КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Тема 18. Пример социологического исследования 1 страница
Здесь мы хотим показать целиком ход небольшого условного исследования. Допустим, мы хотим выяснить, существуют ли значимые связи между образованием, доходами, возрастом и другими переменными, и, в конечном счете, построить каузальную модель, о которой шла речь в теме 2 «Понятия ковариации и каузации. Каузальная модель теории». Ниже приводится анкета, в которой представлены интересующие нас переменные. Далее идет сводная таблица данных, построенная (подчеркнем это) на основе таблицы случайных чисел (см. табл. 18.1).
Таблица 18.1
Сводная таблица данных
Теперь нужно свести результаты опроса в перечневую таблицу (табл. 18.2). Таблица 18.2 Результаты опроса (перечневая таблица)
Итак, мы получили данные всей совокупности анкет и представили их в единой таблице. Оказывается, респондентов с высокими доходами примерно на 17% больше ((27 – 23): 23 х 100), чем с невысокими доходами, а тех, кто участвует в каждых выборах, на 17% меньше тех, кто участвует не в каждых выборах. Выяснилось также, что на эти же 17% меньше тех, кто не имеет дом за городом. Но зато более или менее поровну разделились респонденты, отвечая на вопросы о возрасте, образовании, знании иностранных языков и частоте турпоездок за рубеж[38]. Таким образом, мы получили представление о картине в целом. На этом этапе обычно заканчивается описательное исследование. Перейдем к этапу аналитического исследования. Теперь мы должны сравнить различные подгруппы выборки на предмет выяснения между ними связей. Например, можно поставить вопросы: существует ли связь между высокими доходами и частотой участия в выборах или между высокими доходами и наличием дома за городом? И если эти связи есть, то насколько они существенны? Или, например, проверить, имеется ли связь между возрастом и высокими доходами, частотой участия в выборах или наличием дома за городом? И т. д. В конечном счете мы должны построить каузальную модель, связывающую переменные между собой. Так как варианты ответов построены по принципу «либо-либо»: либо высокий доход, либо невысокий; 40 лет и моложе либо старше 40 лет, мы можем для определения связей использовать коэффициент Юла, рассмотренный в теме 15. Напоминаем, как выглядит соответствующая таблица (табл. 18.3).
Таблица 18.3
В этой таблице соотносятся две переменные X и Y, каждая имеет по два значения: X 1 и X 2 и Y 1 и Y 2. Связь между двумя переменными в этой таблице можно определять через коэффициент Юла: Будем действовать систематически. Сначала проверим наличие связи между возрастом и всеми остальными переменными (табл. 18.4). Она состоит из совокупности подтаблиц, построенных с учетом распределения данных в табл. 18.1. Таблица 18.4
Мы видим, что в таблице отсутствуют более или менее значимые коэффициенты связи, то есть выходящие за рамки ±0,5. Проверим наличие связи между образованием и оставшимися переменными (см. табл. 18.5).
Таблица 18.5
Здесь мы обнаруживаем, что существуют значимая положительная связь между образованием и участием в выборах (0,687), остальные коэффициенты не являются значимыми. Проверим наличие связи между знанием иностранных языков и остальными переменными (табл. 18.6).
Таблица 18.6
В этой таблице отсутствуют коэффициенты, выходящие за пределы ± 0,5 между переменными. Проверим теперь, есть ли связь между уровнем доходов и остальными переменными (табл. 18.7).
Таблица 18.7
Мы видим, что имеются существенные положительные связи между доходами и наличием домом за городом (0,75), а также между доходами и частотой турпоездок за рубеж (0,69). Проверим наличие связи между частотой участия в выборах и наличием дома за городом, а также частотой турпоездок за рубеж (табл. 18.8).
Таблица 18.8
Нет коэффициентов, выходящих за пределы ±0,5. Нам осталось проверить, имеется ли значимая связь между оставшимися двумя переменными: наличие дома за городом и турпоездки за рубеж (табл. 18.9).
Таблица 18.9
Снова коэффициент не выходит за пределы ±0,5. Составим список пар переменных, между которыми оказались значимые связи:
1. Высшее образование и более частое участие в выборах, КЮл = 0,687. 2. Высокие доходы и более вероятное наличие дома за городом, КЮл = 0,75. 3. Высокие доходы и чаще турпоездки за рубеж, КЮл = 0,69.
Теперь нужно определиться, что считать в этих парах независимыми переменными, а что – зависимыми переменными. Ясно, что в первом случае независимой переменной имеет смысл признать образование, потому что обратное предположение выглядело бы странным. Ведь у человека высшее образование имеется не потому, что он чаще участвует в выборах, а вот обратное предположение представляется вполне естественным. Во втором и третьем случаях естественно будет принять в качестве независимой переменной величину доходов. Строим каузальную модель (рис. 18.1).
Рис. 18.1. Каузальная модель связей переменных
Получается, что модель состоит из двух самостоятельных частей. Первая показывает, что высшее образование выступает причиной более частого участия в выборах. Вторая часть указывает на то, что высокие доходы есть вероятная причина (или условие) более частых турпоездок зарубеж, а также способствуют тому, чтобы иметь дом за городом. Конечно, если бы наши данные указывали также и на значимую связь между образованием и доходами, то мы смогли бы получить единую каузальную модель. Сделаем в порядке эксперимента следующий шаг. Опустим планку значимости коэффициента до ±0,4. Тогда к выше сформулированному списку пар переменных добавим новую пару переменных с коэффициентами связи 0,46. Этой дополнительной парой будет более частое участие в выборах и более частые турпоездки. Наш коэффициент показывает, что между данными параметрами имеется связь, но не указывает, что здесь является причиной, а что следствием, или что является независимой переменной, а что зависимой. Примем, что знакомство с жизнью в других странах подталкивает наших респондентов к более активному использованию дома своих избирательных прав, это означает, что в качестве независимой переменной мы принимаем частоту турпоездок за рубеж. В результате получаем более сложную, зато единую каузальную модель (см. рис. 18.2).
Рис. 18.2. Каузальная модель связей переменных (расширенный вариант)
Попробуем применить к модели понятия ковариация и каузация из темы 2. Модель показывает, что между высокими доходами и, с одной стороны, наличием дома за городом, а, с другой стороны, частыми турпоездками имеется каузальная связь. Между наличием дома за городом и частыми турпоездками имеется ковариационная связь. Между высокими доходами и частотой участия в выборах имеется опосредованная каузальная связь. Предлагаем читателю найти самостоятельно остальные отношения ковариации и каузации. Мы видим, что полученная модель показывает не только соотношение между переменными, но с помощью коэффициентов мы можем сравнивать уровень вероятности той или иной связи. Так, у нас получилось, что наиболее высокая связь (0,75) имеется между высокими доходами и наличием дома за городом. Сделаем следующее замечание. В перечневой таблице, в которую мы свели результаты нашего анкетного «опроса», все переменные приобретают значения, близкие к делению пополам на пополам. Поэтому имело смысл применение коэффициента Юла. Но вот если бы какая-то переменная разделялась со значительным перекосом, например переменная «частота участия в выборах» принимала бы значения не 23 на 27, а 8 на 42, то в этом случае использование коэффициента Юла было бы, скорее всего, неуместным. Поясним ситуацию. Допустим, что подтаблица соотношения возраста и участия в выборах имеет вид табл. 18.9: Таблица 18.9
Формально мы получаем вроде бы вполне значимый коэффициент:
(40 – 132): (40 + 132) = –92: 172 = –0,53.
Но само деление общего числа 50 респондентов в соотношении 8 к 42, при котором меньшая часть, число 8, дробится на еще меньшие части, в нашем примере на 2 и 6, увеличивает вероятность того, что формула даст случайный результат, который поэтому реально не будет значимым. Здесь надо исходить из правила: чем больше величина числа в наименьшей ячейке, тем более вероятность, что коэффициент будет статистически значимым. В идеале наименьшее число в ячейках должно быть 25–30. С этой точки зрения наше исследование не является надежным, так как в ячейках у нас встречаются числа гораздо меньше 25. Извинением может считаться то, что наше исследование является условным, и задача состояла лишь в том, чтобы показать общий ход действий[39]. И разумеется, если бы переменные принимали больше значений, чем два (или-или), то в этом случае пришлось использовать более сложные коэффициенты, в частности те, которые тоже были рассмотрены нами в теме 15. Еще одно замечание. Вернемся к табл. 18.4. Рассмотрим ячейки, которые выражают соотношение возраста и участия в выборах, а также возраста и частоты турпоездок. Даже не подсчитывая коэффициенты по формуле, можно определить, что они будут незначительными. Потому что уже «на глаз» видно, что произведения по диагонали в обоих случаях будут близкими по величине, а значит, и разность этих произведений будет близкой к нулю. Вообще, с нарастанием опыта подсчета коэффициента Юла приходит понимание, в каком случае имеет смысл выяснять его точную величину по формуле, а в каком не имеет смысла это делать, потому что и так ясно, без подсчетов, что коэффициент будет незначимым.
Таблицы
Таблица 1 Таблица случайных чисел _______________________________________________________________________
Источник: Мангейм Дж. Б., Рич Р. К. Политология. Методы исследования: пер. с англ.; предисл. А. К. Соколова. М.: Изд–во «Весь Мир», 1997. 544 с. Приложение А. Таблица А.1. Таблица 2
Размер выборки с доверительным интервалом в 95%
Дата добавления: 2014-12-27; Просмотров: 813; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |