Stud.IP Uni Oldenburg
Universität Oldenburg
18.10.2021 03:02:57
sow921 - Sozialwissenschaftliche Methoden (Vollständige Modulbeschreibung)
Originalfassung Englisch PDF Download
Modulbezeichnung Sozialwissenschaftliche Methoden
Modulkürzel sow921
Kreditpunkte 9.0 KP
Workload 270 h
Einrichtungsverzeichnis Institut für Sozialwissenschaften
Verwendbarkeit des Moduls
  • Master Sozialwissenschaften (Master) > Eingangsmodule
Zuständige Personen
Schnettler, Sebastian (Modulverantwortung)
Lehrenden, Die im Modul (Prüfungsberechtigt)
Teilnahmevoraussetzungen
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“)
Kompetenzziele
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.
Modulinhalte

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
Unterrichtsprachen Deutsch, Englisch
Dauer in Semestern 1 Semester
Angebotsrhythmus Modul jährlich
Aufnahmekapazität Modul unbegrenzt
Hinweise
(vorbehaltlich der Genehmigung durch die Studienkommission)
Modullevel / module level BC (Basiscurriculum / Base curriculum)
Modulart / typ of module je nach Studiengang Pflicht oder Wahlpflicht
Lehr-/Lernform / Teaching/Learning method 1S:1.07. 221 (Pflicht) + 1 S: 1.07.222 oder 1.07.223 (Wahlpflicht)
Vorkenntnisse / Previous knowledge
Prüfung Prüfungszeiten Prüfungsform
Gesamtmodul
Klausur
Lehrveranstaltungsform Seminar
SWS 4
Angebotsrhythmus WiSe
Workload Präsenzzeit 56 h