Titel

Dansk: Videregående kvantitative metoder i studiet af politisk adfærd

Engelsk: Advanced quantitative methods in the study of political behavior

Underviser

Faget undervises af Frederik Hjorth, Ph.D., adjunkt ved IfS.

Kursusindhold

Seminaret er en del af specialiseringen Politisk Adfærd og anvendt videregående kvantitative metode. Den mest ajourførte information om faget kan findes på fagets hjemmeside, github.com/fghjorth/vkme18.

Seminaret dækker videregående kvantitative metoder, der anvendes i studiet af politisk adfærd. Det er tilrettelagt til at spille tæt sammen med Politisk adfærd, substansfaget i specialiseringen Politisk Adfærd og anvendt videregående kvantitative metode. Seminaret vil således inddrage tekster og temaer Politisk adfærd. Vi tager fat i centrale studier af politisk adfærd og spørger: hvordan er forfatteren nået frem til sit resultat? Kan vi genskabe resultatet? Og hvor følsomt er det over for andre metodiske valg? Vi lægger også stor vægt på hvordan studerende kan bruge metoderne til selv at besvare politologiske spørgsmål.

Seminaret er struktureret omkring tre temaer. Første tema, Brush-up (gang 1-2,5-7), samler op på centrale elementer fra Metode 2, herunder regressionsanalyse (OLS). Temaet introducerer også metoder til at håndtere paneldata ved hjælp af fixed effects modeller.

Andet tema, Kausal inferens (gang 8-13) handler om at undersøge om ét fænomen påvirker et andet – og hvor stor en eventuel påvirkning er. I de senere år har man inden for samfundsvidenskaben oplevet en såkaldt ‘credibility revolution’ med et stadig stigende fokus på, hvordan man kan udtale sig om kausale effekter. I tråd med denne udvikling er formålet at introducere de studerende til forskellige forskningsdesigns og statistiske metoder til at drage kausale slutninger. Der vil især blive lagt stor vægt på designs, da et veldesignet studie ofte mindsker behovet for at anvende avancerede statistiske teknikker.

Tredje tema, Politologisk data science (gang 3-4, 14), introducerer til hvordan man kan udtrække og analysere data fra andre kilder end traditionelle, flade tabelformater. Temaet introducerer også til hvordan man kan trække data fra internettet og metoder til at analysere tekstdata.

Gang	Tema	Litteratur	Case
1	Introduktion til R	Leeper (2016)
2	R workshop I + tidy data	Wickham (2014), Zhang (2017)
3	Data fra online-kilder	MRMN kap 9+14	Hjorth (2016)
4	Tekst som data	Grimmer & Stewart (2013), Benoit & Nulty (2016)	Baturo & Mikhaylov (2013)
5	Regression I: OLS brush-up	AP kap 2	Mutz (2018)
6	Regression II: Paneldata	AGS kap 4	Mutz (2018)
Efterårsferie
7	R workshop II
8	Introduktion til kausal inferens	Angrist & Pischke (2010), Samii (2016)	Carroll (2018)
9	Eksperimenter I	AP kap 1, GG kap 1+2	Gerber, Green & Larimer (2008)
10	Eksperimenter II	GG kap 3+4+5	Gerber & Green (2000)
11	Instrumentvariable	AP kap 3	Colantone & Stanig (2018)
12	Difference-in-differences	AP kap 5
13	Regressionsdiskontinuitetsdesigns	AP kap 4	Eggers & Hainmueller (2009)
14	'Big data' og maskinlæring	Varian (2014), Montgomery & Olivella (2017)	Hjorth (2018)

Tid og sted

Undervisningen finder sted torsdage 15-17 i lokale 4.1.36. Første undervisningsgang er torsdag d. 6. september.

Målbeskrivelser

Seminarets målsætning er at sætte den studerende i stand til efter endt undervisning at kunne (ILO's):

1. Identificere relevante designs og teknikker for at løse politologiske problemstillinger.
2. Bearbejde data i strukturerede og ustrukturerede formater mhp. senere analyse.
3. Analysere empiriske politologiske problemstillinger med udgangspunkt i kvantitative data.
4. Reflektere over fordele og ulemper ved forskellige designs og teknikker fra kursets pensum og samt i andres og eget arbejde.

Kompetencebeskrivelse

Faget giver en bedre forståelse af politisk adfærd og politiske processer: Mange politiske tiltag har som formål at påvirke borgernes adfærd og i den sammenhæng bidrager den politiske adfærdsforskning med en forståelse af, hvilke konsekvenser den førte politik kan forventes at have for menneskers adfærd. Som eksempel kan nævnes betydningen af politiske kampagner, anvendelse af performance mål i den offentlige sektor. Her kan den politiske adfærdsforskning bidrage med viden om, hvordan befolkningen reagerer på information og dermed udgøre et oplyst grundlag at føre politik på.

Der lægges vægt på, at de studerende opnår kompetencer til at forstå, udføre, tolke og præsentere undersøgelser med udgangspunkt i de forskningsdesigns og metoder, der fremgår af pensum, og at denne anvendelse sker i sammenhæng med teorier om politisk adfærd.

Undervisningsmateriale

• [B]: Anbefales købt i bogform
• [E]: Kan anskaffes i elektronisk form

Bøger

• [E] AGS: Andreß, H. J., Golsch, K., & Schmidt, A. W. (2013). Applied panel data analysis for economic and social surveys. Springer Science & Business Media.

• [B] GG: Gerber, A. S., & Green, D. P. (2012). Field experiments: Design, analysis, and interpretation. WW Norton.

• [B] AP: Angrist, J. D., & Pischke, J. S. (2014). Mastering 'metrics: The path from cause to effect. Princeton University Press.

• [E] MRMN: Munzert, S., Rubba, C., Meißner, P., & Nyhuis, D. (2014). Automated data collection with R: A practical guide to web scraping and text mining. John Wiley & Sons.

Artikler

• Benoit, K., & Nulty, P. (2016) Getting Started with quanteda

• [E] Grimmer, J., & Stewart, B. M. (2013). Text as data: The promise and pitfalls of automatic content analysis methods for political texts. Political Analysis, 21(3), 267-297.

• [E] Hariri, J. G. (2012). Kausal inferens i statskundskaben. Politica, 44(2), 184-201.

• [E] Justesen, M. K., & Klemmensen, R. (2014). Sammenligning af sammenlignelige observationer. Politica, 46(1), 60-78.

• [E] Leeper, T. (2016). Really Introductory Introduction to R.

• [E] Montgomery, J. M., & Olivella, S. (2017). Tree-based models for political science data. American Journal of Political Science, forthcoming.

• [E] Samii, C. (2016). Causal empiricism in quantitative research. Journal of Politics 78(3): 941–955.

• [E] Varian, H. R. (2014). Big data: New tricks for econometrics. The Journal of Economic Perspectives, 28(2), 3-27.

• [E] Wickham, H. (2014). Tidy data. Journal of Statistical Software, 59(10), 1-23.

• [E] Zhang, C. (2017). Tricks for cleaning your data in R.

Cases

• Angrist, J. D., & Pischke, J. S. (2010). The credibility revolution in empirical economics: How better research design is taking the con out of econometrics. Journal of Economic Perspectives, 24(2), 3-30.

• Baturo, A., & Mikhaylov, S. (2013). Life of Brian revisited: Assessing informational and non-informational leadership tools. Political Science Research and Methods, 1(01), 139-157.

• Carroll, Aaron E. (2018). Workplace Wellness Programs Don’t Work Well. Why Some Studies Show Otherwise. The New York Times, August 6, 2018.

• Colantone, I., & Stanig, P. (2018). Global competition and Brexit. American Political Science Review, 112(2), 201-218.

• Eggers, A. C., & Hainmueller, J. (2009). MPs for sale? Returns to office in postwar British politics. American Political Science Review, 103(04), 513-533.

• Gerber, A. S., & Green, D. P. (2000). The effects of canvassing, telephone calls, and direct mail on voter turnout: A field experiment. American Political Science Review, 94(03), 653-663.

• Gerber, A. S., Green, D. P., & Larimer, C. W. (2008). Social pressure and voter turnout: Evidence from a large-scale field experiment. American Political Science Review, 102(01), 33-48.

• Hjorth, F. (2016). Intergroup Bias in Parliamentary Rule Enforcement. Political Research Quarterly, 69(4), 692-702.

• Hjorth, F. (2018). Establishment Responses to Populist Challenges: Evidence from Parliamentary Speech. Working paper.

• Mutz, D. C. (2018). Status threat, not economic hardship, explains the 2016 presidential vote. Proceedings of the National Academy of Sciences, 201718155.

Supplerende læsning

• Athey, S., & Imbens, G. (2016). The State of Applied Econometrics-Causality and Policy Evaluation. arXiv preprint arXiv:1607.00699.

• Gelman, A., & Hill, J. (2006). Data analysis using regression and multilevel/hierarchical models. Cambridge University Press.

• Grimmer, J. (2015). We are all social scientists now: how big data, machine learning, and causal inference work together. PS: Political Science & Politics, 48(01), 80-83.

• Harford, T. (2014). Big data: A big mistake?. Significance, 11(5), 14-19. Chicago

• Iacus, S.M., King, G., & Porro, G. (2016). CEM: Software for Coarsened Exact Matching

• Imai, K. (2017): Quantitative Social Science: An Introduction. Princeton University Press.

• Kleinberg, J., Ludwig, J., Mullainathan, S. (2016). A Guide to Solving Social Problems with Machine Learning. Harvard Business Review.

• Ladd, J. M., & Lenz, G. S. (2009). Exploiting a rare communication shift to document the persuasive power of the news media. American Journal of Political Science, 53(2), 394-410.

• Nall, C. (2015). The political consequences of spatial policies: How interstate highways facilitated geographic polarization. The Journal of Politics, 77(2), 394-406.

• Stegmueller, D. (2013). How many countries for multilevel modeling? A comparison of frequentist and Bayesian approaches. American Journal of Political Science, 57(3), 748-761.

Undervisningsform

Undervisnings- og læringsaktiviteter (TLAs):

1. Holdundervisning, hvor ugens pensum gennemgås
2. Hjemmeøvelser i Swirl, et program til øvelsesopgaver implementeret direkte i R-konsollen
3. Fælles diskussion om implementering af fagets teknikker i R

Bedømmelsesaktiviteter:

1. Løbende dialog i undervisningen
2. Feedback ifm. midterm
3. Karakter ifm. seminaropgave

Tabellen herunder sammenfatter hvordan fagets læringsmål (ILOs), undervisnings- og læringsaktiviteter (TLA's) og bedømmelse (AT's). Alle TLA's og AT's knytter an til alle tre ILO's, og opstillingen i de enkelte tabelrækker er således vilkårlig.

Læringsmål (ILO's)	Undervisnings- og læringsaktiviteter (TLA's)	Bedømmelse (AT's)
Identificere relevante designs og teknikker	Holdundervisning	Løbende dialog i undervisningen
Bearbejde data i strukturerede og ustrukturerede formater	Løbende hjemmeøvelser i R notebooks	Feedback ifm. midterm
Analysere empiriske politologiske problemstillinger	Øvelsesopgave (midterm)	Karakter ifm. seminaropgave
Reflektere over fordele og ulemper ved forskellige designs

Anbefalede faglige forudsætninger

Det forudsættes at man har gennemført Metode 2, Almen Statskundskab og Sammenlignede Statskundskab eller tilsvarende.

Tilmelding

Selvbetjeningen på KUnet.

Eksamen

Faget udgør 7,5 ECTS.

Eksamen består af en seminaropgave, som skal afleveres ved semestrets afslutning. Opgaven består af en selvstændig kvantitativ analyse af data. Opgaven kan have en (eller udgøre en kombination) af flg. tre former:

1. En analyse af en original problemstilling,
2. Et replikationsstudie med afsæt i en eksisterende studie, eller
3. Et 'forstudie' til et speciale med inddragelse af relevante empiriske data.

Seminaropgaven har afleveringsfrist onsdag d. 9. januar 2019 med 1. og 2. genindleveringsfrist hhv. mandag d. 14. januar og fredag d. 18. januar.

For inspiration mht. datakilder, se denne glimrende oversigt over politologiske datasæt.

Studerende der vil skrive en eksamensopgave i form af et replikationsstudie kan finde data fra mange nyere studier på Dataverse.

Den endelige seminaropgave bedømmes med en karakter på syvtrinsskalaen uden ekstern censur.

Ud over seminaropgaven forudsætter beståelse af faget tilstedeværelse i undervisningen svarende til det generelle tilstedeværelseskrav for seminarer.

Kriterier for bedømmelse

Karakter	Betegnelse	Beskrivelse
12	Den fremragende præstation, der demonstrerer udtømmende opfyldelse af fagets mål.	Viden: udtømmende viden om fagets metoder og metodiske begreber. Færdigheder: anvende fagets statistiske metoder og begreber med en høj grad af selvstændig refleksion. Kompetencer: gennemføre sofistikerede analyser af kvantitative data systematisk og stringent.
7	Den gode præstation, der demonstrerer opfyldelse af fagets mål med en del mangler.	Viden: overordnet viden om fagets metoder og metodiske begreber. Færdigheder: anvende fagets statistiske metoder og begreber med nogen grad af selvstændig refleksion. Kompetencer: gennemføre analyser af kvantitative data med nogen systematik og stringens.
02	Den tilstrækkelige præstation, der demonstrerer den minimalt acceptable grad af opfyldelse af fagets mål.	Viden: ringe viden om fagets metoder og metodiske begreber. Færdigheder: anvende fagets statistiske metoder og begreber med ringe grad af selvstændig refleksion. Kompetencer: gennemføre analyser af kvantitative data med begrænset systematik og stringens.

Arbejdsbelastning

Kategori	Timer
Holdundervisning	28
I alt	28