Ценностные ориентации студентов Киевского национального университета имени Тараса Шевченко с использованием метода кластерного анализ

Рассмотрение различных  классификаций и примеров социологических  исследований ценностных ориентаций дал  нам дойти до понимания того, что  данное явление, с одной стороны, может рассматриваться с разных сторон через свою багатоаспетнисть, а с другой, быть детерминированным  множеством социальных характеристик индивидов 

2. Изучение ценностных  ориентаций студентов Киевского  национального университета имени  Тараса Шевченко методом кластерного  анализа

2.1. Познавательные возможности  кластерного анализа в изучении  ценностных ориентаций

Кластерный анализ данных является примером автоматической классификации, в результате которой объекты  выборочной совокупности группируются в кластеры, гомогенные по своей  внутренней структуре и дифференцированные внутри кластерной структуры. Учитывая это, становится понятным, что «основными понятиями кластерного анализа  является сходство и дистанция. Дистанция  является мерой того, насколько объекты  отделены друг от друга, а подобие  является мерой близости. При группировке  объектов в кластеры используется одно из этих понятий »[14, С. 232].

Кластерный анализ применяется  в различных областях, ведь он зарекомендовал себя хорошо во многих сферах деятельности. Это связано с тем, что данный метод работает даже тогда, когда  данных мало и не выполняются требования нормальности распределения случайных  величин и другие требования классических методов статистического анализа [5, С. 1].

Для проведения данного типа анализа социологи чаще всего  используют SPSS, компьютерную программу  для обработки статистических данных.

Кластерный анализ предполагает следующие этапы:

1. Отбор объектов.

2. Отбор признаков.

3. Выбор способа определения  расстояния.

4. Применение одного из  методов кластеризации.

5. Интерпретация кластеров.

6. Проверка надежности  созданной кластерной структуры.

На первом этапе мы отбираем те объекты, которые интересуют нас  для проведения анализа, но важным условием является наличие наиболее полной информации о них, ведь для кластеризации  нам необходимо знать об их характеристиках. В противном случае проведения такого типа анализа будет невозможным.

На этапе отбора признаков  следует обратить внимание на их ортогональность  или неортогональнисть и на необходимость  или ее отсутствие в стандартизации единиц измерения. В отличие от, например, факторного анализа, кластерный не требует  соблюдения наличия или отсутствия корреляции между признаками. В данном случае все зависит от задач исследования, его теоретических концептов, гипотез  и т.д..

Если же говорить о стандартизации единиц измерения, то здесь также  нет строгих правил. Проводить  какие-то манипуляции с единицами  измерения или нет - дело личной позиции  исследователя.

На третьем этапе важно  четко понимать, что именно нужно  принимать расстояния между объектами. Для того, чтобы правильно ее определить, нужно знать аксиомы расстояния:

1. Расстояние от точки  х до нее же должна равняться  нулю.

2. Расстояние от точки  х до точки в должна быть  больше нуля.

3. Расстояние от точки  х до точки в должна равняться  расстоянию от точки у до  точки х.

4. Сумма расстояний от  точки х до точки в и от  точки в до точки z должна  быть больше расстояния от  точки х до точки z.

На этом этапе мы также  сталкиваемся с тем, каким образом  следует считать расстояние между  точками. Для этого существует формула  квадрату Евклидовой расстоянии:

d (A; B) = (xA-xB) 2 + (yA-yB) 2

Для проведения кластерного  анализа существует два основных метода:

• Иерархический;

• Метод быстрого кластера.

Рассмотрим иерархический  метод. На первом этапе все объекты  образуют отдельный кластер. Таким  образом количество кластеров равно  количеству объектов. Затем два ближайших  объекты объединяются. И с каждым новым этапом на один кластер становится меньше, пока все они не образуют одно целое. На каждом шагу при использовании  иерархического метода образуется новая  кластерная структура, пока она не исчезает вообще после сплошного объединения. В таком случае возникает вопрос: когда же нужно остановиться? На этот вопрос есть два варианта ответа. Первый заключается в том, что  при наличии у нас обоснованной теории, которая предусматривает  определенную определенное количество кластеров, мы останавливаемся на той  степени, на котором все объекты  объединились в нужное нам количество образований. Но в такой ситуации есть определенный риск того, что наша теория может не предусматривать, например, объединения большого количества объектов в один кластер и только по одному-два  во все остальные. Таким образом  образована структура не релевантной  и требует изменений. При возникновении  такой проблемы нужно понимать, что  кластеры из одного-двух объектов не могут  считаться полноценными образованиями. Они, скорее всего, являются как бы аут-лайнерами, которые требуют исключения из общей  совокупности объектов, которые подвергаются анализу. Такой вариант может  решить возникшую проблему, только в случае, если исследователь уверен в собственной теоретической  концепции, которой руководствуется  для кластеризации. В противном же случае теория должна быть пересмотрена. Другим вариантом ответа на вопрос мы можем руководствоваться тогда, когда не имеем теоретической модели для обоснования количества необходимых нам кластеров. В данной ситуации исследователь на каждом шагу действия иерархического метода определять расстояние между новообразованными кластерами и, когда появится значительный скачок в расстоянии, то есть когда объединятся кластеры, которые слишком далеко находятся друг от друга, имеет остановиться на предыдущем шаге - в действии после которого появился "прыжок".

При использовании же метода быстрого кластера нужно помнить  о таких важных моментах:

1. Перед началом применения  данного метода необходимо указать  количество кластеров, которую  мы желаем получить в результате.

2. Нужно указать, где  должны находить центроиды.

Относительно последнего пункта стоит отметить, что исследователь  может не указывать центры кластеров. В таком случае программа сама находит точки, вокруг которых будут  формироваться таксоны. Этих точек  будет избран столько, сколько исследователем указано кластеров. Точки будут  отобраны таким образом, чтобы расстояния между ними были самые, т.е. программа  поляризует нашу совокупность объектов отбирая краевые случаи. С другой стороны, если же исследователь указывает  центроиды самостоятельно, то каким  же образом это следует делать? В этом случае целесообразно указания идеальных типов. Такой вариант  возможен тогда, когда мы имеем теоретическую  концепцию, которая обосновывает, почему именно эти типы отбираются нами, как  идеальные представители будущего кластера. Следует также помнить, что в обоих случаях мы также  указать тип центроида: фиксированный  или плавающий. Первый тип, разумеется, предполагает, что центр кластера не будет перемещаться в процессе формирования кластерной структуры. Другой же состоит в том, что в зависимости от того, каким образом будут формироваться кластеры, программа будет отыскивать наиболее целесообразные центроиды. Считается, что первый тип полезно использовать в случаях, когда мы сами указываем центры и абсолютно уверенными в правомерности определять их такими. Следующий же пригоден тогда, когда мы оставляем выбор центров на программу. В таком случае погрешности, связанные с начальным определением центроидов будут нивелироваться последующим их переопределением. При выборе плавающих центроидов надо знать, что порядок элементов, кластеризуються может повлиять на общий результат, поэтому нужно делать контрольную кластеризацию с изменением порядка введения в структуру объектов. Если же результаты после перекластеризации другие, то проблема, скорее всего, все-таки не в порядке ввода объектов, а в том, что характеристики и параметры, по которым происходит формирование структуры, не являются релевантными.

Существует мнение, что  для получения надежного результата возможно применение обоих методов  кластеризации. Такой вариант достаточно целесообразным в случае, когда исследователь  не может определить количество кластеров, которую он желает получить в результате. Поэтому следует сначала использовать иерархический метод для определения  того, на каком количестве группировки  можно остановиться. После этого  можно провести автоматическую классификацию  методом быстрого кластера.

Стоит обратить внимание на то, каким образом формируются  кластеры и какой тип определения  расстояния между ними лежит в  основе. Есть несколько методов образования  кластеров:

1. Нахождение расстояния  между центрами равновесий, т.е.  между точками, которые по всем  параметрам являются средними, и  объединения кластеров вокруг  этих центров.

2. Определение расстояния  между объектами, которые находят  наиболее далеко друг от друга  между кластерами и формирование  кластеров с расчетом на то, что эти точки должны оставаться  наиболее отдаленными.

3. Нахождение расстояния  между объектами, которые находят  наиболее близко друг от друга  между кластерами и формирование  кластеров с расчетом на то, что эти точки должны оставаться  наиболее приближенными.

4. Определение расстояния  между точками внутри кластеров,  а затем усреднения этих расстояний  и нахождение расстояния между  этими усреднения. Такой метод  называется «методом одной связи».

5. Использование метода  Варда. Он заключается в том,  что нужно создать куликоподибни  кластеры. Следует определить дисперсию  внутри кластеров. Чем она меньше, тем больше форма кластера  приближается к комкообразных.

Что же касается интерпретации  полученного результата, то нужно  понимать, что это абсолютно творческим процессом, который зависит от теоретических  исканий исследователя и концепции, которая лежит в основе исследования. Но для того, чтобы понимать, является полученный результат пригодным  для интерпретации, существует несколько  рекомендаций:

1. Нужно проанализировать  количественный состав кластеров.  Если существует диспропорция  между количеством объектов в  разных кластерах, это означает, что данная структура группам  сформирована так, что могут  возникнуть проблемы с ее интерпретируемость.

2. Для того, чтобы определить  сущностные характеристики каждого  из кластеров, необходимо проанализировать  распределение признаков, по которым  происходило группировки, или  распределение их средних.

3. Считается, что действительно  отличные по выбранным исследователем  переменными кластеры должны  различаться и по другим признакам,  что дает больше возможностей для интерпретации, поэтому нужно подключить те переменные, которые не участвовали в кластеризации.

Очень важным моментом в  кластерном анализе является оценка надежности полученного результата. На этом этапе исследователь должен определить, его кластерная структура  не является артефактом, созданным  программой. Для этого существует несколько техник:

1. Хорошая кластерная  структура должна быть пригодной  для интерпретации.

2. В хорошей кластерной  структуре небольшой диаметр  кластеров, демонстрирует, что  объекты внутри них действительно  подобными по определенным характеристикам.

3. Надежный результат  получается независимо от того, с какой частью выборочной  совокупности работает исследователь.

В случае, если нужно исследовать, какая доля социальной общности руководствуется  определенным видом ценностных ориентаций, или каковы характеристики тех индивидов, которым присущ тот или иной вид  ценностных ориентаций, целесообразным является использование кластерного  анализа данных, ведь классификация  индивидов в соответствии с важных с точки зрения общественного  строя признаков является важной процедурой анализа социологических  данных [14, С. 232]. Поскольку во время  проведения кластерного анализа  в процедуре классификации участвуют  все переменные, определенные для  группировки, данный метод позволяет  получить такую ​​структуру ценностных ориентаций индивидов, будет отражать все необходимые исследователю  аспекты.

В целом можно определить следующие основные преимущества кластерного  анализа как метода классификации:

1. Кластеризация позволяет  разбивать выборочную совокупность  на максимально небольшое количество  сходных между собой элементов,  что позволяет упростить дальнейший  анализ данных.

2. Данный тип автоматической  классификации позволяет выявить  структуру исследуемой выборочной  совокупности, что, как следствие,  приводит к возможности выделения  основных, неизвестных характеристик  элементов этой структуры.

3. Кластерный анализ делает  все количество данных о выборочную  совокупность более наглядной  через демонстрацию группировок  внутри социума, определенного  сообщества и т.д., их количественного  наполнения и степени дифференцированности  этих группировок.

Целесообразность использования  кластерного анализа для отбора студентов Киевского национального  университета имени Тараса Шевченко с присущими им различными ценностными  ориентациями объясняется, прежде всего, тем, что он позволяет рассматривать  достаточно большой объем информации и резко сокращать большие  массивы информации, делать их компактными  и наглядными. Также с помощью  кластерного анализа можно построить  научно обоснованную классификацию, с  выявлением внутренних связей между  единицами наблюдения, их основных черт и представленности в данной совокупности, что является важным моментом для изучения ценностных ориентаций в социологии.