Политическая наука №1 / 2018
Шрифт:
Если судить поверхностно, я преуспел в своей мечте усиления научности социальных исследований, раз получил премию Карла Дойча. Однако я должен признаться, что потерпел неудачу. По существу, мне не удалось превратить политологию в науку. Во всяком случае, политология, равно как и другие социальные науки, сегодня менее научна, чем полвека назад, когда Кохен и Дойч [Kochen, Deutsch, 1969] опубликовали свою модель децентрализации. Это произошло, поскольку бессмысленная обработка статистических данных вытеснила логическое моделирование, как, например, у тех же Кохена и Дойча. Политология от своей полной «не-научности» переходит все больше к «псевдонаучности».
Забудьте о бессмысленном противостоянии качественного и количественного подходов к изучению
Приведу лишь один пример. Некоторое время назад мне попалось прекрасное исследование, расширяющее наше понимание политики и без использования большого количества цифр. По ходу чтения оно резко сошло на нет, подавленное приведением бесполезных статистических данных. Выведенная регрессия ничего нового не добавляла. Напротив, она размыла первоначальный замысел – хорошо, что не убила окончательно. Контраст был настолько очевидным, что я связался с автором. Я высказал предположение, что журнал потребовал добавить регрессию в качестве условия для публикации. Автор на это ответил: «Да, Вы абсолютно правы». Не правда ли, звучит очень привычно? Коли люди, делающие разумную качественную работу, вынуждены добавлять бессмысленные статистические методы, то что-то здесь не так.
Вот еще один пример. Выдающийся математический психолог Дункан Люче рассказывал мне, как он добивался публикации своей статьи [Folk, Luce, 1987]. Суть дела прекрасно выражала логарифмическая модель. Журнал настаивал на замене ее простой регрессионной моделью, что не имело логического смысла. В качестве компромисса авторам позволили оставить тот подход, который действительно имел смысл, но при условии добавления бессмысленной модели [Taagepera, 2008, p. 4]. Если людей, проводящих логически обоснованное количественное исследование, принуждают к добавлению бессмысленных линейных моделей, то что-то здесь не так, что-то не в порядке в этом королевстве.
Рис. 2.
Наука шагает на двух ногах: наблюдении и осмыслении [Taagepera, 2015]. Две ноги науки
Взгляните на рисунок 2. Здесь наука изображена на двух ногах. Именно наличие двух ног и позволяет ей шагать, приращивать знание. Как я уже говорил, шаг одной заключается в вопросе о положении дел. Этот шаг связан с наблюдением, измерением, наглядным отображением и статистическим описанием. Шаг другой ногой связан с выяснением логических оснований положения дел. И не только наблюдаемых, но возможных, а также и необходимых при последовательном использовании логических оснований.
Именно второй шаг ведет нас к построению логических моделей. И это придает дополнительный смысл первому. Пока мы фокусируем свой взгляд только на том, что перед глазами, мы действительно улавливаем, каково положение дел в конкретном случае. Вся полнота проблемы раскрывается целиком, только когда мы задаемся вопросом: «Каким положение дел должно быть?» Именно этот вопрос и связанный с ним шаг позволяют нам понять, что именно следует искать. Две ноги шагают дальше, когда мыслительные модели тестируются с помощью собранных данных, чаще всего статистически 13 .
13
То, что обычно небрежно сваливается в одну кучу под названием «статистический анализ», исполняет в действительности две чрезвычайно различные функции. Одна из них – статистическое описание данных – наилучшим образом соответствует тому, что обычно понимается под подходящим математическим форматом, включая значения констант в данном формате, меры разброса (такие как R2) и т.д. Вторая – статистическое тестирование предполагаемых моделей – показывает, насколько хорошо предсказание согласуется со средним данных. Измерения с помощью статистических критериев тоже различаются между собой, но они также отличаются значительно от мер разброса. В частности, коэффициент детерминации R2 не имеет значения и даже бесполезен, когда дело доходит до тестирования моделей.
Вы можете сказать, что это звучит слишком абстрактно. Чтобы понять, что стоит за данными словами, я проиллюстрирую их на примере открытого мною закона продолжительности жизни правительства 14 . Первым шагом было следующее наблюдение: в странах с большим числом партий недолговечные правительства. Вторым шагом стало размышление над данным наблюдением. Оно очевидно приводит нас к непосредственному предсказанию о направлении связи (directional prediction), т.е. улавливающему лишь направление или тренд зависимости: чем больше партий, тем продолжительность жизни правительств меньше. Измерения продолжительности жизни правительств и числа партий в значительной степени подтверждают данное предсказание.
14
Это представление и применение «двуногого» процесса соответствует главе 1 Шугарта и Таагеперы (2017), хотя там используются иные примеры.
Но простого предсказания направления недостаточно. Вспомните о Галилее. Любой тосканский крестьянин мог сказать Галилею, в каком направлении падают вещи [Taagepera, 2008, p. 24]. Они падают вниз! Что еще вам нужно знать? Но Галилей хотел понять логику этого падения: как быстро они падают и почему. Если мы хотим быть учеными, то мы должны задавать подобные вопросы и относительно продолжительности жизни правительств, и о любых других направленных связях. И еще, когда я адресую такие вопросы журнальным рецензентам, то они отвечают в духе тех самых тосканских крестьян. Они указывают на излишние черты, лежащие за пределами обозначенной связи рассматриваемого эффекта. Делая это, они препятствуют исследованию на первом же шаге, когда Галилей только начинал свое изучение гравитации. Такие «крестьяне» причиняют ощутимый вред социальным наукам.
Крайне важный шаг заключается в том, чтобы наглядно представить имеющиеся данные (to graph the data) 15 . Посмотрите на график и поразмышляйте над тем, какую информацию он дает. На графике с обычным масштабом (не таком, как на рисунке 1), связь между продолжительностью жизни кабинета и числом партий представляется в виде нисходящей кривой, но НЕ прямой линии. Так забудьте о рефлекторном использовании линейной регрессии!
15
На самом деле мы должны визуализировать больше, чем данные [Taagepera, 2008, p. 202–204; Taagepera, 2015, ch. 8]. На графиках мы должны выявлять те «запретные» зоны, где точки не базируются на концептуальных основаниях, – в данном случае на тех, где N<1 и C<0. Также следует показать те «якорные точки», которые как раз логически включены в описываемые взаимосвязи. Например, любая взаимосвязь между самой большой долей мест и их количеством должна быть равна MS=1 (случай президентских выборов), что приводит к тому, что S1=1 – так как максимально может быть занято 100% мест. Именно поэтому (1; 1) – та самая «якорная» точка. Ее визуализация опирается на «мыслительную» ногу в дополнение к «наблюдательной».
Кривая наводит на мысль, что продолжительность жизни правительства может быть обратно пропорциональна числу партий. Однако дальнейшие размышления приводят нас к предсказанию, что это должен быть квадрат числа: C=k/N 2, где k – это еще неопределенная константа 16 . Представленное выражение не является линейным, как и большинство других взаимосвязей в науках. Но это нелинейность такого вида, когда можно логически предположить, что логарифмирование продолжительности жизни правительств и числа партий приведет к линейной взаимосвязи, с наклоном -2. Повторная визуализация, но теперь уже с использованием логарифмированных шкал, подтверждает это подозрение, что мы и можем видеть на рисунке 1.
16
Функциональная форма C=k/N 2 выводится логически, но значение константы k определяется эмпирически. Это вполне обычная ситуация в физике.