Реферат: Реферат по анализу данных в социологии
Оглавление
Введение 3
1. Виды статистического анализа 5
1.1. Инструменты дескриптивного анализа_ 5
1.2. Статистический вывод 7
2. Анализ различий_ 13
2.1. Определение и интерпретация связей между двумя переменными_ 15
Заключение 21
Список используемой литературы_ 22
Введение
Анализ данных начинается с перевода «сырых» данных в осмысленную информацию
и включает их введение в компьютер, проверку на предмет ошибок, кодирование,
представление в матричной форме (табулирование). Все это называется
преобразованием исходных данных.
Далее проводится статистический анализ, т.е. определяются средние величины,
частоты, корреляционные и регрессионные соотношения, осуществляется анализ
трендов.
После сбора данных необходимо их преобразовать, т.е. привести к более сжатому
виду, удобному для анализа и обладающему достаточной для заказчика
информацией. Обычно закодированные исходные данные представляются в виде
матрицы, столбцы которой содержат ответы на различные вопросы анкеты, а ряды
— респондентов или изучаемые ситуации. Преобразование заключается в описании
данных матрицы на языке ограниченного числа мер, характеризующих собранные
данные. Табулирование помогает исследователю понять, что означают собранные
данные. Одновременный анализ двух и более категорий опрашиваемых называется
перекрестной табуляцией.
Исследователь, осуществляя преобразование, старается найти зависимости среди
собранных данных и в то же время достигнуть наиболее высокого уровня
обобщения.
Выделяют, по крайней мере, следующие четыре функции преобразования данных:
обобщение, определение концепции (концептуализация), перевод результатов
статистического анализа на понятный для менеджера язык (коммуникация),
определение степени соответствия полученных результатов всей совокупности
(экстраполяция).
Из-за неспособности человека анализировать большие массивы информации
необходимо исходные собранные данные представить в удобном для осмысления
виде, т.е. их необходимо обобщить, выразить через ограниченное число понятных
параметров.
Большинство статистических мер основано на конкретных предположениях,
которые определяют базу анализа собранных данных. Концептуализация
направлена на оценку результатов обобщения. Например, слабый разброс оценок
определенной марки продукта вырабатывает у исследователя одно суждение
(концепцию), сильный — другое.
Коммуникация предполагает при интерпретации полученных результатов
использование понятных для заказчика категорий. Например, если для него
понятна такая статистическая мера, как «мода», то она используется при
представлении полученных результатов, если нет, то результаты описываются на
общепринятом языке.
Экстраполяция в данном случае предполагает определение, в какой степени
данные выборки можно обобщить на всю совокупность.
1. Виды статистического анализа
Выделяют пять основных видов статистического анализа, используемых при
проведении маркетинговых исследований: дескриптивный анализ, выводной
анализ, анализ различий, анализ связей и предсказательный анализ. Иногда эти
виды анализа используются по отдельности, иногда — совместно.
В основе
дескриптивного анализа лежит использование таких
статистических мер, как средняя величина (средняя), мода, среднее
квадрати-ческое отклонение, размах или амплитуда вариации.
Анализ, в основе которого лежит использование статистических процедур (например,
проверка гипотез) с целью обобщения полученных результатов на всю
совокупность, называется
выводным анализом.
Анализ различий используется для сравнения результатов исследования двух
групп для определения степени реального отличия в их поведении, в реакции на
одну и ту же рекламу и т.п.
Анализ связей направлен на определение систематических связей (их
направленности и силы) переменных.
Предсказательный анализ используется в целях прогнозирования развития
событий в будущем, например путем анализа временных рядов.
1.1. Инструменты дескриптивного анализа
Для описания информации, полученной на основе выборочных измерений, широко
используется две группы мер. Первая включает меры «центральной тенденции»,
или меры, которые описывают типичного респондента или типичный ответ. Вторая
включает меры вариации, или меры, описывающие степень схожести или несхожести
респондентов или ответов с «типичными» респондентами или ответами. Существуют
и другие описательные меры, например меры асимметрии (насколько найденные
кривые распределения отличаются от нормальных кривых распределения). Однако
они используются не столь часто, как вышеупомянутые.
К числу мер центральной тенденции относятся мода, медиана и средняя.
Мода характеризует величину признака, появляющуюся наиболее часто по
сравнению с другими величинами данного признака. Мода носит относительный
характер, и необязательно, чтобы большинство респондентов указало именно эту
величину признака.
Медиана характеризует значение признака, занимающее срединное место в
упорядоченном ряду значений данного признака.
Третьей мерой центральной тенденции является средняя величина, которая чаще
всего рассчитывается как средняя арифметическая величина. При ее вычислении
общий объем признака поровну распределяется между всеми единицами
совокупности.
Видно, что степень информативности средней величины больше, чем медианы, а
медианы — моды.
Однако рассмотренные меры не характеризуют вариацию ответов на какой-то
вопрос или, говоря другими словами, несходство, различие респондентов или
измеренных характеристик. Очевидно, что помимо знания величин мер центральной
тенденции важно установить, насколько близко к этим величинам расположены
остальные полученные оценки. Обычно используют три меры вариации:
распределение частот, размах вариации и среднее квадратическое отклонение.
Распределение частот представляет в табличной или графической форме число
случаев появления каждого значения измеренной характеристики (признака) в
каждом выбранном диапазоне ее значений. Распределение частот позволяет быстро
сделать выводы о степени подробности результатов измерений.
Размах вариации определяет абсолютную разность между максимальным и
минимальным значениями измеренного признака. Говоря другими словами, это
разница между конечными точками в распределении упорядоченных величин
измеренного признака. Данная мера определяет интервал распределения значений
признака.
Среднее квадратическое отклонение является обобщающей статистической
характеристикой вариации значений признака. Если эта мера мала, то кривая
распределения имеет узкую, сжатую форму (результаты измерений обладают высокой
степенью схожести); если мера велика, то кривая распределения имеет широкий,
растянутый вид (велика степень различия оценок).
Ранее было отмечено, что выбор шкалы измерений, а следовательно, типа
вопросов в опросном листе предопределяют количество получаемой информации.
Подобным образом, количество информации, получаемой при использовании
рассмотренных выше мер, является различным. Общим правилом является то, что
статистические меры дают возможность получить больше информации при
применении наиболее информативных шкал измерений. Выбор шкалы измерений
предопределяет выбор статистических мер. Для вычисления средних надо
использовать интервальную шкалу или шкалу отношений.
Что касается мер вариации, то при использовании номинальной шкалы применяется
распределение частот, при использовании шкалы порядков — кумулятивное
распределение частот, а при использовании интервальной шкалы к шкалы
отношений — среднее квадратическое отклонение.
1.2. Статистический вывод
Вывод является видом логического анализа, направленного на получение общих
заключений о всей совокупности на основе наблюдений за малой группой единиц
данной совокупности.
Выводы делаются на основе анализа малого числа фактов.
Статистический же вывод основан на статистическом анализе результатов
выборочных исследований и направлен на оценку параметров совокупности в
целом. В данном случае результаты выборочных исследований являются только
отправной точкой для получения общих выводов.
Используя логический анализ, можно сделать вывод, что большая выборка
содержит меньшую ошибку и что на ее основе можно сделать более правильные
выводы о мнении всей совокупности потребителей. Видно, что решающим фактором
для получения правильных выводов является размер выборки. Данный показатель
присутствует во всех формулах, определяющих содержание различных методов
статистического вывода.
При проведении анализа используются следующие методы статистического вывода:
оценка параметров и проверка гипотез.
Оценка параметров генеральной совокупности представляет из себя процесс
определения, исходя из данных о выборке, интервала, в котором находится один
из параметров генеральной совокупности, например среднее значение. Для этого
используют следующие статистические показатели: средние величины, среднюю
квадратическую ошибку и желаемый уровень доверительности (обычно 95% или
99%).
Средняя квадратическая ошибка является, как отмечалось выше, мерой вариации
выборочного распределения при теоретическом предположении, что исследовалось
множество независимых выборок одной и той же генеральной совокупности.
Она определяется по следующей формуле:
где
s- — средняя квадратическая ошибка выборочной средней;
s — среднее квадратическое отклонение от средней величины в выборке;
п — объем выборки.
Если используются процентные меры, выражающие альтернативную изменчивость
качественных признаков, то
где
s — средняя квадратическая ошибка выборочной средней при
использовании процентных мер;
р — процент респондентов в выборке, поддержавших первую альтенативу;
q = (100 —
q) — процент респондентов в выборке, поддержавших
вторую альтенативу;
п — объем выборки.
Видно, что средняя ошибка выборки тем больше, чем больше вариация, и тем
меньше, чем больше объем выборки.
Поскольку всегда существует выборочная ошибка, то необходимо оценить разброс
значений изучаемого параметра генеральной совокупности. Предположим,
исследователь выбрал уровень доверительности, равный 99%. Из свойств
нормальной кривой распределения вытекает, что ему соответствует параметр Z =
±2,58. Средняя для генеральной совокупности в целом вычисляется по формуле
Если используются процентные меры, то
Это означает, что если вы хотите, чтобы при 99%-ном уровне доверительности
диапазон оценок включал истинную для генеральной совокупности оценку, то
необходимо умножить среднюю квадратическую ошибку на 2,58 и добавить полученный
результат к процентному значению
«р» (верхняя предельная оценка). Если
же произвести вычитание данного произведения, то найдем нижнюю предельную
оценку.
Как эти формулы связаны со статистическим выводом?
Поскольку производится оценка параметра генеральной совокупности, то здесь
указывается диапазон, в который попадает истинное значение параметра
генеральной совокупности. С этой целью этого для выборки берутся
статистическая мера центральной тенденции, величина дисперсии и объем
выборки. Далее делается предположение об уровне доверительности и
рассчитывается диапазон разброса параметра для генеральной совокупности.
Таким образом, логика статистического вывода направлена на получение
конечных заключений об изучаемом параметре генеральной совокупности на основе
выборочного исследования, осуществленного по законам математической
статистики. Бели используется простое заключение, не основанное на
статистических измерениях, то конечные выводы носят субъективный характер и
на основе одних и тех же фактов разные специалисты могут сделать разные
выводы.
При использовании статистического вывода используются формулы, носящие
объективный характер, в основе которых лежат общепризнанные статистические
концепции. В результате конечные выводы носят намного более объективный
характер.
В ряде случаев делаются суждения относительно какого-то параметра
генеральной совокупности (величине средней, дисперсии, характере
распределения, форме и тесноте связи между переменными) исходя только из
некоторых предположений, размышлений, интуиции, неполных знаний. Такие
суждения называются гипотезами.
Статистической гипотезой называется предположение о свойстве генеральной
совокупности, которое можно проверить, опираясь на данные выборки.
Под проверкой гипотезы понимается статистическая процедура, применяемая
для подтверждения или отклонения гипотезы, основанной на результатах выборочных
исследований. Проверка гипотезы осуществляется на основе выявления
согласованности эмпирических данных с гипотетическими. Если расхождение между
сравниваемыми величинами не выходит за пределы случайных ошибок, гипотезу
принимают. При этом не делается никаких заключений о правильности самой
гипотезы, речь идет лишь о согласованности сравниваемых данных.
Проверка гипотезы проводится в пять этапов:
1. Делается некоторое предположение относительно какой-то
характеристики генеральной совокупности, например о средней величине
определенного параметра.
2. Формируется случайная выборка, проводится выборочное
исследование и определяются статистические показатели выборки.
3. Сравниваются гипотетическое и статистическое значения
исследуемой характеристики.
4. Определяется, соответствуют или нет результаты выборочного
исследования принятой гипотезе.
5. Если результаты выборочного исследования не подтверждают
гипотезу, последняя пересматривается — она должна соответствовать данным
выборочного исследования.
Вследствие вариации результатов выборочных исследований невозможно сделать
абсолютно точный вывод о достоверности гипотезы, проводя простое
арифметическое сравнение величин характеристик. Поэтому статистическая
проверка гипотезы включает использование: выборочного значения
характеристики, среднего квадратического отклонения, желательного уровня
доверительности и гипотетического значения характеристики для генеральной
совокупности в целом.
Для проверки гипотез о средних величинах применяется следующая формула:
где
— средняя для выборки;
mн — гипотетическое значение средней;
— средняя квадратическая ошибка средней.
В ряде случаев целесообразно использовать направленные гипотезы. Направленные
гипотезы определяет направления возможных значений какого-то параметра
генеральной совокупности.
Здесь, правда, возникает вопрос. Если можно провести выборочные
исследования, то зачем выдвигать гипотезы? Обработка результатов выборочных
исследований дает возможность получить средние величины и их статистические
характеристики, не выдвигая никаких гипотез. Поэтому проверка гипотез скорее
применяется в случаях, когда невозможно или чрезвычайно трудоемко проводить
полномасштабные исследования и когда требуется сравнивать результаты
нескольких исследований (для разных групп респондентов или проведенных в
разное время). Такого рода задачи, как правило, возникают в социальной
статистике. Трудоемкость статистико-социологических исследований приводит к
тому, что почти все они строятся на не-сплошном учете. Поэтому проблема
доказательности выводов в социальной статистике стоит особенно остро.
Применяя процедуру проверки гипотез, следует помнить, что она может
гарантировать результаты с определенной вероятностью лишь по
«беспристрастным» выборкам, на основе объективных данных.
2. Анализ различий
Проверка существенности различий заключается в сопоставлении ответов на один
и тот же вопрос, полученных для двух или более независимых групп
респондентов. Кроме того, в ряде случаев представляет интерес сравнение
ответов на два или более независимых вопросов для одной и той же выборки.
Примером первого случая может служить изучение вопроса: что предпочитают пить
по утрам жители определенного региона: кофе или чай. Первоначально было
опрошено на основе формирования случайной выборки 100 респондентов, 60%
которых отдают предпочтение кофе; через год исследование было повторено, и
только 40% из 300 опрошенных человек высказалось за кофе. Как можно
сопоставить результаты этих двух исследований? Прямым арифметическим путем
сравнивать 40% и 60% нельзя из-за разных ошибок выборок. Хотя в случае
больших различий в цифрах, скажем, 20 и 80%, легче сделать вывод об
изменении вкусов в пользу кофе. Однако если есть уверенность, что эта
большая разница обусловлена прежде всего тем, что в первом случае
использовалась очень малая выборка, то такой вывод может оказаться
сомнительным. Таким образом, при проведении подобного сравнения в расчет
необходимо принять два критических фактора: степень существенности различий
между величинами параметра для двух выборок и средние квадратические ошибки
двух выборок, определяемые их объемами.
Для проверки, является ли существенной разница измеренных средних,
используется нулевая гипотеза. Нулевая гипотеза предполагает, что две
совокупности, сравниваемые по одному или нескольким признакам, не отличаются
друг от друга. При этом предполагается, что действительное различие
сравниваемых величин равно нулю, а выявленное по данным отличие от нуля
носит случайный характер.
Для проверки существенности разницы между двумя измеренными средними
(процентами) вначале проводится их сравнение, а затем полученная разница
переводится в значение среднеквадратических ошибок, и определяется,
насколько далеко они отклоняются от гипотетического нулевого значения.
Как только определены среднеквадратические ошибки, становится известной
площадь под нормальной кривой распределения и появляется возможность сделать
заключение о вероятности выполнения нулевой гипотезы.
Числитель данной формулы характеризует разницу средних. Кроме того,
необходимо учесть различие формы двух кривых распределения. Это
осуществляется в знаменателе формулы. Выборочное распределение теперь
рассматривается как выборочное распределение разницы между средними
(процентными мерами). Если нулевая гипотеза справедлива, то распределение
разницы является нормальной кривой со средней равной нулю и средней
квадратической ошибкой, равной 1.
Видно, что величина 6,43 существенно превышает значение ±1,96 (95%-ный
уровень доверительности) и ±2,58 (99%-ный уровень доверительности). Это
означает, что нулевая гипотеза не является истинной.
На (рис. 1) приводятся кривые распределения для этих двух сравниваемых
выборок и средняя квадратическая ошибка кривой разницы. Средняя
квадратическая ошибка средней кривой разницы равна 0. Вследствие большого
значения среднеквадратических ошибок вероятность справедливости нулевой
гипотезы об отсутствии разницы между двумя средними меньше 0,001.
Рис 1. Проверка нулевой гипотезы
Результаты испытания интерпретируются следующим образом. Если бы гипотеза
была истинной, то, образовав большое число выборок, проводя каждый раз
аналогичные сравнения, пришли бы к выводу, что 99% разницы будет лежать в
границах ±2,58 среднеквадратической ошибки нулевой разницы. Безусловно, может
быть сделано только одно сравнение, и можно полагаться только на концепцию
выборочного распределения.
2.1. Определение и интерпретация связей между двумя переменными
В связях не всегда имеются причинно-следственный характер, а могут иметь
просто статистическую природу. В поставленных вопросах можно определенно
говорить о влиянии одного фактора на другой. Однако степень влияния изучаемых
факторов может быть различной; скорее всего, влияние могут оказывать также
какие-то другие факторы. Выделяют четыре типа связей между двумя переменными:
немонотонная, монотонная, линейная и криволинейная.
Немонотонная связь характеризуется тем, что присутствие (отсутствие)
одной переменной систематически связано с присутствием (отсутствием) другой
переменной, но ничего неизвестно о направлении этого взаимодействия (приводит
ли, например, увеличение одной переменной к увеличению или уменьшению другой).
Например, известно, что посетители закусочных в утренние часы предпочитают
заказывать кофе, а в середине дня — чай.
Немонотонная связь просто показывает, что утренние посетители предпочитают
также заказывать яйца, бутерброды и бисквиты, а в обеденное время скорее
заказывают мясные блюда с гарниром.
Монотонная связь характеризуется возможностью указать только общее
направление связи между двумя переменными без использования каких-либо
количественных характеристик. Нельзя сказать, насколько, например, определенное
увеличение одной переменной приводит к увеличению другой переменной.
Существуют только два типа таких связей: увеличение и уменьшение. Например,
владельцу обувного магазина известно, что более взрослые дети обычно требуют
обувь больших размеров. Однако невозможно четко установить связь между
конкретным возрастом и точным размером обуви.
Линейная связь характеризует прямолинейную зависимость между двумя
переменными. Знание количественной характеристики одной переменной
автоматически предопределяет знание величины другой переменной:
где
у — оцениваемая или прогнозируемая зависимая переменная (результативный
признак);
а — свободный член уравнения;
х — независимая переменная (факторный признак), используемая для
определения зависимой переменной.
b — коэффициент регрессии, измеряющий среднее отношение отклонения
результативного признака от его средней величины к отклонению факторного
признака от его средней величины на одну единицу его измерения — вариация у,
приходящаяся на единицу вариации
х.
Коэффициенты
а и
b рассчитываются на основе наблюдений величин
у и
х с помощью метода наименьших квадратов.
Криволинейная связь характеризует связь между переменными, носящую более
сложный характер по сравнению с прямой линией. Например, связь между
переменными может описываться S-об разно и кривой.
В зависимости от своего типа связь может быть охарактеризована путем
определения: ее присутствия (отсутствия), направления и силы (тесноты) связи.
Присутствие характеризует наличие или отсутствие систематической связи между
двумя изучаемыми переменными; оно имеет статистическую природу. Проведя
испытание статистической значимости, определяют, существует ли зависимость
между данными. Если результаты исследования отвергают нулевую гипотезу, это
говорит о том, что зависимость между данными существует.
В случае монотонных линейных связей последние могут быть описаны с точки
зрения их направления — в сторону увеличения или уменьшения.
Связь между двумя переменными может быть сильной, умеренной, слабой или
отсутствовать. Сильная зависимость характеризуется высокой вероятностью
существования связи между двумя переменными, слабая — малой вероятностью.
Существуют специальные процедуры для определения указанных выше характеристик
связей. Первоначально надо решить, какой тип связей может существовать между
двумя изучаемыми переменными. Ответ на этот вопрос зависит от выбранной шкалы
измерений.
Шкала низкого уровня (наименований) может отразить только неточные связи, в
то время как шкала отношений, или интервальная, — очень точные связи.
Определив тип связи (монотонная, немонотонная), надо установить, существует
ли эта связь для генеральной совокупности в целом. Для этого проводятся
статистические испытания.
После того как найдено, что для генеральной совокупности существует
определенный тип связи, устанавливается ее направление. Наконец, необходимо
установить силу (тесноту) связи.
Для определения, существует или нет немонотонная зависимость, используется
таблица сопряженности двух переменных и критерий хи-квадрат. Как правило,
критерий хи-квадрат применяется для анализа таблиц сопряженности номинальных
признаков, однако он может использоваться и при анализе взаимосвязи
порядковых, или интервальных, переменных. Если, скажем, было выяснено, что
две переменные не связаны друг с другом, то их дальнейшим исследованием
заниматься не стоит. Некоторые указания на связь скорее были обусловлены
ошибкой выборки. Если же тест на хи-квадрат указал на связь, то она
существует в реальности для генеральной совокупности и ее, возможно, следует
изучать. Однако этот анализ не указывает на характер связи.
Предположим, что изучалась лояльность к определенной марке пива среди
служащих и рабочих (двумя переменными, измеренными в шкале наименований).
Результаты опроса затабулированы в следующем виде (Таб. 1).
Таблица № 1
Первая из приведенных матриц содержит наблюдаемые частоты, которые
сравниваются с ожидаемыми частотами, определяемыми как теоретические частоты,
вытекающие из принимаемой гипотезы об отсутствии связи между двумя
переменными (выполняется нулевая гипотеза). Величина отличия наблюдаемых
частот от ожидаемых выражается с помощью величины хи-квадрата. Последняя
сравнивается с ее табличным значением для выбранного уровня значимости.
Когда величина хи-квадрата мала, то нулевая гипотеза принимается, а
следовательно, считается, что две переменные являются независимыми и
исследователю не стоит тратить время на выяснение связи между ними, поскольку
связь является результатом выборочной ошибки.
Из таблицы критических значений хи-квадрата вытекает, что для степени
свободы, равной в нашем примере 1, и уровня значимости альфа —0,05
критическое значение хи-квадрата равно 3,841. Видно, что расчетное значение
хи-квадрата существенно больше его критического значения. Это говорит о
существовании статистически значимой связи между родом деятельности и
лояльностью к исследованной марке пива, и не только для данной выборки, но и
для совокупности в целом. Из таблицы следует, что главная связь заключается в
том, что рабочие покупают пиво данной марки реже по сравнению со служащими.
Теснота связи и ее направление определяются путем расчета коэффициента
корреляции, который изменяется от -1 до +1. Абсолютная величина коэффициента
корреляции характеризует тесноту связи, а знак указывает на ее направление.
Вначале определяется статистическая значимость коэффициента корреляции.
Безотносительно к его абсолютной величине коэффициент корреляции, не
обладающий статистической значимостью, бессмыслен. Статистическая значимость
проверяется с помощью нулевой гипотезы, которая констатирует, что для
совокупности коэффициент корреляции равен нулю. Если нулевая гипотеза
отвергается, это означает, что коэффициент корреляции для выборки является
значимым и его значение для совокупности не будет равно нулю. Существуют
таблицы, с помощью которых, для выборки определенного объема, можно
определить наименьшую величину значимости для коэффициента корреляции.
Далее, если коэффициент корреляции оказался статистически значимым, с
помощью некоторого общего правила «большого пальца» определяется сила связи
(Таб. 2).
Таблица № 2
Данные результаты можно получить также расчетным методом, используя
уравнение прямой линии и используя различные аналитические методы, в
частности метод наименьших квадратов.
Для определения тесноты связи переменных, измеренных в шкале рангов,
используются коэффициенты корреляции рангов.
Заключение
В наше время каждый социолог понимает, что собранные им данные так или иначе
надо "анализировать" (конечно, с помощью математических методов). Практически
в каждом учебном заведении, готовящем социологов, предусматривается
преподавание предмета, название которого фигурирует в заголовке настоящей
книги. Но, на наш взгляд, далеко не всегда совокупность действий, называемая
анализом социологических данных, понимается правильно. В первую очередь, мы
имеем в виду то, что эта совокупность действий не всегда трактуется как
некоторый специфичный процесс, не сводящийся ни к какому набору
математических приемов и органично вписывающийся в содержательную ткань
социологического исследования. Непонимание же сути указанного процесса, по
нашему мнению, приводит к неэффективному использованию математического
аппарата, и, более того, к получению выводов, противоречащих реальности.
Неадекватное отношение к процессу анализа данных не является случайным.
Список используемой литературы
1.
Девятко И.Ф. Диагностическая процедура в социологии. Очерк
истории и теории. М.:Наука,1993.
2.
Девятко И.Ф. Модели объяснения и логика социологического
исследования. М.:ИС Рос.АН, 1996.
3.
Девятко И.Ф. Методы социологического исследования.
Екатеринбург:Изд-во Уральского университета, 1998.
4. Социология в России/ Под ред. В.А.Ядова. М.:Изд-во "На Воробьевых", 1996.
5.
Толстова Ю.Н. Измерение в социологии. М.:ИНФРА-М, 1998.
6.
Татарова Г.Г. От постулатов эмпирической социологии к методологии
анализа данных. М.:Наука, 1996.
7.
Ядов В.А. Стратегия социологического исследования. М.:Добросвет, 1998.
8.
Паниотто, Максименко. Анализ данных. М.:Наука, 1987.
9.
Голубков Е.П. Маркетинговые исследования. М.:Финпресс, 2000.