Объяснение социального поведения. Еще раз об основах социальных наук - страница 26

не оказывают на Z большого воз-действия, но отражается на нем при более высоком уровне Х. При объяснении дохода, например, можно предположить, что заработок родителей оказывает большее или меньшее влияние при разном уровне родительского образования. Такого рода взаимодействие можно уловить через категорию мультипликативного взаимодействия (multiplicative interaction); таким образом, Z является функцией Х, Y и XY. Обратное каузальное воздействие – Y на Z при высоком уровне Х – не может быть передано подобным способом. Однако если мы верим, что такие перемены направления происходят редко, нам не приходится слишком о них беспокоиться.

РИС. II.2

Существование эффекта взаимодействия может быть подвержено того же рода неопределенности, с которой мы обычно сталкиваемся в случае механизмов. Рассмотрим взаимодействие между возрастом и базовыми политическими взглядами как причинами экстремизма. Можно предположить, что молодежные организации будут в большей степени склоняться влево, чем партии, к которым они относятся. Таким образом, молодые консерваторы приобретут светлый оттенок синего, а молодые социалисты – более яркий оттенок розового. Оба предположения кажутся правдоподобными, в реальности наблюдались обе модели. Или рассмотрим взаимодействие между настроением перед приемом наркотиков и самим приемом наркотиков как причинами, определяющими настроение после употребления оных. Можно предположить, что такое вещество, как алкоголь или кокаин, поднимает настроение, смягчая депрессию и превращая удовлетворение в эйфорию. Но можно выдвинуть предположение, что сильнодействующие вещества интенсифицируют настроение, ухудшая плохое и улучшая хорошее. Опять-таки оба предположения правдоподобны, в реальности наблюдаются обе модели. В обоих случаях первый механизм совместим с аддитивной моделью, тогда как второй предполагает наличие обратного эффекта (reversal effect).

В случае устойчивых данных добавление члена, характеризующего взаимодействие, или подгонка кривой – не единственное возможное решение. Существует альтернативная стратегия – анализ данных (data mining). При начертании кривой зависимые и независимые переменные фиксируют и подыскивают математическую функцию, которая даст хорошее статистическое соответствие при таких показателях. При анализе данных фиксируют математическую функцию (обычно это простая аддитивная модель) и подыскивают независимые переменные, которые хорошо сочетаются с зависимой переменной. Предположим, что хорошим сочетанием мы полагаем корреляцию, для которой вероятность случайного совпадения составляет 5 %. В исследовании любого сложного социального явления, такого как доход, можно с легкостью перечислить дюжину переменных, которые могут оказывать свое влияние[43]. Кроме того, есть, наверное, полдюжины способов концептуализировать доход. Крайне маловероятно, чтобы при каком-нибудь из определений дохода ни одна из независимых переменных не показала корреляцию на 5 %-м уровне[44]. Теория вероятности гласит, что самым невероятным совпадением было бы полное отсутствие невероятных совпадений[45].

Как только ученый подобрал подходящую математическую функцию или подходящий ряд зависимых или независимых переменных, он может подыскивать каузальную историю, которая подскажет, как обосновать результаты его изысканий. Когда он описывает результаты для научной публикации, зачастую он представляет все в обратном порядке. Он пишет, что начал с каузальной теории, затем стал искать наиболее достоверный путь ее трансформации в формальную гипотезу и нашел ей подтверждение в данных