1 Штофф в.А. Проблемы методологии научного познания. М., 1978. С, 117.

модельное соотношение будет приложимо ко всему, ведь и часть можно будет считать моделью целого, и элемент — моделью множества и т.д. В.А. Штофф справедливо обращал внимание на то, что отношение между экспериментом и классом реальных ситуаций, на которые он должен быть экстраполирован (с обеспечением, как мы говорили в § 2.4, внешней валид-ности), не является модельным, т.к. отношение между явлением, выделяе­мым в чистом виде в данном эксперименте, и другими явлениями этой же предметной области является отношением тождества, а не аналогии¹.

Заметим также, что понимание логического отношения оригинала и модели как отношения аналогии не должно вызывать затруднений в по­нимании статуса статистики. Хотя при статистическом исследовании

и производится случайная выборка из самой же генеральной совокупно­сти объектов, полученная выборка является именно моделью генеральной совокупности. Ведь в общем случае изучаемые свойства выборки могут существенно отличаться от свойств оставшейся части (или от свойств

целого); исследователь не может рассчитывать на их тождество, целью статистического подхода как раз и является создание условий, макси­мально приближающих выборку к генеральной совокупности. Поэтому статистическое исследование тоже представляет собой вид моделирова­ния; для построения статистической модели, как и для всякой другой, необходимы определенные допущения, идеализирующие ситуацию и вы­полняющиеся лишь приближенно, и определенные условия, позволяющие повысить достоверность экстраполяционных выводов.

Итак, экстраполяция базируется на выводе по аналогии, но с использо­ванием всех возможностей для повышения его точности.

Моделирование какпознавательный процесс

Выше мы описали цикл моделирования как построение модели, ее изучение и возвращение к исходному объекту с применением к нему по­лученных на модели знаний. В реальности, как правило, исследова­тельский процесс не исчерпывается одним оборотом этого цикла, а пред­ставляет собой последовательность моделей, каждая из которых по

сравнению с предыдущей в чем-то модифицирована или же воспроизво­дит какие-то иные, новые стороны оригинала. В этой серии развиваю­щихся моделей происходит постепенное совершенствование самого про­цесса моделирования в данной предметной области и достижение более адекватных, информационно насыщенных моделей.

Таким образом, моделирование — это не одноразовая процедура, а слож­ный и длительный исследовательский процесс, в котором возобновляются на

более высоких уровнях его основные этапы. Этот процесс включает и при­влечение наличных теоретических знаний, и выдвижение гипотез, и теку­щие корректировки исходя из конкретной ситуации. Примером такого сложного и многоэтапного моделирующего подхода может служить раз­работка математических моделей в иммунологии. Так, применение мате­матического моделирования в этой области начинается в 70-е гг. XX в.; впервые наиболее полное описание клональной селекции было дано аме­риканским исследователем Г. Беллом (1970; 1972). Однако несмотря на содержательность и ценность построенных им моделей, познавательной

биологической интерпретации они не дали. Тогда Г. Белл продолжил ра­боту в направлении более абстрактного анализа иммунных процессов. Общая стратегия совершенствования моделей шла от более простых мо­делей к сложным и от конкретных — к абстрактным; позже идеи Г. Белла

были обобщены и развиты другими исследователями (школой Молера —

Бруни и др.).

Что же касается отдельного цикла моделирования, то здесь следует отметить, что в научной практике не всегда можно четко различить его отдельные этапы; часто этапы моделирования соединяются в единый не­прерывный процесс, взаимопроникая и взаимодействуя. Вначале ис­следователь ищет подходящую модель или исходные принципы, которые следует положить в ее основание (в более выигрышных условиях поиск модели может опираться и на уже имеющиеся модели). В итоге достигается некое первое «очертание» будущей модели, часто достаточно приблизи­тельное, неточное. Сам процесс разработки модели является творческим, огромную роль в нем играют интуиция, исследовательское чутье; ведь универсальных рецептов моделирования не существует. При поиске под­ходящей модели сначала может выдвигаться много различных кандида­тов на эту роль, но в ходе последующего анализа их количество сокраща­ется, а остаются лишь наиболее адекватные. В процессе предварительной

разработки модели происходит повторное возвращение к объекту с целью корректировки исходных знаний о нем, уточнение модели, ее переработка, пробная экстраполяция предполагаемых выводов, т.е. процесс моделиро­вания представляет собой достаточно сложное продвижение к оптималь­ному результату.

Кроме того, необходимо четко представлять, что описанные выше три этапа моделирования могут быть примерно равноценными во время ре­шения определенных задач, а могут иметь и различную ценность. Иллюст­рацией ситуации с приблизительно равной значимостью всех этапов мо­делирования может служить математическое моделирование управления предприятием с целью его оптимизации. Здесь вначале изучают исходную задачу, подбирают переменные, выделяют начальные условия, т.е. строят адекватную модель; далее эту модель подвергают расчетам по математиче­ским методам оптимизации, проводя вычислительный эксперимент; на

завершающей стадии расшифровывают полученные решения, переводят

их на содержательный язык и выдвигают практические рекомендации для данного предприятия.

Однако во многих случаях на различные этапы моделирования может ложиться различная логическая нагрузка, и тогда они будутиметь нерав­ноценный удельный вес в работе с моделью. Так, в определенных ситуа­циях может оказаться, что стадия изучения модели настолько незначи­тельна, что кажется выпавшей из общей схемы моделирования, в то время как главная часть работы отведена самому построению модели. В других случаях (например, когда мы используем естественную модель — лабора­торное животное) этап построения модели, наоборот, сведен к минимуму или отсутствует.

Действительно, с одной стороны, есть случаи, когда особенностью

исследовательской ситуации является наличие неизвестных моментов в самой модели, и тогда акцент делается именно на ее изучении (напри­мер, ситуация модельного эксперимента), благодаря чему исследова­тель обнаруживает какие-то важные свойства модели. С другой сторо­ны, есть и ситуации, где само построение модели выступает целью исследователя, в дальнейшем эта модель может уточняться с помощью новых эмпирических и теоретических данных (например, построение

стереохимической модели молекулы какого-то вещества).

Функции моделей в научном познании

Что же приносит исследователю применение метода моделирования?

При использовании моделей, замещающих собой оригинал, достига­ются различного рода полезные эффекты. Модели выполняют множество функций в научном познании, причем использование модели в научной практике приводит, как правило, сразу к нескольким существенным ре­зультатам. Назовем некоторые наиболее яркие функции моделей.

1. Теоретическая, обобщающая. Удачная модель может оказаться до- статочно адекватной формой для представлений знаний. В науке нередки

ситуации, когда введение подобной модели в систему научного знания

служило целям теоретизирования в данной предметной области. Модель

в этом случае приобретает самостоятельную теоретическую ценность. Например, в биологических науках многие результаты «хранятся» имен­но в виде концептуальных моделей: модель Ходжкина—Хаксли в теории мембранного возбуждения, модель Лотка в теории открытых биохими­ческих систем и др. Кроме того, с построения основополагающих моде­лей могут брать начало целые новые области научного знания, так, возник­новение популяционнной генетики как науки непосредственно связано с исходными моделями Харди и Вайнберга (1908).

2. Эвристическая. Здесь термин «эвристический» используется в узком

смысле — как то, что способствует порождению новых идей. Эвристич-

ность модели в этом понимании означает ее способность вести за собой творческую интуицию, активизировать процесс «озарений», появления неожиданных догадок и т.п. Для выполнения этой функции модели вовсе не обязательно быть точной, она может быть и весьма приближенной (даже в чем-то ошибочной), но тем не менее служить приросту научных идей, «прорыву» в исследованиях. Если при реализации обобщающей функции

модели ее результатом является создание научной теории, то эвристиче­ская функция, как правило, реализуется в выдвижении новых гипотез.

¹ Куприй В.Т. Моделирование в биологии и медицине.Философский анализ. Л., 1989. С.210.

Примером может служить модель Друде, предложенная в XIX в. физи­ком Паулем Друде для изучения явления проводимости металлов и стре­мившаяся согласовать электродинамику с классической термодинамикой

(она изображала совокупность электронов в проводнике как идеальный

газ, подчиняющийся законам термодинамики). Некоторые явления были

успешно объяснены с ее помощью; однако эта модель стимулировала но­вые поиски скорее не своими успехами, а как раз расхождениями с экспе­риментальными данными, что в результате упорной работы ученых приве­ло к пересмотру ее исходных положений и соединению электронной

теории металлов с квантовой механикой.

3. Трансляционная. Модель может способствовать переносу концеп­туальных схем, методологических форм из одной области знания в дру­гую. В этом случае обычно модель берется из другой предметной области

относительно исходного объекта, и на этапе экстраполяции происходит

перенос знаний из одной предметной области в другую.

Примером подобной трансляции может служить применение теории

игр, основы которой были заложены Дж. фон Нейманом; подходы, раз­работанные в этой области, демонстрируют, что большой класс конфликт­ных ситуаций (в экономике, психологии, социологии, статистике и др.) можно описывать и изучать с единых позиций как поиск рациональной стратегии игрока в некоторой игре. Теоретико-игровые модели способ­ствовали прежде всего переносу математических методов в те области, которые раньше казались не поддающимися никакому рациональному подходу.

Примером использования трансляционной модели для решения конк­ретных задач является также интересная модель гемодинамики, разра­ботанная в нашей стране совместными усилиями математиков, физио­логов и врачей; здесь исходные положения и термины были взяты из экономической науки: клетки и ткани определяли «спрос» на кислород­ное обеспечение, скорость кровотока — «предложение», кислородный

долг являлся «ценой»; результатом исследования явился ряд практиче­ских рекомендаций¹.

4. Конструктивная, проектирующая. Разработка модели может слу­жить целям создания нового объекта на основании данной модели как исходной матрицы. Это характерно прежде всего для задач прикладной науки, где по итогам испытания модели (скажем, двигателя с требуемыми характеристиками) осуществляют разработку и производство собственно

нового технического устройства. Но эта же функция моделирования мо­жет реализовываться и в сугубо теоретических науках.

Например, в математике построение модели как создание нового мате­матического объекта может иметь самостоятельное значение, вносящее существенный вклад в развитие науки и само по себе служащее решением

сложной проблемы. Так, фундаментальные результаты относительно ак­сиомы выбора и континуум-гипотезы были получены К. Геделем (1939)

и П. Дж. Коэном (1963) методом построения соответствующих моделей.

5. Прагматическая. Использование удачной модели может способ- ствовать достижению ряда прагматических эффектов, связанных с улуч- шением формы репрезентации исходного знания. К полезным практиче- ским следствиям, повышающим эффективность использования знания, относятся такие достоинства модели, как осуществляемое с ее помощью

упрощение формы представления знания, придание информации большей

наглядности и логической прозрачности, благодаря чему это знание лег­че использовать в процессах аргументации, в преподавании и обучении. Большое значение может представлять собой на ранних этапах формиро­вания теории проблема наглядности. В этом случае используют различно­го рода модели, служащие средством рассуждения по аналогии (скажем, искривленная плоскость как способ придать наглядность представлениям

об искривленном пространстве). В дальнейшем при оформлении теорети­ческого «здания» подобного рода «подпорки» теряют свое значение. На­пример, в электродинамике на первых порах использовались метафоры из механики — «упругие трубки». Это было подвергнуто критике уже П. Дю-

гемом и вскоре отброшено.

6. Интерпретационная. Модель выполняет также функцию частич- ного толкования. Ведь рассуждение и объяснение с помощью модели из- начально односторонне, неполно. Поэтому, как правило, та или иная мо- дель часто соседствует с другими, альтернативными моделями или же заменяется ими в дальнейших исследованиях. Выступая как средство ин- терпретации, модели оказываются формой связи теоретического и эмпи- рического уровней. Так, модель может быть как средством истолкования теории, когда мы ищем подходящий объект, в котором воплощается тео- рия (как в математической логике), тогда это реализующая модель, так

и средством интерпретации фактов, когда ищется определенная кон­цептуальная схема, в которой эмпирические данные могут обрести свой смысл, тогда это объяснительная модель.

Для иллюстрации интерпретативной функции моделей возьмем при­мер из экономики. Известно, что экономическая система представляет

собой сложнейший объект, реагирующий на самые разнообразные факто­ры (социальные, психологические, природные и т.п.)- Один из удачных

способов осмыслить многообразие экономических взаимосвязей — это

модель народного хозяйства как гигантского компьютера, который, как

пишет В.В. Леонтьев, трудится над бесконечным потоком количествен­ных проблем, решая из года в год сложные системы уравнений задолго до того, как их начали решать экономисты¹.

При удачном использовании модели обычно реализуются сразу не­сколько функций моделирования: например, достаточно адекватная мо­дель одновременно и предлагает возможное объяснение феноменам, и сти­мулирует рождение новых идей, и способствует достижению большей

наглядности имеющихся знаний.

Трудности современного моделирования

Выше говорилось о тех полезных эффектах, которые достигаются при его успешном применении. Однако этот метод, как всякий другой, стал­кивается и с определенными трудностями.

Например, в медико-биологических науках существует проблема прин­ципиальной непрозрачности при экстраполяции данных с лабораторных животных на человека. Применять полученные результаты к человеку (осо­бенно при испытании новых лекарственных препаратов) приходится с боль­шой осторожностью, проводя при этом дальнейшие серии проверок. К сожа­лению, в истории медицины известны досадные промахи.

Далее, если говорить о математическом моделировании (которое за­нимает важнейшее место в современной методологии моделирования), то

в литературе отмечаются не только положительные, но и отрицательные его черты. Например, его отрицательными чертами являются следующие:

153. искусственность, проистекающая из символической переинтерпрета­ции естественных связей, присущих оригиналу;

154. негибкость, или ригидность, состоящая в том, что малые изменения в исследуемом объекте могут повлечь за собой большие изменения в модели;

155. громоздкость, проистекающая из длины компьютерных программ². (Впрочем, последняя трудность преодолевается по мере совершен­ствования компьютерных технологий.)

Укажем и на другие трудности методологии моделирования. Исполь­зование моделирования (особенно математического) в современной на-

| Леонтьев В.В. Экономические эссе. М., 1990. С, 230-231.

Тео1о_Ёп Щй** .992. 5. 1.4 Авторы ссылаются на: £\^лия С. [I,

ДлМЗД 5ути1аф«_ата_3гупесуГго*а. Я. 27-28.

уке часто требует сотрудничества ученых различных специальностей, ведь исходные допущения для построения модели должны, с одной сто­роны, базироваться на содержательных положениях конкретной науки, а с другой — иметь специфически математический характер. При этом нередко возникает проблема взаимного непонимания сотрудников из-за барьеров специализации.

Еще раз напомним, что общий новационный эффект моделирования

зависит от взаимного соответствия разработанной модели и исходной

предметной области. Поэтому уже с начальных стадий построения моде­ли необходимо учитывать согласованность базисных допущений модели

со спецификой оригинала, т.е. уже с первых этапов помнить о будущей экстраполяции. Но задача выбора базисных допущений сама по себе доста­точно сложна и основывается на содержательных аспектах предметной

области. Типичной проблемой в дисциплинах, особенно активно исполь­зующих математическое моделирование (в экономике, медико-биологи­ческих науках), является проблема неоднозначности полученной модели:

то, что один исследователь считает существенным для построения и для анализа модели, другой может отвергать как неадекватное. Поэтому экстра­поляция полученных на той или иной конкретной модели результатов неред­ко становится весьма спорной, что приводит к потере ее эвристической ценности. Имевшее место в недавний период (1960-1970-е гг.) чрезмер­ное увлечение моделированием, при котором создание моделей стало своего рода самоцелью и не давало эвристического прироста, привело к некоторому разочарованию в этом методе. Сейчас период некритичного использования моделей в целом можно считать пройденным, и отноше­ние ученых к возможностям моделирования стало более сдержанным.

Итак, метод моделирования, как и другие методы научного познания, не имеет доминирующего, универсального значения. Для своего успеш­ного применения он на каждом этапе требует серьезного и вдумчивого отношения к себе со стороны исследователя. Методология моделирова­ния, несмотря на заслуженное признание в науке, не должна останавли­ваться на достигнутом, и будущее этого метода зависит от способности ученых совершенствовать его и сочетать с другими методами научных исследований.

2.6. Обобщение и обработка эмпирических данных

Индуктивная направленность стадии

Завершающей стадией эмпирического исследования является обобще­ние и обработка данных, полученных в ходе исследовательской работы. Заметим, что среди методологов нет достаточного единства в отношении того, как лучше представить эту стадию в общей структуре научной дея­тельности: ее можно или включать в эмпирический уровень (как его по­следний и высший этап), или же выделять в отдельный, промежуточный эмпирико-теоретический уровень. Но вне зависимости от того, куда мы отнесем этот этап, надо помнить о том, что он действительно имеет соб­ственную специфику.

Содержанием деятельности этого этапа исследований является заклю­чительная обработка эмпирического материала, в ходе которой нарабо­танный материал структурируется, обобщается и формулируется в виде

эмпирических законов ирегулярностей.

Под эмпирическими законами и регулярностями понимаются утверж­дения, суммирующие единичные данные и описывающие взаимосвязи

между наблюдаемыми в опыте явлениями (величинами, состояниями,

событиями и т.п.). Понятие «закон» по сравнению с регулярностью озна­чает более категоричную и универсальную форму суждения; сравним, например, утверждение-регулярность «все изученные в испытаниях тела при нагревании расширялись» и закон теплового расширения тел «все тела при нагревании расширяются». Конечно, исследователь всегда останавли­вается на некоторой конечной совокупности проведенных им испыта­ний, но формулируемый им эмпирический закон по своей форме прин­ципиально выходит за рамки имеющихся опытных данных, охватывая бесконечное множество однородных явлений данного класса.

Во время обобщения и обработки эмпирических данных используются некоторые процедуры и приемы теоретического уровня исследования,

о которых мы будем говорить в следующих параграфах. Во избежание

путаницы необходимо сразу же решить вопрос о характеристике данной стадии как индуктивной. Действительно, общая направленность рассмат­риваемого нами этапа является индуктивной в смысле продвижения от

фактов к обобщениям, от частного к общему. Но это ни в коем случае не означает, что данный этап со своей логической стороны может быть све­ден к процедурам индуктивных заключений. Тема индукции вообще явля­ется достаточно трудной, о чем мы будем подробнее говорить в § 2.8. В методологии и логике науки сегодня предпочитают говорить не об индуктивных выводах, а об индуктивном поведении исследователя. Спорным также является вопрос о существовании единого индуктивного

метода (см. § 2.8).

Применяемые методы

На стадии обработки данных ученый старается извлечь максимум

полезной информации из результатов проведенной совокупности испы­таний.

Цель анализа данных — выявить тенденции, общие принципы, стоящие за единичными данными, изучить те или иные отношения между индиви­дуальными феноменами, описать структуру области данных. Эмпириче­ский материал оценивается и обрабатывается с разных сторон. Здесь ис­пользуются различные операции и приемы: точные дедуктивные методы, заключения по аналогии, приемы классификации, выдвижение гипотез эмпирического характера. Происходит первичная оценка полученных ре­зультатов; если эти результаты имеют количественный вид, то исследова­тель производит известного рода сглаживание эмпирических данных, ищет и подбирает математическую формулу, максимально точно воспро­изводящую тенденции в эмпирическом материале. Применяются также методы визуализации данных в виде таблиц, графиков, диаграмм и других

графических объектов. Их цель — представить материал в форме, наибо-. лее адекватной для научного использования. Особенно велико многооб­разие графических объектов в исследованиях, использующих статисти­ческие методы, прежде всего в экономике и теории управления. Здесь применяют множество различных видов графических объектов для широ­кого круга целей. Например, т.н. динамические графики используются

для представления и изучения процессов.

Существуют научные области, где результатом обобщения данных ста­новится некоторая совокупность качественных утверждений. Например,

в медико-биологических науках в ходе морфологического анализа могут

появиться какие-либо важные находки, имеющие принципиальное значе­ние. Соответствующее описание этих находок, придающее им статус эмпи­рического факта и удостоверяющее фактуальный статус и их значение, яв­ляется задачей именно настоящей стадии. Здесь тоже важную роль играет визуализация. Исследователь продумывает способы репрезентации качест­венного материала (слайды, фотографии, видеозаписи), снабжая его соот­ветствующими объяснениями, комментариями, расшифровкой.

На стадии обработки данных оценивается релевантность самого про­веденного исследования с точки зрения его валидности, верифицируемо-сти, экстраполяционной достоверности. Фиксируются различного рода нарушения корреляции, нерешенные и необъяснимые моменты, анома­лии и исключения из обнаруженных регулярностей. Формулируются но­вые вопросы, требующие дальнейшей разработки и, может быть, продол­жения испытаний.

Среди специальных методов анализа данных важную роль играют раз­личные математические подходы и прежде всего методы математиче­ской статистики. Например, методы описательной статистики позволяют

визуализировать то или иное распределение данных, выявлять его тенден­ции (скажем, среднее арифметическое), определять величину разброса зна­чений (среднее квадратическое отклонение). В результате применения раз­личных статистических методов формируются статистические факты, ос­нованные на статистически достоверных заключениях, концентрирующие

информацию об областях данных в целом и освобожденные от случайно­стей, присущих единичным данным. Статистические методы анализа дан­ных существенно облегчают задачу ученого; к тому же сегодня ученые мо­гут использовать для анализа данных удобные компьютерные программы. Специальные методы, пришедшие из статистики, помогают выбрать рацио­нальный дизайн исследований, эффективно обработать данные, повысить

степень информативности и достоверности результатов.

Заметим также, что статистическая обработка данных не обязательно должна быть связана с оригинальным эмпирическим исследованием. Она может применяться к обширным массивам эмпирических данных, полу­ченных разными авторами и в разные времена. Такой статистический ана­лиз может иметь самостоятельное значение и служить важным источником научной информации. Например, в последнее время в медицинских науках получил распространение т.н. метаанализ, с помощью которого исследо­ватель изучает с единых позиций некоторую совокупность исследований на заранее выбранную тему, что позволяет как бы склеить разнородные исследования в единое целое и извлечь из них весьма ценные сведения.

Ограничения статистического мышления

Достоинства специальных статистических методов очевидны. Но в науч­ной практике имеются и примеры связанных с ними негативных моментов. На них следовало бы несколько задержаться.

Прежде всего применение статистики не должно быть бездумным, иначе оно может принести больше вреда, чем пользы. К сожалению, не­редко привлечение статистических методов (например, в гуманитарных

науках, медико-биологических исследованиях) выступает как средство повысить «наукообразие» исследования, как бы придать ему глубину и серьезность. В действительности методы современной математической

статистики сложны, они требуют не только математической культуры экспе­риментатора, но и его общей методологической компетенции, умения ориен­тироваться в логике научно-исследовательской проблемы и оценивать, когда статистика полезна и в виде каких методик, а когда, наоборот, она лишь усложнит содержательную интерпретацию. Поэтому статистика ради ста­тистики методологически несостоятельна. В § 2.5 мы говорили, что при­менение статистики представляет собой, по сути дела разновидность моделирования. Допущения, на которых строится статистическая модель. во многом идеализируют исходную ситуацию, и если они будут расхо­диться с ней, то, как замечают П. Бикел и К. Доксам, статистический ана­лиз, оставаясь корректным в рамках самой модели, будет иметь весьма отдаленное отношение к изучаемому предмету¹.

Надо помнить о том, что статистический подход не является сред­ством решения всех проблем. Как известно, выработкой общей стратегии

принятия решений в условиях неопределенности занимается направление

современной статистики, называемое теорией статистических решений.

С ее помощью можно подсчитывать полезности различных стратегий. Однако в целом адекватность этого подхода, пришедшего из теории игр, не является безусловной, т.к. не найдено приемлемого способа свести науч­ную деятельность к некоей статистической игре. Скажем, концепция про­верки гипотез является скорее лишь общим правилом выводов, но когда дело доходит до выбора одной из двух гипотез в конкретной исследова­тельской ситуации, то, как было показано Я. Хакингом в «Логике статисти­ческих выводов» (1965)², данный критерий может оказаться неадекват­ным; кстати, в своей книге Я. Хакинг приводит много аргументов против

известного подхода Неймана—Пирсона. Скептические замечания в адрес

статистических заключений выдвинуты также Р. Карнапом³ и другими исследователями.

Таким образом, применение статистики требует прежде всего понима­ния ее смысла; сама по себе она еще ничего не доказывает.

Еще одним деликатным моментом, касающимся статистического ана­лиза данных, является недоучет роли содержательных, или качествен­ных, соображений. Ведь анализ данных базируется не только на относи­тельно нейтральных к конкретным научным областям методах (типа

методов статистики), но и на знаниях, относящихся непосредственно

к той или иной научной дисциплине.

Например, непонимание возможностей, логики и ограничений статисти­ческого подхода приводит часто к ошибочным концептуальным построе­ниям, связанным с обнаруженной в опыте корреляционной зависимо­стью. Как напоминает МБ. Славин, статистические методы анализа связей между явлениями обычно применяют тогда, когда неизвестны при­чинные связи; но ведь обнаружение статистической корреляции не влечет

(вопреки желанию исследователя) возможности связать корреляционно-