В цьому огляді фігурують 5 статей – по одній популярній статті з кожного журналу.
У кожного з них своя графа “популярні статті”. Десь це по завантаженням, десь по цитуванням, десь за 12 місяців, десь за весь час. Тож я просто відкривав що є і брав першу ліпшу статтю.
Чому саме ці видання? Питання виключно смаку. У соціологів багато напрямків і багато журналів. Але якщо у вас мало часу і сил і ви хочете мати загальне розуміння, куди рухається дисципліна – то ці журнали точно мають бути в вашому списку.
- American Journal of Sociology (AJS) – флагман теорії, багато історичних досліджень, якісних досліджень, багато уваги до інших країн (Китай, наприклад).
- American Sociological Review (ASR) – раніше був більш кількісний, але з новими редакторами почав рухатись в сторону змішаних методів
- European Sociological Review (ESR) – з назви зрозуміло, що більше про Європу. Часто такий собі полісі фокус
- Social Forces (SF) – ветеран, доволі американо-орієнтований журнал, не самий намаханий в плані методів, але все одно важливий і цікавий
- Social Science Research (SSR) – виключно емпірика, дуже кількісно-орієнтований
AJS: Racial Profiling and Use of Force in Police Stops: How Local Events Trigger Periods of Increased Discrimination
Йоша Легеві (вже з Гарварду) написав декілька цікавих статей про дії поліції. При чому він регулярно працює з великими даними державної статистики. Наприклад, у нього буквально недавно вийшла стаття, де він доводить, що поліцейська брутальність проти афроамериканців призводить до гірших показників у шкільному навчанні на рівні громади. Тут можна глянути на його виступ по іншій темі, але з цікавими даними та результатми.
В цій конкретній він аналізує 3.9 міліонів записів, коли поліцеські когось зупиняли на вулицях Нью Йорку з 2006 по 2012. Для аналізу він обирає події, які стосуються небезпечних операцій (не просто зупинити і спитати, а саме зупинити і затримати). Легеві стверджує, що окремі брутальні події можуть призвести до акселерації міжгрупових конфліктів. Він вказує, що після того, як поліція зустрічає жорсткий супротив , то в найближчий час поліція буде поводити себе в цілому занадто жорстоко по відношенню до афроамерианскьих підозрюваних (така собі кара). З часом їх брутальність буде знижуватись. В аналізі він розробляє “квазі-експеримент” і робить фінт-припущення щодо росподілу брутальності (має бути однаковий і з, і без попереднього супротиву) . Дані вказують, що супротив таки впливає.
ASR: Religion and Sexual Behaviors: Understanding the Influence of Islamic Cultures and Religious Affiliation for Explaining Sex Outside of Marriage
В цьому дослідженні велику роль зіграла Емі Адамчик, яка відома дослідженнями в кріміналістиці, а також вивченням громадської думки щодо гомосексуальності.
Якщо дуже коротко, то вона демонструє, що є різниця між тим, як представники різних релігій рапортують про секс-до-шлюбу. Одружені мусульмани та індуїсти будуть говорити про дошлюбний секс з меншою ймовірністю, ніж одружені христяни та євреї. Нічого дивного, але підкупає загальних підхід, дані і робота з моделями. Вони на просто взяли першу ліпшу змінну, а все ж таки виходили з соціальної теорії, яка підказувала, що колективний рівень (структури) пояснюють індивідуальну поведінку. Далі вони знайшли дуже цікаві дані, які включали 90 країн. Ну і ієрархічні регресії з контролем різних факторів все ж таки вагомий аргумент.
ESR: Logistic Regression: Why We Cannot Do What We Think We Can Do, and What We Can Do About It
Це дуже страшна стаття, яка багато років висить в топі. Каріна Муд зі Стокгольму просто взяла і математично (та просто на рівні здорового глузду) показала, що соціологи (і я серед них) дуже часто неправильно інтерпритували результати логістичних регресій. Бо робили неправильні припущення про гетерогенність та латентні змінні. Ця стаття наробила багато шуму та вже проциувалась пару тисяч разів. Скоріш, як спроба показати “так, ми знаємо про роблему в нашому аналізі”, ніж реально вирішити її. Каріна Муд радить не кидатись порівнювати моделі з різними контрольними змінними чи моделі на різних вибіорк. Замість цього вона рекомендує більше думати в термінах зміни ймовірності подій (Linear probability models (LPM)), а не в термінах ризиків (odds). На жаль, більшість її порад про те, які змінні і шкали краще мати в анкеті. Що ж робити, якщо у вас вже не такі змінні?
I would also like to add a fifth criterion to the four above, namely that the estimates we report should be understandable to the reader. Many find log-odds ratios hard to grasp, and odds ratios are frequently misunderstood as relative risks, so it is often a good choice to present at least one effect estimate in terms of effects on probabilities.
SF: Income Inequality, Intergenerational Mobility, and the Great Gatsby Curve: Is Education the Key?
Якась типова стаття для SF – просто купа порівняльної статистики та агрегованих даних по різних країнах. Тим не менш, дослідницьке питання цікаве. Кривою Гетсбі називають залежність, коли у країнах з великим рівнем нерівностей доходів так само буде слабенька мобільність між поколіннями. Але питання чому? Які саме механізми можуть пояснити цю залежність (відповідно, які політики можуть допомогти?). Відповідь цих дослідників – освіта. Там де нерівності в доходах призводять до випадання дітей з освіти, там буде менше можливостей для їх подальшого успіху на соціальній драбині.
SSR: The role of administrative data in the big data revolution in social science research
Нічого нового для українського читача. Україна тут піонер – у нас купа відкритих державних даних та маса цікавих проектів. Аналіз декларацій, Прозорро, бюджетних видатків – це все у нас вміють робити. Цікаво хіба що почитати про виклики, які такі дані мають.
Ну і ця стаття може знадобитись просто для систематизації та просто для огляду літератури
Хоча писати ці пункти трохи дивно, бо на мій погляд, в Україні це вже прям якась банальність. Але в світі багато людей набивають собі багато шишек, коли добираються до адміністративних даних. Тож чому не повторити ще раз.
- Незалежність спостережнь – чи це завжди правда в адміністративних даних? В економетриці є різні прийомчики типу ієрархічних регресій, але чи всі аналітики відкритих даних в Україні про це задумувались.
- Такі дані не створювались в результаті продуманих експериментів чи інших методів. Тож тестувати причинно-наслідкові зв’язки дуже складно. Тому не варто перший ліпший аналіз адміністративних даних сприймати за тест механізмів.
- Проблема розміру даних та комп’ютерної потужності – багато моделей просто не можна (чи складно) проганяти
- Банальні штуки, що p-value не панацея без сили ефекту. І що теоретична значимість важлива так само, як і статистична
Tymofii Brik 