WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

МНОГОМЕРНЫЙ АНАЛИЗ ДАННЫХ Е.С. Большов (Киев) ДИСКРИМИНАНТНЫЙ АНАЛИЗ В ПРОГНОЗИРОВАНИИ ПОВЕДЕНИЯ НЕОПРЕДЕЛИВШИХСЯ ИЗБИРАТЕЛЕЙ1 В статье анализируются возможности метода дискриминантного ана лиза для

прогнозирования поведения неопределившихся избирателей в предвыборных опросах. Описываются формальные и содержательные условия применимости метода. Приводятся результаты прогнозирова ния в ситуациях проведения выборов Президента Украины, Верховной Рады и мэра Киева.

Ключевые слова: дискриминантный анализ, предвыборный опрос, не определившиеся избиратели, прогнозирование результатов выборов.

Постановка исследовательской задачи Типичной задачей электоральных исследований является предсказание поведения избирателей, которые на момент послед него предвыборного опроса не определились с кандидатом, за ко торого собираются голосовать. Например, украинский опыт по казывает, что доля таких избирателей может составлять 30-35%.

Ошибки прогнозирования результатов выборов зачастую превы шают ожидаемые вследствие выборочного характера социологи ческих исследований, что отмечается в ряде работ [1;

2]. Во мно Евгений Сергеевич Большов – аналитик Киевского центра политических ис следований и конфликтологии, аспирант Национального университета «Киево Могилянская Академия». E-mail: eugen.bolshov@gmail.com.

© Cоциология: 4М. 2009. № 29.

Дискриминантный анализ в прогнозировании поведения...

гом эти ошибки связаны с неверным прогнозированием поведе ния неопределившихся избирателей, т.е. тех, кто на вопросы со циологов ответил, что он еще не определился с выбором [3;

4].

В практике электоральных исследований используется, по крайней мере, два способа предсказания поведения таких изби рателей. Первый, самый распространенный, способ состоит в том, что все рейтинги следует рассчитывать только по отношению к определившимся избирателям, т.е. неопределившиеся избиратели вообще не учитываются. Неявно это означает, что исследователь предполагает, что голоса неопределившихся избирателей распре делены в тех же пропорциях, что и голоса избирателей, сделав ших свой выбор и сообщивших о нем исследователю. Предпола гается, что электоральные симпатии неопределившихся избира телей совпадают с симпатиями тех, кто уже сделал свой выбор.

Вместе с тем, ряд авторов [5;

6] указывают, что такое допущение зачастую оказывается неверным, что и приводит к значительным ошибкам в прогнозах результатов выборов.

Второй способ опирается на прогнозирование поведения неопределившихся избирателей с помощью построения стати стических прогностических моделей, параметрами которых яв ляются различные характеристики респондентов (политические, социально-демографические и т.д.). В широком смысле первый спо соб можно считать частным случаем второго способа, если отве ты всех неопределившихся избирателей считать пропущенными данными. Примером простейшей модели прогнозирования пове дения неопределившихся избирателей может выступать распре деление их голосов на основе партийной идентификации. Напри мер, для США это определяется посредством ответов на вопрос:

«Считаете ли Вы себя республиканцем (демократом?)». Заме тим, что этот способ может быть использован только в странах с четким партийным структурированием и стабильной партийной системой, которые предполагают четкую идентификацию избира телей с партиями, которые они поддерживают (например, Англия Е.С. Большов и США). В постсоветских странах вследствие слабой идентифи кации избирателей с партиями этот способ вряд ли может быть эффективным.

Возможны и другие модели. Как показали исследования [3;

4;

6] и, в частности, наш опыт построения подобного рода моде лей, использование широкого спектра характеристик избирате лей при статистическом моделировании их вероятного поведе ния приводит к значительному улучшению качества прогнозов результатов выборов. Инструменты моделирования могут быть различными. В большинстве известных нам публикаций исполь зуется дискриминантный анализ, однако, применяется также ло гистическая регрессия и алгоритмы построения дерева решений, например, CHAID1.

Наша исследовательская задача состояла в изучении возмож ностей использования статистического моделирования, а именно, дискриминантного анализа для улучшения качества прогнозирова ния результатов выборов посредством моделирования и предсказа ния поведения неопределившихся избирателей. При этом основной методологической предпосылкой служило предположение о том, что неопределившиеся избиратели голосуют так же, как и опреде лившиеся избиратели, близкие к ним по переменным, влияющим на электоральный выбор. Например, логично предположить, что CHAID (CHi-squared Automatic Interaction Detector) – один из алгорит мов построения дерева решений, который используется как для про гнозирования (отнесения объекта к тому или иному классу на основе его характеристик), так и для поиска взаимосвязей между переменны ми. С помощью CHAID исследователь может обнаружить статистиче CHAID исследователь может обнаружить статистиче исследователь может обнаружить статистиче ские закономерности попадания объекта в тот или иной класс и, соот ветственно, использовать эти закономерности для классификации объ ектов, принадлежность которых к тому или иному классу неизвестна.

В нашем случае такими объектами выступают неопределившиеся из биратели, которых нужно классифицировать – отнести к сторонникам какой-либо партии (кандидата).

Дискриминантный анализ в прогнозировании поведения...

неопределившиеся избиратели старшего возраста, проживающие в Восточном регионе Украины и выступающие за возврат к плановой экономике и укрепление отношений Украины и России, с высокой вероятностью отдадут свой голос коммунистам, как и их «двойни ки» из числа определившихся респондентов.

Тогда определив, какие переменные влияют на электоральный выбор и как по распределению этих переменных отличаются элек тораты разных кандидатов, становится возможным отнесение каж дого неопределившегося избирателя к той части электората, «рас стояние» до которой по включенным в анализ переменным меньше.

Основания выбора переменных Для отбора переменных, разделяющих электораты, и отнесе ние неопределившихся избирателей к тому или иному из них нами был использован метод дискриминантного анализа, описанный в работах [7;

8, с. 346–368;

9;

10].

Для построения искомой модели необходимы переменные, которые статистически значимо связаны с электоральным вы бором избирателей. Рассмотрим имеющийся опыт и попытаем ся оценить, использование каких переменных является наиболее эффективным.

Прежде всего, остановимся на анализе переменных, связанных с отношением избирателей к кандидатам в президенты и оцен кой их способности решать важные проблемы страны. В частно сти, в работе [3] использовалась оценка респондентами способ ности каждого из кандидатов не допустить вступления США в войну и уменьшить темпы инфляции. Аналогичный подход ис пользовался нами для прогноза результатов внеочередных выбо ров мэра Киева в 2008 г.1 При этом мы сравнивали (контролиро Проводился телефонный опрос 5-11 мая 2008 г., репрезентативный относи тельно жителей Киева, объем выборки 800 респондентов. Опрос проведен Ки евским международным институтом социологии и Центром социальных и по Е.С. Большов вали) число неответов и неопределенных ответов (вида «трудно сказать», «ничего не могу сказать») для двух групп. Первая – те, кто определился (обозначим их как группу О) с выбором кандидата, за которого они будут голосовать. Вторая – те, кто еще не опреде лился с выбором (обозначим их как группу Н). Результаты сравне ния представлены в табл. 1 и свидетельствуют о том, что эти груп пы незначительно отличаются по количеству отказов от ответа и по числу неопределенных ответов на интересующие нас вопросы (переменные). Так, в группе Н доля дающих неопределенные отве ты была выше, но незначительно – от 4 до 7 процентных пунктов.

Таблица ЧИСЛО ПРОПУЩЕННЫХ ЗНАЧЕНИЙ В ГРУППАХ ОПРЕДЕЛИВШИХСЯ И НЕОПРЕДЕЛИВШИХСЯ ИЗБИРАТЕЛЕЙ (ВЫБОРЫ МЭРА КИЕВА В 2008 г.) Доля респондентов, Варианты ответов на вопрос: «Скажи которые дали ответы вида те, пожалуйста, как, по Вашему мнению, «трудно сказать», «ничего следующие кандидаты в мэры могут не могу сказать», % к числу справляться с такими задачами?» опрошенных о Л. Черновецком Группа О Группа Н Борьба с земельными спекуляциями, 26 незаконными выделениями земли Борьба с транспортными заторами, «пробками», строительство новых 30 дорог Помощь малообеспеченным людям 29 Повышение качества коммунальных 32 услуг, улучшение работы жеков Сохранение исторического облика города 29 литических исследований «СОЦИС» по заказу Киевского центра политических исследований и конфликтологии.

Дискриминантный анализ в прогнозировании поведения...

Наш опыт показывает, однако, что не всегда подобные вопро сы (переменные) могут быть использованы для моделирования по ведения неопределившихся избирателей, так как зачастую возни кает ситуация, когда доля неответов на соответствующие вопросы может быть значительной, что и наблюдается по данным табл. 1.

Дополнительно проиллюстрируем эту ситуацию на примере анализа второго тура выборов Президента в 1999 г. в Украине, в ко тором участвовали действующий на тот момент Президент Леонид Кучма и его оппонент, лидер Коммунистической партии Украины, Петр Симоненко. На подвыборке определившихся респондентов нами была построена модель электорального выбора. В нем за висимая переменная, имеющая номинальный уровень измерения, принимала два значения в зависимости от голосования за одно го из кандидатов. В качестве независимых переменных служили различные характеристики респондентов, которые гипотетиче ски влияют на выбор кандидата. Были использованы рекоменду емые в работе [3] переменные, а именно: удовлетворенность воз можной победой того или иного кандидата на выборах и оценка их способности навести порядок в стране.

Удовлетворенность оценивалась по семибалльной порядко вой шкале от «крайне удовлетворен» до «крайне неудовлетворен» как ответ на вопрос:

«Если победит Леонид Кучма (Петр Симоненко), в какой мере Вы были бы удовлетворены или не удовлетворены его победой?» Оценка способности также определялась по семибалльной порядковой шкале от «крайне низко» до «крайне высоко» как от вет на вопрос:

«Скажите, пожалуйста, насколько высоко или низко Вы оце ниваете способность Леонида Кучмы (Петра Симоненко) наве а Симоненко) наве Симоненко) наве сти порядок в стране?» Модель дискриминантного анализа с использованием этих переменных оказалась статистически значимой для подвыборки определившихся респондентов. Для оценки возможностей класси Е.С. Большов фикации с помощью построенной модели была реализована про цедура кросспроверки. Дискриминантные и классификационные функции оценивались на одной части выборки (так называемая «учебная» выборка), а качество классификации – на другой части выборки, которая не принимала участие в построении функций, – тестовой. Это делалось для того, чтобы качество классификации оценивалось на новых объектах, а не на тех, которые использова лись для вычисления значений дискриминантных и классифика ционных функций. В противном случае качество классификации с помощью модели было бы переоценено. На тестовой выборке качество классификации было высоким – 96% определившихся респондентов были верно классифицированы в «свои» группы.

Вместе с тем, оказалось, что не все объекты изучаемой сово купности имеют значения по этим переменным. Так, неопреде лившиеся респонденты в большинстве своем не могли ответить на эти вопросы. Для этой группы (группа Н) доля пропущенных значений (см. табл. 2), в число которых включены отказы от от вета и ответы вида «трудно сказать», «ничего не могу сказать», превосходила аналогичный показатель по группе определивших ся респондентов (группа О). В зависимости от характера вопроса эти доли колеблются от 45 до 64 процентных пунктов.

Таблица ЧИСЛО ПРОПУЩЕННЫХ ЗНАЧЕНИЙ В ГРУППАХ ОПРЕДЕЛИВШИХСЯ И НЕОПРЕДЕЛИВШИХСЯ ИЗБИРАТЕЛЕЙ (ВТОРОЙ ТУР ВЫБОРОВ ПРЕЗИДЕНТА УКРАИНЫ В 1999 г.) Доля ответов «трудно Доля отказов от сказать», «ничего не ответа, % к числу Переменная могу сказать», % к опрошенных числу опрошенных Группа О Группа Н Группа О Группа Н Удовлетворенность 1 17 17 победой Кучмы Дискриминантный анализ в прогнозировании поведения...

Окончание табл. Доля ответов «трудно Доля отказов от сказать», «ничего не ответа, % к числу Переменная могу сказать», % к опрошенных числу опрошенных Группа О Группа Н Группа О Группа Н Удовлетворенность 4 23 13 победой Симоненко Сможет ли Кучма навести порядок в 2 13 29 стране?

Сможет ли Симонен ко навести порядок в 10 28 19 стране?

Эти результаты показывают, что такие переменные не могут быть использованы для прогнозирования поведения неопределив шихся респондентов. Причина в том, что пропущенные значения переменных, входящих в дискриминантные, а следовательно, и в классификационные функции, делают невозможным оценку ве роятностей попадания избирателя в ту или иную группу. Очевид но, следует использовать другие, статистически значимо связан ные с электоральным выбором переменные, которые не имели бы такого большого числа пропущенных данных в группе неопреде лившихся избирателей.

Такими переменными оказались: оценка текущей ситуации в стране, оценка экономической ситуации в стране, предпочте ние плановой или рыночной экономики, возраст респондента и регион проживания.

Мы использовали эти переменные для проведения пошаго вого дискриминантного анализа с исключением (это процедура, в ходе которой на первом этапе в анализ включаются все инте ресующие исследователя переменные и потом исключаются те, которые вносят статистически незначимый вклад в дискримина Е.С. Большов цию). В результате была построена новая дискриминантная функ ция. Качество классификации на тестовой выборке было ниже, чем при использовании первой функции – 74% определивших ся респондентов были верно классифицированы в «свои» груп пы. Но анализ количества пропущенных значений по перемен ным, использованным во второй функции, показал, что в отли чие от первого набора (отношения к победе того или иного кан дидата) группа Н и группа О имеют примерно одинаковую долю пропущенных значений и ответов вида «трудно сказать», «ни чего не могу сказать».

Таким образом, в случае, когда группы Н и О значительно от личаются по доле пропущенных значений и неопределенных от ветов на вопросы об удовлетворенности возможной победой того или иного кандидата и оценке их способности навести порядок в стране, следует использовать переменные, которые напрямую не измеряют отношение к кандидатам, но влияют на электораль ный выбор.

Перейдем к рассмотрению переменных, связанных с от ношением к ряду ведущих политиков. Мы использовали эти пе ременные при прогнозировании результатов выборов в Парла мент Украины в 2002 г. и выборов Президента Украины в 2004 г.

В обоих случаях был проведен факторный анализ вопросов об отношении к 8-10 ведущим политикам для уменьшения числа переменных.

В 2002 г. нами было получено факторное решение из четы рех факторов: первый фактор был проинтерпретирован как отно шение к правым политикам, второй – к центристским провласт ным политикам, третий – к левым политикам, четвертый опре делял позицию респондента на шкале «власть – оппозиция».

Что касается числа пропущенных значений по таким перемен ным, то в группе Н их было на 5-15 процентных пунктов боль ше, чем в группе О, но этот показатель не достигал 50-70%, как в случае выборов 1999 г.

Дискриминантный анализ в прогнозировании поведения...

Следующая группа переменных, представляющих интерес с позиции влияния на электоральное поведение, связана с инфор мацией о дискуссионной сети респондента. Как указывается в ряде работ [10;

11;

12;

13], избирателей можно рассматривать не как изолированных актеров, решение которых зависит не только от собственных характеристик и политических предпочтений, но и от контекста, в котором они находятся. В качестве такового, на пример, может служить разный состав социальных сетей, в кото рые включен избиратель [10]. В работах [11;

14] продемонстриро ах [11;

14] продемонстриро [11;

14] продемонстриро ;

14] продемонстриро 4] продемонстриро вано, что на электоральный выбор избирателя сильно влияет пози избирателя сильно влияет пози сильно влияет пози ция тех людей, с которыми он обсуждает политические проблемы.

В этой связи имеет смысл обратиться к исследованию, про веденному перед первым туром выборов Президента Украины в 2004 г.1 В нем респондента просили вспомнить четырех людей, с которыми он чаще всего за последний месяц обсуждал важ ные для него проблемы. После этого задавался вопрос о том, бу дут ли эти люди принимать участие в первом туре голосования, и если да, то кому они собираются отдать свой голос2. В процес се анализа данных число сторонников кандидата в президенты (среди собеседников респондента) использовалось как некоторая прокси-переменная для измерения уровня социального влияния в пользу кандидата. Такие переменные оказались статистически зна чимыми в модели дискриминантного анализа, и, по нашему мне нию, их следует применять при статистическом моделировании поведения неопределившихся респондентов.

Репрезентативное для Украины исследование, проведенное методом face-to-face в октябре 2004 г. Объем выборки – 2000 респондентов. Опрос был проведен Киевским международным институтом социологии по за казу Киевского центра политических исследований и конфликтологии.

Как указывается в некоторых работах [см., например, 12] данные о го например, 12] данные о го 12] данные о го данные о го лосовании собеседников респондента, полученные от него, хорошо со, полученные от него, хорошо со гласуются с результатами опроса самих собеседников. Тем самым, эта информация достаточно валидна.

Е.С. Большов Результаты оценки точности прогноза поведения неопределившихся избирателей Так как инструментом моделирования поведения неопреде лившихся избирателей в нашем случае является дискриминант ный анализ, то в качестве первого шага оценки точности метода логично подсчитать стандартный показатель для оценки качества построенных дискриминантных и классификационных функций на подвыборке определившихся респондентов (группа О). А имен но, сравнить число объектов, верно классифицированных с помо щью дискриминантных функций, с числом верно классифициро ванных объектов в случае, если бы отнесение объектов к группам осуществлялось случайным образом. Посредством этого показа теля можно оценить, насколько классификация с помощью дис криминантного анализа лучше (или хуже), чем классификация, полученная случайным образом.

Если точность первой из классификаций хотя бы на 25% луч ше второй, есть смысл использовать дискриминантный анализ для прогнозирования поведения неопределившихся избирателей [7].

Вместе с тем это неполная оценка точности метода, поскольку она рассчитана на подмассиве избирателей, чей выбор известен.

Очевидно, необходимо оценить, как хорошо построенная модель дискриминантного анализа предсказывает поведение неопреде лившихся избирателей, что существенно сложнее. Рассмотрим некоторые из возможных подходов к получению такой оценки.

Панельный поствыборный опрос. Один из возможных ис точников информации о том, как проголосовали неопределивши еся, – это поствыборный опрос на той же выборке избирателей, в котором респондентов спрашивают о том, участвовали ли они в голосовании и если да, то кому отдали свой голос. Отметим, что информация, полученная в панельных исследованиях на полити ческую тему, имеет ряд недостатков, и на это указывают многие авторы [например, 15]. Во-первых, действует эффект участия в Дискриминантный анализ в прогнозировании поведения...

первой волне исследования, что приводит к активизации потре бления политической информации в перерыве между исследова ниями и влияет на поведение респондента (например, повышает ся вероятность принятия участия в выборах). Во-вторых, выбы вание из панели происходит неслучайным образом (селективный характер неответов) и зависит от уровня интереса к политике. И, главное, в поствыборных электоральных исследованиях часто на блюдается феномен присоединения к победителю – большее чис ло избирателей говорят о поддержке кандидата на прошедших вы борах, чем действительно отдали ему свой голос [15].

Однако более валидных данных, чем результаты панельных исследований, в распоряжении исследователей зачастую нет. Мы оценивали качество статистического прогнозирования поведения неопределившихся избирателей с использованием данных панель ного исследования после первого тура выборов Президента Укра ины в 2004 г. Наш анализ показал, что 67% (см. табл. 3) неопре делившихся респондентов были верно классифицированны с по мощью модели дискриминантного анализа (кандидат, за которо го они должны были бы с наибольшей вероятностью проголосо вать по результатам работы модели, был назван ими как тот, кому они отдали свой голос в ходе поствыборного исследования). Это позволяет считать статистическое моделирование поведения не определившихся избирателей полезным инструментом улучше ния качества прогнозов.

Таблица ПОКАЗАТЕЛИ ТОЧНОСТИ ПРОГНОЗИРОВАНИЯ ПОВЕДЕНИЯ ИЗБИРАТЕЛЕЙ (ПО ДАННЫМ ПАНЕЛЬНОГО ИССЛЕДОВАНИЯ ВЫБОРОВ ПРЕЗИДЕНТА УКРАИНЫ В 2004 г.) Группа % верно классифицированных Определившиеся респонденты (предвыборное исследование) Определившиеся респонденты (поствыборное исследование) Е.С. Большов Окончание табл. Группа % верно классифицированных Неопределившиеся респонденты (поствыборное исследование) Еще один способ оценки качества статистического прогнози рования поведения неопределившихся избирателей – сравнение прогноза результатов выборов без попыток предсказать поведе ние таких респондентов с прогнозом, полученным с учетом мо делирования. Другими словами, сравнивается точность прогно за, полученная с помощью модели, с точностью прогноза, кото рый опирается на гипотезу о том, что неопределившиеся избира тели поддерживают кандидатов в тех же пропорциях, что и опре делившиеся респонденты.

По результатам сравнения можно сделать вывод о том, что моделирование поведения неопределившихся избирателей улуч шило прогноз, но это относится к случаю, когда их симпатии рас пределяются по-другому, чем среди определившихся респонден тов. Например, моделирование возможного поведения неопреде лившихся избирателей перед выборами мэра Киева в 2008 г. по казало, что среди группы Н потенциальных избирателей оппо зиционных кандидатов (В. Кличко, А. Турчинов, Н. Катеринчук) было больше, чем возможных избирателей действующего мэра Л. Черновецкого (тогда как среди определившихся избирателей число его сторонников было больше, чем у трех главных оппо зиционных кандидатов). Результаты выборов (см. табл. 4) пока зали, что без предварительного применения дискриминантного анализа прогноз был бы хуже. Произошла бы переоценка коли чества голосов, отданных за Л. Черновецкого и за кандидатов с незначительным «числом голосов», и недооценка сторонников трех оппозиционных политиков. Таким образом, учет отличий особенностей группы неопределившихся респондентов позво лил сделать прогноз выборов более точным.

Таблица МОДЕЛЬНОЕ И РЕАЛЬНОЕ РАСПРЕДЕЛЕНИЕ ГОЛОСОВ (ВЫБОРЫ МЭРА КИЕВА В 2008 г.) Распределение голосов Голоса неопределившихся Для прогноза поведения избирателей делятся про Электорат неопределившихся изби- Результаты порционально голосам рателей используется выборов определившихся избира дискриминантный анализ телей Леонида Черновецкого 39,8 35,1 37, Александра Турчинова, Николая Катеринчука и 35,4 44,4 43, Виталия Кличко Дискриминантный анализ в прогнозировании поведения...

Е.С. Большов Экзит-поллы. Еще одним способом косвенной оценки каче ства статистического прогнозирования поведения неопределив шихся избирателей является использование данных экзит-поллов.

В инструментарии экзит-поллов в Украине зачастую присутство вал вопрос о том, когда респондент принял решение о том, кому отдать свой голос. Тогда можно выделить группу избирателей, ко торые отвечают, что они «определились прямо на избирательном участке», «в последний день перед голосованием» и «в послед нюю неделю до голосования», считая, что в последнем предвы борном исследовании эти респонденты были неопределившими ся. Тем самым можно сопоставить результаты статистического прогнозирования поведения этой группы избирателей в предвы борном опросе с их ответами в экзит-полле. Такой способ был ис пользован на парламентских выборах 2002 г. в Украине. Как вид но из табл. 5, прогнозные расчеты по модели хорошо совпадают с результатами экзит-полла.

Необходимые условия корректности статистического моделирования Для корректного использования статистического моделиро вания электорального поведения необходимо, чтобы выполнялось второе условие однородности, сформулированное Ю.Н. Толстовой [16;

17;

18], – для всех групп рассматриваемой совокупности (в на шем случае для определившихся и неопределившихся респонден тов) математическая зависимость должна быть одинаковой. Оче видно, что если факторы, которые влияют на принятие решения определившимися избирателями, отличаются от факторов, фор мирующих решение неопределившихся (на момент опроса, конеч но) избирателей, построение подобных моделей неоправданно.

Чтобы проверить, выполняется ли это условие, перед выбора ми Президента в 2004 г. было построено два уравнения логисти Таблица РАСПРЕДЕЛЕНИЕ ГОЛОСОВ НЕОПРЕДЕЛИВШИХСЯ ИЗБИРАТЕЛЕЙ – МОДЕЛЬНОЕ И ПО РЕЗУЛЬТАТАМ ЭКЗИТ-ПОЛЛА (ВЫБОРЫ ВЕРХОВНОЙ РАДЫ УКРАИНЫ В 2008 г.) Прогнозируемое распределение Распределение голосов Группа партий голосов по модели в экзит-полле «Коммунистическая партия Украины», «Блок Натальи 21 Витренко» «Наша Украина», «Социалисти ческая партия Украины», «Блок 39 Юлии Тимошенко» «За единую Украину», «Социал- демократическая партия Украи ны (объединенная)», «Команда 41 озимого поколения», «Партия зеленых Украины», «Женщины за будущее» Дискриминантный анализ в прогнозировании поведения...

Е.С. Большов ческой регрессии1, в которых зависимой переменной было голо сование за В. Януковича (по данным поствыборного опроса), не зависимыми – все те переменные, которые включались в модель дискриминантного анализа.

Обе модели, как для избирателей, которые определились на момент последнего опроса, так и для неопределившихся респон дентов, оказались статистически значимыми2. Если сравнить мо дели по показателям, аналогичным проценту объясненной диспер сии в линейной регрессии3, то модель для респондентов, которые уже определились, выглядит лучше (см. табл. 6).

Таблица ЗНАЧЕНИЯ КОЭФФИЦИЕНТА (В) В МОДЕЛЯХ ЛОГИСТИЧЕСКОЙ РЕГРЕССИИ (ЗАВИСИМАЯ ПЕРЕМЕННАЯ – ГОЛОСОВАНИЕ ЗА В. ЯНУКОВИЧА) Независимая переменная Группа О Группа Н Количество сторонников Януковича в 0,47 0, дискуссионной сети респондента Отношение к России (по пятибалльной 0,41 0, шкале) Отношение к провластным политикам 0,91 0, (значение соответствующего фактора) Отношение к В. Ющенко и Ю. Тимошенко –1,13 –1, (значение соответствующего фактора) Константа –1,3 –1, Это разновидность модели нелинейной регрессии, где независимые пе ременные могут иметь любой уровень измерения, а зависимая – номи нальный и если она принимает только два значения, то имеет место би нарная логистическая регрессия.

Сhi-square первой модели 687, второй – 115, значимость обоих моде лей – 0.000.

Например, такие показатели, как Cox & Snell R Square и Nagelkerke R Square.

Дискриминантный анализ в прогнозировании поведения...

Однако важна степень отличия моделей. В случае, когда ко эффициенты при каких-то переменных значительно разнятся в моделях для определившихся и неопределившихся респонден тов, очевидно, что эти переменные неодинаково влияют на элек торальный выбор в различных группах избирателей. Сравнение моделей электорального выбора показывает, что значения коэф фициента В достаточно близки для определившихся (Группа О) и неопределившихся (Группа Н) избирателей. В этом случае мож но предположить, что на электоральный выбор влияют одинако вые факторы с примерно равной силой. И, соответственно, усло вие корректного использования дискриминантного анализа для прогнозирования поведения неопределившихся респондентов можно считать выполненным. Вместе с тем из этого не следует, что на каждых выборах такая ситуация будет повторяться, поэто му одной из задач исследователя является проверка условия од нородности перед применением статистического моделирования поведения неопределившихся респондентов.

ЛИТЕРАТУРА 1. Freedman P., Goldstein K. Building a Probable Electorate from Preelection Polls // Public Opinion Quarterly. 1996. Vol. 60. P. 574–587.

2. Buchanan W. Elections Predictions: An Empirical Assessment // Public Opinion Quarterly. 1986. Vol. 50. Iss. 2. P. 222–227.

3. Fenwick J., Wiseman F., Becker J.F., Heiman J.R. Classifying Undecided Vot Classifying Undecided Vot ers in Preelection Polls // Public Opinion Quarterly. 1982. Vol. 46. Iss. 3. P. 383–391.

4. Kim T. Discriminant Analysis as a Prediction Tool for Uncommitted Voters in Preelection Polls // International Journal of Public Opinion Research. 1995. Vol. 7.

Iss. 2. P. 110–127.

5. Myers D.J., O’Connor R.E. The Undecided Respondent in Mandatory Voting Settings: A Venezuelan Exploration // The Western Political Quarterly. September 1983. Vol. 36. No. 3. P. 420–433.

6. Хмелько В.Е. Об опыте прогнозирования // Политические настроения на Об опыте прогнозирования // Политические настроения на кануне выборов. Киев, 1998.

7. Klecka W.R. Discriminant Analysis. Beverly Hills: Sage Publication, 1980.

8. Бююль А., Цефель П. SPSS: искусство обработки информации. СПб:

ДиаСофт, 2001.

Е.С. Большов 9. Бессокирная Г.П. Дискриминантный анализ для отбора информатив ных переменных // Социология: методология, методы, математические моде ли. 2003. № 16. С. 25–35.

10. Pattie C., Johnston R. Context, Conversation, and Conviction: Social Net Context, Conversation, and Conviction: Social Net works and Voting at the 1992 British Election // Political Studies. 1999. P. 877–899.

11. Huckfeldt R., Sprague J. Discussant Effects on Vote Choice: Intimacy, Structure, and Interdependence // Journal of Politics. February 1991. Vol. 53. No. 1.

12. Sprague J. Is There a Micro Theory Consistent with Contextual Analysis // Strategies of Political Inquiry. London: Sage, 1982.

13. Huckfeldt R., Levine J., Morgan W., Sprague J. Election Campaign, Social Communication, and the Accessibility of Perceived Discussants’ Preferences // Political Behavior. 1998. Vol. 20. No. 4.

14. Huckfeldt R., Sprague J. Discussant Effects on Vote Choice: Intimacy, Structure, and Interdependence // The Journal of Politics. February 1991.Vol. 53. No. 1.

15. Voogt R., Kempen V. Nonresponse Bias and Stimulus Effects in the Dutch National Election Study // Quality & Quantity. 2002. Vol. 36. P. 325–345.

16. Толстова Ю.Н. Логика математического анализа социологических дан Логика математического анализа социологических дан ных. М., 1991.

17. Толстова Ю.Н. Обеспечение однородности социологических данных // Социологические исследования. 1986. № 3. С. 149–154.

18. Толстова Ю.Н. Принципы анализа данных в социологии // Социология:

методология, методы, математические модели. 1991. № 1.




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.