- •Блок 2. Методы соц исследований
- •1.Понятие и структура программы си.
- •2. Методы экспертного опроса.
- •3. Объект и предмет социологического исследования.
- •4.Гипотезы в соц. Исследовании.
- •5. Интерпретация основных понятий при разработке программы си.
- •6.Метод выборочного социологического исследования.
- •8. Выборка неслучайная. Её виды и условия применения.
- •9. Выборка многоступенчатая.
- •10. Специальные виды шкал: Богардуса, Лайкерта, Терстоуна.
- •13. Регрессионный анализ.
- •14. Метод наблюдения в соц-ии.
- •15. Социологические методы анализа документов.
- •16. Измерение в социологии. Типы признаков. Виды шкал.
- •17. Этапы обработки и анализ результатов количественного си
- •20. Меры вариаций рядов распределений.
- •21. Корреляционная зависимость между признаками Конспект
- •22. Коэффициенты корреляции и способы их построения
- •23. Кластерный анализ данных в социологическом исследовании.
- •24. Факторныйанализ в социологии.
- •25 . Метод беседы в си
- •26. Метод интервью в социологическом исследовании
- •27. Фокус-группа как метод сбора первичной информации
- •28 Биографический метод.
- •29. Особенности использования стратегии «casestudy» в социологии.
- •30. Особенности описания данных качественного исследования.
23. Кластерный анализ данных в социологическом исследовании.
Кластерный анализ - это разбиение совокупности опрошенных на однородные группы таким образом, чтобы различия между представителями разных групп были максимальными.
Если, например, мы хотим построить группы опрошенных по признакам x, y и z, то каждого респондента мы рассматриваем как точку в признаковом пространстве xyz, где координатами этой точки являются ответы на вопросы x, y, z.
Картина может вырисовываться самая разнообразная: от облака точек, равномерно распределенных в этом пространстве, до выделяющихся групп, в которых точки находятся достаточно близко друг к другу.
Процедура построения кластеров с помощью SPSS.
Первое, что нужно определить – это выбор расстояния между объектами (a2+b2) (эвклидово расстояние) В качестве меры близости можно использовать эвклидову метрику.
Далее выбираем алгоритм поиска кластеров:
- алгомеративные алгоритмы
- дивизимные алгоритмы
Указываем также количество раз (итерация), которое будет работать этот алгоритм.
Основные показатели, которые участвуют при результатах кластерного анализа.
1) % дисперсии ряда (% опрошенных, которые попали в кластеры). Оптимальный вариант 60-70 %
2) кластерная переменная (это еще один признак, который взаимодействует со всеми вопросами кластеров.
24. Факторныйанализ в социологии.
Факторный анализ это процедура, с помощью которой большое число переменных, относящихсяк имеющимся наблюдениям сводит к меньшему кол-ву независимых влияющих величин,называемых факторами. При этом в один фактор объединяются переменные, сильнокоррелирующие между собой. Т. о., целью Ф. А. явл-я нахождение таких комплексныхфакторов, которые как можно более полно объясняют наблюдаемые связи между переменными,имеющимися в наличии.
Факторный анализ позволяет решить две важные проблемы исследователя: описать объект измерения всесторонне и в то же время компактно. С помощью факторного анализа возможно выявление скрытых переменных факторов, отвечающих за наличие линейных статистических связей корреляций между наблюдаемыми переменными.
Можно выделить 2 цели Факторного анализа:
определение взаимосвязей между переменными, их классификация.
сокращение числа переменных.
Для выявления наиболее значимых факторов и, как следствие, факторной структуры, наиболее оправданно применять метод главных компонентов (МГК). Суть данного метода состоит в замене коррелированных компонентов некоррелированными факторами. Другой важной характеристикой метода является возможность ограничиться наиболее информативными главными компонентами и исключить остальные из анализа, что упрощает интерпретацию результатов. Достоинство МГК также в том, что он — единственный математически обоснованный метод факторного анализа.
Факторный анализ может быть:
1) разведочным — он осуществляется при исследовании скрытой факторной структуры без предположения о числе факторов и их нагрузках;
2) конфирматорным, предназначенным для проверки гипотез о числе факторов и их нагрузках.
Практическое выполнение факторного анализа начинается с проверки его условий. В обязательные условия факторного анализа входят:
все признаки должны быть количественными;
число признаков должно быть в два раза больше числа переменных;
выборка должна быть однородна;
исходные переменные должны быть распределены симметрично;
факторный анализ осуществляется по коррелирующим переменным.
Главной проблемой факторного анализа является выделение и интерпретация главных факторов. При отборе компонент исследователь обычно сталкивается с существенными трудностями, так как не существует однозначного критерия выделения факторов, и потому здесь неизбежен субъективизм интерпретаций результатов. Существует несколько часто употребляемых критериев определения числа факторов. Некоторые из них являются альтернативными по отношению к другим, а часть этих критериев можно использовать вместе, чтобы один дополнял другой:
Критерий Кайзера или критерий собственных чисел. Этот критерий предложен Кайзером, и является, вероятно, наиболее широко используемым. Отбираются только факторы с собственными значениями равными или большими 1. Этоозначает, что если фактор не выделяет дисперсию, эквивалентную, по крайней мере, дисперсии одной переменной, то он опускается.
Критерий каменистой осыпи или критерий отсеивания. Он является графическим методом, впервые предложенным психологом Кэттелом. Собственные значения возможно изобразить в виде простого графика. Кэттел предложил найти такое место на графике, где убывание собственных значений слева направо максимально замедляется. Предполагается, что справа от этой точки находитсятолько «факториальная осыпь» — «осыпь» является геологическим термином, обозначающим обломки горных пород, скапливающиеся в нижней части скалистого склона. Однако этот критерий отличается высокой субъективностью и, в отличие от предыдущего критерия, статистически необоснован. Недостатки обоих критериев заключаются в том, что первый иногда сохраняет слишком много факторов, в то время как второй, напротив, может сохранить слишком мало факторов; однако оба критерия вполне хороши при нормальных условиях, когда имеется относительно небольшое число факторов и многопеременных. На практике возникает важный вопрос: когда полученное решение может быть содержательно интерпретировано. В этой связи предлагается использовать ещё несколько критериев.
Критерий значимости. Он особенно эффективен, когда модель генеральной совокупности известна и отсутствуют второстепенные факторы. Но критерий непригоден для поиска изменений в модели и реализуем только в факторном анализе по методу наименьших квадратов или максимального правдоподобия.
Критерий доли воспроизводимой дисперсии. Факторы ранжируются по доле детерминируемой дисперсии, когда процент дисперсии оказывается несущественным, выделение следует остановить. Желательно, чтобы выделенные факторы объясняли более 80 % разброса. Недостатки критерия: во-первых, субъективность выделения, во-вторых, специфика данных может быть такова, что все главные факторы не смогут совокупно объяснить желательного процента разброса. Поэтому главные факторы должны вместеобъяснять не меньше 50,1 % дисперсии.
Критерий интерпретируемости и инвариантности. Данный критерий сочетает статистическую точность с субъективными интересами. Согласно ему, главные факторы можно выделять до тех пор, пока будет возможна их ясная интерпретация. Она, в свою очередь, зависит от величины факторных нагрузок, то есть если в факторе есть хотябы одна сильная нагрузка, он может быть интерпретирован. Возможен и обратный вариант — если сильные нагрузки имеются, однако интерпретация затруднительна, от этой компоненты предпочтительно отказаться.
Методы факторного анализа:
метод главных компонент;
корреляционный анализ;
метод максимального правдоподобия.