Рецензенты: доктор социологических наук

Вид материала

Документы

Содержание Таблица 4 Примерный вид «простой структуры» Таблица 5 Значения переменных после вращения Многомерное шкалирование Основные выводы Основные понятия Наиболее важные термины

Подобный материал:

• Валентин Королько основы паблик рилейшнз, 3337.38kb.
• Рецензенты: доктор социологических наук, профессор, 5768.51kb.
• Н. С. Глуханюк Т. Б. Гершкович поздний возраст, 1504.04kb.
• «Слова о Полку Игореве», 3567.27kb.
• Программа дисциплины Методика преподавания социологии для направления: 521200 Социология, 140.11kb.
• Г. А. Лукс Рецензенты: доктор социологических наук, профессор Международного института, 1719.05kb.
• Г. А. Лукс Рецензенты: доктор социологических наук, профессор Международного института, 1721.52kb.
• Новых пород свиней на полигибридной основе, 812.01kb.
• Предисловие, 1366.17kb.
• А. Л. Крылова физиология высшей нервной деятельности       Рекомендовано Министерством, 1365.6kb.

Взаимосвязь голосования за различные партии и блоки

Партия, блок	КПРФ	«Выбор России»	«Яблоко»	ЛДПР
КПРФ	1,0	-0,57	-0,32	+ 0,08
«Выбор России»	-0,57	1,0	+ 0,36	-0,53
«Яблоко»	-0,32	+ 0,36	1,0	-0,63
ЛДПР	+ 0,08	-0,53	-0,63	1,0

Авторы отмечают, что высокие значения (больше 0, 4) коэффи­циента корреляции свидетельствуют о наличии линейной связи между голосованием за сравниваемые партии и блоки. Знак «минус» означает, что чем больше голосов определенная группа избирателей отдает за одну из сравниваемых партий, например за «Яблоко», тем меньше она отдает голосов за другую, например за ЛДПР (г = - 0,63). Знак «плюс» означает, что чем больше голосов группа избирателей отдает одной партии, например «Выбору Рос­сии», тем больше она отдает голосов и другой сравниваемой пар­тии, например «Яблоку» (г = +0,36). Значения г < 0,4 свидетельст­вуют лишь о слабой выраженности линейной связи между голосова­нием за разные партии, но это не исключает наличия другой формы связи (нелинейной).

В статье подчеркивается, что сам факт положительной или от­рицательной корреляции говорит только о возможном механизме перераспределения голосов избирателей между партиями и блока­ми, а не о сходстве или различии их политических позиций. Эти наблюдения в определенной мере подтверждаются результатами корреляционного анализа голосования за партии и блоки по ито-

[52]

гам парламентских выборов 1995 г., проведенного А.Е. Любаревым [Любарев А.Е. Корреляционный анализ результатов парламентских выборов 1995 года // Политические исследования. 1996. N° 5. С. 117—129]. Автором статьи были получены значения коэффици­ентов корреляции, приведенные в табл. 3.

ТаблТаблица 3 Взаимосвязь голосования за различные партии и блоки

Партия, блок	КПРФ	ДВР	«Яблоко»	ЛДПР
КПРФ	1,0	-0,34	-0,45	+ 0,15
ДВР	-0,34	1,0	+ 0,67	-0,60
«Яблоко»	-0,45	+ 0,67	1,0	-0,48
ЛДПР	+ 0,15	-0,60	-0,48	1,0

Как правило, на признаки изучаемого явления влияет множест­во причин, поэтому для выявления полной картины недостаточно только анализа парных корреляций, нужна группировка этих кор­реляций и выявление на этой основе комплексов скрытых (латент­ных) переменных, которые называются факторами (рис. 2).

Переменные П1 П2 ПЗ П4 П5 П6 П7 П8 П9

Факторы Ф1 Ф2

Рис. 2. Графическая структура факторного анализа

Необходимость факторного анализа обусловлена тем, что мы не можем воспринимать большое число сопоставляемых пар призна­ков и вынуждены прибегать к помощи вычислительной техники. Факторный анализ основан на измерении доли влияния каждого из выделенных нами комплексов (независимых) переменных на изме­нение изучаемых признаков явления (зависимых переменных) и обнаружении причинной обусловленности этих изменений. Факторы выражают внутренние (скрытые) свойства системы переменных, характеризующих изучаемое явление.

Исходной информацией факторного анализа служит матрица \ (система чисел, размещенных в прямоугольной таблице в виде п столбцов и т строк) парных коэффициентов корреляции [Харман, 33] всех отобранных нами переменных. На основе матрицы выяв-

[53]

ляются скопления переменных, тесно связанных друг с другом и слабо связанных с переменными, входящими в другие скопления. Эти скопления переменных образуют факторы (рис. 3).



Первый фактор (горизонтальная ось графика) образуют пере­менные, характеризующие ориентации на коммунизм или либера­лизм. Второй фактор (вертикальная ось графика) образуют ориен­тации на власть или оппозицию. Следует учесть, что данная струк­тура существовала в сознании населения Санкт-Петербурга на мо­мент опроса (ноябрь 2000 г.). Со временем эта конфигурация пере­менных может измениться.

Целью факторного анализа служит выявление так называемой простой структуры. Согласно Терстоуну, эта структура должна удовлетворять следующим условиям [Харман, 114]:

1. В каждой строке факторной матрицы должно быть хотя бы одно нулевое значение (нулевыми считаются также значения, пер­вый разряд которых начинается с 1).
   
2. В каждом столбце факторной матрицы число нулевых значе­ний должно быть не меньше числа факторов.
   
3. В каждой паре столбцов должно быть несколько переменных, которые имеют значения, равные нулю в одном из столбцов и не равные нулю — в другом.
   
4. В каждой паре столбцов имеется мало переменных, значения которых в обоих из них отличны от нуля.
   

[54]

В качестве примера такой структуры можно привести результа­ты факторного анализа данных упомянутого выше опроса населе­ния Санкт-Петербурга (табл. 4).

Таблица 4 Примерный вид «простой структуры»*

Переменные	Компоненты
	1	2	3	4
Коммунистические	+0,771	-0,411	+0,310	-0,192
Либеральные	-0,202	+0,796	-0,473	0,000
Взгляды Зюганова	+0,731	-0,337	+0,412	-0,142
Взгляды Путина	+0,434	0,000	+0,721	-0,398
Взгляды Хакамады	-0,477	+0,662	0,000	0,000
Взгляды Яковлева	+0,275	-0,176	+0,795	+0,321
Взгляды Явлинского	0,000	+0,866	0,000	+0,279
«Единство»	-0,730	0,000	0,000	-0,174
«Отечество—Вся Россия»	-0,106	- 0,601	- 0,708	0,000
КПРФ	+0,872	-0,210	0,000	-0,376
СПС	-0,627	+0,679	+0,237	+0,104
«Яблоко»	+0,452	+0,132	-0,754	+0,379

* В таблицу включены переменные, характеризующие приверженность взглядам и голосование за избирательные объединения на парламентских выборах 19 декабря 1999 г. Анализ выполнен с помощью пакета 8Р85, методом главных компонент.

Переменные для факторного анализа отбираются в соответствии с определенными критериями. Считается, что эти переменные должны быть измерены с помощью интервальной шкалы [Фактор­ный, дискриминантный и кластерный анализ, 63]. Для порядковых переменных не существует факторных моделей, поскольку опера­ции сложения для них невозможны. Надо иметь в виду, что в дан­ном случае «допускается лишь эвристическое использование таких моделей без статистической интерпретации резулътатов»(курсш мой. — ТА.) [Там же]. Это значит, что можно подвергать фактор­ному анализу переменные, измеренные с помощью порядковых шкал, однако в данном случае нельзя оперировать собственными значениями факторов и определять более и менее значимые фак­торы.

[55]

На порядковом уровне с помощью факторного анализа можно лишь устанавливать кластерную структуру переменных [Там же, 65]. Часто предполагается, что порядковым переменным можно присваивать числовые значения, не нарушая их внутренних свойств. Например, можно присвоить числовые значения 5, 4, 3, 2, 1 позициям порядковой шкалы: целиком согласен, согласен, безразличен, не согласен, полностью не согласен. «Если искаже­ния корреляций, вносимые при шкалировании порядковых пере­менных, не слишком велики, вполне законно использовать эти переменные в качестве числовых» [Там же, 63]. В отечественной социологии такие случаи встречаются довольно часто. Считается, что если основой факторного анализа служит матрица корреляций, а данные, полученные на порядковых шкалах, позволяют подсчи­тывать коэффициенты корреляции, то это дает право использовать факторный анализ, но с учетом отмеченного выше ограничения — недопустимости статистической интерпретации собственных значе­ний выделенных факторов. Здесь приходится ограничиваться лишь выявлением распределения переменных по скоплениям (класте­рам).

Существует множество методов факторного анализа. Наиболее часто используется метод главных компонент. В нем факторы яв­ляются линейными функциями от наблюдаемых переменных. Зада­ча в данном случае заключается не в объяснении корреляций между переменными, а в объяснении доли каждого скопления не­зависимых переменных в дисперсии (отклонении от средней) ин­тересующей нас зависимой переменной. В процессе факторного анализа определенная последовательность наблюдаемых перемен­ных преобразуется в другую последовательность. Сначала вычисля­ются парные коэффициенты корреляции между переменными и строится корреляционная матрица, которая образует основу фак­торного анализа. Затем последовательно строится матрица компо­нент. При двухфакторном анализе первая компонента определяет­ся таким образом, чтобы в ней содержалась максимальная доля дисперсии изучаемой переменной. Вторая компонента определяет­ся аналогичным образом, но ее ось должна располагаться перпен­дикулярно первой. Выделенные компоненты должны объяснять не менее 50% суммарной дисперсии изучаемой переменной (напри­мер, мотивации голосования за определенного кандидата в прези­денты). При трехфакторном анализе принцип определения главных компонент тот же самый, что и при двухфакторном: ось второй компоненты располагается перпендикулярно первой, ось третьей компоненты — перпендикулярно двум первым (рис. 4). Анализ проведен с помощью пакета 8Р88.

[56]



Число переменных, отобранных для факторного анализа, долж­но превышать число факторов не менее, чем в два раза. В каждом факторе должно быть не менее трех переменных с максимальными значениями коэффициентов [Факторный, регрессионный и клас­терный анализ, 28, 67].

На первом этапе анализа определяется минимальное число фак­торов, адекватно воспроизводящих наблюдаемые корреляции. После этого осуществляется процедура вращения, с помощью кото­рой устанавливаются легко интерпретируемые факторы. Графичес­кий способ вращения заключается в проведении новых осей, кото­рые обеспечивают воспроизводство вышеупомянутой простой структуры. Если после вращения обнаруживаются скопления точек (значений переменных), явно отделенных друг от друга, то это оз­начает, что нам удалось провести оси через эти скопления.

Аналитический способ вращения осуществляется на основе оп­ределенного объективного критерия. Этот способ включает два вида вращения: ортогональное и косоугольное. Наиболее часто ис­пользуется ортогональное вращение с помощью метода варимакс (поиск максимальных значений 1-го фактора). Метод основан на Упрощении описания столбцов факторной матрицы, в результате него достигается лучшее разделение факторов (четче выделяется главный фактор). Целью любого способа вращения является полу-

[57]

чение наиболее простой факторной структуры, которая легче под­дается содержательной интерпретации.

Число факторов определяется с помощью различных критериев:

1. Критерий собственных чисел: отбираются факторы с собст­
венными числами, превышающими 1, остальные не принимаются
во внимание.

2. Критерий воспроизводимой дисперсии: обычно отбирают факторы, объясняющие 50 — 60% общей дисперсии изучаемой переменной.
   
3. Критерий отсеивания: на графическом изображении собст­венных чисел корреляционной матрицы заканчивают отбор на том факторе, после которого кривая принимает вид, близкий к гори­зонтальному (рис. 5).
   

[58]

Знаки «плюс» и «минус» факторных значений интерпретируют­ся как увеличение или уменьшение значения переменной, т.е. про­сто как разные направления. «Знак факторных нагрузок сам по себе не имеет внутреннего содержания и не несет информации о зависимости между переменной и фактором. Однако стоит сопо­ставлять знаки разных переменных при одном факторе» [Фактор­ный, дискриминантный и кластерный анализ, 67]. Факторные на­грузки меньше 0,3 считаются несущественными [Там же, 60]. Ин­терпретация факторов сводится к анализу величины и знаков на­грузок. Рассмотрим эту процедуру на примере приведенного выше двухфакторного решения (см. рис. 3). Два вьщеленных фактора объясняют 61% дисперсии и включают переменные, указанные в табл. 5.

Таблица 5 Значения переменных после вращения*

Переменные	Факторы
	1	2
Взгляды Зюганова	- 0,823	+0,368
Взгляды Пугина	- 0,454	+0,777
Взгляды Хакамады	+0,776	+0,202
Взгляды Яковлева	-0,340	+0,679
Взгляды Явлинского	+0,627	+0,261
«Единство»	+0,443	-0,151
«Отечество—Вся Россия»	- 0,232	- 0,872
КПРФ	-0,842	0,000
СПС	+0,884	+0,366
«Яблоко»	0,000	-0,642
Коммунистические взгляды	-0,898	+0,258
Социал-демократические взгляды	+0,427	0,000
Либеральные взгляды	+0,708	-0,187

* Матрица получена методом главных компонент в пакете SPSS.

Выпишем наибольшие значения переменных по выделенным факторам. Фактор 1: отрицательное направление (взгляды Зюгано­ва, коммунистические взгляды, КПРФ), положительное направле­ние (взгляды Хакамады, либеральные, СПС). Фактор 2: отрица­тельное направление (ОВР, «Яблоко»), положительное направление (взгляды Путина, Яковлева). Содержание первого фактора состав-

[59]

ляет идеологический раскол (коммунисты — либералы), содержа­ние второго фактора — политический раскол (власть — оппози­ция). При интерпретации этих данных следует учитывать, что пе­тербургские сторонники ОВР и «Яблока» в основном голосовали против Путина на президентских выборах 2000 г., а само петер­бургское отделение «Яблока» (Региональная партия центра) нахо­дилось в оппозиции губернатору Яковлеву. Эти расколы определя­ли политическое поведение населения Санкт-Петербурга в 2000 г. (факторный анализ осуществлен на основе данных общегородского опроса, проведенного ЦЭПИ СПбГУ в ноябре 2000 г.). \ Кластерный анализ (от англ. с1и$1ег — пучок, группа) — это про­цедура, позволяющая классифицировать различные объекты. С его помощью можно разбить респондентов на группы, сходные по ряду признаков. На дендрограмме «дерева признаков» признаки соединяются линиями, образуя отдельные пучки («ветви»), связан­ные с другими пучками («ветвями»). Эти пучки и называют клас­терами. Чем короче линия, связьшающая переменные, тем ближе они находятся в пространстве признаков. В процессе кластериза­ции происходит объединение сходных объектов во все более слож­ные группы («разветвление»). Кластерный анализ представляет собой разновидность многомерной статистической процедуры, упорядочивающей объекты в относительно однородные группы. Переменные для кластерного анализа выбираются в соответствии с теорией (концепции, гипотезы), которая лежит в основе классифи­кации [Факторный, дискриминантный, кластерный анализ, 153]. Перед началом анализа они должны быть преобразованы в бино­минальные, принимающие значение «1» при наличии признака и «0» при его отсутствии. В статистическом пакете SPSS эта опера­ция осуществляется в опции: 1гап$Гогт\гесоде. Кроме того, из ана­лиза следует исключить альтернативы: «затрудняюсь ответить», «другое» и пр.

Важную роль в кластерном анализе играют «меры сходства». Наиболее часто в качестве такой меры употребляется коэффициент корреляции Пирсона, первоначально использовавшийся для опре­деления зависимости переменных. Кластеры обладают рядом свойств, среди которых наиболее важными являются плотность, дисперсия, форма, отдельность. Плотность — это близость отдель­ных точек скопления, позволяющая отличать его от других облас­тей многомерного пространства, содержащих либо мало точек, либо не содержащих их совсем. Дисперсия характеризует степень рассеяния точек в пространстве относительно центра кластера. От­дельность характеризует взаимное расположение скоплений точек в пространстве [Там же, 165—166]. Кластеры можно рассматривать


[60]

как «непрерывные области пространства с относительно высокой плотностью точек, отделенные от других таких же областей облас­тями с относительно низкой плотностью точек» [Там же, 166].

Наиболее известными методами кластерного анализы являются методы одиночной, полной и средней связи, а также метод Уорда [Там же, 191]. Метод Уорда (\УагсР8 те1под) позволяет создавать кластеры приблизительно равных размеров [Там же, 171]. Он сна­чала объединяет самые близкие объекты, затем к уже образован­ным кластерам присоединяются сходные с ними объекты. Мерой сходства в данном случае является 1 — коэффициент корреляции Пирсона.

На основе анализа содержания переменных, входящих в отдель­ные кластеры, строится группировка респондентов по признакам, включенным в процесс кластеризации. Рассмотрим эту процедуру на примере (рис. 6)*



0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8

Рис. 6. Дендрограмма мотивов голосования за кандидатов в Президенты России на выборах 1996 г.

Условные обозначения переменных: персональные электоральные предпочтения рес­пондентов на президентских выборах 1996 г. (Ельцин, Зюганов, Явлинский); моти­вация этих предпочтений (1.1. «Он мне нравится», 1.2. «Не хочу перемен», 2.1. «Меня устраивает его программа», 2.2. «Он знает, как решить проблемы страны», 3.1. «Я ему доверяю», 3.2. «Ему нет достойной замены»); мотивация голосования за списки политических партий на парламентских выборах 1995 г. (4.1. «Они заставят правительство думать о народе», 4.2. «Они смогут решить проблемы страны», 4.3. «Устраивает программа партии»). Анализ выполнен с помощью пакета «Statistica» по методу Уорда.

Кластерный анализ основных альтернатив ответа на вопрос о том, за кого намерены голосовать (опрос проводился в мае 1996 г.) респонденты («Ельцин», «Зюганов», «Явлинский»), и вопрос о мо­тивах предстоящего голосования позволили обнаружить особые

[61]

структуры мотивации электорального выбора у сторонников от­дельных кандидатов в Президенты России на выборах 1996 г. (см.: перечни мотивов в кластерах Ельцина, Зюганова и Явлинского).

Многомерное шкалирование представляет собой процедуру, с по­мощью которой оценивается степень сходства/различия между переменными. С его помощью мы можем представить набор изу­чаемых переменных в виде скоплений точек (каждой переменной соответствует одна точка). Этот метод позволяет находить в масси­ве данных комплексы сходных друг с другом и отличающихся друг от друга переменных. В геометрическом пространстве сходные переменные (тесно связанные между собой в сознании респонден­тов) располагаются близко друг от друга и образуют скопления точек, отделенные пустым пространством от других скоплений сходных переменных. Чем больше сходства зафиксировано у изу­чаемых переменных, тем ближе находятся обозначающие их точки на графике. Чем меньше сходства наблюдается у включенных в анализ переменных, тем дальше друг от друга располагаются соот­ветствующие им точки на графике.

Данный метод дает возможность наглядно (на графике) пред­ставить множество переменных и увидеть особенности их конфи­гурации в геометрическом пространстве (чаще всего в двумерном). Подобная процедура используется при сопоставлении значительно­го числа переменных, которое трудно анализировать без визуализа­ции. Перед началом многомерного шкалирования осуществляется процедура преобразования переменных в биноминальные, как и в кластерном анализе.

Рассмотрим пример такой визуализации на основе набора пере­менных, характеризующих идентификацию респондентов с различ­ными взглядами (источник данных тот же, что и в примечании к рис. 6).

На графике рис. 7 видны четыре группы точек, отделенных друг от друга пустым пространством. Эти группы располагаются в рамках двух измерений. Первое измерение основано на противо­поставлении власти и общественности, второе — на противопо­ставлении коммунизма и либерализма. Эти оппозиции наблюда­лись в политическом сознании населения Санкт-Петербурга в конце 2000 г.

Специфическим методом обработки социологической информа­ции является вторичный анализ данных. Он применяется для полу­чения дополнительной информации по уже прошедшему первич­ную обработку массиву данных. Обычно вторичный анализ ис­пользуют при повторной обработке результатов «чужих» или собст­венных исследований. Можно выделить два типа вторичного ана-

[62]



Рис. 7. Конфигурация переменных в пространстве двух измерений* (политическая идентификация и партийные предпочтения на выборах)

лиза: монографический и сравнительный. В первом случае осу­ществляется повторный анализ одного массива первичных данных, во втором — сопоставляются несколько массивов первичных дан­ных (например, электронные таблицы данных в системе 8Р88), полученные отдельными социологическими центрами в разное время, на разных выборках и по различным программам. Разно­типность исследований и используемых в них переменных порож­дает необходимость их стандартизации как условия сопоставимос­ти результатов исследований [Социальные исследования: постро­ение и сравнение показателей. М., 1978. С. 134—139].

Сопоставлять можно лишь однородные переменные, но для обеспечения этой однородности нужно, чтобы сравниваемые пер­вичные данные по этим переменным были получены на однотип­ных выборках, одинаковыми методами и с помощью однотипных шкал. Если у нас нет информации о том, кого и как репрезенти­рует выборка, какие методы были использованы для сбора и ана­лиза данных, как были сформулированы вопросы и какие альтер­нативы предлагались респондентам для ответа на них, то вторич­ный анализ становится невозможным.

Нельзя в строгом смысле слова назвать вторичным анализом часто используемое сопоставление частотных распределений внеш­не сходных переменных, взятых из отчетов по итогам массовых опросов населения, опубликованных в научных изданиях или газе­тах. Как правило, в этом случае авторы не выясняют степень

* Многомерное шкалирование выполнено с помощью пакета SPSS, опции: statistics\scale\multidimensional scaling.

[63]

однородности сравниваемых массивов информации, а между тем за каждым числовым значением признака стоит определенное ка­чество. Не выяснив, насколько однородна качественная определен­ность переменных, отобранных из разных массивов данных, мы не можем их сопоставлять.

Для проведения вторичного анализа необходимо изучить описа­ние выполненных исследовательских проектов, по которым имеет­ся первичная информация в существующих отечественных и зару­бежных архивах данных [см., например: Банк социологических данных, 1990 (Информационные ресурсы социологических центров СССР). М., 1990; Международный журнал социальных наук. Май. 1995. № 9. Европейские базы данных по социальным наукам); Мангейм Дж.-Б., Рич Р.-К. Политология. Методы исследования. М., 1997. С. 220—221]. В архивах нужно отобрать необходимые массивы данных, получить разрешение на их использование от ру­ководства соответствующих центров и, сделав с них копии файлов, провести вторичный анализ.

Можно выделить несколько видов сравнительного вторичного анализа: сравнительно-типологический (синхронный), или анализ первичных данных исследований, проведенных в одно и то же время; сравнительно-генетический (диахронньш), или анализ ре­зультатов исследований, проведенных в разное время. В любом случае предварительное изучение переменных с целью определения степени их однородности и пригодности для сравнения представ­ляет собой обязательное условие вторичного анализа. Важно отме­тить и то, что в процессе вторичного анализа мы, по существу, мысленно воспроизводим все этапы сопоставляемых исследований и одновременно осуществляем самостоятельное исследование, в ходе которого концептуализируем изучаемую проблему, выдвигаем собственные гипотезы, операционализируем понятия и т.д. Вто­ричный анализ означает новое, дополнительное исследование ста­рых массивов первичных данных.

Основные выводы

• Социологическое исследование проходит несколько этапов: подготовительный, полевой, аналитический.
  
• Технологии сбора и обработки данных, основанные на ис­пользовании количественных (основанных на измерении параметров политического действия) и качественных (осно­ванных на понимании смысла явлений политического дейст­вия) методов существенно отличаются.
  
• Основным документом, направляющим весь процесс исследо­вания, является программа, в которой излагаются цель, зада-
  

[64]

чи, объект, предмет, концепция, гипотезы, методы и график проведения исследования.

• Исходным пунктом исследования является определенная про­блема, решение которой имеет значение для политической со­циологии и практики.
  
• Всякое исследование должно заканчиваться разработкой прак­тических рекомендаций, способствующих совершенствованию технологии политического действия.
  
• В процессе сбора эмпирических данных используются обще­социологические методы: наблюдение, опрос, анализ докумен­тов, которые включают конкретные методики, например включенное наблюдение, телефонное интервью, фокус-груп­пы, контент-анализ, анализ биографий и т.д.
  
• При обработке данных в политической социологии использу­ются методы, заимствованные из прикладной статистики: ана­лиз статистических таблиц, корреляционный, факторный, кластерный анализ и многомерное шкалирование.
  
• Для воспроизведения явлений политической жизни желатель­но использовать различные методы, каждый из которых по­зволяет проверять стабильность результатов, полученных дру­гим.
  

Основные понятия

Концептуализация

Квантификация

Репрезентация

Наблюдение

Анализ документов

Корреляционный анализ

Кластерный анализ

Наиболее важные термины

Пилотажное исследование

Номинальная шкала

Интервальная шкала

Генеральная совокупность

Социальная выборка

Кодировка данных

Стандартизованный остаток

Вращение

[65]

Контрольные вопросы, и задания для самостоятельной работы

1. Какие задачи решаются на подготовительном этапе социологическо­го исследования политической жизни?
   
2. Назовите составные части программы социологического исследова­ния.
   
3. Для чего осуществляется концептуализация проблемы социологичес­кого исследования?
   
4. В чем суть операционализации понятий?
   
5. Каким образом обеспечивается репрезентативность исследования?
   
6. Назовите уровни измерения признаков в социологическом исследо­вании.
   
7. Какие задачи решаются при интерпретации данных?
   
8. Чем отличаются количественные и качественные методы сбора дан­ных?
   

9. Назовите явления политической жизни, которые можно изучать с
помощью наблюдения.

10. Какие стороны политического сознания и поведения людей изуча­ются с помощью массовых опросов?
    
11. Что дает анализ документов для изучения происхождения полити­ческой элиты?
    
12. Как с помощью критерия хи-квадрат и стандартизованных остатков определяется наличие или отсутствие взаимосвязи признаков?
    
13. Какие коэффициенты корреляции применяются на порядковом и интервальном уровне измерения?
    
14. Чем отличается функциональная связь между признаками от при­чинной?
    
15. На каком уровне измерения возможно применение факторного ана­лиза?
    
16. Что дает для изучения политического сознания кластерный анализ?
    
17. В чем состоит главная цель многомерного шкалирования?
    
18. Без соблюдения каких условий нельзя проводить вторичный анализ данных?