.
Biostatistika
Studiju kursa apraksts
Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:15.00
Kursa apraksta apstiprināšanas datums:29.08.2023 08:43:04
Par studiju kursu | |||||||||
Kursa kods: | SL_004 | LKI līmenis: | 7. līmenis | ||||||
Kredītpunkti: | 2.00 | ECTS: | 3.00 | ||||||
Zinātnes nozare: | Matemātika; Varbūtību teorija un matemātiskā statistika | Mērķauditorija: | Zobārstniecība | ||||||
Studiju kursa vadītājs | |||||||||
Kursa vadītājs: | Madara Miķelsone | ||||||||
Studiju kursa īstenotājs | |||||||||
Struktūrvienība: | Statistikas mācību laboratorija | ||||||||
Struktūrvienības vadītājs: | |||||||||
Kontaktinformācija: | Baložu 14, A korpuss, Rīga, +371 67060897, statistikarsu[pnkts]lv, www.rsu.lv/statlab | ||||||||
Studiju kursa plānojums | |||||||||
Pilns laiks - 1. semestris | |||||||||
Lekcijas (skaits) | 0 | Lekciju ilgums (akadēmiskās stundas) | 0 | Kopā lekciju kontaktstundas | 0 | ||||
Nodarbības (skaits) | 11 | Nodarbību ilgums (akadēmiskās stundas) | 3 | Kopā nodarbību kontaktstundas | 33 | ||||
Kopā kontaktstundas | 33 | ||||||||
Studiju kursa apraksts | |||||||||
Priekšzināšanas: | Vidējās izglītības līmenim atbilstošas zināšanas matemātikā un informātikā. | ||||||||
Mērķis: | Iegūt pamatzināšanas un prasmes statistiskajās datu apstrādes metodēs (aprakstošā statistika, slēdzienstatistikas metodes starpgrupu atšķirību novērtēšanai un saistību izpētei starp dažādiem mainīgajiem), kas nepieciešamas zinātniski pētnieciskā darba izstrādei un statistisko rādītāju pielietošanai savā specialitātē. | ||||||||
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. | Nodarbības | 1.00 | datorklase | |||||
2 | Aprakstošās statistikas rādītāji. | Nodarbības | 1.00 | datorklase | |||||
3 | Normālsadalījums un tā raksturojošie aprakstošās statistikas rādītāji. Ticamības intervāli. | Nodarbības | 1.00 | datorklase | |||||
4 | Statistiskās hipotēzes, to veidi. Hipotēžu pārbaude. P vērtība. Izlases lieluma aprēķināšana. Kvalitatīvo datu apstrāde. Atkarīgas un neatkarīgas izlases. | Nodarbības | 1.00 | datorklase | |||||
5 | Parametriskas datu apstrādes metodes kvantitatīvajiem datiem. Neatkarīgo un atkarīgo izlašu salīdzināšana. | Nodarbības | 1.00 | datorklase | |||||
6 | Neparametriskas datu apstrādes metodes kvantitatīvajiem datiem un datiem ordinālā skalā. Neatkarīgo un atkarīgo izlašu salīdzināšana. | Nodarbības | 1.00 | datorklase | |||||
7 | Korelācijas analīze. Regresijas analīze (Lineārā regresija). | Nodarbības | 1.00 | datorklase | |||||
8 | Regresijas analīze (Binārā loģistiskā regresija). ROC līknes. | Nodarbības | 1.00 | datorklase | |||||
9 | Kopsavilkums un praktiskais darbs ar datiem IBM SPSS. | Nodarbības | 1.00 | datorklase | |||||
10 | Zinātnisko publikāciju analīze. | Nodarbības | 1.00 | datorklase | |||||
11 | Patstāvīgais darbs ar datiem IBM SPSS. | Nodarbības | 1.00 | datorklase | |||||
Vērtēšana | |||||||||
Patstāvīgais darbs: | 1. Individuālais darbs ar literatūru – sagatavošanās katrai nodarbībai, atbilstoši tematiskajam plānam. 2. Patstāvīga zinātniskās publikācijas analīze - katram studentam patstāvīgi jāsameklē pilna teksta zinātniskā publikācija, kurā izmantota kāda no kursā apgūtajām datu analīzes metodēm, un jāuzstājas ar 5-7 minūšu prezentāciju par statistikas metožu izmantošanu, rezultātu atspoguļošanu un korektu slēdzienu formulēšanu. 3. Individuālais darbs – katram studentam tiks sagatavoti pētījuma datu faili (vai studenti var izmantot sava pētījuma datus) ar nodefinētiem pētījuma uzdevumiem. Studentam vajadzēs apstrādāt datus, lai sasniegtu nodefinētos uzdevumus, izmantojot aprakstošās statistikas un slēdzienstatistikas metodes, aprakstīt iegūtos rezultātus noslēguma darbā, noformēt darbu atbilstoši prasībām un iesniegt e-studijās. 4. Lūgums pēc kursa apguves aizpildīt anketu un sniegt mums atgriezenisko saiti par šo kursu, mēs to ļoti novērtēsim! | ||||||||
Vērtēšanas kritēriji: | Lai sekmīgi apgūtu studiju kursa vielu un sagatavotos studiju kursa gala pārbaudījumam, studējošais veic sekojošas aktivitātes (obligātas, netiek vērtētas ar atzīmi): 1. Līdzdalība praktiskajās nodarbībās. Par katru kavēto nodarbību – praktisks darba uzdevums. 2. Publikācijas analīzes mutiska prezentācija. Kursa gala vērtējums (atzīme) kumulatīvs: 50% – individuālā darba rezultāti, diagrammas un pieraksts APA stilā, ko iesniedz E-studijās. 50% – eksāmens (daudzatbilžu tests ar 30 teorētiskiem un praktiskiem jautājumiem statistikā) ar laika limitu 30 minūtes. | ||||||||
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 MS Excel un IBM SPSS piedāvātas 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 ar 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 | Peat J. & Barton B. Medical Statistics: A Guide to SPSS, Data Analysis and Critical Appraisal. 2nd edition. John Wiley & Sons, 2014. | ||||||||
2 | Field A. Discovering Statistics using IBM SPSS Statistics. 4th edition. Sage Publications, 2018. | ||||||||
3 | Petrie A. & Sabin C. Medical Statistics at a Glance. 4th edition. Wiley-Blackwell, 2020. | ||||||||
4 | Grech, V. Write a Scientific Paper (WASP): Effective graphs and tables. Early Human Development, 2019. 134, 51-54. DOI: 10.1016/j.earlhumdev.2019.05.013. |