Поиск: Рекомендуем: Почему я выбрал профессую экономиста Почему одни успешнее, чем другие Периферийные устройства ЭВМ Нейроглия (или проще глия, глиальные клетки) Категории: Астрономия Биология География Другие языки Интернет Информатика История Культура Литература Логика Математика Медицина Механика Охрана труда Педагогика Политика Право Психология Религия Риторика Социология Спорт Строительство Технология Транспорт Физика Философия Финансы Химия Экология Экономика Электроника	Главная О нас Популярное ТОП Новые страницы Случайная страница Контакты FAQ ЗАКАЗАТЬ РАБОТУ Логический анализ основных понятий 3 страница ⇐ Предыдущая9101112131415161718Следующая ⇒ лу, с помощью которой производилось измерение той или иной переменной. Способы измерений, т.е. те алгоритмы, по которым производится отображение изучаемых социальных объектов в ту или иную числовую математическую систему, различаются по сте­пени своей сложности и по объему тех математических действий, которые можно производить с полученными в результате наблю­дений значениями переменных. В зависимости от того, насколь­ко широк круг математических операций, допустимых для обра- ботки и получения содержательных выводов, в социологии чаще всего используют шкалы следующих типов (если расположить их в порядке возрастания соответствующего уровня12 измерений): номинальные, ранговые, интервальные, пропорциональные. Все эти шкалы были разработаны и введены в научный оборот аме­риканским исследователем С. Стивенсом. Номинальная шкала С помощью номинальной шкалы мы измеряем такие перемен­ные, которые в принципе не могут количественно отличаться друг от друга. Другое название этого уровня измерений — шкала наи­менований, что довольно точно отражает его сущность: каждое значение здесь представляет собою отдельную категорию, и зна- чение является просто своего рода ярлыком или именем. Значе-ния присваиваются переменной безотносительно к упорядочива- нию или установлению какой-то дистанции между категориями, их невозможно сравнивать между собою по принципу «больше-меньше», «выше-ниже» и т.п. Так, если бы мы захотели рассчи-' тать средние значения переменных, измеренных по номинальной шкале, то это было бы пустой тратой времени. В самом деле, мож-но ли рассчитать среднее значение пола? Или рода занятий^ В измерениях номинального уровня отсутствуют те свойства, ко-торыми обладают реальные числа, и такие переменные невозмож|-но складывать, вычитать, умножать и делить13. Поэтому данные, полученные по номинальной шкале, обыч-но резюмируются с помощью простого частотного распределения так, как показано в табл. 4.2 и 4.3. 195   Распределение респондентов по полу Таблица 4.2 ПОЛ   Частота   Процент Мужчины   399   44,3 Женщины   496   55,0 Всего   895   100,0 Источник: Аналитический отчет об опросе избирателей округа № 14 г. Нижнего Новгорода, проведенного 12—13 марта 1998 г.   Таблица 4.3 Распределение респондентов по социально-профессиональному статусу Социально-профессиональный статус Частота Процент Руководители предприятий 16 1,8 Предприниматели 52 5,8 ИТР 83 9,3 Непроизводственная интеллигенция 89 9,9 Служащие без специального образования 48 5,4 Квалифицированные рабочие 93 10,4 Рабочие средней и низкой квалификации 102 11,4 Неработающие пенсионеры 226 25,3 Прочие 186 20,8 Всего 895 100,0 Источник: Аналитический отчет об опросе 12—13 марта 1998 г. Мы видим, что в таблицах, помимо указания частоты в абсо­лютных цифрах, приведены данные в процентах (что указывает на удельный вес каждого из значений определяемой переменной). Пропорции и процентные доли в процессе анализа предпочтитель­нее частотных распределений вследствие того, что они облегчают процесс сравнения двух популяций различных размеров. Напри­мер, в табл. 4.4 показаны две гипотетические студенческие попу­ляции различных размеров, но с одинаковыми пропорциями вы­бора дисциплин, которые представляются им предпочтительны­ми для изучения. Вы можете прикрыть полоской бумаги столбцы, содержащие проценты, и убедиться, что непосредственно из час­тотного распределения (без указания процентов) выявить этот факт было бы довольно трудно. Проценты же раскрывают эту информацию немедленно, поэтому нередко, в целях экономии 196 места, особенно в достаточно больших по размерам таблицах, по­казывают только проценты. Частотные распределения в абсолют­ном выражении опускаются, однако при этом желательно приво­дить общее число наблюдений и тем самым давать возможность читателю в случае необходимости вычислить соответствующее частотное распределение. Таблица 4.4 Распределение предпочтений, отдаваемых различным учебным дисциплинам Учебная дисциплина Экономический факультет	Коммерческий факультет
	частота	процент	частота	процент
Маркетинг	35	25,9	48	25,9
Социология	30	22,2	41	22,2
Английский язык	45	33,3	61	33,3
Математика	25	18,5	34	18,5
Всего	135	100,0	184	100,0

Источник: Гипотетические данные.

В табл. 4.5 представлен пример частотного распределения, про­порций и процентов голосов делегатов Национальной конвенции Демократической партии США, поданных в 1984 г. за выдвиже­ние трех главных кандидатов в президенты от этой партии — Уол-i, тера Мондейла, Гэри Харта и Джесси Джексона.

Таблица 4.5

Частотное распределение, пропорции и проценты голосов делегатов

Национальной демократической конвенции 1984 г.

(Переменная: число поданных голосов на номинации кандидата в президенты от Демократической партии 1984 г.)

Источник: New York Times, July 20. 1984. A12.

Из этой таблицы, конечно, и так видно, что абсолютное числе голосов, поданных за Мондейла (2191), больше, нежели числе голосов, поданных за других кандидатов; однако, благодаря ис-

197

пользованию пропорций и процентов, сопоставление различных значений переменных становится более рельефным и отчетливым, что, конечно же, облегчает анализ. Преимущество становится осо­бенно бесспорным при необходимости последовательного сравне­ния достаточно длинных рядов распределений.

Для данных номинального уровня измерение центральной тен­денции производится с помощью определения моды. Модой, или модальной категорией, называется то значение переменной, кото­рое встречается среди данных наиболее часто. В табл. 4.2 модаль­ную категорию представляют собою женщины. В табл. 4.3 — это категория неработающих пенсионеров, которых среди респонден­тов оказалось большинство.

Помимо центральной тенденции измеряют и дисперсию данных. Дисперсия характеризует разброс значений переменной. Для дан­ных номинального уровня наибольшая дисперсия проявляется в тех случаях, когда наблюдения распределены поровну между ка­тегориями. Данные табл. 5 весьма дисперсны, поскольку имеется почти одинаковое число мужчин и женщин. Полное отсутствие дисперсии проявляется в тех случаях, когда все наблюдаемые зна­чения переменной совершенно однородны, т.е. попадают в одну и ту же категорию.

При проведении одномерного анализа могут обнаружиться такие характеристики данных, которые представляют собой существенные препятствия для дальнейшего анализа. Представьте, например, что вы намереваетесь изучить взаимосвязь между полом и родом заня­тий и обнаружили, что в выборке опроса оказались одни лишь муж­чины, Поскольку налицо отсутствие дисперсии (т.е. нет вариаций по одной из ключевых переменных — по полу), сравнение провести нельзя. Урок, который необходимо из этого усвоить, состоит в сле­дующем: нет изменения — нет сравнения. А процедура сравнения яв­ляет собою, по сути, ядро анализа. При отсутствии изменений вы можете обнаружить какое-то интересное единообразие, но не смо­жете изучить связей между переменными, т.е. выявить, что же про­исходит с одной из них, когда другая варьирует (изменяется). Самый простой одномерный анализ, проведенный в ходе сбора данных, поможет вам вовремя скорректировать выборку.

Выявляя центральную тенденцию, следует сразу обращать вни­мание на максимальные и минимальные значения изучаемой пе­ременной. Другими словами, когда вы имеете дело с переменной, принимающей целый ряд значений, анализ следует начинать с акцента на самом большом и самом маленьком значении — это сразу дает вам представление о масштабах изменения рассматри­ваемой переменной.

198

Не менее, а нередко и более удобным средством анализа слу­жит графическое отображение рядов распределений. На рис. 4.1 в виде столбчатой диаграммы¹⁴ изображено распределение, пред­ставленное в табл. 4.3. Одного общего взгляда на эту диаграмму достаточно, чтобы оценить соотношение численности представи­телей различных социально-профессиональных групп в выбороч­ном массиве; при взгляде на таблицу это нельзя увидеть столь отчетливо.

На рис. 4.2 мы видим другую форму графического представле­ния данных. Здесь приведена круговая диаграмма¹⁵ реестра голо­сов, поданных на выдвижении кандидатов в президенты демо­кратами в 1984 г. (табл. 4.5).

4.2.2. Ранговая шкала

В принципе та же одномерная статистика, что используется для суммирования данных номинального уровня, может быть приме­нена и для данных рангового уровня. Данные рангового уровня измерений включают в себя категории наблюдения, которые раз­мещены по порядку¹⁶ (от большего значения какого-то признака к меньшему его значению или, наоборот, — от меньшего к боль­шему). Здесь методы описательной статистики более информатив­ны, нежели методы, используемые для измерений номинального уровня. Для измерений порядкового уровня центральную тенден­цию частотного распределения можно оценить с помощью как моды, так и медианы. Тогда как для измерений порядкового уров­ня разброс можно выявить с помощью не только дисперсии, но и среднеквадратического отклонения. Для измерений номинального уровня разброс частотного распределения можно только «ощу­тить», просматривая все категории. Медиана — это категория, к которой принадлежит серединное наблюдение.

Можно посмотреть, как определяется медиана на примере рас­пределений ответов на вопрос о том, какова частота использова­ния различных источников информации о работе городской ад­министрации (табл. 4.6).

Здесь значения переменных — частоты использования того или иного источника — соотнесены с ранговой шкалой, значения ко­торой меняются от категории «часто» (которой присвоен ранг 4) до «не дали ответа» (ранг 0). Учитывая, что общее число опрошенных (или число наблюдений) равно 426, половина наблюдений соста­вит 213. Это означает, что медиана для такого источника инфор­мации, как «встречи с мэром и работниками администрации»¹⁷, 200

приходится на категорию с рангом 1 (никогда); для четырех пос­ледующих переменных — на категорию с рангом 2 (иногда); для последней переменной — «телевидение» — медиана приходится на категорию 3 (регулярно).

Таблица 4.6 Источники информации о работе городской администрации

Источники информации

Частота/ранг

Источник: Аналитический отчет об опросе жителей г. Нижне­го Новгорода, декабрь 1998 г.

Отметим, что при использовании для измерений порядкового уровня методы описательной статистики более информативны, нежели для измерений номинального уровня. В первом случае центральную тенденцию частотного распределения можно оценить как с помощью моды, так и с помощью медианы, а во втором подходит только мода. Для измерений порядкового уровня разброс частотного распределения можно выявить с помощью дисперсии и среднеквадратического отклонения, тогда как для измерений но­минального уровня разброс можно только «ощутить», просматри­вая все категории. Такова одна из причин, по которым измере­ния высокого уровня часто оказываются предпочтительнее по сравнению с измерениями более низкого уровня.

4.2.3. Интервальная шкала

Измерения интервального и пропорционального уровня редко анализируются с помощью прямого указания частот или процент­ных отношений. В отличие от номинальных или ранговых изме­рений значения переменных, измеряемых с помощью интерваль-

201

ных шкал, изменяются непрерывно, они представляют собой чис­ленные величины, а не категории. Поэтому количество различных наблюдаемых значений может быть так велико, что частоты и процентные отношения не в состоянии эффективно просуммиро­вать данные. В самом деле, при измерении такой переменной, как возраст, мы можем получить набор значений, ни одно из которых не будет повторять другого (если в нашем выборочном массиве не окажется какого-то количества респондентов, чьи даты рождения совпадают день в день). При измерении доходов также трудно рассчитывать, что суммы доходов различных респондентов или их семей будут совпадать до рублей и копеек. По этой причине зна­чения таких переменных и размещают в интервалах, размеры ко­торых определяются исследовательским замыслом.

Критериями центральной тенденции для пропорционального и интервального уровней измерений выступают мода, медиана и среднее арифметическое. Среднее арифметическое представляет собой сумму значений переменной, разделенную на число значе­ний. Общая формула для ее вычисления алгебраически выглядит следующим образом

где X /— числовое значение /-й позиции, a N — общее число наблю­дений (объем выборки).

Рассмотрим вычисление средней арифметической величины на примере расчета средней посещаемости занятий в студенческой группе по данным проверок деканата. Данные о посещаемости приведены в табл. 4.7.

Сложив числа в правой колонке и разделив их на 10 (число проверок), мы получим, что средняя посещаемость в группе со­ставила х = 18,6.

Понятно, что полученное число — 18,6 студента — не может иметь реального физического смысла, оно пригодно лишь для сравнения между собою уровня посещаемости в двух и более группах. Хотя и для этой цели полученные средние величины вначале следует нормировать, разделив их на общую численность студентов каждой группы.

Среднее может оказаться обманчивым показателем центральной тенденции, если в объеме выборочной совокупности среди значе­ний интересующей нас переменной появится какая-то экстремаль­ная величина. Например, среднедушевые ежемесячные доходы се­мей в двух гипотетических общинах (скажем, среди жильцов двух подъездов одного дома, каждый из которых насчитывает по 10 квар-

202

тир) идентичны, за исключением дохода одной семьи (табл. 4.8). Среднедушевой доход семьи жителей 1 -го подъезда — 4230 руб. — более чем вдвое превышает среднедушевой доход во 2-м подъезде — 2050 руб. Именно расчет среднего дохода в каждом из подъездов создает ошибочное впечатление, что люди в 1 -м подъезде вдвое бо­гаче, чем люди во 2-м подъезде, тогда как в реальности есть лишь одна семья в 1-м подъезде, которая гораздо богаче любой семьи из обоих подъездов. В этом случае медиана будет лучшим показате­лем центральной тенденции, нежели среднее. Медианный подход даст для обоих подъездов одинаковый результат: 2100 руб. — доволь­но близкий к среднему значению по 2-му подъезду. Если среднее и медиана не сходны по своему значению, можно сделать вывод, что на значение среднего влияют одно или несколько экстремаль­ных значений измеряемой переменной.

Таблица 4.7 Посещаемость занятий студентами академической группы

Источник: Гипотетические данные.

Таблица 4.8 Среднедушевые ежемесячные доходы семей в двух подъездах дома (руб.)

Вычисление средней арифметической величины для перемен­ных, значения которых измеряются не однозначно определенны­ми числами, а изменяются вдоль непрерывного ряда значений, имеет свои особенности. Здесь расчитывается не среднее арифме­тическое, а средневзвешенное. Предположим, что нам требуется вычислить средний возраст опрошенных респондентов (табл. 4.9).

203

Таблица 4.9

Распределение респондентов по возрасту

Источник: Аналитический отчет об опросе жителей г. Нижне­го Новгорода, декабрь 1998 г.

Вначале мы должны определить середину каждого интервала; это делается путем вычисления простого среднего, т.е. сумма край­них значений делится пополам. Затем необходимо умножить это значение на число респондентов соответствующего возраста, сло­жить полученные произведения и разделить на общий объем вы­борки (см. табл. 4.9а).

Таблица 4.9а Результат 2-го этапа вычисления средневозрастной величины

Источник: Гипотетические данные.

Разделив полученную сумму на 457, мы получим средний воз­раст в 42,6 года. Таким образом, формула для средневзвешенного значения выглядит аналогично соотношению (4.1) с учетом того, что X / здесь относится к середине интервала:

204

где Xj — числовое значение /-й позиции; п_{ — число респондентов, наблюдаемых по /-и позиции переменной; N— общее число на­блюдений.

Показатели разброса данных интервального или пропорцио­нального уровня включают среднее отклонение, дисперсию и сред-неквадратическое отклонение. Среднее отклонение (MD) представ­ляет собой меру разброса, основанную на отклонении каждого из значений от среднего. Пример ее вычисления приведен ниже, по данным из табл. 4.10.

Таблица 4.10

Распределение, отклонение и среднее распределение доходов среди жильцов подъезда № 2

Таким образом, уравнение для среднего отклонения выглядит следующим образом:

где | | — символ абсолютной величины (модуля).

Если мы берем каждую отметку и вычитаем из нее среднее, мы вычисляем ту величину, на которую каждая из отметок (вторая колонка) отличается от среднего (нижняя ячейка второй колон­ки). Сумма этих отклонений всегда равна нулю — важное мате­матическое свойство среднего (проверьте это сами, сложив числа в третьей колонке). Поскольку мы интересуемся только величи­ной отклонения, а не направлением или знаком его, то находим абсолютные значения отклонения (четвертая колонка). Затем мы 205

берем их сумму и делим на число отметок, чтобы найти среднее отклонение отметок от среднего; получаем MD = 630. Чем боль­ше среднее отклонение, тем сильнее разброс отметок вокруг сред­него.

Хотя среднее отклонение и выявляет разброс, чаще для его измерения используются дисперсия и среднеквадратическое от­клонение.

Дисперсия представляет собой сумму квадратов отклонений от среднего, разделенную на число отметок:

Среднеквадратичвское отклонение представляет собою корень квадратный из дисперсии:

Чем больше разброс данных вокруг среднего, тем выше значе­ния ст² и S. Это означает, что если все данные одинаковы, то s ² и Нравны нулю.

Таким образом, для вычисления дисперсии и среднеквадрати-ческого отклонения надо пройти последовательно семь этапов:

1) вычислить среднее;

2) вычислить разности между средним и каждым из значений;

3) возвести в квадрат разности, вычисленные на этапе 2;

4) умножить квадраты разностей на частоты наблюдений каж­дого из значений;

5) просуммировать квадраты разностей, вычисленные на этапе 4;

6) разделить сумму квадратов, полученную на этапе 5, на N; это равняется дисперсии;

7) извлечь квадратный корень из числа, вычисленного на эта­пе 6; это равняется среднеквадратическому отклонению.

Пример расчета дисперсии и среднеквадратического отклоне­ния. В опросе, проведенном в конце декабря 1998 г., нижегород­цев просили оценить некоторые личностные качества недавно избранного мэра, используя для этого так называемый семанти­ческий дифференциал¹⁸. Этот метод заключается в следующем:

206

респонденту предлагается выразить свое отношение к интересу­ющему исследователя качеству по совокупности биполярных шкал (в нашем случае девятибалльных). Одно из предложенных для оценки качеств мэра — доступность — было выражено с помощью такой шкалы:

Результаты в исследовании распределились следующим образом:

Таблица 4.11

Распределение оценок качества «доступность»

Отбросив нули (табл. 4.11), т.е. варианты «нет ответа» (после чего Остановится равным 368), мы подсчитываем, что среднее значение оценки (по формуле средневзвешенного) составляет:

х = 5,42.

Обратим внимание: если бы мы не отбросили значение «нет ответа», т.е. приняли бы эту позицию за нуль как математическую величину, то получили бы среднее значение:

х = 4,67,

т.е. заметно меньшее, нежели рассчитанное нами. Оно более точ­но в математическом смысле, но искажает социологический смысл, поскольку ведь те, кто не дали ответа, вовсе не выставляли оцен­ку «0», они просто не выставили никакой оценки.

Рассчитаем отклонение от среднего и квадрат отклонения от среднего по каждому баллу (табл. 4.12).

207

Сложив числа крайней правой колонки, мы получим:

дисперсия:

среднеквадратическое отклонение:

Что дает для анализа данных знание дисперсии? Напомним, что «дисперсия» (dispersion) по-английски означает «разбрасыва­ние, рассеивание»; в данном случае это рассеяние реально полу­ченных эмпирических данных вокруг среднего значения. В зави­симости от того, насколько велика (точнее, мала) дисперсия или среднеквадратичное отклонение, мы можем судить, насколько единодушны были в своих оценках респонденты (при меньшем значении дисперсии), или наоборот — насколько сильно они рас­ходятся в своих мнениях (при большем значении дисперсии)¹⁹. Сравним, к примеру, разброс оценок (по пятибалльной шкале: от 5 — очень важное, до 1 — затрудняюсь ответить), которую, в ходе исследования особенностей сексуального поведения, дали респон­денты степени влияния на их «сексуальное образование» различ­ных источников информации (табл. 4.13):

208

209

Таблица 4.13

Оценка степени влияния различных источников на информированность о сфере интимных отношений (в средних значениях по 5-балльной шкале)

Источник: Данные пилотажного опроса, декабрь 1998 г.

Из этой таблицы помимо сведений о том, что максимальное влияние на информированность о наиболее интимных сторонах жизни оказывает сексуальный партнер, а наименьшее — педагоги, мы узнаем также, что с наибольшим единодушием респонденты оценили низкую степень влияния такого источника, как педагоги, о чем говорит минимальное значение среднеквадратического откло­нения, а наибольшее расхождение в оценках вызвал такой источ­ник, как супруг/супруга, — максимальное значение S (что, возмож­но, связано с большими различиями в индивидуальном опыте).

4.3. Анализ двумерных распределений

Одной из важных задач любого анализа данных является провер­ка гипотез, сформулированных в программе исследования. В гипо­тезе, как правило, высказывается предположение о наличии связи между двумя и более переменными. И на определенном этапе ана­лиза следует заняться поиском таких связей. Чтобы проделать это, в идеале необходимо найти ответ на пять основных вопросов:

1. Существует ли обозначенная в гипотезе связь между неза­висимой и зависимой переменными?

2. Каково направление этой связи?

3. Насколько сильна связь?

4. Является ли связь статистически значимой?

5. Является ли связь каузальной?

Начнем с поисков ответа на первый вопрос. Мы можем утвер­ждать, что связь существует, если наблюдаемые значения незави-

симой переменной ассоциируются с наблюдаемыми значениями зависимой переменной. Предположим, мы сформулировали гипо­тезу: «чем старше избиратели, тем больше вероятность того, что они примут участие в выборах». При анкетировании мы задаем прямой вопрос с предлагаемыми вариантами ответов:

Принимали ли Вы участие в последних выборах главы городско­го самоуправления?

1 —да;

2 — нет;

3 — не помню.

При обработке данных опроса нам для проверки гипотезы необходимо сопоставить значения независимой переменной (возраст) с соответствующими им значениями зависимой пере­менной (участие или неучастие в выборах). С целью такого сопоставления мы после соответствующей обработки данных (вручную или с помощью компьютерного пакета SPSS) состав­ляем табл. 4.14.

Таблица 4.14

Участие в выборах избирателей различных возрастов

Возраст, годы

Участие в голосовании

Всего

210

Такая таблица называется «кросстаб»²⁰, а процесс ее созда­ния — «кросстабуляция». Это один из основных способов ана­лиза, используемых для того, чтобы увидеть, какую связь пе­ременные имеют друг с другом. Вообще говоря, категории не­зависимой переменной могут размещаться как по строкам, так и по столбцам (или, что то же самое, — графам) кросстаба. Обычно независимую переменную помещают в верхней части кросстаба, формируя таким образом столбцы из значений зави­симой переменной. Однако на практике — чаще всего из сооб­ражений удобства — для наглядности и для того, чтобы умес­тить кросстаб на одной странице, его иногда конструируют так, чтобы сверху вниз шла переменная с большим числом категорий (т.е. значений, которые может принимать переменная). Реаль­но, конечно, не имеет значения, как будет сконструирован кросстаб: имея независимую переменную в верхней части таб­лицы (по горизонтали) или сверху вниз (по вертикали). Глав­ное — соблюсти правило: когда выбор сделан, процентные от­ношения в таблице должны вычисляться таким образом, что­бы проверить наличие связи. Давайте на примере кросстаба 17 посмотрим, как производится чтение таблицы — процесс, в ходе которого и выявляется наличие или отсутствие связи между переменными и ее параметры.

Прежде всего обратим внимание на крайний правый столбец и две нижние строки. Здесь сведены контрольные суммы. Смысл приведенных цифр таков: число в верхней правой ячейке гово- рит о том, что общее число опрошенных в возрасте от 18 до 24 лет составляет 46 человек; цифра в ячейке ниже сообщает, что это составляет 9,2% общей численности выборочного массива, (500 человек, которые и принимаются за 100%, — данные в клет-1 ках в правом нижнем углу таблицы); общее число опрошенных в возрасте от 25 до 29 лет — 55 человек, это составляет 11,0% общей численности выборочного массива и т.д. В самой нижней строке приведены контрольные суммы количества тех, кто дал различные ответы об участии в голосовании по всем возрастным группам. Так, общее число принимавших участие в голосовании («да») — 301 человек, что составляет 60,2% общего объема выбо­рочного массива; тех, кто не принимал участие («нет»), было в выборочном массиве 155, или Ъ\%,\\ т.д. Две ячейки в нижнем правом углу указывают на общую численность участников опро-

211

са, которая принимается за 100% для обеих исследуемых пере­менных. Контрольные суммы позволяют убедиться, что в про­цессе обработки были учтены ответы всех без исключения кате­горий респондентов.

Отметим также, что в этой таблице мы привели для макси­мальной полноты распределение по возрастам и тех, кто вообще не дал в анкете ответа на данный вопрос (столбец под заголов­ком «нет ответа»), а также тех, кто не смог точно вспомнить факта своего участия или неучастия (столбец «не помнят»). Во­обще говоря, содержимое этих столбцов не очень информатив­но, и в итоговом отчете их можно опустить (здесь они нужны скорее для того, чтобы убедиться, что сошлись контрольные сум­мы). Хотя порой знание о том, какое число (и какой процент) респондентов не дали ответа или в той или иной форме уклони­лись от него, бывает достаточно полезным — например, при ана­лизе осведомленности респондентов или степени заинтересован­ности их в какой-то проблеме. Кроме того, следовало бы под­вергнуть особому анализу обе категории (тех, кто не дал ответа, и тех, кто не помнит), если бы численность их оказалась стати­стически значимой.

Анализ проводят, отслеживая изменения значений зависи­мой переменной при переходе ее от одного значения к друго­му. В данном примере в качестве независимой переменной вы­ступает возраст респондентов, в качестве зависимой — их элек­торальная активность (выражаемая участием либо неучастием в голосовании). Процедуру отслеживания изменений значения зависимой переменной можно проводить как по строкам, так и столбцам. Двигаясь по строкам, мы начинаем с первого зна­чения независимой переменной (возраст) — 18—24 года. Мы видим, что здесь число принимавших участие в выборах замет­но — более чем в 1,5 раза — меньше числа тех, кто не участво­вал. Перейдя к следующей строке — 25—29 лет, мы убеждаем­ся, что в этой возрастной категории соотношение между чис­лом участвовавших и не участвовавших противоположное: первых уже более чем в 2 раза больше. Это соотношение еще более возрастает при переходе к следующим возрастным кате­гориям, хотя и несколько снижается для самой старшей груп­пы избирателей (старше 70 лет). Это позволяет нам сделать вы­воды: 1) о наличии связи между независимой (возраст) и зави­симой (участие в выборах) переменными; 2) о направлении этой связи, которая в данном случае является прямой или положи­тельной, поскольку ее можно выразить следующим простым описанием: чем больше значения независимой переменной (воз-212

раст), тем больше значения зависимой переменной (процент участия в выборах).

Фактически, как мы видим, непосредственному анализу здесь подвергались далеко не все цифры, а лишь некоторые из них — те, которые можно было бы свести в сокращенном варианте в виде табл. 4.14а.

Таблица 4.14а

Соотношения участия в выборах и абсентеизма²¹ в различных возрастных группах

Данные, приведенные в табл. 4.14 и 4.14а и отраженные в виде графика на рис. 4.3, позволяют нам сделать следующие основные выводы: 1) существует отчетливо выраженная связь между воз­растом избирателей и их электоральной активностью; 2) эта связь в основном положительная — чем больше возраст, тем выше про­цент участия представителей этой возрастной группы в голосов вании; исключение составляет лишь самая верхняя возрастная группа, где электоральная активность по вполне понятным при­чинам снижается. Второй из указанных выводов основан на пра­виле, определяющем направление связи: когда низкие значения одной переменной ассоциируются с низкими значениями дру-гой переменной (и наоборот), имеет место положительная связь; например, «чем выше уровень образования у кого-то, тем выше уровень его политического интереса». Когда низкие значения одной переменной ассоциируются с высокими значениями дру­гой, между двумя переменными существует отрицательная связь; например, «чем выше чей-то доход, тем менее он либерален».

Мы могли бы построить графическое отображение и несколь­ко иным способом — в виде распределения, нормированного на 213

100%, где в столбцах диаграммы отражена доля каждой из кате­горий в общей сумме (рис. 4.4).

Иногда для большей наглядности и убедительности анализа используют различные индексы. Это специально создаваемые по­казатели, с помощью которых связь между переменнными прояв­ляется более зримо и отчетливо. Здесь должны прийти на помощь 214                                           

воображение и опыт. Мы могли бы, например, сконструировать по данным табл. 4.14а «индекс электорального участия», равный частному от деления числа принимавших участие в каждой из возрастных групп на число тех, кто не голосовал. Результаты от­ражены в табл. 4.146 и на рис. 4.5.

Таблица 4.146 | Индекс электорального участия в различных возрастных группах

Нетрудно убедиться, что формы кривых на рис. 4.3 и 4.5 со­вершенно идентичны (та же зависимость), хотя значения на оси ординат иные. Мы могли бы построить индекс иначе (скажем, не разделив, а вычтя одно из другого) и убедиться, что результат был бы таким же.

Теперь представим себе, что данные опроса были бы принци­пиально иными, такими, например, как это представлено в гипо­тетической табл. 4.14в.

Вывод, который мы могли бы сделать из такого рода данных, сомнения не вызывает: связи между возрастом и электоральной активностью не наблюдается. При этом мы опираемся на прави-ло, сформулированное в предыдущей главе: нет изменения — нет связи.

Глава 4. Анализ эмпирических данных                                      215

Понятие силы связи имеет отношение к тому, насколько суще­ственно различаются наблюдаемые значения зависимой переменной при изменении значений независимой переменной. Если, предполо­жим, характер голосования одной категории избирателей (к при­меру, мужчин) значительно отличается от характера голосования другой категории (женщин), тогда мы можем утверждать, что имеет место сильная связь между двумя переменными. Если сте­пень различия в характере их голосования мала, имеет место сла­бая связь.

Таблица 4.14в

Соотношения участия в выборах и абсентеизма в различных возрастных группах (в процентах к численности каждой возрастной группы)

Источник: Гипотетические данные.

Наиболее сильная из возможных связей между двумя перемен­ными — это такая связь, при которой значение зависимой пере­менной для каждого случая в одной категории независимой пе­ременной отличается от каждого из случаев в другой категории. Такую связь называют совершенной, потому что зависимая пере­менная абсолютно ассоциируется с независимой переменной, не допуская никаких исключений. Совершенная связь между неза­висимой и зависимой переменными дает исследователю возмож­ность точно предсказать значение любого из случаев зависимой переменной, если известно значение независимой. Пример совер­шенной связи для гипотетического случая различий в голосова­нии приведен в табл. 4.14г. Между переменными может существо­вать как совершенная положительная, так и совершенная отрица­тельная связь, поскольку направление и сила — это разные свойства связи.

Строго говоря, в реальных распределениях социологических дан­ных крайне редко встречаются как совершенная связь, так и абсо­лютно полное отсутствие связи. Фактически отсутствие связи выра­жается в слабости связи. Слабой можно было бы считать такую связь, при которой различия наблюдаемых значений зависимой перемен- 216

ной для различных категорий независимой переменной незначитель­ны. Фактически наиболее слабая связь — это такая, в которой рас­пределение было бы идентично для всех категорий независимой пе­ременной — другими словами, связь просто отсутствует.

Таблица 4.14г

Различия в голосовании за различных кандидатов в зависимости от пола избирателей

Кандидат

Голосование(%)

Источник: Гипотетические данные.

Пример из социологической практики. Американские социологи Раймонд Уолфингер и Стивен Розенстоун в своем анализе причин, J. по которым люди голосуют, использовали анализ кросстаба для про- ■ верки гипотезы, что чем выше уровень образования индивида, тем с большей вероятностью он примет участие в голосовании. Табл. 4.15 позволяет прийти к следующим выводам: 1) связь между образова-.; нием и явкой избирателя на выборы реально существует; 2) направ­ление ее таково, как определяет гипотеза; 3) связь довольно сильная. Это хороший пример кросстаба с независимой переменной, разме- * щенной сверху вниз таблицы, поскольку она включает много кате- i горий. В этом случае процентные отношения размешаются по стро- \ кам, а сравнение проводится вниз по столбцам.

Таблица 4.15

Связь между образованием и явкой на выборы

⇐ Предыдущая9101112131415161718Следующая ⇒ Поделиться с друзьями: Дата добавления: 2018-10-15; Мы поможем в написании ваших работ!; просмотров: 180 | Нарушение авторских прав Лучшие изречения: Лучшая месть – огромный успех. © Фрэнк Синатра ==> читать все изречения... 1666 - | 1611 - © 2015-2024 lektsii.org - Контакты - Последнее добавление