8. Розкрити зміст основних процедур підвищення якості аналізу в спостереженні («перевірка конкуруючих пояснень», «аналіз негативних випадків»).

Аналіз негативних випадків.

Коли ми аналізуємо дані, отримані в ході включеного спостереження, ми можемо застосувати метод аналітичної індукції. Аналітична індукція передбачає систематичні порівняння між групами, що піддавалися та не піддавалися дії факторів, що викликають цікавість у дослідника. У. Робінсон описав послідовність процедур, що необхідні для здійснення аналітичної індукції. Він вважає, що достатня для практичних цілей ступінь підтвердження результатів аналізу може бути досягнута в результаті перевірки невеликого числа випадків, однак виявлення негативних (таких, що спростовують гіпотезу) випадків доводить помилковість даного пояснення і вимагає його переформулювання. Ця процедура перевірки випадків, перевизначення досліджуваного явища та переформулювання гіпотез продовжується до тих пір, поки універсальні відношення не встановлені, при тому що кожен негативний приклад потребує подальшого перевизначення або пере формулювання.

Тому можна сказати, що в обґрунтуванні методу анал індукції вирішальну роль грають саме негативні випадки, що не підтверджують дослідницьку гіпотезу. А. Ліндсміт, одним з перших використав цей метод при дослідженні наркоманії, розвинув цю ідею: «Керівним принципом відбору випадків для перевірки теорії повинна бути максимізація шансів для виявлення вирішального негативного прикладу. Дослідник, що має робочу гіпотезу, яка відноситься до його даних, починає усвідомлювати, які конкретні області критично важливі. Якщо його теорія помилкова або неточна, він знає, що її слабкі місця будуть виявлені виразніше і швидше при дослідженні цих критичних областей».

Але метод анал індукції має й свої недоліки. Запропонована методом аналітичної індукції стратегія передбачає, строго кажучи, введення все нових змінних для пояснення кожного негативного спостереження. Такий підхід може, звичайно, пояснити «усі 100%» розкиду спостережень, однак він робить безглуздим саме пояснення «спростування». Навіть сама безглузда первісна гіпотеза має хороші шанси вціліти в результаті дослідження, якщо для того, щоб підігнати її до вже здобутих даних, буде прийнято як завгодно багато допоміжних гіпотез-більш-менш правдоподібних,які, власне, не були сформульовані в якості апріорних і підлягають самостійній перевірці. Так як початкові припущення можуть удосконалюватися і доповнюватися як завгодно довго, дослідник просто не має ніяких підстав - крім здорового глузду - після якогось випадку віднести робочу гіпотезу до остаточно спростованих і прийняти іншу.

Експериментальний контроль і ізоляція дозволяють відкинути інші можливі пояснення ефекту спостереження - конкурентні гіпотези. Конкурента гіпотеза – гіпотеза, що є протилежною нульовій. Таким чином, перед дослідником стоїть завдання перевірити гіпотезу відносно конкуруючої гіпотези. При формальному підході будь-яку з конкуруючих гіпотез, здавалося б, можна розглядати як нульову Але вибір однієї з двох гіпотез як нульової вимагає обґрунтування. Приклад: Припустимо, що дослідник вивчає залежність між освітою матері і освітою дітей. Обидві змінні виміряні як кількість років, витрачених на отримання освіти. Ми припускаємо, що якась інша змінна (або кілька змінних) визначають і освіту батьків і освіту дітей (наприклад, фінансові можливості або інтелект). Щоб перевірити таку конкуруючу гіпотезу, слід розрахувати так звану приватну (частую) кореляцію. Логіка розрахунку приватної кореляції збігається з логікою побудови приватних таблиць спряженості при використанні методу уточнення. Побудувати приватні таблиці спряженості для різних рівнів контрольної змінної у разі, коли змінні виміряні на інтервальному рівні, - це практично нерозв'язна задача.

Щоб переконатися в цьому, досить підрахувати, яким має бути кількість таблиць вже при десяти-дванадцяти категоріях кожної змінної. Розрахунок коефіцієнта приватної кореляції-це найпростіше засіб уточнення вихідної причинного моделі при введенні додаткової змінної. Інтерпретація коефіцієнта приватної кореляції ¬ ції не відрізняється від інтерпретації приватних таблиць спряженості: приватної кореляцією називають кореляцію між двома змінними, коли статис ¬ тично контролюється, або «підтримується на постійному рівні», третя змінна (набір змінних).

Якщо, припустимо, при вивченні кореляції між освітою і доходом нам знадобиться «відняти» з отриманої величини ефект інтелекту, який можливо впливає і на освіту, і на дохід, досить скористуватися процедурою обчислення приватної кореляції. Отримана величина буде свідчити про чистий вплив освіти на дохід, з якого «обчислена» лінійна залежність освіти від інтелекту.