WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ 1 К.В. Бердышев (Москва) ВЕРТИКАЛЬНАЯ ТРУДОВАЯ МОБИЛЬНОСТЬ КАК МАРКОВСКИЙ пРОцЕСС В статье рассматриваются направления развития класса математических моделей с

марковскими свойствами. Обосновывается применимость таких моделей для анализа вертикальной трудовой мобильности. предлагается ме тодика этого анализа и результаты ее апробации на данных панели RLMS.

Ключевые слова: анализ последовательностей, марковская цепь, марковский процесс, марковские свойства, вертикальная трудовая мобильность.

Постановка исследовательской задачи С развитием панельного метода опроса и компьютерной техни ки в социологии получил развитие «анализ последовательностей» (sequence analysis) – подход, целью которого является моделирова ние динамических процессов. подход включает два класса методов:

«марковские процессы» («марковские цепи») в разных модифика циях, «анализ истории событий» (survival analysis) [1, p. 93–94].

Наши исследования связаны с первым из этих классов методов на примере изучения вертикальной трудовой мобильности – со вокупности индивидуальных переходов с более «низкой» позиции в системе труда на более «высокую» и наоборот. К вертикальной трудовой мобильности не относится смена работы без повыше Константин Владимирович Бердышев – аспирант Института социологии РАН.

E-mail: berdyshev@yandex.ru.

© Cоциология: 4М. 2010. № 31.

Вертикальная трудовая мобильность как марковский процесс ния/понижения трудового статуса, определяющего положение индивида в иерархии трудовых позиций, выделяемых на основе квалификации, востребованности позиции, престижности и раз мера оплаты труда. В статье решаются две задачи.

1. Рассматривается классическая модель «марковский цепи» и модифицированные модели с марковскими свойствами, применяе мые для анализа вертикальной трудовой мобильности на основе опросных данных. Анализируются их достоинства и ограничения;

приводятся способы преодоления ограничений, накладываемых классическими марковскими свойствами.

2. предлагается методика анализа вертикальной трудовой мобильности в рамках модели с марковскими свойствами средства ми доступных статистических пакетов (SPSS и R) и приводятся результаты ее применения на данных о динамике рода занятости и трудовой деятельности (панель RLMS 2001–2007 гг).

Ключевыми математическими понятиями, используемыми в статье, являются следующие. «Анализ последовательностей» (англ.

sequence analysis) – понятие, объединяющее класс моделей, основан ных на теории стохастических процессов. Марковская цепь (марков ский процесс) – понятие, обозначающее представление об изменении моделируемого процесса во времени как стохастического со строгим соблюдением марковских свойств. Марковские свойства («марковского процесса» и «марковской цепи») – математические условия для модели марковской цепи. Модель с марковскими свойствами – математиче ская модель, описывающая процесс изменения объекта во времени с частичным/нестрогим соблюдением марковских свойств.

Модельные предпосылки и ограничения марковских цепей Марковские цепи используют общие принципы теории сто хастических процессов для анализа дискретного пространства состояний группы объектов во времени. Каждый объект находится в любой момент времени в одном из состояний из ограниченного К.В. Бердышев множества. В случае с вертикальной трудовой мобильностью в ка честве объектов выступают люди, попавшие в панельную выборку, в качестве моментов времени – волны исследования, в качестве множества состояний – позиции в системе занятости.

Для каждого из моментов времени, кроме базового, суще ствует вероятностная матрица переходов, элементы которой по казывают вероятность того, что случайно отобранный из выборки индивид перейдет с рода занятости А на род занятости Б при из менении момента времени на единицу. Матрица переходов имеет квадратный вид, и в ней есть элементы с вероятностями перехода для каждой пары возможных родов занятости (для любых A и Б).

Тем самым данные о вертикальной трудовой мобильности могут быть представлены как стохастический процесс. Для такого про цесса должны выполняться марковские свойства.

1. Свойство 1. предполагается, что род занятости индивида в наблюдаемый момент времени зависит только от его рода занятости в предыдущий момент времени и не зависит от более ранних мо ментов времени. Это свойство Марковской цепи также называется «одношаговым» и накладывает на модель ограничение. Напри мер, два человека, достигшие идентичных позиций менеджера в структуре занятости в рамках марковского процесса, должны иметь одинаковую вероятность далее повысить свой трудовой статус вне зависимости от того, что один из них только получил повышение, а другой имеет на своей позиции большой стаж. С социологической точки зрения это может быть в корне неверно.

2. Свойство 2. предполагается, что матрица переходов «уни версальна» для каждого наблюдаемого момента времени, т.е.

вероятность перехода из A в Б при переходе от t к (t + 1) равна вероятности перехода из A в Б при переходе от (t + 1) к (t + 2), и так для всех возможных равных переходов во времени. В случае с вертикальной трудовой мобильностью это свойство обозначает, что в любой из наблюдаемых моментов времени вероятность из менить род занятости одинакова. Это делает параметры модели Вертикальная трудовая мобильность как марковский процесс «статичными». Исследователи в ряде случаев специально хотят устранить компоненту времени и только сравнить шансы на успех различных социальных групп «с учетом временного фактора» или «с поправкой на время». Но это свойство также накладывает ограни чения, важные с социологической точки зрения. Общество – динами чески изменяющаяся структура, и шансы тех или иных групп на успех могут меняться с течением времени [2]. Например, в первые годы перестроечного периода количество предпринимателей было существенно больше, чем после кризиса 1998 г.

Преодоление ограничений, накладываемых марковскими свойствами Существуют способы устранить или ослабить ограничения, накладываемые моделью марковских цепей. Для этого необходимо решить две задачи:

1) добавить в модель в том или ином виде предыдущую исто рию трудовой мобильности, которая игнорируется классической моделью марковской цепи;

2) включить в модель зависимость вероятностей переходов от времени.

Возможны различные способы решения обеих этих задач.

Первый способ – усложнение матрицы переходов – позволяет решить обе задачи, но по-разному. Задача добавления предше ствующей трудовой мобильности в модель решается получением отдельных матриц переходов для групп, отличающихся по типу мобильности. Обычно выделяют отдельные матрицы для тех, кто изменял позицию на высокую/низкую в предыдущих периодах, и для остальных (mover/stayer model) [2].

Вторая задача (включения в модель зависимости вероятностей переходов от времени) решается получением отдельных матриц переходов для выделенных исследователем отрезков времени.

На каждом отрезке будет соблюдаться Свойство 2. Этот способ К.В. Бердышев подходит тогда, когда число доступных для наблюдения периодов большое и существуют факторы, свидетельствующие, что матрица вероятностей переходов должна коренным образом отличаться в выделенных периодах (примером может послужить рынок труда во время экономической рецессии и в обычное время) [3].

Второй способ решения был предложен Корнеллом, который привнес в модель марковских цепей аксиому кумулятивной инер ции: «Вероятность пребывания в любом состоянии S является монотонно возрастающей функцией от времени предшествующего пребывания в этом же состоянии S». Если применить этот подход для вертикальной трудовой мобильности, вероятности переходов марковской цепи будут учитывать то, как долго человек занимал свою трудовую позицию, но число оцениваемых параметров воз растет [2]. Способ одновременно включает в модель и время, и предшествующую историю мобильности.

Третьим способом решения проблемы зависимости трудовой мобильности от времени может стать внесение в модель предпосылок «анализа истории событий» (survival analysis). Т. питерсен и Б. Син гер обосновали применимость этого подхода [4;

5]. Они предложили интегрировать функцию зависимости истории событий от времени на предшествующей позиции (англ. hazard function) в основную вероят ностную функцию марковской цепи. переменная «время» выходит на первый план, и изучается зависимость вероятности наступления определенного «события» (например, повышения в должности) от длительности предшествующей истории объекта. при этом зависи мость выражается в виде функции, а «событие» интерпретируется как то, что может или не может произойти. Такая функция может быть получена для каждого элемента матрицы переходов марковской цепи.

В качестве объясняющей переменной «времени» может выступать как номер волны исследования (календарное время), так и длитель ность пребывания в состоянии, предшествующем «событию». Этот способ также позволяет включать в модель как время, так и пред шествующую историю мобильности.

Вертикальная трудовая мобильность как марковский процесс От модели к методике анализа Описанные выше способы позволяют модифицировать модель марковской цепи, делая ее адекватной социальному процессу – вер тикальной трудовой мобильности. Способы позволяют включить в модель историю трудового статуса и «время» – переменные, за ложенные в структурную логику самой модели. Однако этих пере менных недостаточно для полноценного анализа процесса трудовой мобильности. проанализировав параметры модели с марковскими свойствами, можно понять только то, на какой позиции в системе занятости больше шансов ее повысить, а на какой – меньше. Ис следователей волнует не только внутренняя структура трудовой мобильности, но и то, как шансы на мобильность различаются в зависимости от внешних по отношению к модели переменных (на пример, социально-демографических).

Для того чтобы модель с марковскими свойствами превратить в аналитический инструмент, С. Спилерман, Н.Б. Тум, М.Т. Ханнан и Л.п. Гроенвельд предложили рассматривать не только вероятности из матрицы переходов, но и отклонения от «ожидаемых» (средних) вероятностей переходов на индивидуальном уровне. при этом сами перемещения индивидов с одной позиции на другую рассматрива ются как случайный процесс [6]. Это позволяет представить модель как регрессионное уравнение, отклонения от модели как «остатки».

В качестве зависимых переменных регрессионного уравнения вы ступают вероятности переходов;

в качестве объясняющих – любые заданные исследователем. Это дает возможность избежать анализа десятков разрозненных матриц переходов, позволив сконцентриро ваться на одной из них и соответствующих регрессионных эффектах объясняющих переменных. Анализируя коэффициенты регрессии, можно оценивать, какие переменные влияют на вероятности пере ходов в марковской цепи и в какой степени. при этом не нарушаются основные марковские свойства [3;

6;

7]. В качестве объясняющих переменных в рамках одной модели могут использоваться:

К.В. Бердышев 1) переменные, призванные скорректировать модельные огра ничения марковской цепи: история трудовой мобильности, время, длительность пребывания на позиции и др.;

2) внешние по отношению к модели с марковскими свойства ми социально-демографические и другие описательные перемен ные, собранные в рамках опроса респондентов.

Достоинством анализа моделей с марковскими свойствами при помощи регрессионных уравнений является его реализуемость в лю бых статистических программах, поддерживающих регрессионное моделирование (при специальном преобразовании массива данных).

Моделирование вертикальной трудовой мобильности Возможности применения предложенного выше подхода были верифицированы на данных панели RLMS [8]. Для этого первичные данные были преобразованы, так как вопросник панели RLMS не содержит вопросов, специально предназначенных для анализа вертикальной трудовой мобильности.

В качестве эмпирической базы исследования были взяты дан ные RLMS за 2001–2007 гг. Основной переменной, отражающей род занятости, использовался открытый вопрос, ответы на который были закодированы по кодификатору Международной организа ции труда ISCO-88 [9]. Ниже представлен фрагмент анкеты.

Давайте поговорим о Вашей основной работе. Если Вы заняты на не скольких работах, расскажите о той, которую Вы считаете основной.

Расскажите, пожалуйста, подробно – на какой должности, по какой профессии и по какой специальности Вы сейчас работаете?

[ИНТЕРВЬЮЕР! ЗАпИШИТЕ пОДРОБНО ВСЕ, ЧТО ГОВОРИТ РЕСпОНДЕНТ ] Назовите, пожалуйста, должность, на которой Вы сейчас работаете Вертикальная трудовая мобильность как марковский процесс Совокупность кодов ISCO-88 не является порядковой шкалой по статусу трудовых позиций, а для анализа вертикальной трудовой мобильности была необходима «иерархия» таких позиций. Для этого был осуществлен переход к шкале ESeC [10], являющейся результатом перекодировки переменной трудовых позиций ISCO- с учетом числа подчиненных на работе и основного рода занятий на время опроса. Эта шкала была разработана в 2004 г. в рамках проекта по созданию Единой европейской социоэкономической классификации и делит различные позиции труда на 9 групп, упоря доченных по трудовому статусу. Группа с наименьшим трудовым статусом – «безработные», с наибольшим статусом – «руководители верхнего звена, предприниматели и владельцы компаний».

1. «Безработные» – никогда не работали, либо находятся без работы в течение длительного периода времени.

2. «Низкоквалифицированный труд» – позиции, не требующие специального образования (максимум – несложная квалификация).

Сотрудники легко заменимы, например: уборщики, курьеры, операторы станков.

3. Квалифицированные рабочие («синие воротнички») – облада ют сложной квалификацией и навыками, которые ценятся на рынке труда. Например: водители поездов, водопроводчики, замерщики.

4. Работники сферы услуг (нижняя страта «белых воротнич ков») – нижние позиции нефизического труда. Система отношений между работодателем и работником гибкая. Например: кассиры, няни, ассистенты продавцов-консультантов.

5. Супервайзеры, бригадиры (верхняя страта «синих воротнич ков») – обладают большим объемом специфических технических навыков, необходимым работодателю. Например: чертежники, планировщики, специалисты по электронным схемам и монтаж ным работам, бригадиры, продавцы-консультанты.

6. Самозанятые/мелкие предприниматели – люди, ведущие свой небольшой бизнес, иногда привлекающие работников (не более 10 человек).

К.В. Бердышев 7. Клерки (верхняя страта «белых воротничков») – вспомога тельные организационные должности. Например: клерки, помощ ники менеджеров и профессионалов, нижние бюрократические должности.

8. профессионалы и руководители среднего звена – две группы. примерами первой являются высококвалифицированные работники умственного труда: учителя, медицинский персонал, пилоты самолетов. Ко второй группе относятся управленческие позиции среднего звена.

9. Руководители верхнего звена – директора, руководители отделов и подразделений, средние и крупные предприниматели, владельцы компаний.

преобразование данных осуществлялось на основе подроб ных инструкций с официального сайта EseC [10].

На основе подхода, предложенного С. Спилерманом [6;

7], Н.Б. Ту мом, М.Т. Ханнаном и Л.п. Гроенвельдом [3], была разработана методика анализа вертикальной трудовой мобильности в рамках модели с марковскими свойствами. Методика реализовывалась в несколько этапов, которые будут описаны ниже.

Формирование исходной для анализа матрицы данных Матрица формировалась как трехмерная матрица переходов марковской цепи (респондент «переход» переменная) в не сколько шагов: выбор переменных для анализа;

объединение матриц отдельных волн в единую;

чистка и взвешивание данных;

преобразование двухмерной матрицы в трехмерную матрицу пере ходов. Рассмотрим эти шаги.

1. Данные по семи последовательным волнам RLMS (2001– 2007 гг.) были «очищены» от переменных, не используемых в анализе. В каждой из семи матриц с данными были оставлены:

а) переменная, отражающая трудовой статус (шкала EseC);

б) внешние по отношению к модели с марковскими свой Вертикальная трудовая мобильность как марковский процесс ствами объясняющие переменные (пол, возраст, тип населенного пункта, образование).

2. Данные 7 матриц (волн) были объединены в единую ма трицу так, что каждому респонденту соответствовали значения 7 переменных (по каждой волне собственное значение трудового статуса). В анализ были включены только респонденты офици ального трудоспособного возраста.

3. Респонденты, не принимавшие участие в любой из 7 волн, т.е. как выбывшие из панели RLMS в любой из волн 2001–2007 гг.

(«осыпание панели»), так и те, которыми «осыпание» было воспол нено в каждом последующем периоде), были исключены из анализа.

Также были исключены затруднившиеся ответить на вопрос о роде занятий. Для корректировки возникшего смещения выборки было проведено взвешивание данных по полу и возрасту в соответствии со структурой трудоспособного населения по данным ГКС.

4. полученная на предыдущем шаге двухмерная матрица была преобразована в трехмерную матрицу «переходов». Соответствую щая каждому респонденту строка двухмерной матрицы была раз бита на 6 записей-переходов (число периодов –1). при этом из переменных с трудовым статусом в каждой записи были оставлены 2 (для «базового» и «последующего» периодов, соответствую щих переходу). Информация о том, какой период является для конкретного перехода «базовым», а какой «последующим», была перенесена в третье измерение – «номер перехода» (время).

Результат является матрицей переходов трудового статуса в рамках модели марковской цепи (см. табл. 1). преобразование данных и формирование матрицы производилось в статистическом программном пакете SPSS [11].

Результаты анализа матрицы переходов Для дальнейшего анализа полученной матрицы данных ис пользовался модульный статистический пакет R [12]. Для того К.В. Бердышев чтобы проверить, соответствуют ли наши данные представлениям математической модели в виде марковской цепи, был использован модуль MSM, разработанный К. Джексоном [13] для оценки сте пени согласованности модели с лонгитюдными данными. Модуль позволяет оценить отклонения от идеальной цепи с заданными параметрами. Вместе с тем модуль не позволяет анализировать взаимозависимости марковской цепи и внешних переменных.

процедура MSM показала, что фактически наблюдаемые в ма трице переходы только в 5% случаев отличаются от предсказанных моделью марковской цепи, что говорит о возможности перехода к более углубленному анализу данных. Следует отметить, что в рамках теории неравенства исследователя интересуют вероятности различных групп повысить свой трудовой статус. Самым простым способом оценки таких вероятностей является кросс-табуляция (см. табл. 2).

по результатам, представленным в табл. 2, можно предпо ложительно сделать выводы: больше всего склонны к восходящей вертикальной мобильности занятые низкоквалифицированным тру дом, а также представители верхней страты «синих воротничков»;

наибольшей вероятности понизить свою группу по роду занятости подвержены мелкие предприниматели и самозанятые, а также представители самой верхней страты (владельцы предприятий, менеджеры верхнего звена и высшая страта профессионалов).

Далее встала задача преодоления ограничений марковской цепи и анализа взаимосвязи вертикальной трудовой мобильности с внешними переменными. Для этого была разработана схема с применением регрессионного уравнения, аналогичная по смыслу предложенной С. Спилерманом, Н.Б. Тумом, М.Т. Ханнаном и Л.п. Гроенвельдом.

В качестве зависимой переменной выбирался род занятости для «последующего» периода, а в качестве независимых – род занятости для «базового» периода, пол, возраст, тип населенного пункта, образование, длительность пребывания на трудовой по Таблица МАТРИцА пЕРЕХОДОВ МАРКОВСКОЙ цЕпИ, % вероятности перехода на позицию Трудовая позиция – Номер трудовой позиции «базовый период» (число «переходов») «последующий» пе- 1 2 3 4 5 6 7 8 риод (номер трудо- (18348) (2527) (6798) (3298) (813) (889) (2324) (3244) (884) вой позиции) Безработные (1) 87 19 11 14 9 19 9 8 Низкоквалифициро 3 62 4 3 2 1 2 0 ванный труд (2) Квалифицирован 4 10 79 3 7 7 3 1 ный труд (3) Работники сферы 3 4 1 70 5 5 5 1 услуг (4) Верхняя страта «синих воротнич- 0 1 1 2 49 1 4 2 ков» (5) Мелкие предприни 1 0 1 1 1 58 0 0 матели (6) Клерки (7) 1 2 1 4 11 2 66 5 Руководители сред него звена/профес- 1 0 1 2 10 2 9 79 сионалы (8) Руководители верх него звена/предпри- 0 0 0 1 7 6 1 3 ниматели (9) Вертикальная трудовая мобильность как марковский процесс Таблица ВЕРТИКАЛЬНАЯ ТРУДОВАЯ МОБИЛЬНОСТЬ, % Номер трудовой позиции (число «переходов») Характер Всего 1 2 3 4 5 6 7 8 мобильности (39125) (18348) (2527) (6798) (3298) (813) (889) (2324) (3244) (884) Восходящая 11 13 18 5 10 28 9 10 3 Отсутствует 79 87 62 79 70 49 58 66 79 Нисходящая 11 0 19 15 20 23 33 24 19 К.В. Бердышев Вертикальная трудовая мобильность как марковский процесс зиции, направление предшествующей мобильности. последняя переменная (предшествующая трудовая мобильность) принимает три значения в соответствии с нисходящей и восходящей мобиль ностью и с ее отсутствием. Смысл ее включения в модель состоит в том, чтобы смягчить требование независимости одного перехода от предшествующего (Свойство 1 марковской цепи) и оценить, в какой степени вероятности переходов зависят от предшествующей истории трудовой мобильности.

Было установлено, что объясняющие переменные мультикол линеарны, так как существует взаимосвязь между мобильностью и внешними по отношению к марковской цепи переменными.

Строго говоря, мы не должны были включать в модель заведо мо взаимосвязанные переменные. Тем не менее, существуют регрессионные модели, позволяющие сделать поправку на этот эффект и оценивать уравнение с взаимно зависимыми объясняю щими переменными. В этой связи мы воспользовались методом «относительных важностей» У. Краскала. Он использует общие принципы регрессионного анализа и позволяет строить уравнения как с интервальными, так и с порядковыми переменными.

преимущество метода состоит в том, что он позволяет помимо обычных коэффициентов регрессии получать также «относитель ные важности» объясняющих переменных. Известно, что при включении в обычную регрессионную модель коррелированных объясняющих переменных их взаимная корреляция вычитается из вклада этих переменных (в различных алгоритмах это проис ходит по-разному). В результате вклад переменной занижается, что является статистическим артефактом. поэтому У. Краскалом и был предложен метод относительных важностей. Алгоритм весь ма прост – перебираются все возможные сочетания из заданных объясняющих переменных, и каждый раз рассчитывается частный коэффициент R2 для объясняющей переменной, а затем усредняют ся все полученные коэффициенты [14]. Результирующие средние коэффициенты являются устойчивой оценкой того, какой вклад К.В. Бердышев переменная вносит в объяснение (с учетом других объясняющих переменных, и поправкой на мультиколлинеарность).

В нашей задаче для построения регрессионной модели был использован модуль Relaimpo статистического пакета R, раз работанный У. Гроемпинг [15]. В модуле реализована модель, аналогичная дисперсионному анализу (Univariate ANOVA в SPSS), но важности – это частные вклады переменных в регрессионное уравнение. процедура выдает три удобные для интерпретации группы коэффициентов (в табл. 3 приведены их значения):

1) коэффициенты с эксклюзивным вкладом каждой перемен ной, за вычетом всех остальных объясняющих переменных (по смыслу – частная корреляция);

2) коэффициенты относительных важностей Краскала;

3) коэффициенты без включения других объясняющих пере менных (прямая корреляция между объясняющей переменной и зависимой).

Основной вклад в объяснение перемещений в вертикальной структуре занятости вносит сам род занятости (коэффициент отно сительной важности Краскала равен 66%), а остальные переходы связаны преимущественно с образованием и возрастом.

Важный вклад вносит и направление предшествующей мо бильности (даже частная корреляция равна ~10%). последнее говорит о том, что действительность не всегда укладывается в идеальную модель марковской цепи. Вероятности переходов на ту или иную ступеньку в иерархии трудового статуса связаны с предшествующей трудовой историей.

Длительность предшествующего пребывания на позиции с шансами на мобильность практически не связана. Это означает, что приведенная выше аксиома куммулятивной энерции Корнелла [2] плохо описывает анализируемые данные.

В заключение следует подчеркнуть, что проведенный вторичный анализ существующих данных и полученные результаты позволяют сделать вывод, что предлагаемая нами логическая схема (методика) Таблица ЗНАЧЕНИЯ РЕГРЕССИОННЫХ КОЭФФИцИЕНТОВ, % объясненной вариации Коэффициенты Объясняющие переменные Частная Относительная прямая корреляция важность Краскала корреляция Род занятости (t) 56 66 Образование 10 33 Возраст 4 23 пол 3 13 Тип населенного пункта 3 10 Направление предшествующей мобильности 10 10 Длительность пребывания на позиции 1 5 Вертикальная трудовая мобильность как марковский процесс К.В. Бердышев моделирования дает возможность достаточно глубоко проникнуть в структуру вертикальной трудовой мобильности и изучить шансы различных групп на повышение и понижение трудового статуса.

Изучаемые данные хорошо укладываются в модель марковской цепи, но методика анализа также показала степень влияния внешних по отношению к модели переменных на динамику трудового статуса.

К плюсам методики можно отнести реализуемость в рамках широкого круга статистических пакетов и возможность «гибкой» корректировки модельных ограничений путем включения независимых переменных, отражающих трудовую историю респондентов.

ЛИТЕРАТУРА 1. Abbott A. Sequence Analysis: New Methods for Old Ideas [Text] // Annual Review of Sociology. 1995. Vol. 21. P. 93–113.

2. McGinnis R. A Stochastic Model of Social Mobility // American Sociological Review. Oct. 1968. Vol. 33. No. 5. P. 712–722.

3. Tuma N.B., Hannan M.T., Groeneveld L.P. Dynamic Analysis of Event Histories // The American Journal of Sociology. Jan. 1979. Vol. 84, No. 4, P. 820–854.

4. Petersen T. Recent Advances in Longitudinal Methodology [Text] // Annual Review of Sociology. 1993. Vol. 19. P. 425–454.

5. Singer B. Estimation of Nonstationary Markov Chains from Panel Data // Sociological Methodology. 1981. Vol. 12. P. 319–337.

6. Spilerman S. Extensions of the Mover-Stayer Model // The American Journal of Sociology. Nov. 1972. Vol. 78. No. 3. P. 599–626.

7. Spilerman S. The Analysis of Mobility Processes by the Introduction of Inde pendent Variables into a Markov Chain // American Sociological Review. Jun. 1972.

Vol. 37. No. 3. P. 277–294.

8. http://www.cpc.unc.edu/projects/rlms.

9. International Labor Organization. International Standard Classification of Oc cupations 88 // http://www.ilo.org/public/english/bureau/stat/isco/isco88/index.htm.

10. European Socio-economic Classification (ESeC) // http://www.iser.essex.

ac.uk/esec/.

11. Официальный сайт SPSS Rus // http://www.spss.ru/.

12. The R Project for Statistical Computing // http://www.r-project.org/.

13. Jackson Ch. Msm (Multi-state Markov and Hidden Markov Models in Continuous Time) Package Version 0.9.6 (11.02.2010) // The R Project for Statistical Computing // http://www.r-project.org/.

Вертикальная трудовая мобильность как марковский процесс 14. Kruskal W. Relative Importance by Averaging Over Orderings // The American Statistician. Feb. 1987. Vol. 41. No. 1. P. 6–10.

15. Groemping U., Lehrkamp M. Relaimpo (Relative Importance of Regressors in Linear Models) Package Version 2.1-4 (19.10.2009) // The R Project for Statistical Computing // http://www.r-project.org/;

http://prof.tfh-berlin.de/groemping/relaimpo/;

http://prof.tfh-berlin.de/groemping/.




© 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.