyrir um niðurstöður, (5) meta orsakaáhrif með athugunargögnum og (6) alhæfa frá úrtaki yfir á þýði.

Bókin víkur frá hefðbundinni framsetningu tölfræðinámsbóka. Hún hefst á mati orsakaáhrifa með slembuðum tilraunum en umfjöllun um líkindafræði og tölfræðilega ályktun er geymd fram að lokaköflunum. Þessi óhefðbundna röð vekur áhuga nemenda með því að sýna strax í upphafi hvernig nota má gagnagreiningu til að svara áhugaverðum spurningum, en abstraktari og flóknari hugtök eru tekin fyrir síðar.

Bókin leiðir lesendur skref fyrir skref í gegnum greiningu raunverulegra gagna með hinu öfluga og opna tölfræðiforriti R, sem öllum er heimilt að nota án endurgjalds. Gagnasöfnin eru aðgengileg á vef bókarinnar svo lesendur geti lært gagnagreiningu með því að vinna verkefnin í bókinni á eigin tölvu. Ekki er gert ráð fyrir fyrri þekkingu á tölfræði eða forritun og efnið er sérstaklega hannað fyrir nemendur með ólíkan bakgrunn í stærðfræði.

Bókin inniheldur viðbótarefni fyrir nemendur með litla stærðfræðiþekkingu og merkir skýrt þá kafla sem fjalla um flóknara efni, svo lesendur geti sleppt þeim ef þeir kjósa. Einnig fylgja yfirlitsblöð um tölfræðihugtök og R-kóða.

An ideal textbook for complete beginners—teaches from scratch R, statistics, and the fundamentals of quantitative social science Data Analysis for Social Science provides a friendly introduction to the statistical concepts and programming skills needed to conduct and evaluate social scientific studies. Assuming no prior knowledge of statistics and coding and only minimal knowledge of math, the book teaches the fundamentals of survey research, predictive models, and causal inference while analyzing data from published studies with the statistical program R.

It teaches not only how to perform the data analyses but also how to interpret the results and identify the analyses’ strengths and limitations. Progresses by teaching how to solve one kind of problem after another, bringing in methods as needed. It teaches, in this order, how to (1) estimate causal effects with randomized experiments, (2) visualize and summarize data, (3) infer population characteristics, (4) predict outcomes, (5) estimate causal effects with observational data, and (6) generalize from sample to population.

Flips the script of traditional statistics textbooks. It starts by estimating causal effects with randomized experiments and postpones any discussion of probability and statistical inference until the final chapters. This unconventional order engages students by demonstrating from the very beginning how data analysis can be used to answer interesting questions, while reserving more abstract, complex concepts for later chapters.

Provides a step-by-step guide to analyzing real-world data using the powerful, open-source statistical program R, which is free for everyone to use. The datasets are provided on the book’s website so that readers can learn how to analyze data by following along with the exercises in the book on their own computer. Assumes no prior knowledge of statistics or coding. Specifically designed to accommodate students with a variety of math backgrounds.

It includes supplemental materials for students with minimal knowledge of math and clearly identifies sections with more advanced material so that readers can skip them if they so choose. Provides cheatsheets of statistical concepts and R code. Comes with instructor materials (upon request), including sample syllabi, lecture slides, and additional replication-style exercises with solutions and with the real-world datasets analyzed.