Главная страница
Навигация по странице:

  • Одномерный анализ: табулирование и представление данных

  • даже если оно отличается от нормального

  • Девятко И. Методы социологического исследования. Логика социологического исследования методология и логика социологического исследования. Возможно ли объективное и научное социальное знание


    Скачать 1.69 Mb.
    НазваниеЛогика социологического исследования методология и логика социологического исследования. Возможно ли объективное и научное социальное знание
    АнкорДевятко И. Методы социологического исследования.doc
    Дата20.03.2018
    Размер1.69 Mb.
    Формат файлаdoc
    Имя файлаДевятко И. Методы социологического исследования.doc
    ТипДокументы
    #16933
    КатегорияСоциология. Политология
    страница16 из 18
    1   ...   10   11   12   13   14   15   16   17   18
    ГЛАВА 8. АНАЛИЗ ДАННЫХ

    Виды анализа данных

    Методы, применяемые социологами для анализа данных, многообразны. Выбор конкретного метода зависит, в первую очередь, от характера исследовательских гипотез, т. е. от того, на какие вопросы мы хотим получить ответ. Если целью является описание одной характеристики выборки в определенный момент времени, разумно ограничиться одномерным анализом, т. е. описанием распределения наблюдений («случаев») вдоль оси интересующего нас признака. Разнообразные техники многомерного анализа позволяют одновременно исследовать взаимоотношения двух и более переменных и в той или иной форме проверять гипотезы о причинных связях между ними. Различия между этими методами-точнее, классами методов-неабсолютны. В реальном исследовании каждое уточнение исходных гипотез или выдвижение новой гипотезы в ходе анализа результатов приводит к необходимости выбора новой техники анализа данных. Так, если изначальная модель взаимоотношения двух переменных (скажем, профессии и дохода) не позволяет выявить определенную закономерность в собранных данных, исследователь выбирает одну из статистических техник, позволяющих контролировать влияние какой-то третьей переменной, например пола, на интересующее его отношение.

    Помимо характера исследовательских гипотез на выбор методов статистического анализа влияет и природа полученных социологом данных. Мы уже говорили о том, что разные уровни измерения социологических переменных определяют возможности и ограничения анализа. Для того чтобы охарактеризовать распределение в выборке такого номинального признака, как «пол», мы не можем воспользоваться его среднеарифметическим значением и, следовательно, нам потребуются какие-то другие приемы компактного и точного представления полученной информации.

    Методы, используемые для анализа связи между двумя номинальными переменными, также будут отличаться от методов анализа связи между номинальной переменной и переменной, измеренной на интервальном уровне. Таким образом, выбор той или иной статистики будет зависеть и от целей анализа, и от уровня измерения исследуемых переменных.

    Существует два основных класса задач, решаемых с помощью статистических методов анализа. Задачей дескриптивной (описательной) статистики является описание распределения переменной-признака в конкретной выборке. Методы дескриптивной статистики позволяют также анализировать взаимосвязь между различными переменными. Другой класс задач, связанный с необходимостью вывести свойства большой совокупности, основываясь на имеющейся информации о свойствах выборки из этой совокупности, решается с помощью методов индуктивной статистики, или теории статистического вывода, основанной на вероятностном подходе к принятию решений. Воспользовавшись

    какой-то моделью для анализа полученных выборочных данных, социолог обычно также применяет некоторые методы статистического вывода, позволяющие определить, выполняются ли обнаруженные им при анализе данных отношения на уровне большой совокупности, из которой была извлечена выборка.

    В этой главе мы уделим основное внимание использованию дескриптивной статистики в анализе социологических данных. Нашей целью здесь будет скорее качественное, содержательное понимание сути этих методов, основанное лишь на самых элементарных математических представлениях и, в некоторых случаях, на интуитивном понимании «физического смысла» статистических моделей. Такое понимание может служить определенным фундаментом для более глубокого изучения прикладной статистики. Кроме того, оно совершенно необходимо для того, чтобы самостоятельно формулировать задачи анализа данных и ориентироваться в существующем разнообразии методов и техник, используемых другими исследователями при решении этих задач.

    Одномерный анализ: табулирование и представление данных

    Результаты измерения любой переменной могут быть представлены с помощью распределения наблюдений («случаев») по отдельным категориям данной переменной. Категория, в которую попадают одинаковые наблюдения, может быть номинальной («православный», «протестант» и т. п.) либо иметь числовое значение. В любом случае результатом такого упорядочения наблюдений будет их группировка. Работать с упорядоченными данными значительно проще, чем с исходным «сырым» массивом: в «сырых» данных, конечно, содержатся сведения о том, как много в выборке, например, пенсионеров, однако для получения нужной цифры придется перебрать все наблюдения «случай» за «случаем». Если данные сгруппированы, достаточно посмотреть, какова абсолютная частота, т. е. число наблюдений в данной выборке, попадающих в интересующую нас категорию. Для переменных, имеющих не произвольную метрику, т. е. измеренных на ординальном или интервальном уровне (см. гл. 6), нередко используется еще одна процедура, делающая представление данных более компактным и удобным в работе при сохранении заданного уровня точности. Предположим, что в каком-то исследовании 22,0782% опрошенных поддержали государственную программу приватизации, а исследование, проведенное месяц спустя, дало иное значение-22,1327%. Даже если теоретический конструкт «поддержка программы приватизации» можно представить как непрерывный ряд числовых значений, на практике исследовательской переменной будет соответствовать некоторый набор дискретных числовых величин (категорий). Кроме того, тысячные или сотые доли процента едва ли будут существенны для интерпретации полученных результатов. Поэтому в представлении данных обычно используют процедуру округления. Определив необходимую степень точности - и соответственно приемлемый уровень неточности,- исследователь может округлить все полученные числовые значения до десятых долей или, скажем, до целых процентов. Так, в нашем примере округление до целого числа даст цифру 22%. В дальнейшем каждое последующее наблюдение, дающее числовое значение в интервале между 21,5% и 22,5%, будет попадать в класс «22% поддержки приватизации». В результате процедуры округления исследователь фактически устанавливает границы классов, объединяющих

    значения переменной в заданном интервале, и середины (центры) классов, т. е. усредненные значения для каждого интервала.

    Необходимость объединить значения переменной в 10-15 крупных классов-категорий часто возникает и при работе со «слишком хорошо измеренными» признаками, соответствующими шкалам интервалов или отношений (возраст, доход и т. п.). Во-первых, чрезмерное количество градаций переменной препятствует ее компактному представлению-табличному или графическому. Во-вторых, для конечной выборки обычно соблюдается следующая закономерность: число градаций (категорий) признака обратно пропорционально их заполненности. Переменная с огромным числом градаций, содержащих по 2-3 наблюдения, часто создает серьезные проблемы в статистическом анализе и оценивании (хотя для некоторых методов анализа - корреляция, регрессия и т. п. - эти проблемы, как мы увидим дальше, несущественны). Самым целесообразным выходом обычно оказывается перекодирование, «сжатие» исследовательской переменной. Здесь существует два основных подхода:

    1) исходные градации объединяются в более крупные классы на основании каких-то содержательных соображений, причем полученные классы имеют приблизительно равную ширину (например, данные о возрасте часто перекодируют в более широкие «десятилетние» категории- 20-29 лет, 30-39 лет и т. п.);

    2) решение о способе «сжатия» переменной принимают, основываясь на распределении наблюдений («случаев») по оси переменной, например, границы между «низким», «средним» и «высоким» доходом устанавливают так, чтобы в каждую категорию попало 33% наблюдений.

    Стремление к компактности и «читабельности» данных не должно вести к крайностям. Руководствуясь соображениями здравого смысла, исследователь должен избегать ситуаций, когда перегруппировка ведет к тому, что полученная переменная оказывается слишком грубым средством классификации наблюдений, не позволяющим выявить существенные для анализа различия. Важно также следить за тем, чтобы объединение категорий или числовых градаций пере-менной-признака не привело к искусственному созданию отношений и взаимосвязей, которые в действительности отсутствуют в данных.

    Независимо оттого, какие статистические методы и модели собирается использовать исследователь, первым шагом в анализе данных всегда является построение частотных распределений для каждой изучавшейся переменной. Полученные результаты принято представлять в виде таблицы частотного распределения (или просто-таблицы распределения) для каждой существенной переменной. Примером табличного представления может служить приведенная ниже таблица 8.1, в которой представлены гипотетические данные выборочного опроса 500 владельцев домашних телефонов.

    Иногда в таблице распределения указывают лишь относительные частоты, опуская абсолютные. Но и в этом случае в правом нижнем углу таблицы должны быть указаны абсолютное число ответивших (база для вычисления процентов) и число неответивших.

    Помимо табличного представления частотных распределений обычно используют и различные методы графического представления. Самый распространенный метод графического представления одномерных распределений - это гистограмма, или столбиковая диаграмма. Каждый столбик соответствует интер-

    Таблица 8.1 Частотное распределение ежемесячных расходов на международные телефонные переговорыИнтервал класса (расходы в руб.)Абсолютная частота, челОтносительная частота, %до 30005111,03000-5999408,66000-899913529,09000-119998017,212000-149996514,015000-199994910,520000-23999378,0свыше 2400081,7всегоN=465100% (=465)не ответили35(35)

    валу значений переменной, причем его середина совмещается с серединой данного интервала. Высота столбика отражает частоту (абсолютную или относительную) попадания наблюдавшихся значений переменной в определенный интервал. При построении гистограмм часто приходится использовать некоторые конвенции, основанные на сугубо практических соображениях. Так, используя при группировке значений переменной неравные интервалы либо оставляя крайние градации открытыми («старше 65 лет», «свыше 24000 рублей» и т. д.), мы все же отображаем эти интервалы на гистограмме с помощью столбиков, имеющих одинаковую ширину. Другое практическое правило позволяет сделать гистограмму визуально уравновешенной, т. е. более привлекательной: масштаб шкалы обычно выбирают так, чтобы общая высота гистограммы составляла приблизительно 40-60% ее ширины. Пример гистограммы для данных из таблицы 8.1 приведен на рисунке 14.

    Если просто соединить между собой точки, соответствующие абсолютным или относительным частотам (ось ординат) для середин интервалов, мы получим так называемый полигон распределения. Эта операция, разумеется, будет иметь какой-то смысл лишь для количественных переменных, которые мы в принципе можем представить себе как непрерывные. На рисунке 15 изображен полигон распределения для экспертных оценок телегеничности политического ли-





    дера (50 экспертов оценивали политика в процентах по отношению к некоторому абсолютному эталону телегеничности).

    Еще один популярный способ графического представления, обычно используемый для качественных данных (т. е. для номинальных или ординальных измерений),- это круговая диаграмма. Каждый сектор круговой диаграммы представляет дискретную категорию переменной. Величина сектора пропорциональна частоте категории для данной выборки. На рисунке 16 приведена круговая диаграмма, иллюстрирующая распределение подростков, страдающих вялотекущей формой шизофрении, по возрасту на момент начала («дебюта») заболевания1.



    Какую бы форму представления данных мы ни избрали, полученное частотное распределение все еще содержит «слишком много» деталей, не отвечая при этом на весьма важные для содержательного анализа вопросы о самых типичных значениях признака и диапазоне разброса отдельных наблюдений. Для облег-

    ' Источник данных: Личко А. Е. Шизофрения у подростков. М.: Медицина, 1989. С. 6.

    чения работы с частотными распределениями, а также для обобщенного представления их характеристик, обычно используют определенные числовые значения - статистики. Дело в том, что специалисты по статистике используют последний термин в двух значениях: как название своей дисциплины и как обозначение какой-либо числовой функции, описывающей результаты наблюдений. Наибольшее практическое значение имеют две группы статистик: меры центральной тенденции и меры изменчивости (разброса).

    Меры центральной тенденции указывают на расположение среднего, или типичного, значения признака, вокруг которого сгруппированы остальные наблюдения. Понятие среднего, центрального, значения в статистике, как и в повседневной жизни, подразумевает нечто «ожидаемое», «обычное», «типичное». Способность среднего значения давать некую обобщенную информацию о распределении вытекает из того соотношения, которое связывает среднее значение с другими «особыми» точками распределения - минимумом и максимумом: зная среднее значение, мы можем утверждать, что наименьшее наблюдаемое значение полученного распределения - например, распределения веса или интеллекта - было не больше среднего, а наибольшее зафиксированное значение - не меньше среднего.

    Отличие статистической трактовки среднего значения (или, точнее, мер центральной тенденции) от его «житейской» трактовки заключается прежде всего в том, что в статистике, в отличие от повседневной жизни, понятие среднего значения может быть строго задано лишь для одномерного распределения пере-менной-признака. Мы можем, например, указать на семью со средним душевым доходом, но при этом не следует ожидать, что данная семья будет средней или типичной в каких-то других отношениях, т. е. будет иметь средний размер, среднюю жилплощадь и т. п. В повседневном общении мы приписываем понятию среднего куда более широкий и менее точный смысл. В этом нет большой беды, пока мы не смешиваем «житейскую» и «статистическую» интерпретации. Мы действительно получаем полезную информацию, узнав, что окружающие говорят о ком-то как о «человеке средних способностей», но будет ошибкой заключить, что некто X, имеющий средний показатель интеллекта, наверняка имеет средние успехи в учебе или посредственно сочиняет стихи. Именно поэтому популярные газетные образы «среднего российского подростка» или «среднего читателя», в сущности, лежат за пределами корректного использования статистики.

    Самой простой из мер центральной тенденции является мода (Мо). Для номинальных переменных мода - это единственный способ указать наиболее типичное, распространенное значение. Разумеется, исследователь может пользоваться модальным значением и для характеристики распределения переменных, измеренных на более высоком уровне, если для этого существуют содержательные основания (например, описывая распределение ответов на вопрос о количестве подписываемых журналов). Мода - это такое значение в совокупности наблюдений, которое встречается чаще всего. Например, если в выборке содержится 60% православных, 30% мусульман и 10% представителей других конфессий, то модальным значением будет «православный». У моды как меры центральной тенденции есть определенные недостатки, ограничивающие ее интерпретацию. Во-первых, в распределении могут быть две и более моды (соответственно оно является бимодальным или мультимодальным). Скажем, если в группе из десяти человек четверо не имеют автомобиля (0), четверо имеют

    один автомобиль, один человек имеет две машины и еще один - три, то нам придется-указать два модальных значения - 0 и 1. Кроме того, мода чрезвычайно чувствительна к избранному способу группировки значений переменной. Объединяя категории ответа, мы резко увеличиваем число наблюдений в отдельных категориях. Это открывает широкий простор для манипулирования данными (не всегда добросовестного). Поэтому «правилом хорошего тона» при вычислении модального значения для сгруппированных количественных данных является выравнивание ширины для всех интервалов класса. Еще одно важное правило касается случаев, когда частоты для всех наблюдаемых значений почти равны. Здесь лучше воздержаться от вычисления моды, так как в этом случае она просто не может быть интерпретирована как мера центральной тенденции. Если, скажем, 48% болельщиков поддерживают сборную Италии, а 49% - сборную Бразилии, модальное значение «поддерживает бразильцев» будет не очень модальным. И все же во многих случаях вычисление моды и необходимо, и полезно. Например, для архитектора, занимающегося планированием жилых домов, знание модального значения для размера семьи в данной местности, может оказаться весьма важным.

    Другая мера центральной тенденции - медиана - обычно используется для ординальных переменных, т. е. таких переменных, значения которых могут быть упорядочены от меньших к большим. Пример вычисления медианы рассматривался нами в главе 6. Напомним, что медиана (Md) - это значение, которое делит упорядоченное множество данных пополам, так что одна половина наблюдений оказывается меньше медианы, а другая - больше. Иными словами, медиана - это 50-й процентиль распределения. Как мы уже видели, при работе с большим массивом данных удобнее всего искать медиану, построив на основании частотного распределения распределение накопленных частот (или построив распределение накопленных процентов на основании распределения процентов). Для того чтобы найти медианное значение для маленького массива наблюдений, достаточно упорядочить наблюдения от меньших значений переменной к большим: то значение, которое окажется в середине, и будет медианным. Например, для ряда: 17 баллов, 18 баллов, 20 баллов, 21 балл, 22 балла, медианой будет значение 20 баллов. Если число значений в группе наблюдений четное, то медианой будет среднее двух центральных значений. Медиану иногда называют «позиционным средним», так как она указывает именно среднюю позицию в упорядоченном ряду наблюдений. Медиана может совпадать или не совпадать с модой. При этом медиана лучше всего соответствует нашему интуитивному представлению о середине упорядоченной последовательности чисел. Некоторые исследователи даже полагают, что медиана - лучше и «справедливее» среднеарифметического при описании таких величин, как, скажем, доход семьи. Ведь семьи, имеющие доход ниже среднего, могут составить и 60, и 70% населения. Когда же мы говорим, например, что медиан-ный доход составил 10 млн рублей в год, то не более 50% семей окажутся «ниже среднего уровня». На медиану не влияют величины «крайних» очень больших или малых значений.

    И все же для количественных переменных самой важной и распространенной является другая мера центральной тенденции -среднее арифметическое, которое чаще всего называют просто средним (и обозначают как X). Процедура определения среднего общеизвестна: нужно просуммировать все

    значения наблюдений и разделить полученную сумму на число наблюдений. В общем случае:



    где Х1 ... Хi - наблюдаемые значения, п - число наблюдений, E - знак арифметической суммы.

    В таблице 8.2 показано, как вычислить средний возраст для выборки из 20 посетителей библиотеки. Заметьте, что каждое значение просто умножается на свою абсолютную частоту.



    Приведенный нами пример (см. табл. 8.2) показывает, насколько среднее уязвимо для «крайних» значений. Фактически для нашей небольшой выборки молодых людей прибавление одного - восьмидесятилетнего - читателя заметно увеличило средний возраст. Следует, однако, помнить о том, что степень «возмущения» среднего под влиянием единичных очень больших или малых значений уменьшается в прямом соответствии с ростом объема выборки. Заметим также, что при расчете среднего для сгруппированных данных частоты умножаются на значение, соответствующее середине интервала группировки.

    Среднее обладает рядом важных свойств. В частности, если сложить все значения отклонений от среднего значения, т. е. разности между Х и Х1, Х2, ... Хi (которые могут быть и положительными, и отрицательными), то сумма отклонений будет равна нулю. Кроме того, сумма квадратов отклонений наблюдаемых значений от их арифметического среднего меньше сум-

    мы квадратов отклонений от любой другой точки2. Эти свойства среднего определяют его уникальную роль в решении ряда статистических задач, о которых мы будем говорить ниже. Сейчас достаточно отметить то обстоятельство, что при использовании среднего в качестве «представителя» (т. е. статистической оценки) каждого из наблюдаемых значений, ошибка, определяемая как сумма квадратов отклонений, будет минимальной. Не стоит, однако, забывать о том, что и минимальная ошибка может быть достаточно большой. Так, для малых выборок, имеющих более чем одну моду, любая мера центральной тенденции, включая среднее, будет недостаточно хороша. Центральной тенденции в таком распределении просто не существует.

    Выбирая меру центральной тенденции, нужно руководствоваться знанием се свойств, общей формой распределения и, наконец, здравым смыслом. Если при взгляде на гистограмму исследователь обнаруживает, что имеет дело с унимодальным симметричным распределением (половины гистограммы слева и справа от модального значения зеркально совпадают), то среднее, медиана и мода будут равны между собой. Если речь идет о выборке из большой совокупности, где интересующая исследователя переменная-признак распределена нормаль-но (т. е. большие и малые крайние значения встречаются редко, а средние- часто), наилучшим показателем будет среднее. Если в унимодальном распределении встречаются крайние значения, могущие значительно повлиять на сред-

    нее (см. пример с возрастом, табл. 8.2), нужно отдать предпочтение медиане.

    Вопрос о сравнимости средних значений не так тривиален, как это может показаться. Сравнение значений средних показателей для различных выборок или для одной и той же выборки в разные моменты времени -^весьма распространенный способ анализа результатов. Не только в научных журналах, но и в газетах мы постоянно находим сведения о сравнительной величине душевого дохода в разных регионах, о различиях в среднем числе автомобилей, приходящихся на одну семью и т. п. Следует, однако, помнить о том, что заведомо некорректны сравнения различных мер центральной тенденции, например медианы и среднего. Причина здесь в том, что различные меры описывают разные характеристики распределения: медиана-среднее положение, мода-самое часто встречающееся значение и т. д. Кроме того, даже две одинаковые меры центральной тенденции не всегда сравнимы. Средние двух распределений имеет смысл сравнивать лишь в том случае, если во всех других отношениях распределения одинаковы, имеют сходную форму. Если исследователь говорит о равенстве средних значений, забыв упомянуть о том, что одно распределение симметрично, а другое-скошено вправо или влево из-за присутствия очень больших либо очень малых значений в его «хвостовых» частях, то он подталкивает читателя к заведомо неверному выводу о том, что анализируемая переменная распределена в двух выборках совершенно одинаково. Среднее распределения с очень длинным правым «хвостом» может оказаться равным среднему распределения, скошенного влево, где встречаются крайне малые значения признака. Но этим сходство будет исчерпываться: что общего (кроме величины среднего) у группы, включающей много людей с очень низким доходом, коэффициентом интеллекта и т. п., с другой группой, включающей много наблюдений с очень высокими значениями переменной-признака?

    2 Доказательства этих свойств см. в книге: Гласе Дяс.. Стэнли Дж. Статистические методы в педагогике и психологии. М.: Прогресс, 1976. С. 64-65.

    Очевидно, важно не только знать, что типично для выборки наблюдений, но и установить, насколько выражены отклонения от типичных значений. Чтобы определить, насколько хорошо та или иная мера центральной тенденции описывает распределение, нужно воспользоваться какой-либо мерой изменчивости, разброса.

    Самая грубая мера изменчивости - размах (диапазон) значений. Эта мера не учитывает индивидуальные отклонения значений, описывая лишь диапазон их изменчивости. Под размахом понимают разность между максимальным и минимальным наблюдаемым значением. Если количество карманных денег в группе из десяти субъектов варьирует от 100 рубл. (1 человек) до 100000 рубл. (2 человека), размах будет равен 100000-100=99900.

    Еще одна грубая мера разброса значений - это коэффициент вариации (Г), который определяется просто как процент наблюдений, лежащих вне модального интервала, т. е. процент (доля) наблюдений, не совпадающих с модальным значением. Если от модального отличаются 60% значений, то V=60% (или V=0,6).

    Рассказывая о процедуре построения шкалы Терстоуна (см. с. 126-129), мы описали, как вычислить междуквартильный размах- очень удобный показатель разброса значений для ординальной переменной. Напомним, что нижний, первый, квартиль (Q1) отсекает 25% наблюдений, а ниже третьего квартиля (Q3) лежат уже 75% случаев. Полумеждуквартильный размах равен половине расстояния между третьим и первым квартилями:



    Если распределение приблизительно симметрично, то можно считать, что по-лумеждуквартильный размах указывает границы, в которых лежит 50% данных по обе стороны медианы или среднего. Все эти меры изменчивости, как уже говорилось, можно считать скорее грубыми и приблизительными. Ни одна из них не уделяет должного внимания информации об отклонениях каждого отдельного наблюдаемого значения от среднего, хотя эта информация в большинстве случаев может быть получена из анализа распределения. Информацию о вариации некоторой совокупности значений относительно среднего несут значения отклонений от среднего, о которых мы уже говорили. Однако, просуммировав все значения отклонения (X - Хi ), мы





    получим нуль. Положительные и отрицательные отклонения будут взаимоунич-тожаться. Если же мы возведем в квадрат каждое отклонение и просуммируем квадраты отклонений, то мы получим хорошую меру рассеяния, которая будет маленькой, когда данные однородны, и большой, когда данные неоднородны. Чтобы суммы квадратов отклонений для выборок разного размера можно было сравнивать, нужно поделить каждую из них на N, где N- объем выборки3.

    Именно так и получают важнейшую меру рассеяния - дисперсию (s2). Если Х-среднее, Х1, Х2 ... Хn -индивидуальные значения измеряемой переменной x в данной совокупности, a N- объем выборки4:



    Для того чтобы вычислить значение дисперсии, нужно вычесть из каждого наблюдаемого значения среднее, возвести в квадрат все полученные отклонения, сложить квадраты отклонений и разделить полученную сумму на объем выборки.

    Величина, равная квадратному корню из дисперсии, называется стандартным отклонением (sx ), т. е.:



    3 Для небольших выборок (N< 100) лучше делить на (N-1).

    4 Для сгруппированных данных более точной формулой дисперсии будет:



    Совершенно очевидной интерпретацией стандартного отклонения является его способность оценивать «типичность» среднего: стандартное отклонение тем меньше, чем лучше среднее суммирует, «представляет» данную совокупность наблюдений.

    Еще одно важное применение стандартного отклонения связано с тем, что оно, наряду со средним арифметическим, позволяет определить самые существенные характеристики но/шального распределения. Графически нормальному распределению частот наблюдений соответствует, как известно, симметричная ко-локолообразная кривая. Свойства нормального распределения прекрасно изучены, что позволяет делать важные выводы относительно самых разных распределений, не обязательно нормальных. В частности, известно, что 68% наблюдений (точнее, 68% общей площади) будет заключено в пределах ± 1 стандартное отклонение от среднего значения. Если, скажем, среднее нормального распределения равно 200, а стандартное отклонение - 4, то можно заключить, что не менее 68% наблюдений лежит между значениями 196 и 204 (т. е. 200 ± 4). Соответственно не менее 32% случаев будут лежать за этими пределами, в левом и правом «хвостах» распределения. Из теории вероятности известно также, что в пределах ±3 стандартных отклонений окажется около 99,73% общего числа наблюдений (см. рис. 18).

    Для любого унимодального симметричного распределения, даже если оно отличается от нормального, не менее 56% наблюдений будут попадать в промежуток ±1 стандартное отклонение от среднего арифметического значения, для ±3 стандартных отклонений внутри указанного интервала окажутся не менее 95% наблюдений.

    Очевидно, что стандартное отклонение - это прекрасный показатель положения любого конкретного значения относительно среднего, поэтому часто возникает необходимость выразить «сырые» оценки (баллы теста, величины дохода и т. п.) в единицах стандартного отклонения от среднего. Получаемые в результате оценки называют стандартными, или Z-оценками. Для любой совокупности из N наблюдений распределение со средним Х и стандартным отклонением s можно преобразовать в распределение со средним, равным 0, и стандартным отклонением, равным 1. Преобразованные таким образом индивидуальные значения будут непосредственно выражаться в отклонениях «сырых» значений от среднего, измеренных в единицах стандартного отклонения. Чтобы осуществить такое преобразование, нужно из каждого значения Х вычесть среднее и разделить полученную величину на стандартное отклонение, т. е. Z-оценки получают по простой формуле:



    Использование Z-оценок не сводится к описанию положения некоторого значения относительно среднего в масштабе единиц стандартного отклонения. Стандартные оценки позволяют перейти от множества «сырых» значений к произвольной шкале с удобными для расчетов характеристиками среднего и стандартного отклонения. Домножая Z на константу c, мы можем получить распределение со стандартным отклонением (sx). Множество данных можно расположить на любой шкале с удобным средним (например, равным 100, как во многих тестах интеллекта) и стандартным отклонением. Другие примене-

    ния Z-оценок связаны со сложными методами анализа данных, о которых мы будем говорить в дальнейшем.

    Описанные процедуры анализа одномерного распределения относятся к дескриптивной статистике. Если мы стремимся обобщить данные, полученные на отдельных выборках, чтобы описать свойства исходной генеральной совокупности, необходимо, как уже говорилось, обратиться к методам индуктивной статистики, к теории статистического вывода. Переход от числовых характеристик выборки к числовым характеристикам генеральной совокупности называется оцениванием. При одномерном анализе данных чаще всего решают задачу интервального оценивания.

    Если переменная измерена на уровне не ниже интервального (доход, продолжительность образования и т. п.), мы легко можем получить выборочную оценку среднего. Но как узнать, насколько близка наша выборочная оценка, например, дохода, к истинному значению этого параметра, которое мы получили бы, располагая возможностью обследовать всю совокупность? Если наша выборка была случайной, на этот вопрос можно ответить. Чтобы перейти от выборочной оценки (статистики) к характеристике генеральной совокупности (параметру), можно, в частности, определить числовой интервал, в который с заданной вероятностью «укладывается» интересующий нас параметр. Чтобы понять идею интервального оценивания, достаточно вспомнить о том, что оценки, получаемые для множества выборок из одной совокупности, будут также распределены нормально, т. е. большая их часть будет попадать в область, близкую к истинному среднему, и лишь немногие окажутся в «хвостах» распределения, отклоняясь от этого значения. Для любой отдельно взятой выборки шансы оказаться близко к параметру совокупности значительно выше вероятности оказаться в «хвосте». Чтобы оценить степень этой близости, используют очень важную величину - стандартную ошибку средней. Стандартную ошибку обозначают как sM.



    где sx - это стандартное отклонение, а N- объем выборки.

    Подсчитав эту величину для наших данных, мы всегда можем определить с заданной вероятностью, в каких пределах будет лежать среднее совокупности. Совершенно аналогично приведенным выше рассуждениям для среднего отклонения можно сказать, что 95% выборочных средних будет лежать в пределах ±2 стандартные ошибки среднего генеральной совокупности (т. е. для 95 выборок из 100 выборочное среднее попадет в указанный интервал). Следовательно, любая конкретная единичная выборка, использованная в данном исследовании, с 95%-й вероятностью даст оценку, лежащую в интервале ±2 стандартных ошибок среднего совокупности. Заданный таким образом интервал для выборочных оценок называется доверительным интервалом, а та вероятность, с которой мы «попадаем» в этот интервал (например, 95% или 99%), называется доверительной вероятностью. Если, например, мы рассчитали, что для случайной выборки горожан средняя квартирная плата составляет 20000 рублей, а стандартная ошибка - 500 рублей, то можно с 95-процентной уверенностью утверждать, что для всех горожан средняя квартплата окажется в интервале 19000-21000 рублей. Задав интервал в 3 стандартные ошибки, мы сможем достичь уровня доверительной вероятности, равного 99,73% (см. рис. 18). По-

    лезно помнить о том, что чем больше используемая выборка (чем больше N), тем меньше будет sM (см. формулу) и, следовательно, тем уже будет доверительный интервал.

    Задачу интервального оценивания можно решить и для тех переменных, уровень измерения которых ниже интервального. Для этого в статистике используют свойства другого распределения -биноминального. Здесь мы не будем анализировать эти свойства. Достаточно отметить, что биномиальным называют распределение исхода событий, которые могут случиться или не случиться, т. е. в общей форме могут быть классифицированы как положительные или отрицательные. При этом наступление одного события автоматически означает, что другое не случилось. Степень интенсивности события (признака) просто не принимается в расчет. Классический пример - бросание монеты, которая может выпасть «орлом» или «решкой». Чтобы использовать это распределение для интервального оценивания, нужно превратить анализируемую переменную в дихотомическую, имеющую две категории (если, конечно, она таковой не являлась с самого начала). Примеры дихотомических переменных - пол, голосование «за» или «против» и т. п. Для дихотомической переменной стандартную ошибку можно вычислить по формуле:



    где sbin - стандартная ошибка для биномиального распределения, Р - процент наблюдений в первой категории, Q - процент наблюдений во второй категории, N- объем выборки.

    Если, например, нас интересует, насколько близок к истинному значению для генеральной совокупности тот процент ответов, который мы получили при опросе некоторой выборки, мы снова можем использовать интервальную оценку. Пусть, например, в выборке объемом 1000 человек 60% высказались против призыва студентов на воинскую службу, а 40% - за. Стандартная ошибка составит:



    Если добавить (и отнять) 2 стандартные ошибки5 к полученной выборочной оценке, можно построить доверительный интервал, в который интересующая нас величина попадет с 95%-й вероятностью (т. е. вероятность ошибки не превысит 5%). С вероятностью 95% доля противников обязательного призыва студентов составит 60±3,1%.
    1   ...   10   11   12   13   14   15   16   17   18


    написать администратору сайта