Публикуется с разрешения автора. Перевод с английского выполнили Ефимова Евгения Артёмовна и Горельский Илья Евгеньевич.
Таагепера Рейн, почетный профессор Калифорнийского университета в Ирвине (США), профессор Тартуского университета (Эстония). Taagepera Rein, University of California (USA); University of Tartu (Estonia).
Чувства анонимного рецензента типичны. После того как он поднял множество подобных вопросов по предыдущей статье [Taagepera, Allik, 2006], он откровенно заявил: «Возможно, у меня возникают вопросы и по данной статье, потому что я скептично настроен относительно того, насколько велика ценность работы на таком высоком уровне генерализации… огромное количество реальных изменений в мире отправляется в никуда». В действительности мы отправляем эти изменения в место, которое оказывается значительно лучше, чем «никуда»: на следующий уровень анализа. Выискивая универсальное, наука не игнорирует детали, но включает их в некое подобие иерархии. Рецензент продолжал: «Паттерны, выявляемые в данной статье, хотя и возможно смоделировать убедительным образом, могут просто представлять собой лишь долю конкретных данных реального мира». Здесь мы доходим до того самого места моего подхода, который вызывает тревогу у некоторых моих коллег. Если мои модели работают, они должны работать по причине их неверности, даже если явления, искажающие результаты исследования, не могут быть точно определены [Taagepera, 2007, p. viii].
См.: Taagepera R. Science walks on two legs, but social sciences try to hop on one // International political science review. – Beverly Hills, Calif., 2018. – Vol. 39, Iss. 1. – P. 145–159.
По некоторым другим аспектам президентские выборы отличаются от парламентских, потому что экстремальные случаи всегда необычны. Одной из целей Шугарта и Таагеперы [Shugart, Taagepera, 2017] является определение количественных аспектов, по которым можно выяснить, где и как начинаются отличия президентских выборов от парламентских.
«Процесс передачи информации в ходе общения – цемент, на котором держатся организации», – отмечал Дойч [Deutsch, 1964, p. 77] в «Силе правительства», процитированной затем Норбертом Винером.
Испытанием является получение данных, которые бы находились в согласии с задуманной заранее моделью. В таких случаях можно либо исправить модель, либо пересмотреть данные.
Заметьте, что я говорю о факторах, а не о переменных. «Переменные» – термин статистики. Его использование повышает риск отвлечения внимания от реальных фактов и факторов, с которыми мы работаем, таких как напряжение и сопротивление, количество мест и голосов, на абстрактные математические x и y. Отрицательное значение переменной x не заставляет повести бровью. Отрицательное же количество мест – напротив.
Однако несравнимые между собой кубический закон размера собрания и закон обратного квадрата выживаемости правительства могут по своей форме и сути иметь общее: оба являются результатом размышлений о числе каналов коммуникации, том самом «цементе, на котором держатся организации».
Закон предполагает ожидаемое значение, как называют его специалисты в области квантовой физики: значение, которое с вероятностью 50:50 будет выше или ниже предсказания при реализации следующего случая. Это не жесткое «детерминированное» предсказание, оно лишь выражает среднее предсказание в пределах определенного диапазона вероятной ошибки, как, например, плюс-минус «в два раза» с некоторым процентом (±15%).
Сам по себе размер законодательного собрания зависит от численности населения. Это делает размеры избирательных участков тем параметром, который оставляет возможность действительно свободно выбирать.
На каждом шаге логической последовательности накапливается случайный разброс, и можно подумать, что общий разброс слишком велик. Удивительно, но 90% стран с простыми электоральными системами имеют продолжительность жизни правительств в пределах 2 раз от 42 лет/(MS)1/3, даже в тех случаях, когда коэффициент детерминации R2 для логарифмов C и MS падает до 0,24 [Taagepera, 2007, p. 171, pic. 10.2].
N для Португалии отклоняется от предсказания модели в пределах медианного значения. Поэтому его соответствие модели является ни нетипично хорошим, ни нетипично плохим.
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.
Это представление и применение «двуногого» процесса соответствует главе 1 Шугарта и Таагеперы (2017), хотя там используются иные примеры.
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».
Функциональная форма C=k/N 2 выводится логически, но значение константы k определяется эмпирически. Это вполне обычная ситуация в физике.
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».
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.
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».
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.
Габриель Алмонд, Жан Лапонс, Хуан Линц, Чарльз Тилли, Джованни Сартори, Альфред Степан, Пиппа Норрис.
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».
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 SA/SB=(VA/VB)3, тогда я обращу более пристальное внимание на то, что означает их замысловатая методологическая терминология.
См.: Окунев И.Ю. Стэнфордская модель кризиса развития // Полис. Политические исследования. – М., 2009. – № 3. – С. 136–144; Crisis, choice, and change. Historical studies of political development / G.A. Almond, S.C. Flanagan, R.J. Mundt (eds.). – Boston: Little, Brown, and Company, 1973. – 717 p.
Tilly C. Big structures, large processes, huge comparisons. – N.Y.: Russell Sage Foundation, 1984. – 176 p.
Taagepera R. Making social sciences more scientific: The need for predictive models. – Oxford: Oxford univ. press, 2008. – 232 p.
Taagepera R. Science walks on two legs, but social sciences try to hop on one // International political science review. – Beverly Hills, Calif., 2018. – Vol. 39, Iss. 1. – P. 145–159.
См.: Оксфордский справочник по контекстуальному анализу: The Oxford handbook of contextual political analysis / R.E. Goodin, C. Tilly (eds.). – Vol. 5. – Oxford: Oxford univ. press, 2006. – 888 p.