Анализ временных рядов в политической науке: возможности и ограничения
https://doi.org/10.31249/poln/2021.01.03
Аннотация
В данной статье рассматриваются возможности и ограничения статистического моделирования динамики политических процессов. На примере моделирования рейтинга одобрения президента В. Путина и готовности россиян присоединиться к коллективным действиям с экономическими требованиями демонстрируется аналитический потенциал базовых моделей авторегрессии со скользящим средним и интеграцией (ARIMA), авторегрессии с распределенным лагом (ADL) и модели коррекции регрессионных остатков (ECM). В ходе статистического моделирования временных рядов в политике исследователи сталкиваются с целым рядом аналитических проблем. Данная статья призвана обозначить основные «развилки» в исследовательском процессе и основания для выбора того или иного варианта исследовательского дизайна. Не претендуя на полноту охвата всей дискусии, данная статья призвана стимулировать использование данного метода применительно к российскому материалу.
Ключевые слова
Об авторе
А. В. Семенов
Пермский федеральный исследовательский центр Уральского отделения Российской академии наук
Россия
Россия
Семенов Андрей Владимирович, кандидат политических наук, научный сотрудник
Пермь
Список литературы
1. Abramson P.R., Ostrom C.W. Macropartisanship: An empirical reassessment. Ameri- can political science review. 1991, Vol. 85, N 1, P. 181–192. DOI: https://doi.org/10.2307/1962884
2. Anderson C.J. Economic voting and political context: a comparative perspective // Electoral studies. 2000, Vol. 19, N 2–3, P. 151–170. DOI: https://doi.org/10.1016/s0261-3794(99)00045-1
3. Box-Steffensmeier J.M., Freeman J.R., Hitt M.P., et al. Time series analysis for the social sciences. Cambridge : Cambridge university press, 2014, 280 p.
4. De Boef S., Keele L. Taking time seriously. American journal of political science. 2008, Vol. 52, N 1, P. 184–200. DOI: https://doi.org/10.1111/j.1540-5907.2007.00307.x
5. Engle R. New frontiers for ARCH models. Journal of applied econometrics. 2002, Vol. 17, N 5, P. 425–446. DOI: https://doi.org/10.1002/jae.683
6. Hyndman R.J., Athanasopoulos G. Forecasting: principles and practice. 2018. Mode of access: https://otexts.com/ (accessed: 29.08.2020).
7. Lebo M.J., Box‐Steffensmeier J.M. Dynamic conditional correlations in political sci- ence. American journal of political science. 2008, Vol. 52, N 3, P. 688–704. DOI: https://doi.org/10.1111/j.1540-5907.2008.00337.x
8. Lebo M.J., Cassino D. The aggregated consequences of motivated reasoning and the dynamics of partisan presidential approval. Political psychology. 2007, Vol. 28, N 6, P. 719–746. DOI: https://doi.org/10.1111/j.1467-9221.2007.00601.x
9. Nadeau R., Niemi R.G., Fan D.P., et al. Elite economic forecasts, economic news, mass economic judgments, and presidential approval. The Journal of politics. 1999, Vol. 61, N 1, P. 109–135. DOI: https://doi.org/10.2307/2647777
10. Treisman D. Presidential popularity in a hybrid regime: Russia under Yeltsin and Putin. American journal of political science. 2011, Vol. 55, N 3, P. 590–609. DOI: https://doi.org/10.1111/j.1540-5907.2010.00500.x
11. Velasco C. Gaussian semi‐parametric estimation of fractional cointegration. Journal of time series analysis. 2003, Vol. 24, N 3, P. 345–378. DOI: https://doi.org/10.1111/1467-9892.00311
12. Welsch H. Macroeconomics and life satisfaction: Revisiting the “Misery Index”. Jour- nal of applied economics. 2007, Vol. 10, N 2, P. 237–251. DOI: https://doi.org/10.1080/15140326.2007.12040489
Рецензия
Просмотров:
109
Послать статью по эл. почте 
Оставить комментарий 