Полученных исследований

В случаях, когда исследователю требуется более глубокие знания о предмете исследования, раскрывающие его структуру и функциональные взаимосвязи, позволяющие выявлять закономерности развития социальных процессов и строить прогнозы их развития, исследователь прибегает к вторичной обработке информации, используя более мощные статистические методы анализа данных.

Использование статистических программ в компьютерной обработке на несколько порядков ускоряет обработку материала и предоставляет в распоряжение исследователя такие методы анализа, которые в ручной обработке не могут быть реализованы. Однако в полной мере эти преимущества могут использованы, если исследователь имеет необходимый уровень подготовки в этой области. Обычно, чем мощнее компьютерная программа (чем более широкие у нее возможности), тем больше времени она требует для освоения. Таким образом, затрачивать время на ее изучение при редких обращениях к мощному статистическому аппарату не совсем эффективно.

Очень часто использование таких программ для решения несложных задач требует определенной суммы умений. Для того, чтобы избежать лишних сложностей и временных затрат, целесообразно выбирать программу с возможно более дружественным интерфейсом. Желательно выбрать программы, в которых есть достаточно развитая функция подсказок, в том числе для неподготовленного пользователя. В программах должен быть предусмотрен режим меню. В этом случае пользователь на каждом шагу делает выбор для дальнейшей работы из предложенных альтернатив и избавлен от необходимости самостоятельно формулировать задачу для работы компьютера.

Все используемые в социологических исследованиях методы вторичной обработки можно условно разделить на две группы: методы выявления связей и зависимостей; методы многомерной классификации.

К первой группе относятся корреляционный анализ, регрессионный анализ, дисперсионный анализ, детерминационный анализ, логлинейный анализ. Ко второй группе – кластерный анализ, дискриминационный анализ и многомерное шкалирование.

Детерминационный анализ. Применяется для анализа показателей, измеренных в номинальных шкалах. При помощи этого анализа решается задача определения объектов с такой комбинацией свойств, по которым можно гарантированно предсказать их поведение или действия. Исходным материалом для детерминационного анализа служат условные распределения показателей и таблицы перекрестной группировки.

Логлинейный анализ. Применяется в том случае, если надо установить зависимость свойств социального объекта «А» от внешнего фактора «В», при том, что показатели измерены в качественных шкалах. Исходная информация содержится в таблицах перекрестной группировки, но математические операции осуществляются с функциями от логарифмов частостей.

Дисперсионный анализ (анализ вариативности) применяется для анализа изменчивости признака под воздействием независимых друг от друга признаков, традиционно называемых факторами, и выявления степени их (факторов) влияния. Применяется только для количественных шкал.

Регрессионный анализ применим только для показателей измеренных в количественных шкалах, чьи значения подчиняются закону нормального распределения. Он позволяет установить форму, направление и тесноту (плотность) взаимосвязи между признаками.

Корреляционный анализ применятся для установления наличия и направленности связи между признаками. Подразумевается, что между признаками «А» и «В» существует связь и при изменении значений признака «А» изменяется признак «В».

Кластерный анализ служит для группировки и получения графического представления близких между собой значений показателя (социальных объектов). Речь не идет о выявлении количественных зависимостей, показатели представляются в виде точек (кластеров) на плоскости (кластерном поле), группируются по степени близости и этой классификации дается качественная оценка.

Дискриминационный анализ относится к методам качественной классификации без определения точных количественных зависимостей между признаками. В отличие от кластерного анализа, в котором не выдвигается предположений о конечном результате классификации, здесь предполагается возможное разбиение совокупности признаков на классы и проверяется достоверность предположения.

Многомерное шкалирование выступает одним из методов построения упрощенной компактной модели изучаемого явления путем выявления латентных факторов и установления их взаимосвязей с измеряемыми признаками. Исходная информация для данного метода – меры близости между признаками (объектами). Результаты представляются множеством точек, соответствующих признакам (объектам) на координатном пространстве небольшой размерности. Каждая ось этого пространства представляет собой скрытый фактор, который влияет на сходство или различие между признаками. Расстояние между точками отражает их взаимную удаленность. Координаты проекций точек на оси можно трактовать как результат измерения объекта в шкале соответствующего фактора.

Конечным этапом исследования является оформление результатов исследования и разработка на основе полученных данных практических рекомендаций, представление их заказчику.