Πάντειο Πανεπιστήμιο Κοινωνικών και Πολιτικών Επιστημών
Περίληψη:
Οι Στατιστικοί χρησιμοποιούν σωρεία τεχνικών για να υπερπηδήσουν το κυριότερο πρόβλημα της στατιστικής: την επεξεργασία τεραστίων όγκων δεδομένων που μπορεί να έχουν αντληθεί από μια ομάδα ή έναν πληθυσμό. Η ακόμα μεγαλύτερη επιπλοκή της επεξεργασίας δεομένων ολόκληρων πληθυσμών μπορεί να περιληφθεί σε ένα πρόβλημα δύο συνιστωμένων, του χρήματος και του χρόνου που απαιτούνται, πρωτίστως για την συλλογή των δεδομένων, και έπειτα για την οργάνωση αυτών, την εξαγωγή ευρημάτων και τελικώς την κοινοποίηση αυτών. Για να παρακάμψουν αυτό το σκόπελο, συχνά οι Στατιστικοί κάνουν χρήση τυχαίων δειγμάτων ομάδων ανθρώπων. Όμως, κάνοντας χρήση αυτών των δειγμάτων, εγείρονται άλλα ερωτήματα: τί γίνεται στην περίπτωση που οι δειγματικές ομάδες αυτές συσχετίζονται με κάποιον, προς το παρόν, άγνωστο τρόπο, οπόταν και πλέον δεν είναι αντιπροσωπευτικές το πληθυσμού; Σε αυτό το ερώτημα επιχειρεί να απαντήσει η Ανάλυση Λανθανουσών Δομών, ή Latent Structure Analysis (LSA), όπου προσπαθεί να βρεί λανθάνοντες παράγοντες (factors) οι οποίοι συνδέουν τέτοιες ομάδες δείγματος, και στην συνέχεια προσπαθεί να εξηγήσει πώς οι λανθάνοντες παράγοντες επηρεάζουν τις ομάδες αυτές. Η παρούσα έρευνα, άντλησε δείγματα από τα αποτελέσματα των ερωτηματολογίων που διέθεσε ο HBSC σε εφήβους της Ελλάδας τις χρονιές 2006, 2010 και 2014. Εφαρμόστηκαν τεχνικές Ανάλυσης Λανθανουσών Δομών, συγκεκριμένα όσον αφορά τα δεδομένα των ερωτήσεων 48 και 65 του αντίστοιχου ερωτηματολογίου, ξεχωριστά. Οι έρευνες μέσω ερωτηματολογίων επικεντρώνονται στον αντίκτυπο που έχει η οικονομική κρίση στην ζωή των εφήβων, με δεδομένα αντλούμενα σε περιόδους πριν, κατά την διάρκεια και μετά την οικονομική κρίση που χτύπησε την Ελλάδα το 2008, με σκοπό την σύγκριση, και με χρήση των περιόδων πριν και μετά την Κρίση ώς σημεία αναφοράς. Τα LSA εφαρμόστηκαν με την χρήση ενός λογισμικού εύκολου στην πρόσβαση, το οποίο διατίθεται δωρεάν – και με άδεια χρήσης AGPL, το επονομαζόμενο “R Studio”, το οποίο είναι μία σουίτα στατιστικής, το οποίο χρησιμοποιείται ευρέως σε διάφορους τομείς στατιστικών μελετών αλλά και άλλων εφαρμογών. Επιπροσθέτως, η εφαρμογή των LSA σε κάθε ερώτηση ξεχωριστά αλλά χρησιμοποιώντας στοιχεία από το ίδιο δείγμα, έδειξε τις διαφορετικές λανθάνουσες κλάσεις (ομάδες) που μπορούν να παρατηρηθούν μέσω μίας τέτοιας ανάλυσης που επικεντρώνεται σε έναν μοναδικό παράγοντα. Επιλέγοντας διαφορετικούς παράγοντες την ώρα της εφαρμογής ενός LSA αλλάζουν το αποτέλεσμα των λανθανουσών κλάσεων. Τα παρακάτω αποτελέσματα της έρευνας αποσκοπούν στην ενίσχυση της αντίληψης της έννοιας της Ανάλυσης Λανθανουσών Δομών, καθώς και αποσκοπούν στην παροχή μιας καθαρής οπτικής για την απόφαση του ερευνητή, ως προς το ποια χαρακτηριστικά και παράγοντες ενός δείγματος θα πρέπει να λάβει υπόψιν κατά την εκτέλεση μιας LSA. Επισημαίνεται, ότι εκουσίως συμπεριλαμβάνονται όλες οι εκτυπώσεις της σουίτας “R Studio”, ούτως ώστε οι ερευνητές να έχουν ένα σημείο αναφοράς για την δική τους έρευνα, καθότι κάτι παρόμοιο εκλείπει από την βιβλιογραφία την στιγμή της συγγραφής.
Abstract:
Statisticians have been using various techniques in order to overcome the single most prominent problem of statistics; dealing with the vast data that can be associated with a group, or a population. The even greater complication of trying to handle entire populations can be summarized as a two-fold problem of the time and money required to firstly collect statistical information about a populace, organize the data, export findings and finally publish the findings. In order to circumvent that, statisticians often use targeted or random groups of people. However, by doing that, other questions are raised; what if the groups are correlated by a currently unknown factor, and ergo are no longer representative of the populace? This is where Latent Structure Analysis (LSA) steps in, which tries to find latent factors which connect such groups and then tries to interpret how the latent factors affect these groups. This research drew samples from HBSC’s surveys on adolescent teens in Greece from 2006, 2010 and 2014. Samples of Latent Structure Analyses are implemented, particularly on questions 48 and 65 of the relevant survey questionnaire, separately. The surveys focus on the impact of the economic crisis on the adolescents’ lives, with data drawn from times before, during and after the crisis, for comparison’s sake, and to observe the times before and after the crisis as reference points. The LSAs were performed using an easily accessible, free to download – with AGPL licencing – software, R Studio, which is a statistical package used in a variety of statistical studies and other applications. The LSAs performed on each question separately, but from the same sample showed the different latent classes that can be extracted from one such analysis that focuses on a single factor. Different factors that are taken into consideration on the time of pursuing a Structure Analysis play a major role in what can be considered a Latent Class as an outcome. The following findings can be used to strengthen one’s perception of the Latent Structure Analysis, and provide a clear depiction of which aspects of a sample should be taken under consideration when performing LSAs on statistical samples. Lastly, it should be noted that all relevant tables and outputs are knowingly included in the body of this paper, as it is aimed to be a "how-to" guide to prospective researchers, since at the time of writing, no such guide exists in the bibliography.
Περιγραφή:
Διπλωματική εργασία - Πάντειο Πανεπιστήμιο. Τμήμα Οικονομικής και Περιφερειακής Ανάπτυξης, ΠΜΣ, κατεύθυνση Εφηρμοσμένων Οικονομικών και Διοίκησης, 2022
