sow921 - Social research methods (Complete module description)

sow921 - Social research methods (Complete module description)

Original version English PDF Download
Module label Social research methods
Modulkürzel sow921
Credit points 9.0 KP
Workload 270 h
Institute directory Department of Social Sciences
Verwendbarkeit des Moduls
Zuständige Personen
  • Schnettler, Sebastian (module responsibility)
  • Lehrenden, Die im Modul (Prüfungsberechtigt)
Prerequisites
Erfolgreiche Teilnahme an den folgenden Vorlesungen im BA (für Studierende von anderen Universitäten Nachweis der erfolgreichen Teilnahme an äquivalenten Veranstaltungen): VL „Einführung in die Methoden der empirischen Sozialforschung“ VL „Statistik 1“ (Einführung in die deskriptive und schließende Statistik) VL „Statistik 2“ (Einführung multivariate lineare Regressionsanalyse & generalisierte lineare Modelle/GLM) Grundkenntnisse der Statistiksoftware R (Bei Schwerpunkt qualitative Methoden zusätzlich: VL „Qualitative Sozialforschung“)
Skills to be acquired in this module
Das Modul besteht aus zwei Seminaren, die Theorie und Praxis der fortgeschrittenen quantitativen Analyseverfahren kombinieren.
Das Ziel des ersten Seminars ist es, die Kenntnisse der Studierenden über statistische Auswertungsmethoden aus dem Bachelor durch die Vermittlung fortgeschrittener statistischer Verfahren zu vertiefen. Die Studierenden sollen in die Lage versetzt werden, zu entscheiden, welche Regressionsverfahren bei verschiedenen Variablen- und Datentypen zum Einsatz kommen.

Im zweiten Praxisseminar vertiefen die Studierenden die genannten Inhalte und lernen, entsprechende Datenanalysen mit der Statistiksoftware R selbst zu konzipieren, durchzuführen und zu bewerten.
Module contents

In diesem sehr anwendungsorientierten Modul werden fortgeschrittene Methoden zum Management, zur Auswertung und zur Visualisierung von Daten vermittelt. Im Bereich der Datenauswertung liegt der Schwerpunkt auf der Vertiefung des Vorwissens zu generalisierten linearen Modellen (GLM). Darüber hinaus wird in die Arbeit mit komplexen Datenstrukturen (Längsschnitt-, Mehrebenendaten) eingeführt und Regressionsverfahren vorgestellt, die bei der Analyse solcher Datenstrukturen zum Einsatz kommen.

Die in diesem Modul vermittelten Regressionsverfahren  erweitern die Möglichkeiten der einfachen und multivariaten linearen Regressionsanalyse, indem sie erlauben, Variablen verschiedener Skalenniveaus als abhängige Variablen zu modellieren und komplexere Datenstrukturen (z.B. Längsschnittdaten) für die Regressionsanalyse handhabbar zu machen. Im Bereich der Visualisierung geht es vor allem um die anschauliche und effiziente Darstellung von Regressionsergebnissen. Begleitend zu den Veranstaltungen lesen die Teilnehmer*innen regelmäßig (deutsche und englischsprachige) methodische Texte und Beispielstudien.
Die Lektüre dieser Texte ist essentiell, um den Anschluss im Kurs nicht zu verlieren.

Im Praxisseminar besteht die Möglichkeit der praktischen Umsetzung und Einübung der vorgestellten Inhalte. Anhand praktischer Übungen mit der Statistiksoftware R wird vermittelt, wie Daten verschiedener Formate eingelesen und für die verschiedenen Analyseverfahren vorbereitet werden können. Im Bereich der Datenauswertung wird eingeübt, wie in R verschiedene Regressionsverfahren durchgeführt, auf ihre Güte hin diagnostiziert und ihre Resultate visualisiert werden.
Literaturempfehlungen
  • Baur, N. & J. Blasius, Hrsg (2014). Handbuch Methoden der empirischen Sozialforschung. Wiesbaden: Springer.
  • Gelman, A., & Hill, J. (2006). Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University.
  • Giesselmann, M., & Windzio, M. (2012). Regressionsmodelle zur Analyse von Paneldaten. Wiesbaden: VS Verlag für Sozialwissenschaften.
  • Morgan, S. L., & Winship, C. (2007). Counterfactuals and causal inference: Methods and principles for social research. Cambridge University.
  • Sheather, S. (2009). A Modern Approach to Regression with R. New York, NY: Springer New York.
  • Wickham, H., & Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data. Beijing: O’Reilly (http://r4ds.had.co.nz/)
Links
Languages of instruction German, English
Duration (semesters) 1 Semester
Module frequency jährlich
Module capacity unlimited
Examination Prüfungszeiten Type of examination
Final exam of module
KL
Form of instruction Seminar
SWS 4
Frequency WiSe
Workload Präsenzzeit 56 h