Кореляційно-факторно-кластерне моделювання як інструмент прогнозування соціальних змін
##plugins.themes.bootstrap3.article.main##
Анотація
Актуальність. У статті представлено обґрунтування продуктивності застосування кореляційно-факторно-кластерного моделювання для уточнення типології моделей економічної поведінки та прогнозування динаміки соціально-економічних змін.
Основними завданнями дослідження були: диференціація типології, апробація інструментарію і верифікація показників, що дає змогу уточнити лінії аналізу і підвищити якість прогнозу.
Методологія. Кореляційно-факторно-кластерну модель, отриману з використанням статистичних програм R та Excel, утворили чотири суперкластери, а також кластери першого, другого і третього порядків.
Результати. Емпірично виявлені суперкластери загалом відповідають типам (моделям економічної поведінки), визначеним на етапі теоретичного аналізу, однак не тотожні їм. Аналіз індикаторів, які їх утворили, дав змогу уточнити показники типів та назву одного з них. Кластери різних порядків, які увійшли до суперкластерів, репрезентують підтипи кожного з них. Загалом виокремлено 15 підтипів, наявність яких на етапі теоретичного аналізу не була очевидною. Індикатори, які утворили підтипи, дають уявлення про реальний рівень практик представників кожного з типів. Імовірність дрейфу підтипів допомагає суттєво уточнити прогноз динаміки соціально-економічних змін.
Практична значущість дослідження. За результатами моделювання вдалося не лише відкоригувати і деталізувати типологію моделей економічної поведінки, а й визначити додаткові показники, на основі яких має конструюватись інструментарій для збирання даних і прогнозування динаміки соціально-економічних змін.
Перспективи досліджень. Запропонований підхід видається продуктивним не лише для прогнозування сценаріїв розвитку соціальної ситуації, а й для уточнення та диференціації соціально-психологічних типологій з мінімальними затратами на етапі пошукових досліджень.
Завантаження
##plugins.themes.bootstrap3.article.details##
Посилання
Kahneman, D. (2003). Maps of bounded rationality: Psychology for behavioral economics. American economic review, 93 (5), 1449–1475. (in English)
Malkhazov, O. R. (2024a). Empirychne obhruntuvannіa metodu prohnozuvannia jmovirnykh stsenariiv ekonomichnoi povedinky hromadian [Empirical substantiation of the method of forecasting probable scenarios of citizens' economic behavior]. Gabitus, 66, 315‒319. https://doi.org/10.32782/2663-5208 (in Ukrainian)
Malkhazov, O. (2024b). Alhorytm veryfikatsii rezultativ empirychnoho doslidzhennia ekonomichnoi povedinky studentskoi molodi [Algorithm for verifying the results of an empirical study of the economic behavior of student youth]. Problemy politychnoi psykholohii [Problems of Political Psychology], 16 (30), 305–319. https://doi.org/10.33120/popp-Vol16-Year2024-178 (in Ukrainian)
Malkhazov, O. (2023a). Metodolohichni obmezhennia prohnozuvannia ekonomichnoi povedinky ukraintsiv [Methodological limitations of forecasting the economic behavior of Ukrainians]. Problemy politychnoi psykholohii [Problems of Political Psychology], 14 (28), 24–35. https://doi.org/10.33120/popp-Vol14-Year2023-138 (in Ukrainian)
Malkhazov, O. R. (2023b). Typolohiia modelei soysialno-ekonomichnoi povedinky ukraintsiv [Typology of models of socio-economic behavior of Ukrainians], Gabitus, 56, 241–244. https://doi.org/10.32782/2663-5208. 2023.56.45. (in Ukrainian)
Revelle, W. (1979). Hierarchical cluster analysis and the internal structure of tests. Multivariate behavioral research, 14 (1), 57–74. (in English)
Revelle, W., & Zinbarg, R. E. (2009). Coefficients alpha, beta, omega, and the glb: Comments on Sijtsma. Psychometrika, 74, 145–154. (in English)
Simon, H. A. (2013). Administrative behavior. Simon, & Schuster. (in English)
Thaler, R. H., & Mullainathan, S. (2008). How behavioral economics differs from traditional economics. The Concise Library of Economics. Cambridge. (in English)