.
Biostatistika
Studiju kursa apraksts
Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:7.00
Kursa apraksta apstiprināšanas datums:24.01.2024 13:06:37
| Par studiju kursu | |||||||||
| Kursa kods: | SL_003 | LKI līmenis: | 7. līmenis | ||||||
| Kredītpunkti: | 4.00 | ECTS: | 6.00 | ||||||
| Zinātnes nozare: | Matemātika; Varbūtību teorija un matemātiskā statistika | Mērķauditorija: | Dzīvās dabas zinātnes | ||||||
| Studiju kursa vadītājs | |||||||||
| Kursa vadītājs: | Māra Grēve | ||||||||
| Studiju kursa īstenotājs | |||||||||
| Struktūrvienība: | Statistikas mācību laboratorija | ||||||||
| Struktūrvienības vadītājs: | |||||||||
| Kontaktinformācija: | Kapseļu iela 23, 2.stāvs, Rīga, +371 67060897, statistika rsu[pnkts]lv, www.rsu.lv/statlab | ||||||||
| Studiju kursa plānojums | |||||||||
| Pilns laiks - 1. semestris | |||||||||
| Lekcijas (skaits) | 6 | Lekciju ilgums (akadēmiskās stundas) | 4 | Kopā lekciju kontaktstundas | 24 | ||||
| Nodarbības (skaits) | 6 | Nodarbību ilgums (akadēmiskās stundas) | 4 | Kopā nodarbību kontaktstundas | 24 | ||||
| Kopā kontaktstundas | 48 | ||||||||
| Studiju kursa apraksts | |||||||||
| Priekšzināšanas: | Vidējās izglītības līmenim atbilstošas zināšanas matemātikā un informātikā. Vēlamas pamatzināšanas statistikā un pētījumu dizainā. | ||||||||
| Mērķis: | Iegūt zināšanas un prasmes biomedicīnā izmantotajās statistiskās datu apstrādes metodēs (aprakstošā statistika, slēdzienstatistika atšķirību novērtēšanai un saistību izpētei starp dažādiem mainīgajiem), kas nepieciešamas zinātniski pētnieciskā darba izstrādei maģistra darba līmenī, padziļinātai zinātnisko publikāciju analīzei un korektam kvantitatīvā pētījuma rezultāta pierakstam. | ||||||||
| Tēmu saraksts (pilna laika studijas) | |||||||||
| Nr. | Tēma | Īstenošanas forma | Skaits | Norises vieta | |||||
| 1 | Ievads statistikā, statistikas loma pētījuma procesā. Datu veidi, mērskalas, datu ievade, datu sagatavošana MS Excel. Iepazīšanās ar IBM SPSS. Pamatdarbības ar datiem IBM SPSS programmā. Biežuma sadalījuma aprēķins un grafisks attēlojums. | Lekcijas | 1.00 | datorklase | |||||
| 2 | Aprakstošās statistikas rādītāji MS Excel un IBM SPSS, to grafisks attēlojums. Normālsadalījums un tā raksturojošie aprakstošās statistikas rādītāji. | Nodarbības | 1.00 | datorklase | |||||
| 3 | Ticamības intervāli. Statistiskās hipotēzes, to veidi. Hipotēžu pārbaude. P vērtība. Normālsadalījuma pārbaudes testi IBM SPSS. Vienas izlases t-tests Ms Excel un IBM SPSS. Izlases apjoma aprēķins. | Lekcijas | 1.00 | datorklase | |||||
| 4 | Parametriskās un neparametriskās datu apstrādes metodes. Neatkarīgo un atkarīgo izlašu salīdzināšana divām grupām. | Nodarbības | 1.00 | datorklase | |||||
| 5 | Parametriskās un neparametriskās datu apstrādes metodes. Neatkarīgo un atkarīgo izlašu salīdzināšana vairāk kā divām grupām. | Lekcijas | 1.00 | datorklase | |||||
| 6 | Kvalitatīvo datu apstrādes metodes neatkarīgām un atkarīgām izlasēm. Patstāvīgais darbs: divu neatkarīgu grupu salīdzināšanas kopsavilkums. | Nodarbības | 1.00 | datorklase | |||||
| 7 | Korelācijas analīze un lineārā regresijas analīze. | Lekcijas | 1.00 | datorklase | |||||
| 8 | Binārā loģistiskā regresija. ROC līknes. | Nodarbības | 1.00 | datorklase | |||||
| 9 | Dzīvildzes analīze (Kaplana-Meiera metode un Koksa regresija). | Lekcijas | 1.00 | datorklase | |||||
| 10 | Bland-Altman diagramma. Starpklašu korelācijas koeficients. Apgūto statistisko metožu kopsavilkums un pielietojums praksē. | Nodarbības | 1.00 | datorklase | |||||
| 11 | Patstāvīgais darbs: zinātnisko publikāciju analīze. | Lekcijas | 1.00 | datorklase | |||||
| 12 | Patstāvīgais darbs ar datiem IBM SPSS. Patstāvīgā darba prezentācija. | Nodarbības | 1.00 | datorklase | |||||
| Vērtēšana | |||||||||
| Patstāvīgais darbs: | 1. Individuālais darbs ar literatūru - sagatavošanās katrai nodarbībai, atbilstoši tematiskajam plānam, izmantojot nodarbību prezentācijas un obligāto literatūru. 2. Patstāvīga tabulas izveide, divu neatkarīgu grupu salīdzināšanai, noformējot to atbilstoši publikāciju prasībām - studentam tiks iedoti dati (dažāda veida mainīgie), kuri jāanalizē kā iepriekš apgūtajās tēmās, un rezultāti jāapkopo tabulas veidā, kuras piemērs tiks dots. 3. Patstāvīga zinātniskās publikācijas analīze - studentam jāsameklē publikācija (uzticama zinātniskā literatūra) par sev interesējošu biomedicīnas tēmu, kurā izmantota kāda no kursā apgūtajām statistiskās datu apstrādes metodēm, tā jāprezentē, un jāiesaistās diskusijā par citu studentu izvēlētajām zinātniskajām publikācijām. 4. Patstāvīgais darbs - studentam tiks sagatavoti pētījuma datu faili (vai studenti var izmantot sava pētījuma datus) ar definētiem pētījuma uzdevumiem. Studentam vajadzēs apstrādāt datus, lai sasniegtu definētos uzdevumus, izmantojot aprakstošās statistikas un slēdzienstatistikas metodes, aprakstīt iegūtos rezultātus noslēguma darbā, noformēt darbu, atbilstoši prasībām, un prezentēt iegūtos rezultātus pēdējā nodarbībā. Lai izvērtētu studiju kursa kvalitāti kopumā, studentam jāaizpilda studiju kursa novērtēšanas anketa Studējošo portālā. | ||||||||
| Vērtēšanas kritēriji: | Līdzdalība praktiskajās nodarbībās obligāta, bez vērtējuma. Par katru kavēto nodarbību - praktisks darba uzdevums. Atzīme - kumulatīva: 1. Individuāls praktiskais darbs ar IBM SPSS Statistics - 50%; 2. Divi daudzatbilžu testi (katrā 15 teorētiski un praktiski jautājumi statistikā ar laika limitu 15 minūtes) - 50%. | ||||||||
| Gala pārbaudījums (pilna laika studijas): | Eksāmens (Rakstisks) | ||||||||
| Gala pārbaudījums (nepilna laika studijas): | |||||||||
| Studiju rezultāti | |||||||||
| Zināšanas: | Pēc studiju kursa prasību izpildes studējošie būs apguvuši zināšanas, kas ļaus: * atpazīt statistisko terminoloģiju un izmantotās pamatmetodes dažāda veida publikācijās; * pārzināt biežāk lietotās MS Excel un IBM SPSS piedāvātās iespējas datu apstrādē; * pārzināt kritērijus datu apstrādes metožu izmatošanai; * pareizi interpretēt svarīgākos statistiskos rādītājus. | ||||||||
| Prasmes: | Studiju kursa apguves rezultātā studenti pratīs: * ievadīt un rediģēt datus datorprogrammās MS Excel un IBM SPSS; * korekti sagatavot datus statistiskai apstrādei; * izvēlēties piemērotas datu apstrādes metodes, t.sk., spēs veikt statistisko hipotēžu pārbaudes; * statistiski apstrādāt pētījuma datus, izmantojot datorprogrammas MS Excel un IBM SPSS; * izveidot tabulas un diagrammas MS Excel un IBM SPSS programmās iegūtajiem rezultātiem; * korekti aprakstīt iegūtos pētījuma rezultātus. | ||||||||
| Kompetences: | Studiju kursa apguves rezultātā studenti būs spējīgi argumentēti pieņemt lēmumu par statistiskas datu apstrādes metožu izmantošanu pētījuma mērķa sasniegšanai un, izmantojot datorprogrammas MS Excel un IBM SPSS, praktiski pielietot apgūtās statistiskās pamatmetodes pētījumu datu apstrādē. | ||||||||
| Bibliogrāfija | |||||||||
| Nr. | Atsauce | ||||||||
| Obligātā literatūra | |||||||||
| 1 | Petrie, A. & Sabin, C. Medical Statistics at a Glance. 4th edition, Wiley-Blackwell, 2020. | ||||||||
| 2 | Peat, J. & Barton, B. Medical Statistics: A Guide to SPSS, Data Analysis and Critical Appraisal. 2nd edition, John Wiley & Sons, 2014. | ||||||||
| 3 | Field, A. Discovering Statistics using IBM SPSS Statistics. 5th edition, Sage Publications, 2018. | ||||||||
| Papildu literatūra | |||||||||
| 1 | Grech, V. Write a Scientific Paper (WASP): Effective graphs and tables. Early Human Development, 2019. DOI: 10.1016/j.earlhumdev.2019.05.013 | ||||||||
