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.