- •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.
19. Принципы шкалирования. Статистические взаимосвязи.
ШКАЛИРОВАНИЕ - 1. Создание и использование шкалы; чаще всего первое. Обычно в социальных науках создание шкалы заключается в оценке субъективного психологического опыта и разработки числовой системы для ее измерения.
Многомерное шкалирование можно рассматривать в качестве альтернативы факторного анализа. Основное предположение многомерного шкалирования заключается в том, что есть некоторое метрическое пространство существенных базовых характеристик и объекты можно представить как точки в этом пространстве. Предполагают, что более близким (по исходной матрице) объектам соответствуют меньшие расстояния в пространстве базовых характеристик. Следовательно, многомерное шкалирование — это совокупность методов, с помощью которых определяется размерность пространства базовых характеристик объектов и конструируется конфигурация объектов в этом пространстве. Это пространство (многомерная шкала) аналогично обычно используемым шкалам в том смысле, что значениям базовых характеристик объектов соответствуют определенные значения на осях пространства.
Статистические взаимосвязи. Закономерности массовых общественных явлений складываются под влиянием множества причин, которые действуют одновременно и взаимосвязанно. Изучение такого рода закономерностей в статистике и называется задачей о статистической зависимости. В этой задаче полезно различать два аспекта: изучение взаимозависимости нескольких величин и изучение зависимости одной или большего числа величин от остальных. В основном первый аспект связан с теорией корреляции (корреляционный анализ), второй — с теорией регрессии (регрессионный анализ).
В основе регрессионного анализа статистической зависимости ряда признаков лежит представление о форме, направлении и тесноте (плотности) взаимосвязи.
Коэффициент корреляции показывает, насколько плотно облако точек на графике концентрируется около линии регрессии. Наиболее широко известной мерой связи служит коэффициент корреляции Пирсона г (или, как его иногда называют, «коэффициент корреляции, равный произведению моментов»). ху=х + Ь2(у-у),где у — среднее арифметическое для переменной у; х —среднее арифметическое для переменной х; bl и Ь2 — некоторыекоэффициенты.
Поскольку вычисление коэффициента корреляции и коэффициентов регрессии 6, и Ь2 проводится по схожим формулам, то, вычисляя г, получаем сразу же и приближенные регрессионные модели. Линия регрессии, которая «наилучшим» образом соответствует эмпирическим данным, вычисляется с помощью так называемого метода наименьших квадратов, а именно так, чтобы сумма квадратов отклонений каждой точки(на диаграмме разброса) от линии регрессии была минимальной.
20. Характеристика основных схем отбора данных: достоинства и недостатки
Простые
простой случайный отбор
Достоинства
В качестве предварительной информации о генеральной совокупности достаточно перечня или описи ее элементов
Недостатки
Необходим перечень всех элементов генеральной совокупности; возможна только при однородных объектах
систематическая выборка
Достоинства
Позволяет при небольшом объеме охватить генеральные совокупности
Недостатки
Подвержена смещению в случае совпадения интервала отбора с не выявленной периодичностью распределения признака в генеральной совокупности
гнездовая (серийная)
Достоинства
Проще определить перечень гнезд, чем единиц отбора
Недостатки
Занижается дисперсия изучаемого признака из-за определенного сходства единиц в гнездах
Сложные
многоступенчатая
Достоинства
Возможность выборки в генеральной совокупности со сложной, неоднородной структурой. У каждой ступени своя основа выборки
Недостатки
Повышается вероятность ошибок в процедурах; больший вес приобретают случайные ошибки
комбинированная
Недостатки
Чередование способов отбора ведет к искусственному “перемешиванию признаков”
стратифицированная
Достоинства
Повышает адекватность выборки задачам исследования. Возрастает ее точность за счет совпадения дисперсии генеральной и вторичной совокупностей
Недостатки
Неудачное подразделение на страты смещает выборку
квотная
Достоинства
Уменьшаются затраты; доступна и удобна в построении
Недостатки
Невозможно точно измерить смещения ввиду неслучайного характера отбора