- •2. Основные принципы латентно-структурного анализа: постановка задачи.
- •1. Понятия латентной и наблюдаемой переменной. Проблема их соотнесения в социологии.
- •2. Основные принципы латентно-структурного анализа: соотношения, позволяющие получить описание латентных классов; интерпретация латентной переменной.
- •1. «Мягкие» и «жесткие» методы сбора данных. Их достоинства и недостатки
- •2. Основные принципы латентно-структурного анализа: соотношения, позволяющие отнести конкретного респондента к латентному классу.
- •1.Теория шкалирования как попытка совместить положительные стороны «мягкого» и «жесткого» подходов.
- •2. Одномерное развертывание: решаемые задачи; модель восприятия респондентом предлагаемых ему объектов; процедура построения шкалы; свойства построенной шкалы.
- •1. Основные цели методов одномерного шкалирования.
- •2. Эмпирическая и числовая системы с отношениями. Понятие гомоморфизма между ними.
- •1. Понятие модели восприятия респондентом предлагаемых ему объектов (суждений). Рассмотрение введения такой модели как своеобразного подхода к «смягчению» процесса сбора данных.
- •2. Определение шкалы и ее допустимых преобразований.
- •1. Измерение установки методом Терстоуна: этапы процесса.
- •1, Геометрическая модель, «заложенная» в методе Терстоуна измерения установки.
- •2, Основные задачи репрезентационной теории измерений. Формальная адекватность математического метода. Цель построения интервальной шкалы.
- •1. «Цена» получения интервальной шкалы при измерении установки методом Терстоуна.
- •2. Недостаточность формализма репрезентационной теории измерений для решения проблемы измерения в социологии.
- •1. Сбор данных методом парных сравнений. Его преимущества и недостатки по сравнению с методами прямых оценок объектов.
- •2, Шкалы, промежуточные между номинальной и порядковой. «Неполноценный» порядок (частичное упорядочение, нарушение условия транзитивности).
- •1. Свойства матрицы парных сравнений (полученной от одного респондента). Причины их нарушения. Способы преодоления этих нарушений.
- •2. Типология шкал Кумбса по процедурам опроса и моделям поведения респондентов.
- •1. Модель Терстоуна парных сравнений: предположения о характере восприятия респондентами шкалируемых объектов.
- •2. Типология шкал Кумбса по упорядочению объектов и расстояний между ними.
- •1. Модель Терстоуна парных сравнений: алгоритм получения искомых шкальных оценок.
- •2. Нечисловые измерения в социологии.
- •2. Достоинства и недостатки номинальных шкал по сравнению со шкалами более высокого типа.
- •1. Проблемы построения индексов.
- •2. Экстенсивные и интенсивные величины в социологии.
- •1. Измерение установки методом Лайкерта. Роль критерия согласованности ответов.
- •2. Проблема надежности социологического измерения.
- •1. Шкалограммный анализ Гуттмана. Решение проблемы существования латентной переменной и выбора системы информативных признаков.
- •2. Многомерное шкалирование: задачи, решаемые с его помощью.
- •1. Общее представление о проективной технике.
- •2. Многомерное шкалирование: основные элементы формализма («вход», «выход», свойства матрицы близостей, функция расстояния, функция стресса, неоднозначность решения.
- •2. Основные модификации многомерного шкалирования: метрическое и неметрическое, индивидуальное, многомерное развертывание.
- •2. Роль социолога в процессе применения многомерного шкалирования: формирование исходных данных и интерпретация результатов.
2. Основные модификации многомерного шкалирования: метрическое и неметрическое, индивидуальное, многомерное развертывание.
Разделение шкалирования на метрическое и неметрическое основывается на уровне измерения исходных данных о близости между измеряемыми объектами. Впервые различие между метрическим и неметрическим шкалированием было сформулировано Кумбсом, который и ввел эти термины.
Метрическое многомерное шкалирование.
Мы не будем подробно останавливаться на методах метрического многомерного шкалирования. Это объясняется тем, что используемая ими информация не соответствует основной задаче многомерного шкалирования в социологии. Метрические исходные данные о близости обычно являются «производными», и
многомерное шкалирование в этом случае, как уже было сказано, служит способом понижения размерности пространства. В тех же случаях, когда данные получаются непосредственно от респондентов, они обычно задают для близостей отношения порядка и для достижения метрического уровня измерения к ним применяются любые методы одномерного шкалирования, дающие на выходе шкалу для близостей не ниже интервальной. В этом случае на исходные данные накладывается (в зависимости от конкретного метода)
ряд дополнительных предположений, которые отсутствуют в эмпирической системе с
отношениями и которых хотелось бы избежать.
Говоря о методах метрического многомерного шкалирования, отметим только, что по типу отображения они делятся на линейные и нелинейные. Линейное метрическое шкалирование возникло первым, когда Торгерсон представил подробное описание алгоритма, начиная от процедуры сбора данных и кончая пространственным
представлением. Более поздние методы метрического многомерного шкалирования основаны на минимизации нелинейных функций несоответствия (критериев качества отображения) между исходными данными и пространственным представлением. В этом отношении они почти ничем не отличаются от методов неметрического многомерного шкалирования. Отличия этих методов заключены в самом виде функции несоответствия и объясняются различным уровнем измерения исходной Метрическим методам многомерного шкалирования посвящена довольно обширная литература, и желающие познакомиться с ними могут обратиться к аналитическому обзору этих методов, проведенному А.Ю. Терехиной31.
Неметрическое многомерное шкалирование. Вторая основная фаза развития методов многомерного шкалирования началась в 1962 г. и связана с именем Шепарда. В его статье был представлен алгоритм, известный под названием «анализ близостей»32. Эта работа положила начало целому направлению, методы которого получили название методов неметрического многомерного шкалирования.
Особенность этих методов заключается в том, что в них учитываются не числовые значения близостей между объектами, а только их порядок. Это позволяет использовать только ту информацию, которую мы получаем непосредственно от респондентов, не прибегая к дополнительным предположениям. Именно в связи с этим методы неметрического многомерного шкалирования оказываются наиболее подходящими для решения задачи построения пространства восприятия респондентов и определения
положения объектов в этом пространстве. Алгоритм Шепарда не нашел широкого применения, так как многие процедуры в нем не были формально обоснованы. Однако идеи, заложенные в этом подходе, послужили
базисом для появления работ Краскала33. Предложенная им модификация и явилась, по сути дела, первым теоретически обоснованным алгоритмом многомерного шкалирования. В настоящее время алгоритм Краскала является одним из наиболее распространенных.
Билет 20.
1. Задачи, решаемые с помощью техники семантического дифференциала.
Итак, исследователя интересует аффективная составляющая смыслов, придаваемых респондентами некоторым объектам. Составляется множество пар терминов (Осгудом было придумано несколько сот таких пар), каждая из которых отвечает некото¬рому коннотативному непрерывному признаку (термины из со¬ответствующей пары отвечали его полюсам): горячий — холод¬ный, хороший — плохой, грязный — чистый и т.д. Диапазон изменения каждого такого признака разделяется на 7 частей, тем самым признаку ставится в соответствие семизначная шкала.
Чтобы было ясно, чему должны отвечать градации нашей се¬мизначной шкалы, заметим, что, скажем, паре"светлый — тем¬ный" соответствуют примерно следующие выражения и шкаль¬ные значения: очень светлый 3 , светлый 2, не очень светлый 1, ни светлый, ни темный О, не очень темный —1, темный —2, очень темный —3.
Как мы увидим ниже, в анкете не обязательно осуществлять все подобные расшифровки пунктов шкалы, равно как не обяза¬тельно использовать именно названные числа: можно брать числа от 1 до 7 и т.д. Более того, иногда можно изменить количество градаций: скажем, прибегнуть к пятибалльной шкале. Вопрос о количестве используемых градаций неотделим от вопроса о типе используемых шкал, который мы теперь хотим затронуть.
Часто о шкалах, задействованных в методе СД, по вполне понятным причинам говорят как о порядковых. Но та обработ¬ка, которую предполагает техника СД, фактически рассчитана на интервальные шкалы (речь идет об использовании факторно¬го анализа, применении "числовых" алгоритмов классифика-ции и т.д.). Выше (в пп. 5.2.3 и 7.5.1) мы уже говорили о том, что при достаточно большом количестве используемых градаций предположение об интервальное™ задействованных шкал мо¬жет быть вполне допустимым. Этим и можно воспользоваться для оправдания указанного шага.
Опрос осуществляется следующим образом. Респондентам по очереди предъявляются для оценивания рассматриваемые объекты и предлагается соотнести интенсивность своего внутреннего ощущения по поводу того или иного объекта по очереди со всеми оценочными шкалами. Каждый объект должен быть оце¬нен каждым респондентом по всем рассматриваемым шкалам.
Приведем пример соответствующего измерительного инстру¬мента, предназначенного для решения одной из конкретных со¬циологических задач методом СД (табл. 8.1). Речь идет об исследо¬вании аффективной составляющей социальной идентичности лич¬ности. В качестве объектов идентификаци оцениваемых объектов выступали важные и близкие че¬ловеку социальные общности и группы.
Таким образом, полученная с помощью метода СД инфор¬мация, будучи компактно размещенной в пространстве, обра¬зует трехмерный параллелепипед, осям которого отвечают соот¬ветственно респонденты, объекты, шкалы. Если мы опрашивали 500 человек, давали им для оценки 20 объектов и каждый из объектов просили оценить по 50 шкалам, то упомянутый парал¬лелепипед будет иметь размерность 500x20x50.
Существует масса способов, которыми можно анализировать подобную информацию, и соответственно масса задач, которые при этом можно решить. В числе этих задач — те, о которых мы говорили выше. Прежде чем перейти к более подробному их рассмотрению, заметим следующее.
Большинство методов многомерного анализа рассчитаны на то, что исходные данные представлены в виде так называемой матри¬цы "объект—признак". Это прямоугольная таблица, строки кото-
Матрица "объект—признак" двумерна. Методы, позволяющие на основе анализа такой матрицы выявлять скрытые в ней статис¬тические закономерности, направлены на ее "сжатие". Так, фак¬торный анализ сжимает матрицу по столбцам: мы выделяем "пуч¬ки" связанных друг с другом признаков, усматривая за каждым из них действие одного латентного фактора, который можем выра¬зить через наблюдаемые переменные (об этом мы говорили в п. 7.2). Методы классификации сжимают матрицу по строкам: мы объе¬диняем схожие между собой объекты в кластеры, олицетворяя каждый такой кластер с неким типичным для него объектом и т.д.
У нас же совокупность исходных данных трехмерна. Для того чтобы можно было говорить о применении традиционных ме¬тодов многомерного анализа, необходимо устранить третье из¬мерение. Сделать это можно по-разному. Способ зависит от ре¬шаемой задачи. Прежде всего рассмотрим, как анализировал описанные данные сам Осгуд.
Одним из наиболее ярких примеров использования техники СД отнюдь не для поиска семантического пространства является ее применение в так называемых методиках ГОЛ (групповой оценки личности)