<<
>>

Операционализация понятий: использование многомерных методов анализа данных

Процесс операционализации понятий может опираться на использование достаточно сложных методов анализа данных (например, могут быть задействованы латентно-структурный и причинный ана лиз [Толстова, Коченков, 2003; Толстова, 20046; Джиампалия, 2005]; см.
также сноску в п. 7.2.4.

При использовании в таком случае ЛСА часто возникает потребность нарушения аксиомы локальной независимости, о чем мы коротко говорили в Приложении 2, Поясним на примере, что мы имеем в виду.

Предположим, что мы с помощью ЛСА измеряем уровень логических способностей детей (схожие рассуждения будут иметь место, если мы задействуем, скажем, шкалу Гуттмана). Полагаем при этом, что у нас существует гри латентных класса: дети с высокими логическими способностями, со средними и с низкими. Мы придумали, скажем, 50 задач «на логику». Каждому респонденту приписывается значение 0 или 1 в зависимости от того, решил он ту или иную задачу или нет (таким образом, фактически мы имеем дело с 50 дихотомическими вопросами).

Между переменными, вероятно, следует ожидать наличие статистической связи: если какой-то один ребенок лучше решит первую задачу, то, вероятнее всего, не хуже он решит и вторую, и третью и т. д. И это будет иметь место просто потому, что первый ребенок обладает более высокими лопіческими способностями, чем второй. Это и означает, что связь объясняется действием латентной переменной. Дети со слабыми способностями почти все получат оценку 0, с сильными — 1, а среди детей со средними способностями примерно половина получит 0, половина — 1.

Но если мы отберем только тех детей, которые обладают одинаковыми логическими способностями, то, наверное, описанной связи не будет. Первый ребенок может лучше решить одни задачи, второй — другие. И если мы правильно разобьем детей на классы, то в каждом классе связь между ответами на наши дихотомические вопросы должны исчезнуть. Скажем, возьмем класс детей с высокими логическими способностями. В основном они по всем переменным будут иметь оценку 1. Но кто-то из них не решит какую-то задачу, потому что от волнения забыл таблицу умножения. Кто-то другой не решит некую задачу, потому что у него повышенная температура. И эти задачи, вообще говоря, будут различными. Другими словами, связи не будет. Это и есть проявление аксиомы локальной независимости.

Теперь предположим, что мы применили обычный ЛСА, опирающийся на аксиому локальной независимости. Предположим, что, проанализировав результаты нашего измерения (т. е. оценки вероятности попадания каждого респондента в тот или иной латентный класс), мы обнаружили, что ученики распались на три такие группы, что для ребят из первой группы велика вероятность попасть в первый латентный класс, для ребят второй группы велика вероятность попасть во второй класс, для третьей — в третий класс. Мы будем считать подтвержденной нашу гипотезу о том, что найденные группы отвечают трем латентным классам: очень способных учеников, учеников со средними способностями, и учеников со слабыми способностями. Подтвердится и то, что мы хорошо под обрат и наши задачи: среди них не встретились такие, которые по существу проверяют не логические способности, а что-то другое. Но ведь мы как бы «отрезали» от себя очень важную ситуацию, когда в классе ребят со слабыми способностями будет действовать такая переменная, как усидчивость.

Да, эти ребята решили очень мало задач. Но среди них были усидчивые ученики. Они, хотя и решили немного задач, но все же больше, чем неусидчивые. Нетрудно видеть, что для этого класса респондентов имеет место такая ситуация, которую выше мы описали, говоря о наличии статистической связи в исходном массиве данных: если из двух слабых ребят один решил лучше какую-то одну задачу, то, вероятнее всего, он не хуже решит и другую: он, наверное, более усидчив. А это, R соответствии с уже используемой нами логикой, означает, что в нашей группе слабых учеников действует новая латентная переменная — усидчивость. Традиционный ЛСА не сможет нам помочь в ее поиске, ведь он опирается на аксиому локальной независимости. В нашей ситуации, вероятно, его результаты вообще не удовлетворят нас. поскольку он не позволит нам «выйти» на латентный класс, состоящий из ребят со слабыми логическими способностями. Поскольку он опирается на аксиому локальной независимости, он не «разглядит» этот класс, так как внутри него имеется статистическая связь.

Выход из положения состоит в том, чтобы опираться на более продвинутые модели ЛСА, предусматривающие нарушение упомянутой аксиомы для отдельных латентных классов.

Операционализация понятий: использование сложной

качественно-количественной методологии

Здесь мы хотим подчеркнуть, что даже в том случае, если процесс операционализации понятий опирается на использование сложных математических алгоритмов, все же на всех этапах их применения требуется активное использование исследовательской интуиции и дополнительных исследований, часто с использованием качественных методов. Нередко можно эффективно применять знакомые нам из основной части настоящей книги методы шкалирования (нетрудно видеть, что такие методы, как, например, шкала Лайкерта, по существу являются именно методами операционализации понятия — понятия изучаемой установки). Именно на соответствующих аспектах этапа операционализации понятий мы здесь и остановимся.

Предлагаемое нами расширение традиционных представлений об операционализации понятий отражает рис. П3.5.

Рис. П3.5. Построение концептуальной модели: операционализация понятий

Схема на рис. П3.5 свидетельствует о том, что процесс формирования и операциопатизации понятий является сложной качественно- количественной процедурой. Отметим, что отображенная на схеме логика совместного использования качественной и количественной стратегий представляет собой лишь один из возможных примеров такого подхода. О качественно-количественных стратегиях в интересующем нас разрезе много говорится в западной литературе (см., например, схему 3.1 из [Miles, Huberman, 1994]).

Те схемы операционализации понятий, которые можно было бы дать в случае использования методов многомерного анализа данных (скажем, латентно-структуриого и причинного, о чем шла речь выше), отнюдь не противоречат приведенной на рис. П3.5. В реальном исследовании их целесообразно объединять. 4.

<< | >>
Источник: Толстова Ю. Н.. Измерение в социологии : учебное пособие / Ю. Н. Толстова. — М.: КДУ. — 288 с.. 2007 {original}

Еще по теме Операционализация понятий: использование многомерных методов анализа данных:

  1. 3. Методы анализа данных
  2. II Метод как многомерное явление
  3. Метод как многомерное явлени
  4. 1. ЯЗЫК АНАЛИЗА ДАННЫХ
  5. 1. ОТ ПОСТУЛАТОВ ЭМПИРИЧЕСКОЙ СОЦИОЛОГИИ К МЕТОДОЛОГИИ АНАЛИЗА ДАННЫХ
  6. ПС как метод сбора данных 6.1.1. Содержание метода. Свойства получаемых матриц
  7. Использование и интерпретация полученных данных
  8. Методы сбора данных 1.1 Данные и методы
  9. Этапы анализа и презентации данных
  10. СРАВНИТЕЛЬНЫЙ АНАЛИЗ ДАННЫХ "1-Й И 2-Й ГРУППЫ
  11. ИНДЕКСЫ ПРИ СБОРЕ И АНАЛИЗЕ ДАННЫХ
  12. Проблемы измерения, возникающие при выборе способа анализа данных
  13. ГЛАВА 3 ВОСХОДЯЩАЯ СТРАТЕГИЯ АНАЛИЗА ДАННЫХ
  14. ГЛАВА 4 НИСХОДЯЩАЯ СТРАТЕГИЯ АНАЛИЗА ДАННЫХ
  15. Глава II О ДВУХ РАЗЛИЧНЫХ МЕТОДАХ — АНАЛИЗЕ И СИНТЕЗЕ. ПРИМЕР АНАЛИЗА
  16. Г. Г. Татарова. Методология анализа данных в социологии (введение), 1999
  17. Потери человеческого капитала в 1990-е и 2000-е гг.: сравнительный анализ данных опросов 1994 и 2006 гг.7
  18. А. Метод стандартов или средних антропометрических данных