Политическая наука №1 / 2018

Коллектив авторов

Теперь и только теперь можно перейти к статистическим подходам, которые позволят протестировать предложенные логические модели. Чтобы это имело смысл, линейная регрессия должна применяться только к логарифмированным показателям продолжительности жизни правительств и числа партий – не к их количественным измерениям как таковым. Данная линейная регрессия подтверждает ожидаемый наклон, равный -2, а также позволяет найти наилучшее значение для константы – 42 года.

Итак, конечным результатом является получение количественной предсказательной логической модели: C=42 года/N ². Эта модель «количественная и предсказательная», потому что она предсказывает не только направление изменений, но также и продолжительность жизни правительства при заданном числе партий. Модель «логическая», потому что использование в качестве делителя квадрата числа партий исходит из логических соображений.

Заметьте, что мы использовали чередующиеся шаги каждой ноги, на которых стоит наука. Мы начали с наблюдения, левой ноги, а затем обратили внимание на направленное мышление – правую ногу. Визуализация включается в «наблюдательную» ногу. Дальнейшие размышления приводят

к обратной квадратной модели. Это заставило нас задаться вопросом: «Как мы можем превратить эту кривую в прямую линию?» Переход к логарифмам послужил ответом. Затем мы снова переключили наше внимание на «наблюдательную» ногу, перейдя к построению линейной регрессии на основе измененных данных. Наконец, мы должны были вновь сместить фокус нашего внимания на «мыслительную» ногу и спросить себя: «Имеет ли данный результат смысл?» Да, имеет. В частности, при большом числе партий продолжительность существования правительства будет приближаться к нулю, как это и должно быть.

Попытки скакать на одной ноге

Вообразим теперь, что за дело возьмется специалист в области статистики. Как только он установит направленность связи, все дальнейшие логические рассуждения покажутся ему излишними. Он попытается прыгать только лишь на «наблюдательной» ноге, как это показано на рисунке 3. Здесь он даже откажется от визуализации. Он загрузит сырые данные для построения регрессии, не обращая внимания на тот факт, что сама структура данных нелинейна. Без визуализации как он это узнает? 17 Его компьютерная выдача покажет отрицательный знак для коэффициента наклона. Это подтвердит его предсказание о направлении связи, и это все, что такой специалист нацелен получить 18 .

17

Он может сделать еще хуже. Он может включить полдюжины контрольных переменных, которые могут правдоподобно влиять на продолжительность жизни правительства: состояние экономики, левая или правая партия, публичная поддержка премьер-министра и т.д. Каждая из них может незначительно «отобрать» влияние числа партий, которое в полной мере уменьшается, когда мы вычитаем N, вместо того чтобы делить на квадрат N. Кроме того, несколько других факторов могут привести к иллюзорным уровням «значимости».

18

Специфические количественные предсказания легко могут оказаться неверными при ближайшем рассмотрении; даже когда существует поддержка широкого направления изменений. Напротив, слишком много исследований в политологии находится в «безопасности» при попытке доказать их ложность, так как они только и предсказывают широкое направление изменений, оставляя его точное значение неопределенным.

Но постойте! Какой срок жизни правительства его регрессионная прямая отмерит в случае очень большого числа партий? Его нисходящая прямая предскажет отрицательную продолжительность жизни правительства, если число партий станет действительно большим. Это нелепо. Он не задается базовым вопросом: «Имеет ли данный результат смысл?»

Я вижу, как такие нелепые регрессии публикуются постоянно. Забывая о логическом мышлении, социальные исследователи слишком часто идут по легкому пути, подгоняя сырые данные к прямой линии или же к любому другому стандартному формату, базирующемуся на статистических или иных «модных» основаниях 19 . Дорогие коллеги, если мы как ученые хотим всерьез воспринимать нашу профессию – политическую науку, мы не должны публиковать такие нелепости. Нам не следует этого делать, чтобы действующие политики воспринимали нас всерьез.

19

Это единственное предложение действует как громоотвод, если опустить слово «часто». Как говорится в одном комментарии к рабочему варианту данной статьи: «Как таковое, оно хорошо применимо к политологии (особенно до недавнего времени), но неприменимо к другим дисциплинам в области социальных наук, например, к экономике, где лог-логарифмические и линейно-логарифмические модели являются обычным делом, и где пробит-, логит- и другие нелинейные оценивающие [курсив мой. – Авт.] модели становятся нормой. Это даже неприменимо в полной мере к некоторым искушенным сотрудникам журналов, таких как Political Analysis, где используются нелинейные модели (главным образом пробит и логит), а также эффекты взаимодействия».

Рак пожирает социальные науки. Готовые компьютерные программы дают возможность людям, не обладающим широким пониманием математики, «вымучить» кучу бессмысленных регрессионных анализов и подобных вещей, чтобы претендовать на научность. Сама же идея логических моделей опровергается в том случае, если регрессионный выход (output) будет назван «эмпирическими моделями».

Заметьте, это не просто нелепость «мусор загрузил, мусор выгрузил». Это куда хуже. Нередко мы загружаем ценные данные, а на выходе получаем тот же самый мусор. Почему? Потому что данные не были должным образом преобразованы (с использованием логического мышления), прежде чем они были загружены в компьютер.

Рис. 3.

Сегодня социальные науки пытаются скакать на одной ноге, «наблюдательной» [Taagepera, 2015]

Вместо того чтобы использовать статистику как инструмент, мы превращаем ее в подобие религиозной литургии. Слишком много рецензентов научных журналов выступают ревностными служителями такой религии. Они навязывают исполнение ее ритуалов даже тем исследователям, которые далеки от нее. Это одна из причин того, почему политология от своей полной «не– научности» переходит к «псевдонаучности» 20 .

20

Существует также множество других методологических проблем [Taagepera, 2008]. Одна из них – это то, что стандартная линейная регрессия является лишь базовым объяснением всех возможных связей, потому что линейная регрессия всегда направлена: наилучшие оценки МНК модели y на x отличаются от наилучших МНК оценок модели x на y [Taagepera, 2008, p. 154–174]. Слишком много политических исследователей, использующих стандартные линейные модели регрессии, не знают об этом.

Поймите правильно: статистические методы – это полезные инструменты, например, как долото (рисунок 4). Но горе тому человеку, который открыл для себя долото и, будучи в восторге от него, начал использовать его с целью что-то тесать, прокалывать, пилить и даже копать в тех случаях, когда доступны другие инструменты. Вдвойне несчастно то общество, где такие священники, поклоняющиеся долоту, изо всех сил навязывают его как единственно возможный инструмент. Те, кто в наименьшей степени понимает статистику за пределами готовых компьютерных программ, чаще всего наиболее непоколебимо навязывают эти ритуалы.

Рис. 4.

Статистические методы – это полезные инструменты. Они как долото. Но горе тому обществу, где каждый принуждается использовать долото и для выпиливания, и для копания, или где количественные исследования упрощаются лишь до статистики

Выход из положения

Ситуация печальная, но не безнадежная. Работы, в которых есть баланс между мышлением и статистическими методами, существуют. Доказательством являются предыдущие обладатели премии Карла Дойча 21 и многие другие исследователи, такие как Аренд Лейпхарт и Рональд Инглхарт. Жозеп Коломер [Colomer 2007] и Бернард Грофман указали на ограниченный набор методологий, которые могут быть использованы в социальных науках по сравнению с другими науками. Многие социальные исследователи точно определяют специфические недостатки неверно примененных и неверно интерпретированных статистических методов 22 . Однако этого недостаточно, чтобы исправить статистические методы. Мы должны также расширить разумное использование визуализации и задействовать «мыслительную» ногу. Джеймс МакГрегор [McGregor, 1993] и я [Taagepera, 2008, p. 14–22] показали, как и почему базовые законы естествознания ни за что не удалось бы открыть, используй мы только самые совершенные статистические методы. Не ожидайте большего и в социальных науках 23 .

21

Габриель Алмонд, Жан Лапонс, Хуан Линц, Чарльз Тилли, Джованни Сартори, Альфред Степан, Пиппа Норрис.

22

Гэри Кинг и его коллеги [King, Tomz, Wittenberg, 2000] внесли вклад в понимание и представление о статистическом анализе. Герд Гигеренцер [Gigerenzer, 2004] был обеспокоен «бездумной статистикой» и вместе с коллегами [Gigerenzer, Kraus, Vitouch, 2004] разоблачил бессодержательный «ритуал нулевой гипотезы», который еще ранее подвергался критике Джеффом Джиллом [Gill, 1999]. Николас Лонгфорд [Longford, 2005] полагал, что большинство современных исследований, использующих статистические методы, – «свалка необоснованной уверенности». Кристофер Ашен [Achen, 2005] предлагал выбросить на свалку истории «мусорные» нелинейные пробит-модели. Исследования Бернарда Киттела [Kittel, 2006] и Киттела и Виннера [Kittel, Winner 2005] показали, что различные статистические подходы к одним и тем же данным могут превращать некоторые факторы, выглядящие «чрезвычайно значимыми», в незначимые. Филипп Шродт [Schrodt, 2014] составил список семи смертных грехов количественного политического анализа. Валентайн и его коллеги [Valentine, 2015] показали, как можно описывать данные «без повсеместного использования p-value».

23

Большие надежды на развитие количественных исследований в области политологии возлагались на движение Empirical Implications of Theoretical Models (EITM). Оно возникло в 2001 г. и проводило ежегодные летние школы. Можно отметить похвальное стремление к «интеграции теоретической модели развития с эмпирической оценкой». Их определение «теоретических моделей» отличается от моего собственного, т.е. наши пути не пересекаются. Когда участники движения EITM установят их первое взаимоотношение вида С=42 года/N ² или хотя бы хороший эмпирический пример S_A/S_B=(V_A/V_B)³, тогда я обращу более пристальное внимание на то, что означает их замысловатая методологическая терминология.

Уважаемые коллеги, практикуйте качественные методы в политологии с небольшим использованием цифр, и да пребудет с вами мир. Если вы хотите использовать количественные методы, попробуйте практиковать подлинную количественную науку, которая пытается ходить на двух ногах. Но избегайте использования фальшивой количественной науки, которая скачет на одной ноге. Как это можно сделать без какой-либо подготовки и поддержки? Я написал две книги на эту тему. Они могут помочь.

Первой была «Сделаем социальные науки более научными: потребность в предсказательных моделях» [Taagepera, 2008]. В ней есть такие главы, как «Физики умножают, социальные исследователи складывают – даже когда что-то не складывается» и «Почему большинство цифр, опубликованных в социальных науках, мертвы изначально».

Но моим студентам также не хватало и практического учебника по построению логических моделей. У студентов должна быть постоянная практика до того момента, пока они не приобретут определенных навыков в этой области, которые затем смогут использовать в жизни. Поэтому я написал книгу «Логические модели и базовая способность к количественному мышлению в социальных науках» [Taagepera, 2015], которая имеется в свободном доступе в Интернете. В этой книге мало математики за пределами арифметики. Построение логических моделей требует прежде всего смелости быть простым и критического ума, чтобы спросить: «Но может ли это быть так?»