Девятко И. Ф. Методы социологического исследования. Екатеринбург, Изд-во Урал, ун-та, 1998. 208 с. Девятко И. Ф. Методы социологического исследования. Екатеринбург. Социологического исследования екатеринбург Издательство Уральского университета

• Название: Социологического исследования екатеринбург Издательство Уральского университета
• Анкор: Девятко И. Ф. Методы социологического исследования. Екатеринбург, Изд-во Урал, ун-та, 1998. 208 с.doc
• Дата: 27.05.2017
• Размер: 1.7 Mb.
• Имя файла: Девятко И. Ф. Методы социологического исследования. Екатеринбург.doc
• Тип: Книга; #8072
• Категория: Социология. Политология
• страница: 21 из 28

Стандартные отклонения

Рис. 18. Определение площади нормальной кривой для разных значений стан­дартного отклонения
Величина, равная квадратному корню из дисперсии, называется стандартным отклонением (s_x), т.е.:


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 нормального распределения. Графически нормальному рас­пределению частот наблюдений соответствует, как известно, симметричная колоколообразная 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 Xи стандартным отклонением 5 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 Xвы­честь 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 с, мы можем получить распределение со стандартным отклонением (s_x). Множество данных можно расположить на любой шкале с удобным средним (например, равным 100, как во многих тестах интеллекта) и стандартным отклонением. Другие применения 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 S_М,


где s_х— 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). Полезно помнить о том, что чем больше используемая выборка (чем больше N), тем меньше будет s_m(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 S_bin — 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 ошибки¹ 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%.