Основы байесовского подхода к количественному анализу (на примере евроскептицизма)

В данной статье предпринята попытка выявить основные допущения, предпосылки и приемы методик, использующих теорему Т. Байеса для оценки взаимосвязи признаков социальных акторов и явлений. Выделены некоторые преимущества предложенного подхода по отношению к более традиционным количественным методам, а также ключевые направления исследований, которые могут быть усовершенствованы при помощи байесовских оценок коэффициентов. Речь идет о совместимости изложенного подхода, прежде всего, с теориями игр и принятия решений, event-анализом, скрытыми цепями Маркова, прогнозированием при помощи нейронных сетей и других предиктивных алгоритмов искусственного интеллекта.
Байесовский подход значительно отличается от традиционных статистических методов (прежде всего, он ориентирован на поиск наиболее вероятного, а не единственно верного значения коэффициента связи признаков). В связи с этим предложена графическая интерпретация таких базовых понятий и приемов, как вероятностный вывод, показатель с максимальным правдоподобием и байесовская сеть доверия.
Описанный инструментарий использован для проверки гипотезы о влиянии ухудшения качества жизни на рост евроскептицизма граждан всех стран ЕС. Дисперсионный и корреляционный анализ ответов 27 тыс. человек, опрошенных в рамках проекта «Евробарометр» в ноябре-декабре 2019 г., показал высокую степень правдоподобия данного предположения. Более того, байесовский подход позволил сделать вероятностный вывод о том, что более вероятно подтверждение именно этой гипотезы, а не связи евроскептицизма с нынешним финансовым положением респондентов (т.е. относительно большую объясняющую силу имеет сопоставление этой ситуации с прошлым).

1. Доманов А.О. Когнитивные факторы усиления антиглобалистских настроений праворадикальных избирателей // Правый популизм: глобальный тренд и ре- гиональные особенности : монография / Н.К. Капитонова, И.Э. Магадеев, В.О. Печатнов [и др.] ; под ред. Л.С. Окуневой, А.И. Тэвдой-Бурмули. – М. : МГИМО-Университет, 2020. – С. 269–281.

2. Kass R., Raftery A. Bayes factors // Journal of the American Statistical Association. – 1995. – Vol. 90, N 430. – P. 773–795. – DOI: https://doi.org/10.1080/01621459.1995.10476572

3. Lynch S.M. Introduction to applied Bayesian statistics and estimation for social scien- tists. – New York : Springer, 2007. – 359 p. – DOI: https://doi.org/10.1007/978-0-387-71265-9

4. McNeish D. On using Bayesian methods to address small sample problems // Structural equation modelling : A multidisciplinary journal. – 2016. – Vol. 23, N 5. – P. 750– 773. – DOI: https://doi.org/10.1080/10705511.2016.1186549

5. Raftery A. Bayesian model selection in social research // Sociological methodology. – 1995. – Vol. 25. – P. 111–163. – DOI: https://doi.org/10.2307/271063

6. Van Ravenzwaaij D., Cassey P., Brown S. A simple introduction to Markov Chain Monte-Carlo Sampling // Psychonomic bulletin and review. – 2018. – Vol. 25, N 1. – P. 143–154. – DOI: https://doi.org/10.3758/s13423-016-1015-8

7. Western B. Bayesian analysis for sociologists: an introduction // Sociological methods and research. – 1999. – Vol. 2, N 1. – P. 7–34. – DOI: https://doi.org/10.1177/0049124199028001002