- •Введение
- •Глава I. Социологическое исследование как способ познания социальных проблем
- •Глава II. Программа социологического исследования, её содержание и методика разработки
- •§1 Теоретико-методологический раздел программы исследования
- •1.1. Постановка исследовательской проблемы
- •1.2. Объект и предмет исследования
- •1.3. Постановка целей и задач исследования
- •1.4. Выдвижение гипотез
- •1.5. Логический анализ основных понятий
- •1.6. Выбор шкалы измерения
- •§2. Процедурный раздел программы
- •2.1. Обоснование выборки
- •2.2 . Характеристика основных методов сбора первичной информации
- •2.3. Логическая структура инструментария
- •2.4. Составление логической схемы обработки информации
- •2.5. Рабочий план исследования
- •Глава III. Основные методы сбора социальной информации
- •§1. Социологический опрос
- •1.1. Анкетирование
- •1.2. Интервью
- •1.3. Экспертный опрос
- •1.4. Социометрический опрос
- •§2. Анализ документов
- •§3. Наблюдение
- •Глава IV. Обработка социологической информации
- •§1. Подготовка к обработке и первичная обработка данных
- •1.1. Первичная обработка данных
- •1.3. Расчет мер связи и близости
- •§3. Оформление результатов социологического исследования
1.3. Расчет мер связи и близости
При обработке социологических данных социологического исследования вполне закономерен вопрос о наличии или отсутствии между градациями различных показателей взаимосвязи и о том, насколько сильна эта связь. Использование математических методов позволяет решить эту задачу. Для этого используют важные количественные хахарактеристики - меры и коэффициенты связи, нопряженности и близости. рассмотрим расчет мер сопряженности, а именно расчет коэффициентов четырехклеточной сопряженности, как наиболее доступных начинающему исследователю.
Меры сопряженности используются для поиска взаимосвязи ме-[у двумя показателями признака, у которых имеется конечное количество градаций. Чаще всего они применяются для шкал наименований и Порядка.
Простейшим случаем расчета мер сопряженности является определение взаимосвязи между показателями, имеющими две альтернативные градации, например, «наличие - отсутствие» некоторого признака, или свойства. В этом случае используют коэффициенты четырехклеточной сопряженности - коэффициент контингенции (О) и коэффициент ассоциации (Ф). Каким же образом происходит расчет этих коэффициентов?
В результате перекрестной группировки двух показателей мы получаем следующую таблицу (табл. 9):
А |
|
|
в |
|
I |
|
да |
|
нет |
сумма |
|
да |
!ц |
|
и2 |
*1 |
|
нет |
^21 |
|
^22 |
к |
|
сумма |
и |
|
к |
т |
Таблица 9. Перекрестная группировка
Здесь «да» и «нет» - альтернативные градации каждого из показателей (в нашем случае АиВ),а(ц, 1м, ^1. *22- частоты одновременного проявления градаций признаков. Соответственно, и, Ъ, и, ^- накопленные частоты, Т - общее количество респондентов (при использовании частостей (= 1).
Коэффициенты контингенции и ассоциации будут рассчитывать по формулам:
0_ У11 'У22 ~~ *1\ ' /\2 • ф_ /п./22 ~У21 ' /\2
Коэффициенты сопряженности позволяют судить о наличии (но её силе) и направленности связи. Связь между признаками существу если коэффициенты не равны или близки к нулю. Если коэффициент больше нуля, то мы имеем дело с прямой связью между показателям" если меньше нуля, то связь обратная.
В случае, если количество градаций одного из показателей боле двух, используют коэффициенты многоклеточной сопряженности, такие как коэффициент Чупрова (Т) и коэффициент Крамера (К). Они всегда больше нуля и не позволяют судить о направленности связи. Заключение о наличии связи между показателями делают на основании величины коэффициента.
При нахождении связи между показателями, измеренными в разных шкалах, применяют биссериальный коэффициент (К).
Необходимо отметить, что данные, полученные в ходе первичной обработки могут (и как подсказывает опыт это обычно и происходит) пригодиться для составления отчетов, справочного материала, при подготовке управленческих решений, поэтому относиться к полученным данным необходимо с уважением. У начинающего исследователя не всегда есть возможность (не хватает умения, средств, или же того и другого) применить более сложные метода анализа полученной информации.
§2. Вторичная обработка данных и анализ информации полученных исследований В случаях, когда исследователю требуется более глубокие знания о предмете исследования, раскрывающие его структуру и функциональной взаимосвязи, позволяющие выявлять закономерности развития социальных процессов и строить прогнозы их развития, исследователь приобретает к вторичной обработке информации, используя более мощные статистические методы анализа данных.
Использование статистических программ в компьютерной обработке на несколько порядков ускоряет обработку материала и предоставляет в распоряжение исследователя такие методы анализа, которые в ручной обработке не могут быть реализованы. Однако в полной мере эти преимущества могут использованы, если исследователь имеет необходимый уровень подготовки в этой области. Обычно, чем мощнее компьютерная программа (чем более широкие у нее возможности), тем больше времени она требует для освоения. Таким образом, затрачивать время на ее изучение при редких обращениях к мощному статистическому аппарату не совсем эффективно.
Очень часто использование таких программ для решения несложных задач требует определенной суммы умений. Для того, чтобы избежать лишних сложностей и временных затрат, целесообразно выбирать программу с возможно более дружественным интерфейсом. Желательно выбрать программы, в которых есть достаточно развитая функция подсказок, в том числе для неподготовленного пользователя. В программах должен быть предусмотрен режим меню. В этом случае пользователь на каждом шагу делает выбор для дальнейшей работы из предложенных альтернатив и избавлен от необходимости самостоятельно формулировать задачу для работы компьютера.
Все используемые в социологических исследованиях методы вторичной обработки можно условно разделить на две группы: методы выявления связей и зависимостей; методы многомерной классификации. К первой группе относятся корреляционный анализ, регрессионный анализ, дисперсионный анализ, детерминационный анализ, логлинейный анализ. Ко второй группе - кластерный анализ, дискриминационный анализ и многомерное шкалирование.
Детерминационный анализ. Применяется для анализа показ лей, измеренных в номинальных шкалах. При помощи этого анализа решается задача определения объектов с такой комбинацией свой по которым можно гарантированно предсказать их поведение или д ствия. Исходным материалом для детерминационного анализа служат условные распределения показателей и таблицы перекрестной группировки.
Логлинейный анализ. Применяется в том случае, если надо установить зависимость свойств социального объекта «А» от внешнего фактора «В», при том, что показатели измерены в качественных шкалах, Исходная информация содержится в таблицах перекрестной группировки, но математические операции осуществляются с функциями от логарифмов частостей.
Дисперсионный анализ (анализ вариативности) применяется для анализа изменчивости признака под воздействием независимых друг от друга признаков, традиционно называемых факторами, и выявления степени их (факторов) влияния. Применяется только для количественных шкал.
Регрессионный анализ применим только для показателей измеренных в количественных шкалах, чьи значения подчиняются закону нормального распределения. Он позволяет установить форму, направление и тесноту (плотность) взаимосвязи между признаками.
Корреляционный анализ применятся для установления наличия и направленности связи между признаками. Подразумевается, что между признаками «А» и «В» существует связь и при изменении значений признака «А» изменяется признак «В».
Кластерный анализ служит для группировки и получения графического представления близких между собой значений показателя (социальных объектов). Речь не идет о выявлении количественных зависимосвязей показатели представляются в виде точек (кластеров} на плоскости (кластерном поле), группируются по степени близости и этой классификации дается качественная оценка.
Дискриминационный анализ относится к методам качественной классификации без определения точных количественных зависимостей "между признаками. В отличие от кластерного анализа, в котором не выдвигается предположений о конечном результате классификации, здесь предполагается возможное разбиение совокупности признаков на классы и проверяется достоверность предположения.
Многомерное шкалирование выступает одним из методов построения упрощенной компактной модели изучаемого явления путем выявления латентных факторов и установления их взаимосвязей с измеряемыми признаками. Исходная информация для данного метода ~ меры близости между признаками (объектами). Результаты представляются множеством точек, соответствующих признакам (объектам) на координатном пространстве небольшой размерности. Каждая ось этого пространства представляет собой скрытый фактор, который влияет на сходство или различие между признаками. Расстояние между точками отражает их взаимную удаленность. Координаты проекций точек на оси можно трактовать как результат измерения объекта в шкале соответствующего фактора.
Конечным этапом исследования является оформление результатов исследования и разработка на основе полученных данных практических рекомендаций, представление их заказчику.