Комбинирование социальных и пространственных процедур в одной концептуальной рамке статистического исследования все же имеет шанс на успех. Рассмотрим следующий пример, в котором мы попробуем предсказать распространенность некоторых социальных характеристик в пространстве — скажем, численность цветного населения в ряде переписных участков города. В рамках этой гипотезы мы можем сформировать предположения относительно численности небелого населения на каждом участке, представленной ячейкой в таблице данных. Чтобы проверить эту гипотезу, нам нужно показать, что она правильно указывает количество людей на каждом участке. Мы можем проверить это, сравнивая распределение ячеек по частотным характеристикам, как они представлены в гипотезе и как они выглядят в реальности. Мы можем выяснить, есть ли значимая разница на пятипроцентном уровне или ее нет. Но нам надо также показать, что модель предсказывает правильное пространственное распределение предсказаний по участкам. Мы можем использовать цветовой тест смежности (k-color contiguity test), чтобы показать пространственное распределение, предполагаемое в гипотезе, и пространственное распределение в реальности. Если эти тесты совершенно независимы друг от друга, мы можем увеличить эти два уровня значимости по правилу мультипликации (умножения) и сказать, что общий тест показывает уровень значимости[6] 0,25 %. Но очевидно, что тесты не независимы друг от друга. По сути, объединение двух тестов таким образом может вовлечь нас (и часто так и бывает) в конфликт со статистической логикой. Тесты социальных процессов основываются на независимости каждой единицы данных, а пространственная статистика явным образом озабочена измерением степени пространственной зависимости в данных. Поэтому мы автоматически привносим в измерение социальных процессов проблему автокорреляции, и это означает, что мы нарушаем основания тестирования, если только как-то не контролируем этот процесс (фильтруя данные и т. д.). Подобная проблема возникает почти на каждом участке работы в зоне взаимодействия дисциплин. Она далека от решения и часто вообще не замечается. Мне всегда казалось странным, что, например, многовариантные методы районирования полагаются на измерения корреляции, которые, если они считаются значимыми, требуют независимости данных наблюдения, когда целью всей процедуры является группировка единиц по регионам, имеющим сходные (и поэтому пространственно автокоррелированные) характеристики. Метод и цель в этом случае кажутся логически не согласованными или, в лучшем случае, дают такую группировку регионов, которую по большому счету можно считать бессмысленной. Похоже, это формирует непреодолимый барьер для использования факторного анализа в схемах районирования. Проблема автокорреляции, однако, хорошо освещена в эконометрической литературе в отношении временного измерения (временных рядов), и мы можем использовать эту область знания как источник вдохновения (и определенных техник). Но, как указал Грэнджер (Granger, 1969), между временным измерением, которое обладает, к большому удобству, направленностью и необратимостью, и пространственным изменением, которое обладает не этими ценными характеристиками, а сложной нестационарностью и странными разрывами, огромная разница. Эти проблемы привели Грэнджера к сомнениям относительно того, что техники, используемые в эконометрике для работы с временными рядами, могут применяться к пространственным данным, за исключением некоторого класса задач. Проблема пространственной автокорреляции кажется слишком сложной, чтобы найти ей приемлемое решение, а вся базовая структура статистического исследования в междисциплинарной зоне зависит от нее.
6
Уровень значимости — это такое (достаточно малое) значение вероятности события, при котором событие уже можно считать неслучайным. В данном примере: 0,05×0,05=0,0025≡0,25 %. —