I. SUBJECT DESCRIPTION
II. SUBJECT REQUIREMENTS
III. COURSE CURRICULUM
SUBJECT DATA
OBJECTIVES AND LEARNING OUTCOMES
TESTING AND ASSESSMENT OF LEARNING PERFORMANCE
THEMATIC UNITS AND FURTHER DETAILS
Subject name
METHODOLOGICAL SKILL DEVELOPMENT I.
ID (subject code)
BMEGT52M101
Type of subject
contact lessons
Course types and lessons
Type
Lessons
Lecture
2
Practice
1
Laboratory
0
Type of assessment
mid-term grade
Number of credits
3
Subject Coordinator
Name
Gerákné Dr. Krasz Katalin
Position
assistant professor
Contact details
krasz.kata@gtk.bme.hu
Educational organisational unit for the subject
Department of Ergonomics and Psychology
Subject website
Language of the subject
magyar - HU
Curricular role of the subject, recommended number of terms

Programme: Psychology Master’s Programme - Work and organisational psychology specialisation from 2020/21/Term 1

Subject Role: Compulsory

Recommended semester: 1

Programme: Psychology Master’s Programme - Cognitive psychology specialisation from 2020/21/Term 1

Subject Role: Compulsory

Recommended semester: 1

Direct prerequisites
Strong
None
Weak
None
Parallel
None
Exclusion
None
Validity of the Subject Description
Approved by the Faculty Board of the Faculty of Economic and Social Sciences in 27 May 2020. Valid from 1 Sep 2020.

Objectives

The aim of the course is to develop skills on the basis of which students will be able to independently solve psychological measurement, scaling and hypothesis testing tasks, as well as exploratory data analysis during their independent research activities, primarily in connection with individual research projects and thesis preparation.

Academic results

Knowledge
  1. Knows the methods, statistical tests that can be used to analyze the data, their theoretical background, the purpose, conditions and methods of application.
Skills
  1. Is able to formulate his / her research questions and accordingly to determine the statistical tests necessary to justify the research questions.
  2. Able to apply relevant statistical tests, examine prerequisites, interpret statistical results.
Attitude
  1. Open to expanding knowledge related to methodological and statistical knowledge.
  2. Open and motivated to apply the acquired knowledge.
  3. Collaborates with the instructor and fellow students to expand knowledge.
  4. Open to the use of information technology tools.
Independence and responsibility
  1. Expect and utilize new knowledge.
  2. Actively participates in the process of acquiring knowledge.
  3. Solves individual and group tasks responsibly and independently.
  4. Collaborates with fellow students during group work.

Teaching methodology

Lectures, written and oral communication, use of IT tools and techniques, independent work.

Materials supporting learning

  • Takács Szabolcs: Bevezetés a matematikai statisztikába - Elmélet és gyakorlat, Antarész Kiadó, Budapest, 2016.
  • Ketskeméty László, Izsó Lajos: Bevezetés az SPSS programrendszerbe, ELTE Eötvös Kiadó, 2005.

General Rules

A 2.2. pontban megfogalmazott tanulási eredmények értékelése évközi teljesítménymérés alapján történik.

Performance assessment methods

A. Szorgalmi időszakban végzett teljesítményértékelések részletes leírása: 1. Részteljesítmény értékelés (házi feladat): a félév során tanult statisztikai próbák gyakorlati alkalmazásának ellenőrzése, melynek megjelenési formája az egyénileg készített statisztikai elemzés és ennek pontos dokumentációja, a próbaválasztás, a beállítások indoklásával, az eredmények magyarázatával; a házi feladatok tartalmát, követelményeit, beadási határidejét értékelési módját az oktató határozza meg. 2. Összegző teljesítményértékelés: zárthelyi dolgozat – a félév során tárgyalt témakörök ismereteinek számonkérése, a tudás tesztelése.

Percentage of performance assessments, conducted during the study period, within the rating

  • részteljesítmény értékelés (házi feladat): 50%
  • összegző teljesítményértékelés (2 zárthelyi dolgozat): 50% (2x25%)
  • összesen: 100%

Percentage of exam elements within the rating

Issuing grades

%
Excellent > 90-100
Very good 80–89
Good 70–79
Satisfactory 60–69
Pass 50–59
Fail < 50

Retake and late completion

A házi feladat – szabályzatban meghatározott díj megfizetése mellett – késedelmesen a pótlási időszak utolsó napján elektronikus formában 23:59-ig küldhető meg. A zárthelyi dolgozatok közül egy-egy a szorgalmi időszak utolsó hetében tartott pót ZH és a pótlási héten tartott (két) pótpót ZH alkalommal pótolható.

Coursework required for the completion of the subject

Nature of work Number of sessions per term
3 14
24
24
90

Approval and validity of subject requirements

Topics covered during the term

A 2.2. pontban megfogalmazott tanulási eredmények eléréséhez a tantárgy a következő tematikai blokkokból áll. Az egyes félévekben meghirdetett kurzusok sillabuszaiban e témaelemeket ütemezzük a naptári és egyéb adottságok szerint.

Lecture topics
1. A statisztikai módszerek általános áttekintése: klasszikus statisztika, Bayes-féle megközelítés, szimulációs módszerek
2. Egymintás/kétmintás t-próba, variancia-analízis paraméteres (hagyományos) és nemparaméteres (robusztus) próbái, kereszttáblás elemzések, kvalitatív változók kapcsolata (khi négyzet próba)
3. Korrelációra vonatkozó paraméteres (hagyományos) és nemparaméteres (robusztus) próbák. Korreláció értelmezési lehetőségei, kapcsolat a szélsőségekkel, szélsőséges esetek kezelése, kiszűrése.
4. Regresszióelemzés - a modellépítés lehetőségei, sajátosságai. Többszörös lineáris regresszió, bináris logisztikus regresszió és simított regresszió, illetve polinomiális regresszió
5. Többszempontos variancia és kovariancia-analízis
6. A variancia-analízis ismételt méréses módszertana. Vegyes varianciaanalízis, vegyes kovarianciaanalízis
7. Lineáris regresszió, többszempontos variancia és kovarianciaanalízis módszertana – módszerek közötti összefüggések, kapcsolatok és különbségek. Átjárhatóság a módszerek között. Továbblépési irányok, egyéb többváltozós módszerek bemutatása.

Additional lecturers

Name Position Contact details
Dr. Takács Szabolcs egy. docens, megbízott előadó takacs.szabolcs.dr@gmail.com
Dr. Hámornik Balázs adjunktus hamornik.balazs@gtk.bme.hu
Geszten Dalma egyetemi tanársegéd geszten.dalma@gtk.bme.hu

Approval and validity of subject requirements