Институт социологии
Федерального научно-исследовательского социологического центра
Российской академии наук

Журнал: Социология: методология, методы, математическое моделирование (Социология:4М)

Тенишева К. А., Савельева С. С., Александров Д. А.
Применение метода условных деревьев решений к моделированию выбора родителями школы


Тенишева Ксения Алексеевна
Научно-учебная лаборатория «Социология образования и науки», Национальный исследовательский университет «Высшая школа экономики» в Санкт-Петербурге
Кандидат социологических наук, младший научный сотрудник Научно-учебной лаборатории «Социология образования и науки», Национальный исследовательский университет «Высшая школа экономики» в Санкт-Петербурге
Савельева Светлана Сергеевна
Научно-учебная лаборатория «Социология образования и науки», Национальный исследовательский университет «Высшая школа экономики» в Санкт-Петербурге
Зам. заведующего Научно-учебной лаборатории «Социология образования и науки», Национальный исследовательский университет «Высшая школа экономики» в Санкт-Петербурге
Александров Даниил Александрович
Научно-учебная лаборатория «Социология образования и науки», Национальный исследовательский университет «Высшая школа экономики» в Санкт-Петербурге
Кандидат биологических наук, профессор, заведующий Научно-учебной лаборатории «Социология образования и науки», Национальный исследовательский университет «Высшая школа экономики» в Санкт-Петербурге

Моя книжная полка

        > отложить
      >> посмотреть свою книжную полку
 

Полный текст

Открыть текст

Ссылка при цитировании:

Тенишева К. А., Савельева С. С., Александров Д. А. Применение метода условных деревьев решений к моделированию выбора родителями школы // Социология: методология, методы, математическое моделирование (Социология:4М). 2018. Том. 0. № 46. С. 44-84.

Рубрика:

ПРАКТИКИ СБОРА И АНАЛИЗА ФОРМАЛИЗОВАННЫХ ДАННЫХ

Аннотация:

Представлен новый для социологии подход к изучению выбора – применение метода условных деревьев решений. Подробно разбирается логика метода и его преимущества на примере анализа выбора родителями школы в двух районах Санкт-Петербурга. Показывается, что деревья решений хорошо подходят для выделения групп, следующих разным стратегиям принятия решений. Метод может быть эффективным инструментом моделирования и интерпретации логики принятия решений. Он выигрывает в сравнении с традиционным моделированием при помощи логистической регрессии, поскольку позволяет оценить гомогенность предпочтений (выборов) полученных групп, а не просто выделять ключевые для выбора факторы. Предлагается в научных и прикладных социальных исследованиях, посвященных изучению сложного выбора, сочетать регрессионный анализ с методом деревьев решений

Литература:

  • Breen R., Goldthorpe J.H. Explaining Educational Differentials: Towards a Formal Rational Action Theory // Rationality and Society. 1997. Vol. 9(3). P. 275–305.
  • Ball S.J. Good School/Bad School: Paradox and Fabrication // British Journal of Sociology of Education. 1997. Vol. 18 (3). P. 317–336.
  • Taylor C. Hierarchies and Local Markets: the Geography of the Lived Market Place in Secondary Education Provision // Journal of Education Policy. 2001. Vol. 16(3). P. 197–214.
  • Kristen C. School Choice and Ethnic School Segregation: Primary School Selection in Germany: Waxmann Verlag, 2003.
  • Shavit Y., Blossfeld H.P. Persistent Inequality: Changing Educational Attainment in Thirteen Countries. Social Inequality Series. Boulder: Westview Press, 1993.
  • Mare R.D. Change and Stability in Educational Stratification // American Sociological Review. 1981. Vol. 1. P. 72–87.
  • Shavit Y., Blossfeld H.-P. Persistent Inequality: Changing Educational Attainment in Thirteen Countries // Social Inequality Series. ERIC, 1993.
  • Lucas S.R. Effectively Maintained Inequality: Education Transitions, Track Mobility, and Social Background Effects // American Journal of Sociology. 2001. Vol. 106(6). P. 1642–1690.
  • Breen R., Jonsson J.O. Analyzing Educational Careers: A Multinomial Transition Model // American Sociological Review. 2000. Vol. 65(5). P. 754–772.
  • Cullen J.B., Jacob B.A., Levitt S.D. The Impact of School Choice on Student Outcomes: an Analysis of the Chicago Public Schools // Journal of Public Economics. 2005. Vol. 89 (5–6). P. 729–760.
  • Shaikhina T., Lowe D., Daga S., Briggs D., Higgins R., Khovanovaa N. Decision Tree and Random Forest Models for Outcome Prediction in Antibody Incompatible Kidney Transplantation // Biomedical Signal Processing and Control. 2017. https:// doi.org/10.1016/j.bspc.2017.01.012.
  • Masias V.H., Valle M.A., Amar J.J., Cervantes M., Brunal G., Crespo F.A. Characterising the Personality of the Public Safety Offender and Non-offender using Decision Trees: The Case of Colombia // Journal of Investigative Psychology and Offender Profiling. 2016. Vol. 13(3). P. 198–219.
  • Feldesman M.R. Classification Trees as an Alternative to Linear Discriminant Analysis // American Journal of Physical Anthropology: The Official Publication of the American Association of Physical Anthropologists. 2002. Vol. 119. P. 257–275.
  • Karels T.J., Bryant A.A., Hik D.S. Comparison of Discriminant Function and Classification Tree Analyses for Age Classification of Marmots // Oikos. 2004. Vol. 105(3). P. 575–587.
  • Guidotti R., Monreale A., Ruggieri S., Turini F. A Survey of Methods for Explaining Black Box Models // ACM Computing Surveys (CSUR). 2018. Vol. 51(5). P. 93.
  • Markou E. 3 Machine Learning Algorithms You Need to Know. URL: https://dzone.com/articles/3-machine-learning-algorithms-you-need-to-know (date of access: 21.11.2018).
  • Morgan J.N., Sonquist J.A. Problems in the Analysis of Survey Data, and a Proposal // Journal of the American Statistical Association. 1963. Vol. 58(302). P. 415–434.
  • Breiman L., Friedman J.H., Olshen R.A., Stone C.J. Classification and Regression Trees. New York: Chapman and Hall, 1984.
  • Quinlan J.R. Induction of Decision Trees // Machine Learning. 1986. Vol. 1(1). P. 81–106.
  • Quinlan J.R. C4.5: Programms for Machine Learning. San Francisco: Morgan Kaufmann Publishers Inc., 1993.
  • Strobl C., Malley J., Tutz G. An Introduction to Recursive Partitioning: Rationale, Application, and Characteristics of Classification and Regression Trees, Bagging, and Random Forests // Psychological Methods. 2009. Vol. 14(4). P. 323–348.
  • Kingsford C., Salzberg S.L. What are Decision Trees? // Nature Biotechnology. 2008. Vol. 26. P. 1011–1013.
  • Song Y.Y., Ying L.U. Decision Tree Methods: Applications for Classification and Prediction // Shanghai Archives of Psychiatry. 2015. Vol. 27(2). P. 130–135.
  • Hothorn T., Hornik K., Zeileis A. Unbiased Recursive Partitioning: A Conditional Inference Framework // Journal of Computational and Graphical Statistics. 2006. Vol. 15(3). P. 651–674.
  • Zeileis A., Hothorn T. partykit: A Toolkit for Recursive Partytioning, 2012. URL: https://cran.r-project.org/web/packages/partykit/vignettes/partykit.pdf (date of access: 21.11.2018).
  • Hothorn T., Hornik K., Zeileis A. ctree: Conditional Inference Trees // The Comprehensive R Archive Network, 2015. URL: https://rdrr.io/rforge/partykit/f/inst/ doc/ctree.pdf (date of access: 21.11.2018).
  • Hothorn T., Hornik K., Strobl C., Zeileis A. Party: A Laboratory for Recursive Partitioning, 2010. URL: https://cran.r-project.org/web/packages/party/vignettes/party.pdf (date of access: 21.11.2018).
  • Golland P., Liang F., Mukherjee S., Panchenko D. Permutation Tests for Classification // International Conference on Computational Learning Theory. Springer, Berlin, Heidelberg, 2005. P. 501–515.
  • Therneau T.M., Atkinson E.J. An Introduction to Recursive Partitioning Using the RPART Routines, 2018. URL: https://cran.r-project.org/web/packages/rpart/ vignettes/longintro.pdf (date of access: 21.11.2018).
  • Фабрикант М.С. Модель-ориентированный подход к отсутствующим значениям: множественная импутация в многоуровневой регрессии посредством R (на примере анализа опросных данных) // Социология: методология, методы, математическое моделирование. 2016. № 41. С. 7–29.
  • Feelders A. Handling Missing Data in Trees: Surrogate Splits or Statistical Imputation? // European Conference on Principles of Data Mining and Knowledge Discovery. Springer, Berlin, Heidelberg, 1999. P. 329–334.
  • Janssen K.J., Donders A.R.T., Harrell Jr. F.E., Vergouwe Y., Chen Q., Grobbee D.E., Moons K.G. Missing Covariate Data in Medical Research: to Impute is Better than to Ignore // Journal of Clinical Epidemiology. 2010. Vol. 63(7). P. 721–727.
  • Valdiviezo H.C., Van Aelst S. Tree-based Prediction on Incomplete Data Using Imputation or Surrogate Decisions // Information Sciences. 2015. No. 311. P. 163–181.

Содержание выпуска

>> Содержание выпуска 2018. Том. 0. № 46.
>> Архив журнала



КОММЕНТАРИИ К ЭТОЙ СТРАНИЦЕ



rss подписаться на RSS ленту комментариев к этой странице
ОСТАВИТЬ КОММЕНТАРИЙ
Комментарии. Всего [0]: