Przestrzenna analiza danych

fakultatywne

20 godzinny warsztat

Zajęcia poświęcone są zastosowaniu metod statystycznej i ekonometrycznej analizy danych o charakterze przestrzennym (danych regionalnych, punktowych, grid). Celem kursu jest poznanie sposobów ilościowych uwzględniania lokalizacji, ko-lokalizacji i odległości w modelowaniu zjawisk dyfuzji, aglomeracji i gęstości lokalizacji, specjalizacji, renty geograficznej, lokalizacji absolutnej i względnej, interakcji przestrzennych, autokorelacji przestrzennej, przestrzennego sortowania i heterogeniczności. Przedstawione zostaną najnowsze metody analiz przestrzennych, z silnym akcentem na podejście stosowane. Wszystkie problemy modelowania zostaną przedstawione i rozwiązane w programie R. Przykłady problemów dotyczyć będą zjawisk społeczno-gospodarczych, jak polityka gospodarcza, procesy społeczne w przestrzeni geograficznej, lokalizacja firm.

Stosowane metody dydaktyczne:

- wykłady dotyczące omawianych zagadnień

- rozwiązywanie problemów badawczych – planowanie szczegółów analizy ilościowej

- programowanie w R (wczytywanie danych, pisanie kodów na potrzeby badania)

- interpretacja wyników i ich konfrontacja z literaturą tematu (z perspektywy ilościowej i tematycznej)

Tematy:

- statystyka przestrzenna dla danych regionalnych (obszarowych), badanie rozkładów przestrzennych (Moran I, Getis-Ord, LOSH, LISA, join-count, DBSCAN), statystyki dla danych w grid

- modelowanie ekonometryczne zależności przestrzennych (z użyciem macierzy wag przestrzennych) – modele jednookresowe, dynamiczne i panelowe - wybór modelu i zmiennych, estymacja, testowanie, prognozowanie, braki w danych, badanie interakcji przestrzennych, modele na danych obszarowych i punktowych (w tym GNS, SDM, SDEM, SAC, SEM, SAR, SLX, GWR)

- wyzwania big data i uczenia maszynowego w odniesieniu do danych przestrzennych- klastrowanie danych punktowych, przestrzenne PCA, bootstrapowana regresja (w tym problemy próbkowania i replikacji, interpretacja wyników)

Kopczewska K. (red). (2020), Przestrzenne metody ilościowe w R: statystyka, ekonometria, uczenie maszynowe, analiza danych, CeDeWu

Kopczewska K (eds.) (2020), Applied Spatial Statistics and Econometrics: Data Analysis in R, Routledge

Artykuły naukowe (głównie w języku angielskim) dobrane wg zainteresowań doktorantów

- doktorant zna i rozumie sposoby stosowania ilościowych metod przestrzennych

- doktorant zna i rozumie podstawowe zasady transferu wiedzy do sfery gospodarczej i społecznej oraz komercjalizacji wyników działalności naukowej i know-how związanego z tymi wynikami.

- doktorant potrafi zaplanować i przeprowadzić badanie w celu znalezienia odpowiedzi na podstawione pytania badawcze o charakterze przestrzennym

- doktorant rozumie problematykę zjawisk o charakterze przestrzennym, w tym lokalizacji, ko-lokalizacji i odległości w modelowaniu zjawisk dyfuzji, aglomeracji i gęstości lokalizacji, specjalizacji, renty geograficznej, lokalizacji absolutnej i względnej, interakcji przestrzennych, autokorelacji przestrzennej, przestrzennego sortowania i heterogeniczności.

- doktorant potrafi wykorzystywać wiedzę z różnych dziedzin nauki lub dziedziny sztuki do twórczego identyfikowania, formułowania i innowacyjnego rozwiązywania złożonych problemów lub wykonywania zadań o charakterze badawczym

- doktorant potrafi definiować cel i przedmiot badań naukowych, formułować hipotezę badawczą

- doktorant rozwijać metody, techniki i narzędzia badawcze, twórczo je stosować oraz wnioskować na podstawie wyników badań naukowych.

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Wiedza:

Zna i rozumie:

- podstawowe zasady transferu wiedzy do sfery gospodarczej i społecznej oraz komercjalizacji wyników działalności naukowej i know-how związanego z tymi wynikami.

Umiejętności:

Potrafi:

- wykorzystywać wiedzę z różnych dziedzin nauki lub dziedziny sztuki do twórczego identyfikowania, formułowania i innowacyjnego rozwiązywania złożonych problemów lub wykonywania zadań o charakterze badawczym, a w szczególności:

- definiować cel i przedmiot badań naukowych, formułować hipotezę badawczą

- rozwijać metody, techniki i narzędzia badawcze oraz twórczo je stosować

- wnioskować na podstawie wyników badań naukowych.

Wystawiane są oceny cząstkowe za recenzję i pracę zaliczeniową. Ocena końcowa jest średnią ocen cząstkowych (wagi po 50%).

- opis wymagań związanych z uczestnictwem w zajęciach, w tym dopuszczalnej liczby nieobecności podlegających usprawiedliwieniu

Obecność na zajęciach obowiązkowa. Za każdą nieobecność należy napisać samodzielnie pracę o długości ok. 2 str. A4 (tekst znormalizowany) o tematach poruszanych na zajęciach (tematy i pytania przestawione przez prowadzącego). Liczba nieobecności nie może przekroczyć 50% zajęć.

- zasady zaliczania zajęć i przedmiotu (w tym zaliczania poprawkowego)

Zaliczenie w każdym terminie obejmuje dwie składowe:

a) Pisemna recenzja przydzielonego przez prowadzącego artykułu

b) Praca zaliczeniowa na temat ustalony z prowadzącym (własne badanie, replikacja/rozszerzenie istniejących badań, zastosowanie istniejących rozwiązań do nowych zagadnień)

Składowa zaliczenia przedstawiona w sesji podstawowej może być uznana w sesji poprawkowej.

- metody weryfikacji efektów uczenia się

Realizacja elementów zaliczenia – recenzji i własnego badania, pozwala zbadać stopień przyswojenia zakładanych efektów uczenia się