Анализ информации, собираемой в процессе эмпирических социологических исследований, представляет собой не просто совокупность технических приемов и методов, позволяющих в той или иной форме визуализировать полученные данные. Анализ данных является ключевым этапом всего исследования, в ходе которого происходит непосредственная проверка соответствия собранной информации тем моделям социальных явлений, которые, явно или латентно, имеются у социологов. И более того, в ходе анализа формулируются и проверяются новые модели, адекватно отражающие те закономерности, которые есть в собранных данных.
Очевидно, что в случае простой визуализации собранной информации мы имеем дело лишь с обработкой социологических данных. Если ставятся задачи построения определенной модели изучаемого социального явления и проверки соответствия этой модели имеющимся данным, можно говорить именно об анализе данных.
В ходе как обработки, так и анализа данных часто используют одни и те же технические и математические приемы, однако с гносеологической точки зрения это два разных подхода к данным. В первом случае социолог использует стандартный набор средств (как правило это одномерные распределения, таблицы, гистограммы и графики) для наиболее наглядной демонстрации полученных данных, которые, при удачном подборе технических средств, вроде бы говорят сами за себя. Во втором случае исследователь выдвигает определенную модель социального явления, демонстрирует соответствие (либо противоречие) данных этой модели и ведет дальнейшую разработку именно модели, отвлекаясь от самих данных.
При работе с социологическими данными используются два основополагающих понятия:
• единица анализа (анкета, случай);
• переменная.
Единица анализа — это элементарная, единичная часть объекта исследования. В большинстве случаев единица анализа совпадает с единицей наблюдения, т.е. с тем объектом, о котором непосредственно получают информацию в ходе сбора данных. В социологии, как правило, этой единицей является отдельный респондент. Однако это не всегда так. Например, объектом изучения социолога может выступать семья как целостная единица и, следовательно, она выступает единицей анализа в исследовании. Единицами же наблюдения выступают члены семей, т.е. отдельные респонденты, о которых, собственно, и собирается информация. Преобразование информации, собранной о единицах наблюдения, в информацию о единицах анализа является самостоятельным и не только техническим этапом исследования.
Переменная — это элементарный показатель, признак, характеризующий одно из изучаемых свойств единицы анализа. Простейшими переменными являются, скажем, пол или зарплата респондента. Ключевыми характеристиками переменной является то, что, с одной стороны, для каждой единицы анализа она имеет одно, вполне определенное значение, а с другой стороны — то, что не все единицы анализа имеют одинаковое значение переменной.
Основной специфической чертой социологического измерения является активное использование номинальных, порядковых, интервальных шкал. Напомним их определения.
Выделяют три основных атрибута измерительных шкал, наличие или отсутствие которых определяет принадлежность шкалы к той или иной категории.
Упорядоченность шкалы означает, что одна позиция шкалы, определяемая числом и соответствующая выраженности измеряемого свойства, больше, меньше или равна другой позиции.
Интервалъностъ шкалы означает, что интервалы между позициями шкалы равны между собой.
Нулевая точка (или точка отсчета) шкалы означает, что набор чисел, соответствующих выраженности измеряемого признака, имеет точку отсчета, обозначаемую за 0, которая соответствует полному отсутствию измеряемого свойства
Наиболее общей классификацией измерительных шкал является разделение на неметрические шкалы (в которых единица измерения отсутствует) и метрические шкалы (в которых может быть установлена единица измерения, например, килограмм, градус, рубль и т.д.). Метрические шкалы являются более мощными, т.е. они лучше дифференцируют измеряемые объекты (отражают больше информации о различии измеряемых объектов).
К неметрическим шкалам относят номинативные и порядковые шкалы.
В номинативной шкале (nominal scale) отсутствуют все главные атрибуты измерительных шкал, а именно упорядоченность, интервальность, нулевая точка. Для обозначения такой шкалы также используются термины шкала наименований и номинальная шкала.
Номинативная шкала используется для классификации или идентификации объектов (группировки по классам, каждому из которых приписывается число). Объекты группируются по классам таким образом, чтобы внутри класса они были идентичны по измеряемому свойству. Это самая простая шкала из тех, что могут рассматриваться как измерительные, хотя фактически эта шкала не ассоциируется с измерением и не связана с понятиями «величина» и «число». Она используется только с целью отличить один объект от другого.
Примером свойства, измеряемого в такой шкале, может являться пол. Эта переменная имеет две категории (наименьшее количество категорий, которое может иметь измеряемая переменная). Это свойство может быть измерено отнесением человека (объекта) в соответствующую категорию при подсчете количества мужчин и женщин. Категория «мужчины» может, например, кодироваться цифрой «1», а категория «женщины» - цифрой «2». В результате можно сделать заключение о том, к какой категории отнесено больше объектов, а к какой меньше. Однако на основании этих данных нельзя произвести логические или математические операции над самими категориями, т.е. для такой шкалы нельзя, например, сказать, что 1 меньше, чем 2, или что 1 +2 = 3. Другими примерами свойств, измеряемых в номинативной шкале, являются семейное положение, национальность, религиозная принадлежность, место рождения.
Категории переменных, измеряемых в номинативной шкале, должны быть взаимоисключающими, чтобы не было неопределенности относительно классификации исследуемых объектов. Эти категории должны также быть исчерпывающими, т.е. каждому возможному значению должна однозначно соответствовать определенная категория (хотя бы категория другие или прочие). Категории данных в номинативной шкале должны включать сопоставимые экземпляры.
Категории измеряемой переменной фактически не являются численными, и их можно сравнивать друг с другом только на основе количества наблюдений, относящихся к ним. При использовании номинативных шкал цифры, кодирующие соответствующие категории, являются лишь метками (именами) и не несут в себе численного значения. Как мы показали на примере, к данным, представленным в такой шкале, арифметические операции не применимы: их нельзя складывать, вычитать, умножать или делить. Однако разработаны специальные процедуры обработки и анализа данных в номинативных шкалах (например критерий 
для статистической проверки гипотез). Они основаны на определении частоты (подсчете количества появлений переменной в различных категориях).
В порядковой шкале (ordinal scale) присутствует упорядоченность, но отсутствуют атрибуты интервальное™ и нулевой точки. Для обозначения такой шкалы также используются термины ранговая шкала и шкала рангов. Порядковая шкала является наиболее распространенной в социальных и гуманитарных исследованиях.
Результатом измерений в порядковой шкале является упорядочение объектов. Шкала ранжирует объекты, приписывает им числа в зависимости от выраженности измеряемого свойства по некоторому признаку (в порядке убывания или возрастания). В отличие от номинативной шкалы здесь можно не просто определить, что один объект отличен от другого, но и то, что по определенному признаку один объект больше или меньше другого. Следовательно, шкала показывает, больше или меньше выражено свойство (измеряемая величина), но не насколько больше или насколько меньше оно выражено, а тем более - во сколько раз больше или меньше.
Приведем несколько примеров измерений в порядковой шкале.
Пример 1. Социально-экономический статус определяется в следующих категориях: 1) «верхний класс»; 2) «средний класс»; 3) «низший класс». Эти категории ранжируются, например, по признаку уровня дохода. Понятно, что в данной шкале значение 1 больше, чем 2, но непонятно, насколько. То же самое можно сказать о должностном статусе, например: специалист, ведущий специалист, главный специалист, заместитель начальника отдела, начальник отдела и т.д.
Пример 2. В школе и в вузе используется 5-балльная система оценки знаний (1, 2, 3, 4, 5). Можем ли мы ответить, насколько 5 «лучше», чем 4? Настолько же, насколько 4 «лучше», чем 3? Возможно, для одного студента разница между 5 и 4 невелика, а разница между 4 и 3 значительна. Возможно, эта разница изменяется от курса к курсу. Если считать, что оценки учеников или студентов отражают их знания, то в случае применения к этой шкале действий арифметики получается, что знания отличника равны сумме знаний двоечника и троечника (5 = 2 + 3), а между знаниями отличника и троечника такая же разница, как между знаниями «ударника» и двоечника (5-3 = 4-2).
Таким образом, мы не можем сказать, что в такой шкале сохраняется равенство интервалов между пунктами. Сложение, как и большинство других математических операций, предполагает, что интервалы между значениями равны. Если интервалы не равны, то 2 + 2 может означать 5 или 55. Поэтому широко распространенная процедура усреднения оценок (баллов), т.е. вычисления среднего арифметического - это операция, лишенная смысла с математической точки зрения.
Таким образом, возможности статистического анализа для данных в порядковых шкалах ограничены. Строго говоря, упорядочение - это единственная математическая операция, применимая к порядковой шкале. Использование многих операций с порядковыми данными (например вычисление среднего арифметического) математически некорректно, но широко распространено на практике. Например, в рейтинге мест отдыха пенсионеров усреднение баллов порядковой шкалы представляло собой математически бессмысленную процедуру.
В то же время шкала может вполне корректно использоваться в экспериментальных исследованиях, но для этого необходимо применять адекватные методы обработки данных, например, конвертирование порядковых шкал в метрические шкалы или использование не параметрических методов для обработки данных.
В интервальной шкале (interval scale) присутствуют упорядоченность и интервальность, но нет нулевой точки. В этой шкале исследуемому объекту присваивается число единиц измерения, пропорциональное выраженности измеряемого свойства Соответствующие интервалы разных участков шкалы имеют одно и то же значение, поэтому измерения в интервальной шкале допускают не только классификацию и ранжирование, но и точное определение различий между категориями.
Примеры интервальной шкалы: фиксация времени и даты, температурные шкалы.
Цельсия и Фаренгейта Например, для известных шкал измерения времени можно сказать, что интервал между 3 и 6 ч равен интервалу между 4 и 7 ч. Но можно ли сказать, что 6 ч в два раза больше, чем 3 ч? Очевидно, нет. Аналогично, если сегодня уличный термометр фиксирует температуру -10 С, а вчера было -20 С, мы можем сказать, что сегодня теплее на 10 градусов. Но можно ли сказать, что сегодня теплее в 2 раза? Это кажется нелепым, не так ли? По крайней мере, так никто не говорит. А можно ли сказать, что температура в 300 С отличается от температуры в 200 С в два раза сильнее, чем температура в 150 С отличается от температуры в 100 С? Это кажется логичным.
Подобные ответы на такие вопросы связаны с тем, что интервальные шкалы (например шкалы Цельсия и Фаренгейта) не имеют нулевой точки отсчета. Точнее, выбор нулевой точки в интервальной шкале условен (произволен). Имея данные, представленные в интервальной шкале, мы можем судить о том, насколько больше или насколько меньше выражено измеряемое свойство, но не о том, во сколько раз больше или меньше. Для интервальных шкал характерна произвольность выбора нулевой точки, т.е. 0 не соответствует полному отсутствию измеряемого свойства, поэтому измерения не соответствуют абсолютному количеству измеряемого свойства. Например, нулевое значение температуры по шкале Цельсия не соответствует полному отсутствию тепла. Для интервальных шкал мы можем корректно использовать большинство математических операций, поэтому если, например, имеются данные в порядковой шкале, то с точки зрения математической корректности целесообразно их конвертировать в интервальную шкалу, используя специальные процедуры, которые будут рассмотрены далее. Но на практике иногда возникают сложности как при преобразовании исходных данных в метрические шкалы, так и при интерпретации и анализе полученных результатов.
В относительной шкале {ratio scale) присутствуют все атрибуты измерительных шкал: упорядоченность, интервальность, нулевая точка. Для обозначения такой шкалы также используются термины шкала отношений и абсолютная шкала. Последний термин подчеркивает абсолютный характер нулевой точки.
Относительная шкала позволяет оценивать, во сколько раз свойство одного объекта больше или меньше аналогичного свойства другого объекта, принимаемого за эталон, единицу. Эта шкала характеризуется всеми атрибутами интервальной шкалы и, кроме того, имеет фиксированную нулевую точку (0), которая не является условной, так как она соответствует полному отсутствию измеряемого свойства. Например, переменная количество сотрудников имеет фактическое начало отсчета, так как нулевое значение соответствует отсутствию сотрудников вообще. Аналогично, нулевое значение может соответствовать отсутствию образования, дохода, детей, количеству лет в браке и т.п. Другими примерами измерения в относительной шкале являются определение физических характеристик (веса, длины, высоты, площади).
Для анализа социологических данных мы будем использовать пакет SPSS. SPSS является самой распространённой программой для обработки статистической информации.
Основу программы SPSS составляет SPSS Base (базовый модуль), предоставляющий разнообразные возможности доступа к данным и управления данными. Он содержит методы анализа, которые применяются чаще всего.
Традиционно вместе с SPSS Base (базовым модулем) поставляются ещё два модуля: Advanced Models (продвинутые модели) и Regression Models (регрессионные модели). Эти три модуля охватывают тот спектр методов анализа, который входил в раннюю версию программы для больших ЭВМ.
SPSS Base (Базовый модуль)
SPSS Base входит в базовую поставку. Он включает все процедуры ввода, отбора и корректировки данных, а также большинство предлагаемых в SPSS статистических методов. Наряду с простыми методиками статистического анализа, такими как частотный анализ, расчет статистических характеристик, таблиц сопряженности, корреляций, построения графиков, этот модуль включает t-тесты и большое количество других непараметрических тестов, а также усложненные методы, такие как многомерный линейный регрессионный анализ, дискриминантный анализ, факторный анализ, кластерный анализ, дисперсионный анализ, анализ пригодности (анализ надежности) и многомерное шкалирование.
Regression Models
Данный модуль включает в себя различные методы регрессионного анализа, такие как: бинарная и мультиномиальная логистическая регрессия, нелинейная регрессия и пробит-анализ.
Advanced Models
В этот модуль входят различные методы дисперсионного анализа (многомерный, с учетом повторных измерений), общая линейная модель, анализ выживания, включая метод Каплана-Майера и регрессию Кокса, логлинейные, а также логитлоглинсйные модели.
Tables
Модуль Tables служит для создания презентационных таблиц. Здесь предоставляются более широкие возможности по сравнению со упрощенными частотными таблицами и таблицами сопряженности, которые строятся в SPSS Base (базовом модуле).
Ниже в алфавитном порядке приведен список остальных модулей и программ предлагаемых для расширения SPSS.
Amos
Amos (Analysis of moment structures — анализ моментных структур) включает методы анализа с помощью линейных структурных уравнений. Целью программы является проверка сложных теоретических связей между различными признаками случайного процесса и их описание при помощи подходящих коэффициентов. Проверка проводится в форме причинного анализа и анализа траектории. При этом пользователь в графическом виде должен задать теоретическую модель, в которую вместе с данными непосредственных наблюдений могут быть включены и так называемые скрытые элементы. Программа Amos включена в состав модулей расширения SPSS, как преемник L1SREL (Linear Structural RELationships — линейные структурные взаимоотношения).
AnswerTree
AnswerTree (дерево решений) включает четыре различных метода автоматизированного деления данных на отдельные группы (сегменты). Деление проводится таким образом, что частотные распределения целевой (зависимой) переменной в различных сегментах значимо различаются. Типичным примером применения данною метода является создание характерных профилей покупателей при исследовании потребительского рынка. AnswerTree является преемницей программы СНАШ (Chi squared interaction Detector — детектор взаимодействий на основе хи-квадрата).
Categories
Модуль содержит различные методы для анализа категориальных данных, а именно: анализ соответствий и три различных метода оптимального шкалирования (анализ однородности, нелинейный анализ главных компонент, нелинейный канонический корреляционный анализ).
Clementine
Clementine — это программа для data mining (добычи знаний), в которой пользователю предлагаются многочисленные подходы к построению моделей, к примеру, нейронные сети, деревья решений, различные виды регрессионного анализа. Clementine представляет собой верстак аналитика, при помощи которого можно визуализировать процесс моделирования, перепроверять модели, сравнивать их между собой. Для удобства пользования программой имеется вспомогательная среда внедрения результатов.
Conjoint (совместный анализ)
Совместный анализ применяется при исследовании рынка для изучения потребительских свойств продуктов на предмет их привлекательности. При этом опрашиваемые респонденты по своему усмотрению должны расположить предлагаемые наборы потребительских свойств продуктов в порядке предпочтения, на основании которого можно затем вывести так называемые детализированные показатели полезности отдельных категорий каждого потребительских свойства.
Data Entry (ввод данных)
Программа Data Entry предназначена для быстрого составления вопросников, а также ввода и чистки данных. Заданные на этапе создания вопросника вопросы и категории ответов потом используются в качестве меток переменных и значений.
Exact Tests (Точные тесты)
Данный модуль служит для вычисления точного значения вероятности ошибки (величины р) в условиях ограниченности данных при проверке по критерию х2 (Chi-Quadrat-Test) и при непараметрических тестах. В случае необходимости для этого также может быть применён метод Монте-Карло (Monte-Carlo).
GOLDMineR
Программа содержит специальную регрессионную модель для регрессионного анализа упорядоченных зависимых и независимых переменных.
SamplePower
При помощи SamplePower может быть определён оптимальный размер выборки для большинства методов статистического анализа, реализованных в SPSS.
SPSS Missing Value Analysis
Данный модуль служит для анализа и восстановления закономерностей, которым подчиняются пропущенные значения. Он предоставляет различные варианты замены недостающих значений.
Trends
Модуль Trends содержит различные методы для анализа временных рядов, такие как: модели ARIMA, экспоненциальное сглаживание, сезонная декомпозиция и спектральный анализ.
Модули Amos, AnswerTree, Categories, Conjoint, LISREL и Trends описаны в книге этих же авторов: SPSS. Методы исследования рынка и мнений.
Поможем написать любую работу на аналогичную тему