Байесовская экспериментальная оценка социальных технологий: методологические и методические аспекты
DOI:
https://doi.org/10.52575/2712-746X-2024-49-1-26-38Ключевые слова:
байесовский анализ, байесовская модель, экспериментальный метод, размер эффекта, социальная технология, PyMCАннотация
В современной отечественной социологии практически не представлена байесовская методология анализа социологических данных. Целью исследования является демонстрация методологических и методических аспектов и преимуществ применения байесовского подхода в области экспериментальной оценки социальных технологий. Автором были раскрыты основные принципы байесовского анализа экспериментальных данных на примере универсальной сравнительной модели BEST Дж. К. Крушке, построенной с учетом характерных особенностей экспериментов, проводимых в социальных и гуманитарных науках. Полученные результаты не только доказывают методологическое превосходство байесовского подхода в случае применения его для оценки социальных технологий, но и могут быть использованы для настройки существующих или построения новых сравнительных байесовских моделей, внося свой вклад в популяризацию байесовского подхода в социальных исследованиях.
Библиографические ссылки
Список источников
Сурмин, Ю.П., Туленков Н.В. 2004. Теория социальных технологий : учебное пособие. К., МАУП, 608 с.
Ядов В.А. 2009. Стратегия социологического исследования. Описание, объяснение, понима-ние социальной реальности : учебное пособие. М., Омега-Л, 567 с.
Список литературы
Зангиева И.К., Ротмистров А.Н. 2018. Сравнительный анализ способов проведения факторного анализа на порядковых переменных. Мониторинг общественного мнения: экономические и социальные перемены, 145(3): 29–46. DOI: 10.14515/monitoring.2018.3.02.
Лукашин Ю.П., Рахлина Л.И. 2012. Современные направления статистического анализа взаимосвязей и зависимостей. М., ИМЭМО РАН, 54 с.
Нечаева Е.О. 2014. Социальные технологии: история становления и версии понимания. Вестник РГГУ. Серия «Философия. Социология. Искусствоведение», 126(4): 55–64.
Плотников М.В., Смельцова С.В. 2012. Социальные технологии как объект социологического исследования. В мире научных открытий, 28(4–3): 169–187.
Хей Д.Д. 1987. Введение в методы байесовского статистического вывода. М., Финансы и статистика, 335 с.
Шамионов Р.М., Григорьева М.В. 2019. Методика диагностики компонентов социально-ориентированной активности. Сибирский психологический журнал, 74: 26–41. DOI: 10.17223/17267080/74/2
Щербина В.В., Нечаева Е.О. 2015. Социальные технологии и их применение в сферах социальной практики. Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки, 38(2): 62–67.
Bond T.N., Lang K. 2018. The Sad Truth About Happiness Scales. Journal of Political Economy, 127(4): 1629–1640. DOI: 10.1086/701679.
Cohen J. 1988. Statistical power analysis for the behavioral sciences. New York, Lawrence Erlbaum Associates, 567 p.
Cumming G. 2008. Replication and p intervals: p values predict the future only vaguely, but confidence intervals do much better. Perspectives on Psychological Science, 3(4): 286–300. DOI: 10.1111/j.1745-6924.2008.00079.x.
Cowell F.A., Flachaire E. 2017. Inequality with Ordinal Data. Economica, 334(84): 290–321. DOI: 10.1111/ecca.12232.
Knapp T.R. 1990. Treating Ordinal Scales as Interval Scales. Nursing Research, 39(2): 121–123. DOI: 10.1097/00006199-199003000-00019.
Kruschke J.K. 2010. Bayesian data analysis. Wiley Interdisciplinary Reviews: Cognitive Science, 1: 658–676. DOI: 10.1002/wcs.72.
Kruschke J.K. 2013. Bayesian estimation supersedes the t test. Journal of Experimental Psychology, 142(2): 573–603. DOI: 10.1037/a0029146.
Lemoine N.P. 2019. Moving beyond noninformative priors: why and how to chooseweakly informative priors in Bayesian analyses. Oikos, 128(7): 912–928. DOI: 10.1111/oik.05985.
Lynch S.M., Bartlett B. 2019. Bayesian Statistics in Sociology: Past, Present, and Future. Annual Review of Sociology, 45(1): 47–68. DOI: 10.1146/annurev-soc-073018-022457.
Sawilowsky S. 2009. New effect size rules of thumb. Journal of Modern Applied Statistical Methods, 8(2): 467–474. DOI: 10.22237/jmasm/1257035100.
Sunnåker M., Busetto A.G., Numminen E., Corander J., Foll M., Dessimoz C. 2013. Approximate Bayesian Computation. PLoS Computational Biology, 9(1): 1–10. DOI: 10.1371/journal.pcbi.1002803.
Vallverdú J. 2015. Bayesians versus frequentists: a philosophical debate on statistical reasoning. Heidelberg, Dordrecht, London, New York, Springer, 110 p.
Williamson J. 2010. In Defence of Objective Bayesianism. New York, Oxford University Press, 191 p.
Просмотров аннотации: 122
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2024 NOMOTHETIKA: Философия. Социология. Право
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
