Πάντειο Πανεπιστήμιο Κοινωνικών και Πολιτικών Επιστημών
Περίληψη:
Η παρούσα εργασία ασχολείται με μια μέθοδο ανάλυσης δεδομένων, την Ανάλυση Λανθανόντων Προφίλ (Latent Profile Analysis – LPA). Η μέθοδος αυτή αποτελεί ένα ισχυρό εργαλείο για την ομαδοποίηση δεδομένων από δειγματοληπτικές έρευνες και αφορά σε αναλύσεις δεδομένων πολλών μεταβλητών, των οποίων οι απαντήσεις κατηγοριοποιούνται. Τα άτομα που συμμετέχουν στην έρευνα κατανέμονται σε ομάδες ανάλογα με το συνδυασμό των απαντήσεών τους σε όλες τις μεταβλητές. Αυτές οι ομάδες αποτελούν τα προφίλ της λανθάνουσας μεταβλητής. Για κάθε προφίλ υπολογίζονται η μέση τιμή και η διακύμανση όλων των μεταβλητών σε αυτό, ενώ υπολογίζεται και το ποσοστό του πληθυσμού που ανήκει σε κάθε προφίλ. Η Ανάλυση Λανθανόντων Προφίλ βοηθάει αναλυτές από διάφορους επιστημονικούς κλάδους να εντοπίζουν διάφορους συνδυασμούς των μεταβλητών που δημιουργούνται μέσα στον πληθυσμό, αλλά και να εντοπίζουν τα κοινά χαρακτηριστικά των ατόμων που ανήκουν σε κάθε προφίλ. Στο πρώτο μέρος της εργασίας γίνεται μια θεωρητική προσέγγιση της Ανάλυσης Λανθανόντων Προφίλ, ενώ στη συνέχεια παρουσιάζεται μια πρακτική εφαρμογή της με τη χρήση της στατιστικής γλώσσας προγραμματισμού R και συγκεκριμένα με τη χρήση του προγράμματος RStudio και του υπολογιστικού πακέτου tidyLPA. Τα δεδομένα στα οποία θα εφαρμοστεί η Ανάλυση Λανθανόντων Προφίλ προέρχονται από μια από μια έρευνα που έγινε σε 17 σχολεία του Νομού Αττικής το σχολικό έτος 2015-2016, στην οποία 484 παιδιά της Ε΄ Δημοτικού (69 παιδιά), της ΣΤ΄ Δημοτικού (74 παιδιά), της Α΄ Γυμνασίου (307 παιδιά) και της Β΄ Γυμνασίου (34 παιδιά) απάντησαν στο Ερωτηματολόγιο Δυνατοτήτων και Δυσκολιών (SDQ) για τις ηλικίες 4 – 17. Οι μεταβλητές πάνω στις οποίες θα εφαρμοστεί η Ανάλυση Λανθανόντων Προφίλ είναι τα σκορ στις πέντε κλίμακες του SDQ. Τα προφίλ που δημιουργήθηκαν από την εφαρμογή της μεθόδου αντιστοιχούν σε διαφορετικό συνδυασμό σκορ για κάθε κλίμακα του SDQ και ομαδοποιούν τα παιδιά βάσει του επιπέδου των προβλημάτων στα οποία αντιστοιχούν οι κλίμακες 1 έως 4, καθώς και το επίπεδο της κοινωνικής τους συμπεριφοράς (κλίμακα 5). Μετά τη δημιουργία των προφίλ, επιχειρήθηκε να συσχετιστεί ο πληθυσμός κάθε προφίλ με το φύλο και τη σχολική τάξη των παιδιών. Στο τελευταίο κεφάλαιο της εργασίας παρουσιάζονται κάποιες άλλος περιπτώσεις εφαρμογής της Ανάλυσης Λανθανόντων Προφίλ σε διάφορους επιστημονικούς τομείς.
Abstract:
This paper is concerned with a data analysis method, the Latent Profile Analysis (LPA). This method is a powerful tool for grouping data from sample surveys and involves data analysis of many variables, the answers to which are categorized. Persons participating in the survey are divided into groups depending on the combination of their replies to all variables. These groups are the profiles of the latent variable. For each profile the mean and variance of all variables in it, and the percentage of the population belonging to each profile are calculated. Latent Profile Analysis helps analysts from various scientific fields to identify different combinations of variables created within the population, but also to identify the common characteristics of the individuals belonging to each profile. In the first part of this paper, a theoretical approach to Latent Profile Analysis is made and then a practical application is presented using the statistical programming language R and specifically using the RStudio program and the tidyLPA package. The data to which the Analysis of Latent Profiles will be applied are from a survey conducted in 17 schools of the Region of Attica in the school year 2015-2016, in which 484 children of the 5th Elementary School (69 children), of the 6th Elementary School (74 children), of the 1st High School (307 children) and of the 2nd High School (34 children) answered the Strengths and Difficulties Questionnaire (SDQ) for age 4 - 17. The variables on which the Latent Profile Analysis will be applied are the scores on the five SDQ scales. The profiles created by the application of the method correspond to a different combination of scores for each SDQ scale and group the children based on the level of problems to which scales 1 to 4 correspond, as well as their level of social behavior (scale 5). After creating the profiles, an attempt was made to correlate the population of each profile with the gender and school class of the children. The last chapter of the paper presents some other cases of application of Latent Profile Analysis in various scientific fields.
Περιγραφή:
Διπλωματική εργασία - Πάντειο Πανεπιστήμιο. Τμήμα Οικονομικής και Περιφερειακής Ανάπτυξης, ΠΜΣ, κατεύθυνση Εφηρμοσμένων Οικονομικών και Διοίκησης, 2021
