以下为《第二讲社会调查数据的分析设计、方法与工具ppt》的无排版文字预览，完整格式请下载

下载前请仔细阅读文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。

第二讲 社会调查数据的分析设计、方法与工具任 强

2021年7月6日一、“问题”为导向的研究做过调查？使用过调查数据？

调查数据的必要性

使用调查数据需清楚些什么？

非实验数据给社会科学研究提出挑战！

对总体的描述也很重要——但依然有侧重点、倾向性，主要特征

社会、个人的复杂性——“问题”为研究对象的必然性

本讲资料主要来源： 任某某，Donald Treiman著《量化数据分析：通过社会研究检验想法》，社会科学文献出版社。

Gary Marx, 1967, 《美国社会学评论》：宗教：黑人XX意识的镇定剂还是催化剂？一种观点认为信教的黑人相比不信教的黑人的XX意识要弱，因为宗教使前者超凡脱俗，而不是世俗化。一般宗教使人们更倾向于保守。

另一观点认为信教黑人的XX意识更强，因为黑人的教堂是XX意识的主要传播场所，而且宗教也是普遍的人文主义价值的一个重要源泉。

也可能宗教与XX意识之间根本没有关系。如何才能做出正确的判断？

在黑人中做一项概率抽样调查想法：想法驱动收集数据的类型和收集的过程，等同于假设、或理论

信息或数据：来自总体的概率抽样。编码、变量

模型：因变量、主要自变量、控制变量

二、研究设计的基本要素在调查研究方法的传统做法中，我们习惯上把第三个变量完全或部分地解释了两个变量之间的相关关系区分成两种情况：

虚假（spurious）相关

能够被一个干预(intervening)变量或一组干预变量解释的相关

这两者的区别在于：

当一个控制变量（Ｚ）从时间上或因果关系上发生在另一个自变量（Ｘ）和因变量（Ｙ）之前，并且控制变量完全或部分地解释了自变量和因变量之间的相关关系时，我们推论在自变量和因变量之间不存在因果关系或仅存在弱的因果关系。

然而，当控制变量在时间上或因果关系上处于自变量和因变量之间时，我们就不能够声称自变量和因变量之间不存在因果关系；相反，这种情况表示，此干预变量解释了或有助于解释自变量如何对因变量产生影响。

三、分析问题之间关系或逻辑关系虚假相关：宗教和XX意识：宗教信仰虔诚度和激进之间存在负相关关系是因为两者都与受教育程度有关———黑人的受教育程度越高，则越不信教且越激进。 （再加“年龄”变量？）部分虚假相关： 如果在Ｚ的各类别内，Ｘ和Ｙ之间的相关很弱或不存在，我们就可以认为Ｘ和Ｙ之间的相关完全被它们与Ｚ的相关所解释。

然而，这种情况一般不会发生。例如，在控制了受教育程度之后，宗教信仰虔诚度和激进之间仍存在负相关。除了我们有很强的理论支持某种关系是完全的虚假相关，我们通常不会要求做要么全有要么全无的虚假相关假设。相反，我们会问，在控制Ｚ之后，Ｘ和Ｙ之间是什么关系（以及在控制Ｘ之后，Ｚ和Ｙ之间是什么关系）。干预变量：设想两个变量Ｘ和Ｙ相关，仅仅因为Ｘ导致Ｚ，而Ｚ导致Ｙ。

例如：父亲的职业、儿子的受教育程度和儿子的收入之间的关系。假如我们期望Ｘ和Ｙ之间的关系是正相关的，也就是说，不存在偏相关关系。即，完全是因为这样的事实：父亲的职业地位影响儿子的受教育程度，进而儿子的受教育程度影响儿子的收入，因此我们认为，父亲的职业地位对儿子的收入没有直接影响，而只是通过儿子的受教育程度产生间接影响。干预变量：但是 内容过长，仅展示头部和尾部部分文字预览，全文请查看图片预览。 互项的设计进行研究。检验ｃｊ和ｄｉｊ是否共同为０。如果是，你可以得出所有样本来自一个单独总体的结论，并可以放心地汇合数据。原则：五、研究模型的选择无完美的，只有最适宜的

变量多少合适？——奥卡姆剃刀原则 (最简单化原则)

养成良好的专业素养了解数据属性——重点关注抽样，变量的分布等等。

探讨可替代先验假设的其他解释：事先预判可能遭到的批评，发现虚假相关等，选择变量等，选择研究模型。

记录研究过程的每一步。

查错是很重要的环节。

六、研究过程中值得重视的行为谢 谢！[文章尾部最后300字内容到此结束,中间部分内容请查看底下的图片预览]

以上为《第二讲社会调查数据的分析设计、方法与工具ppt》的无排版文字预览，完整格式请下载

下载前请仔细阅读上面文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。