- •1. Виды наблюдений. Этапы подготовки наблюдателя.
- •2.Непараметрические методы в социологическом исследовании
- •3. Ранговые методы в социологическом исследовании.
- •4. Составление научного отчёта по результатам соц исслед-я.
- •5. Место и значение приклад исслед-ий. Предмет и метод прикладной социологии.
- •6. Анализ связей между переменными.
- •7. Функции социологических исследований
- •8. Анализ эмпирических данных
- •9. Типичные ошибки наблюдений и способы их устранения. Первичный анализ данных.
- •Непараметрический регрессионный и дисперсионный анализ. На примере пакета spss.
- •Одномерный и многомерный анализ. На примере пакета spss
- •19. Принципы шкалирования. Статистические взаимосвязи.
- •20. Характеристика основных схем отбора данных: достоинства и недостатки
- •21. Количественные и качественные измерения.
- •22. Шкалы. Критерии надежности шкал. Классификации шкал.
- •23. Понятие признака группировки
- •24. Этапы и виды качественного исследования
- •26. Возможности статистических пакетов для графической интерпретации данных.
- •27.Специфические особенности качественных социологических исследований.
- •28.Понятие признака группировки. Группировка в пакете spss.
27.Специфические особенности качественных социологических исследований.
Для современной социологии настал период гуманизации, переориентации от рационального познания глобальных проблем к познанию и пониманию локальных сообщностей, специфики меньшинств и каждодневной социальной практики людей; от макро- к микроанализу социальных явлений.
Индивид рассматривается как представитель социального типа. Если же мы хотим понять социальный мир человека, восприятие им внешней реальности и мир его самосознания, то здесь недостаточно рационального языка категорий и абстракций. Необходимо приблизиться к адекватному пониманию смыслов, которые человек вкладывает в различные суждения и действия. Кроме того, поступки человека далеко не всегда адекватно осознаются им самим. Чтобы уяснить их глубинный смысл надо приложить немало усилий для расшифровки внешне наблюдаемых действий и высказываний и для интерпретации их в социологических понятиях. Рационализация представлений о человеческом поведении так же требует определенных теорий, в рамках которых эти действия могут быть объяснимы.
Другими словами, если отечественная социология преимущественно направлена на изучение проблем социального взаимодействия между структурами, социальными институтами и организациями (например, медицина и система образования как социальные институты: каковы их функции и отношения между ними в данном обществе), то качественная социология занимается субъективным аспектом реальной практики этих отношений: что значит в данном обществе "быть врачом" или "быть учителем" и какова практика отношений "врача" и "учителя" в реальности.
Общий фокус качественного исследования концентрирует внимание на частном, особенном в описании целостной картины социальных практик.
Общая стратегия качественного подхода состоит в открытом, поисковом, неструктурированном характере анализа проблемной ситуации. Внимание исследователя направлено на укрупненное (как под микроскопом) рассмотрение отдельных субъектов в единстве их объективного и субъективного социального опыта.
Использование качественных методов является приоритетным, если в центре внимания исследователя находится изучение своеобразия отдельного социального объекта, исследование общей картины события или случая в единстве его составляющих, взаимодействие объективных и субъективных факторов. Качественные исследования позволяют также изучать новые явления или процессы, не имеющие массового распространения, особенно в условиях резких социальных изменений.
28.Понятие признака группировки. Группировка в пакете spss.
Группировка — это разбиение единиц изучаемой совокупности наоднородные группы по определенным признакам существенным для данной статистической задачи.
Признак, который лежит в основании группировки — это группировочный признак.
В SPSS для Windows есть несколько методов кластеризации, позволяющих проводить сегментацию данных. Выбор метода зависит от объема имеющихся данных и от того, есть ли необходимость работать одновременно с данными нескольких типов. Подобная гибкость в выборе метода обеспечивает наиболее точную сегментацию имеющихся данных.
Если необходимо кластеризовать данные, в которых есть как количественные (например, доход), так и категориальные (например, семейное положение) переменные, и/или объем данных достаточно велик, то используется методДвухэтапного кластерного анализа (в SPSS Base) — масштабируемая процедура кластерного анализа, позволяющая работать с данными различных типов. На первом этапе работы алгоритма наблюдения предварительно кластеризуются в большое количество суб-кластеров. На втором этапе полученные суб-кластеры группируются в необходимое количество кластеров. Если необходимое количество кластеров неизвестно, процедура сама автоматически определяет его.
Например, при помощи Двухэтапного кластерного анализа маркетолог может выделять группы людей, одновременно используя такие показатели как пол, возраст и уровень дохода. Полученные результаты позволят менеджерам телевизионной компании ориентировать телепередачи на определенную аудиторию и повысить их рейтинг.
Если необходимо сгруппировать данные в достаточно больших файлах, например, если Вы анализируете базу данных клиентов, то, как правило, используетсяКластеризация k-средними (в SPSS Base). В этой процедуре создается заранее известное (заданное) количество кластеров. Можно выбрать один из двух методов классификации наблюдений — итерационное обновление координат центров кластеров или только классификацию. Информацию о принадлежности к кластерам и о расстояниях от окончательных центров кластеров можно сохранить в файле данных.
Например, при помощи метода k-средних можно провести кластеризацию городов, разбив их на однородные группы с тем, чтобы выявить схожие города для разработки маркетинговых стратегий.
Если объем данных небольшой, то можно воспользоваться процедурой Иерархического кластерного анализа (вSPSS Base) Она начинается с того, что каждое наблюдение образует один кластер. Затем кластеры объединяются до тех пор, пока не получится один. На каждом этапе объединения получается кластерное решение — то есть модель с определенным количеством кластеров. Когда объединение закончено и все кластеры объединены в один, из всех кластерных решений, полученных на каждом этапе объединения кластеров, нужно выбрать наиболее подходящее. Процедура позволяет использовать 40 мер сходства и различия, проводить стандартизацию данных с использованием различных методов, а также кластеризовать либо наблюдения, либо переменные. При этом можно использовать исходные переменные или переменные, преобразованные одним из методов. При помощи процедуры Близости можно генерировать расстояния и меры сходства. Вычисление статистик на каждом из этапов кластерного анализа помогает выбирать наилучшее решение.
Иерархический кластерный анализ можно использовать в маркетинговых исследованиях для выявления телепрограмм, которые привлекают зрителей с одинаковыми предпочтениями. Кластеризацию телепрограмм можно провести, разбив их на однородные группы, основанные на сходных характеристиках зрителей. Это позволит выделить сегменты для проведения рекламных кампаний.
Другие процедуры для идентификации групп
Факторный анализ и Анализ главных компонент(в SPSS Base) — идентификация неявных переменных (факторов), объясняющих связи между переменными. Эта процедура используется для выявления небольшого числа факторов, объясняющих большую часть дисперсии в исходных переменных.
Многомерное шкалирование (в SPSS Categories) — поиск закономерностей на основе анализа расстояния между объектами и наблюдениями. Например, подбор измерений, отражающих различия в восприятии покупателями автомобилей.