LV EN RU DE FR

Pētījumu metodoloģija meža nozarē

Kursa izstrādātāji

Kursa anotācija

Studiju kursa mēŗkis ir nodrošināt pamatzināšanas un izpratni par meža ekosistēmas empīrisko pētījumu datu apstrādes metožu izvēles principiem, to plānošanu un veikšanu, eksperimenta dizainu piemērotību konkrēta zinātnisko jautājumu risināšanai, kā arī maģistra darba un zinātnisko rakstu struktūru un izstrādi. Studenti iepazīstas ar pieņēmumu izpildes pārbaudi un rezultātu interpretāciju. Studenti apgūst plašāk lietotās datu matemātiskās apstrādes metodes konkrēta pētnieciska jautājuma risināšanai maģistra darba vai publikācijas sagatavošanā, izmantojot piemērotākās statistisko analīžu datorprogrammas.

Kursa rezultāti un to vērtēšana

1. Studentam ir izpratne par dažādu pētījuma dizainu priekšrocībām un trūkumiem.
2. Prot izstrādāt pētījuma struktūru, sagatavot un pamatot eksperimenta dizainu konkrēta pētījuma veikšanai.
3. Students zina galvenās empīrisko datu apstrādes metodes.
4. Izmantojot loģisko analīzi, prot izvēlēties datu specifikai piemērotākās matemātiskās metodes, kā arī ir kompetents empīrisko datu apstrādes pamatmetožu pielietošanā un praktiskā to realizācijā, risinot pētnieciskos uzdevumus mežzinātnē.
Kursa rezultāti tiek vērtēti, izmantojot kontroljautājumus laboratorijas darbos (vērtējums ieskaitīts/neieskaitīts), kā arī kontroldarbos (vērtējums 10 ballu skalā). Pēc sekmīgas šī kursa apguves studentam ir:
• Padziļinātas zināšanas par datu apstrādes metožu aktuālajām zinātniskajām teorijām, atziņām un to pielietošanu pētījumos saistītos ar profesionālo jomu (praktisko nodarbību laikā analizētas un izvērtētas nepieciešamās datu apstrādes metodes pētījuma hipotēzes pārbaudei);
• Prasmes patstāvīgi izvērtēt un izvēlēties atbilstošas datu apstrādes metodes, īstenojot atbilstoša apjoma oriģinālu pētījumu (praktisko nodarbību laikā izvēlētas nepieciešamās datu apstrādes metodes pētījuma datu analīzei);
• Kompetences sadarbībā ar darba vadītāju veikt patstāvīgu, kritisku analīzi un izvērtēšanu, risināt nozīmīgus pētnieciskus vai inovāciju uzdevumus, patstāvīgi izvirzīt pētījuma ideju (izstrādāts un aizstāvēts mājas darbs).

Kursa saturs(kalendārs)

1. Plaģiātisms: kā no tā izvairīties. Maģistra darba tēmas izvēle, aktualitāte, darba vadītāja izvēle. Maģistra darba pamatinformācija. Darba struktūra. (1h)
2. Līdzšinējo pētījumu apskats, avotu atlase, nodaļas izstrādes metodoloģija, atsauces tekstā. (1h)
3. Maģistra darba nodaļa "Darba metodika" (1h)
4. Maģistra darba nodaļa "Rezultāti un to analīze" (1h)
5. Secinājumi, priekšlikumi, izmantoto avotu saraksts, darba noformēšana (1h)
6. Prezentācijas sagatavošana un darba aizstāvēšana (1h)
7. Primārie un sekundārie zinātniskās literatūras avoti. Zinātniskās literatūras datubāzes (1 h). (praktiskais darbs 2h)
8. Maģistra darba pamatinformācijas apspriešana (Seminārs 4h)
9. Pētījumu veidi. Pētījuma strukturēšana (2 h)
10. Eksperimentu plānošana, ierīkošana, iegūstamie rezultāti un to interpretācija: piemēri (seminārs) (4 h).
11. Zinātnisko rakstu veidi. Atsevišķo raksta sadaļu saturs un uzdevumi (1 h).
12. Statistiskās kopas. Reprezentativitātes problēma (1 h).
13. Datu apstrādes metodes izvēle (1 h).
14. Deskriptīvā statistika: parametri, metodes, īstenošanas iespējas (laboratorijas darbs – 2 h).
15. Hipotēžu pārbaudes. Nulles hipotēze (laboratorijas darbs – 1 h).
16. Parametriskās un neparametriskās metodes (laboratorijas darbs – 1 h).
17. Vienīgā faktora un multiplā stratēģija. Nelinearitāte (laboratorijas darbs – 1 h).
a. Kontroldarbs.
18. Dispersijas analīze. Pazīmju atkarība. (1 h lekcijas. 1 h laboratorijas darbs).
19. Korelācijas analīze. Regresijas analīze. (1 h lekcijas. 1h laboratorijas darbi).
20. Daudzparametru klasifikācija. (1 h lekcijas.).
a. Kontroldarbs
21. Studiju kursa būtība un loma meža ekosistēmas procesu pētīšanā, datu vākšanā, apstrādē, analīzē un rezultātu interpretācijā. Zinātniskā izzināšana un datu ieguve. Empīrisko pētījumu datu klasifikācija. (Lekcija – 1 stunda)
22. Statistiskie rādītāji, to klasifikācija un nozīme. (Lekcija – 1 stunda, laboratorijas darbi – 1 stundas)
23. Teorētiskie sadalījumi, to likumsakarību izmantošana. Diskrēts gadījuma lielums. Nepārtraukts gadījuma lielums. Normālais sadalījums, tā loma pētījumu datu apstrādes procesā. (Lekcija – 1 stunda)
24. Parametrisko un neparametrisko metožu būtība un izmantošanas nosacījumi. (Lekcija – 1 stunda)
a. Kontroldarbs. Aprakstošā statistika. Teorētiskie sadalījumi un to likumsakarību izmantošana pētījumos.
25. Statistiskā hipotēze un tās uzdevuma nostādne. Statistiskie slēdzieni un lēmumi. Hipotēžu pārbaudes algoritms. (Lekcija – 1 stunda)
26. Hipotēzes pārbaude ar testa vērtējuma pieeju. Hipotēzes pārbaude ar būtiskuma līmeņa pārbaudes jeb p-vērtības (p-value) pieeju. (Lekcija – 1 stunda, laboratorijas darbi – 1 stundas)
27. Hipotēzes pārbaude un lēmuma pieņemšana par divu kopu parametriem. Saistītas un nesaistītas (neatkarīgas) kopas. F-tests. T-tests nesaistītām jeb neatkarīgām kopām. T-tests saistītām kopām. Rezultātu interpretācija. (Lekcija – 1 stundas, laboratorijas darbi – 1 stundas)
28. Dispersijas analīzes būtība un uzdevumi. Viena faktora dispersijas analīze. Divu faktoru dispersijas analīze ar un bez atkārtojumiem. Uzdevuma nostādne pētījumos. (Lekcija – 1 stundas, laboratorijas darbi – 2 stundas)
a. Kontroldarbs. Parametriskās hipotēžu pārbaudes metodes un to izmantojums pētījumos.
29. Neparametriskās metodes divu nesaistītu kopu datu salīdzināšanai. Mann-Vitneja U tests. Kolmogorova-Smirnova metode. Sēriju kritērijs. (Lekcija – 1 stunda, laboratorijas darbi – 2 stundas)
30. Neparametriskās metodes divu saistītu kopu datu salīdzināšanai. Vilkoksona tests. Zīmju tests. Mak Nemara tests. (Lekcija – 1 stunda, laboratorijas darbi – 1 stunda)
31. Vairāku nesaistītu kopu datu salīdzināšana. Kruskala-Valisa tests. Mediānu tests. (Lekcija – 1stunda, laboratorijas darbi – 1stunda)
32. Vairāku saistītu kopu datu salīdzināšana. Frīdmana tests. Kendela W tests. Kohrana Q tests. (Lekcija – 1 stunda, laboratorijas darbi – 1 stunda)
33. Hī kvadrāta kritērijs kvalitatīvu izlašu atbilstības pārbaudei. Kontingences analīze. (Lekcija – 1 stunda, laboratorijas darbi – 1 stunda)
34. Pazīmju saistības analīze nominālas skalas un ordinālas skalas datiem. (Lekcija – 1 stunda, laboratorijas darbi – 1stunda)
a. Kontroldarbs. Neparametriskās hipotēžu pārbaudes metodes un to izmantojums pētījumos.
35. Korelācijas analīze. Korelācijas analīzes mērķis. Lineārā un nelineārā korelācija. Pozitīva un negatīva korelācija. Pāra un divfaktoru korelācija. Lineārās korelācijas koeficients. Korelācijas koeficientu novērtēšana, salīdzināšana. Korelācijas diagrammas. Lēmuma pieņemšana un rezultātu interpretācija. (Lekcija – 1 stunda, laboratorijas darbi – 2 stundas)
36. Regresijas analīze. Regresijas analīzes mērķis. Empīrisko datu izlīdzināšana. Analītiskā metode. Lineārā regresija. Determinācijas koeficients. Regresijas modeļa noteikšana un izmantošana. Lēmuma pieņemšana un rezultātu interpretācija. (Lekcija – 1 stundas, laboratorijas darbi – 2 stundas)
a. Kontroldarbs. Korelācijas analīze, regresijas analīze un to izmantojums pētījumos.

Prasības kredītpunktu iegūšanai

Sekmīgi nokārtots eksāmens
Eksāmena vērtējums ir atkarīgs no semestra kumulatīvā vērtējuma:
• rakstisku kontroldarbu kopvērtējums;
• teorijas tests (rakstiski).
Jābūt sagatavotai sava pētījuma (maģistra darba) struktūra un sadaļām: mērķis, uzdevumi, materiāli un metodes. Semināram un praktiskajiem darbiem jābūt apmeklētiem un
sekmīgi jāuzraksta visi kontroldarbi. Jāizpilda un jāaizstāv visi laboratorijas darbi (vērtējums ieskaitīts/neieskaitīts)..
Kavēto laboratorijas darbu un semināru izpilde un neieskaitīto kontroldarbu pārrakstīšana Mežkopības katedras noteiktajā laikā.

Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums

Sistemātiskas teorijas studijas, kontroldarbu un laboratorijas dabu kārtošana. Sagatavošanās semināriem un praktiskajiem darbiem, praktisko darbu uzdevumu un rezultējošā darba – sava pētījuma sadaļu – sagatavošana un aizstāvēšana.

Studiju rezultātu vērtēšanas kritēriji

Zināšanu, prasmju un kompetences vērtēšana notiek 10 ballu skalā. Mutiska vai rakstveida atbilde ir sekmīga, ja vismaz 50% no jautājumiem atbildēti pareizi.
Kontroldarbus vērtē saskaņā ar noteikto kārtību – pēc atbildēm uz jautājumi, kuri doti metodiskajos aprakstos katra studiju posma sākumā, savukārt praktisko darbu vērtēšana notiek dabā, cik kompetenti students spēj iegūtās teorētiskās zināšanas un prasmes pielietot.

Obligātā literatūra

1. Arhipova I., Bāliņa S. Statistika ekonomikā. Risinājumi ar SPSS un Microsoft Excel. Rīga: Datorzinību centrs, 2003. 352 lpp.
2. Levine D. M., Ramsey P.P., Smitd R.K. Applied statistics for Engineers and Scientists: Using Microsoft Excel and MINITAB. Upper Saddle River, New Jersey: Prentice Hall, 2001. 671 p.

Papildliteratūra

1. Johnson R.A., Wichern D.W. Applied Multivariate Statistical Analysis. 6th ed. Upper Saddle River: Pearson Education, Inc., 2007. 773 p.
2. Zar J.H. Biostatistical Analysis. 4th edition. Upper Saddle River: Prentice Hall, 1996. 663 p.
3. Everitt B.S., Der A. A handbook of statistical analysis using SAS. London: Chapman & Hall, 1996. 157 p.

Periodika un citi informācijas avoti

1. Biometrics. Journal of the International Biometric Society. ISSN 1541-0420.
2. Nature. Pieejams: https://www.nature.com/
3. European Journal of Forest Research. Pieejams: https://www.springer.com/journal/10342/

Piezīmes

Akadēmiskā maģistra studiju programma "Mežzinātne" studentiem