Mīti par slepkavībām un daudzkārtēju regresiju

Vai jūs ticat, ka katru reizi, kad ieslodzītajam tiek izpildīts nāvessods ASV, tiek atturētas no astoņām turpmākajām slepkavībām? Vai jūs uzskatāt, ka slēpto ieroču nēsāšanas atļauju saņēmušo pilsoņu skaita pieaugums par 1%par 3,3% samazina slepkavību līmeni valstī? Vai jūs uzskatāt, ka 10 līdz 20% no noziedzības samazināšanās deviņdesmitajos gados izraisīja abortu skaita pieaugums 1970. gados? Vai arī to, ka slepkavību līmenis kopš 1974. gada būtu palielinājies par 250%, ja ASV nebūtu uzcēlušas tik daudz jaunu cietumu?

Ja kāds no šiem pētījumiem jūs maldināja, jūs, iespējams, esat aizrāvies ar kaitīgu nelietderīgas zinātnes veidu: matemātisko modeļu izmantošanu bez pierādītas prognozēšanas spējas izdarīt politiskus secinājumus. Šie pētījumi ir virspusēji iespaidīgi. Tos rakstījuši cienījami sociālie zinātnieki no prestižām iestādēm, un tie bieži parādās recenzējamos zinātniskos žurnālos. Piepildīti ar sarežģītiem statistikas aprēķiniem, tie sniedz precīzus skaitliskus “faktus”, ko var izmantot kā debatētāju punktus politikas argumentos. Bet šie “fakti” ir gudri. Pirms viena pētījuma tinte ir nožuvusi, parādās cits ar pilnīgi citiem “faktiem”. Neskatoties uz to zinātnisko izskatu, šie modeļi neatbilst lietderīga matemātiskā modeļa pamatkritērijam: spējai veikt prognozes, kas ir labākas par nejaušu nejaušību.

Lai gan ekonomisti ir šīs noslēpumainās mākslas vadošie praktiķi, sociologiem, kriminologiem un citiem sociāliem zinātniekiem ir arī versijas par to. Tas ir pazīstams ar dažādiem nosaukumiem, tostarp “ekonometriskā modelēšana”, “strukturālo vienādojumu modelēšana” un “ceļu analīze”. Visi šie ir veidi, kā izmantot korelācijas starp mainīgajiem, lai izdarītu cēloņsakarību. Problēma ar to, kā zina ikviens, kam ir bijis statistikas kurss, ir tā, ka korelācija nav cēloņsakarība. Korelācijas starp diviem mainīgajiem bieži ir “neīstas”, jo tās izraisa kāds trešais mainīgais. Ekonometriskie modelētāji cenšas pārvarēt šo problēmu, savās analīzēs iekļaujot visus attiecīgos mainīgos, izmantojot statistikas paņēmienu, ko sauc par “vairākkārtēju regresiju”. Ja būtu perfekti visu cēloņsakarību mainīgie mērījumi, tas darbotos. Bet dati nekad nav pietiekami labi. Atkārtoti mēģinājumi izmantot daudzkārtēju regresiju, lai iegūtu galīgas atbildes uz sabiedriskās politikas jautājumiem, ir bijuši neveiksmīgi.

Taču daudzi sociālie zinātnieki nevēlas atzīt neveiksmi. Viņi ir veltījuši gadus, lai mācītos un mācītu regresijas modelēšanu, un viņi turpina izmantot regresiju, lai izvirzītu cēloņsakarības argumentus, kas nav pamatoti ar viņu datiem. Es šos argumentus saucu par daudzkārtējās regresijas mītiem un kā piemērus vēlos izmantot četrus pētījumus par slepkavību biežumu.

Pirmais mīts: vairāk ieroču, mazāk noziegumu.

Jēlas universitātes ekonomists Džons Lots izmantoja ekonometrisko modeli, lai argumentētu, ka “ļaujot pilsoņiem nēsāt slēptus ieročus, tiek atturēti no vardarbīgiem noziegumiem, nepalielinot nejaušu nāves gadījumu skaitu”. Lota analīze ietvēra “izdod” likumus, kas nosaka, ka vietējām varas iestādēm ir jāizsniedz slēpta ieroču atļauja ikvienam likumpaklausīgam pilsonim, kurš piesakās uz to. Lots lēsa, ka katrs par vienu procentu ieroču īpašumtiesību pieaugums populācijā izraisa slepkavību skaita samazināšanos par 3,3%. Lots un viņa līdzautors Deivids Mustards pirmo pētījuma versiju ievietoja internetā 1997. gadā, un desmitiem tūkstošu cilvēku to lejupielādēja. Tas bija politikas forumu, laikrakstu sleju un bieži vien diezgan sarežģītu debašu tēma globālajā tīmeklī. Grāmatā ar āķīgu nosaukumu Vairāk ieroču, mazāk noziegumu Lots ņirgājās par saviem kritiķiem, apsūdzot viņus ideoloģijas nostādīšanā augstāk par zinātni.

Lota darbs ir statistiskas vienlīdzības piemērs. Viņam ir vairāk datu un sarežģītāka analīze nekā jebkuram citam, kas pēta šo tēmu. Viņš pieprasa, lai ikviens, kurš vēlas apstrīdēt viņa argumentus, iegrimst ļoti sarežģītās statistikas debatēs, kuru pamatā ir tik sarežģīti aprēķini, ka tos nevar izdarīt ar parastajiem galddatoriem. Viņš izaicina ikvienu, kas viņam nepiekrīt, lejupielādēt savu datu kopu un atkārtoti veikt aprēķinus, taču lielākā daļa sociālo zinātnieku neuzskata, ka ir vērts atkārtot pētījumus, izmantojot metodes, kas vairākkārt ir bijušas neveiksmīgas. Lielākā daļa ieroču kontroles pētnieku vienkārši noraidīja Lota un Mustard apgalvojumus un turpināja darbu. Divi augsti cienījami krimināltiesību pētnieki Frenks Zimrings un Gordons Hokinss (1997) uzrakstīja rakstu, kurā paskaidroja, ka:

tāpat kā Lota un Mustard kungi, izmantojot vienu slepkavību noteicošo faktoru modeli, var iegūt statistikas atlikumus, kas liek domāt, ka likumi “izdod” slepkavība, mēs sagaidām, ka apņēmīgs ekonometriķis var izstrādāt vienu un to pašu vēstures periodu traktējumu ar dažādiem modeļiem un pretēju efektu. Ekonometriskā modelēšana ir abpusēji griezīgs zobens, lai atvieglotu statistikas konstatējumus, lai sasildītu jebkura veida patiesi ticīgo sirdis.

Zimringam un Hokinsam bija taisnība. Gada laikā divi apņēmīgi ekonometriķi, Dens Bleks un Daniels Nagins (1998) publicēja pētījumu, kurā parādīts, ka, ja viņi nedaudz mainīja statistikas modeli vai piemēroja to dažādiem datu segmentiem, Lota un Mustarda atklājumi pazuda. Bleks un Nagins atklāja, ka tad, kad Florida tika izņemta no izlases, “pārnēsāšanas tiesību likumi neietekmēja slepkavību un izvarošanas gadījumu skaitu”. Viņi secināja, ka “secinājumi, kas balstīti uz Lota un Mustardas modeli, nav piemēroti, un to rezultātus nevar izmantot atbildīgi, lai formulētu valsts politiku”.

Džons Lots tomēr apstrīdēja viņu analīzi un turpināja popularizēt savu. Lots bija savācis datus par katru Amerikas apgabalu par katru gadu no 1977. līdz 1992. gadam. Problēma ar to ir tā, ka Amerikas apgabali ļoti atšķiras pēc lieluma un sociālajām iezīmēm. Dažas lielas, kurās atrodas lielākās pilsētas, veido ļoti lielu slepkavību procentuālo daļu Amerikas Savienotajās Valstīs. Kā tas notiek, nevienā no šiem ļoti lielajiem apgabaliem nav “izdod” ieroču kontroles likumus. Tas nozīmē, ka Lota masīvā datu kopa vienkārši nebija piemērota viņa uzdevumam. Viņam nebija nekādu atšķirību savā galvenajā cēloņsakarībā — “izdos” likumus — vietās, kur notika lielākā daļa slepkavību.

Viņš nepieminēja šo ierobežojumu savā grāmatā vai rakstos. Kad, pārbaudot viņa datus, es atklāju, ka lielākajās pilsētās trūkst likumu “izdod”, es viņam par to jautāju. Viņš paraustīja plecus, sakot, ka savā analīzē ir “kontrolējis” iedzīvotāju skaitu. Taču statistikas kontroles ieviešana matemātiskajā analīzē nekompensēja faktu, ka viņam vienkārši nebija datu par lielākajām pilsētām, kurās slepkavību problēma bija visakūtākā.

Pagāja zināms laiks, lai atrastu šo problēmu viņa datos, jo es nebiju pazīstams ar ieroču kontroles problēmu. Bet Zimrings un Hokinss to nekavējoties pievērsa nullei, jo viņi zināja, ka štatos, kur Nacionālā strēlnieku asociācija bija spēcīga, galvenokārt dienvidos, rietumos un lauku reģionos, tika pieņemti likumi. Tie bija štati, kuros jau bija daži ieroču ierobežojumi. Viņi novēroja, ka šī likumdošanas vēsture iznīcina “mūsu spēju salīdzināt tendences “izdod” valstīs ar tendencēm citās valstīs. Tā kā valstis, kas mainīja tiesību aktus, atšķiras pēc atrašanās vietas un konstitūcijas no valstīm, kuras to nemainīja, salīdzinājumi starp likumdošanas kategorijām vienmēr būs var sajaukt demogrāfisko un reģionālo ietekmi ar dažādu tiesisko režīmu ietekmi uz uzvedību.” Zimrings un Hokinss arī novēroja, ka:

Lots un Sinerds, protams, apzinās šo problēmu. Viņu risinājums, standarta ekonometriskais paņēmiens, ir izveidot statistikas modeli, kas kontrolēs visas atšķirības starp Aidaho un Ņujorku, kas ietekmē slepkavību un noziedzības līmeni, izņemot “izdod” likumus. Ja mūsu modelī var “norādīt” galvenās ietekmes uz slepkavībām, izvarošanu, ielaušanos un automašīnu zādzībām, tad mēs varam novērst šo faktoru ietekmi uz dažādām tendencēm. Lott un Mustard veido modeļus, kas novērtē demogrāfisko datu, ekonomisko datu un kriminālsodu ietekmi uz dažādiem nodarījumiem. Šie modeļi ir vislabākie statistikas mājas gatavošanā, jo tie ir izveidoti šai šo autoru datu kopai un tiek pārbaudīti tikai ar tiem datiem, kas tiks izmantoti, lai novērtētu pārnēsāšanas tiesību ietekmi.

Lott un Mustard salīdzināja tendences Aidaho un Rietumvirdžīnijā un Misisipi ar tendencēm Vašingtonā, DC un Ņujorkā. Faktiski notika ar plaisām saistītu slepkavību sprādziens lielākajās austrumu pilsētās 1980. gados un 90. gadu sākumā. Viss Lota arguments bija saistīts ar apgalvojumu, ka lielākoties lauku un rietumu “izdod” štati tika pasargāti no plaisu izraisītas slepkavību epidēmijas to “izdos” likumu dēļ. Tas nekad nebūtu ticis uztverts nopietni, ja vien to nebūtu aizklājis vienādojumu labirints.

mīts: vairāk cilvēku ieslodzīšana samazina noziegumus

OtraisLota un Sinepju lieta bija ārkārtēja tikai ar sabiedrības uzmanību, ko tā saņēma. Diezgan bieži, pat tipiski, konkurējošie pētījumi tiek publicēti, izmantojot ekonometriskās metodes, lai panāktu pretējus secinājumus par vienu un to pašu jautājumu. Bieži vien nevienai no analīzēm nav nekā acīmredzami nepareiza. Viņi vienkārši izmanto nedaudz atšķirīgas datu kopas vai dažādas metodes, lai sasniegtu dažādus rezultātus. Šķiet, ka regresijas modelētāji var sasniegt jebkuru vēlamo rezultātu, nekādā veidā nepārkāpjot regresijas analīzes noteikumus. Vienā ārkārtīgi atklātā paziņojumā par neapmierinātību ar šo lietu stāvokli divi augsti cienīti kriminologi Tomass Mārvels un Kārlails Mūdijs (1997: 221) ziņoja par viņu veiktā pētījuma saņemšanu par ieslodzījuma ietekmi uz slepkavību skaitu. Viņi ziņoja, ka viņi:

plaši izplatīja [savus] atklājumus kopā ar izmantotajiem datiem kolēģiem, kuri specializējas kvantitatīvā analīzē. Biežākā atbilde ir tāda, ka viņi atsakās ticēt rezultātiem neatkarīgi no tā, cik laba ir statistiskā analīze. Aiz šī strīda slēpjas jēdziens, kas bieži tiek apspriests neoficiāli, bet reti publicēts, ka sociālie zinātnieki var iegūt jebkuru vēlamo rezultātu, manipulējot ar izmantotajām procedūrām. Faktiski daudzās aplēses par ieslodzīto populācijas ietekmi tiek uzskatītas par labu pierādījumu tam, ka pētījumi ir elastīgi. Pat starp daudziem, kas regulāri publicē kvantitatīvus pētījumus, sekas ir tādas, ka neatkarīgi no tā, cik rūpīga ir analīze, rezultāti nav ticami, ja vien tie neatbilst iepriekšējiem cerībām. Pētniecības disciplīna nevar gūt panākumus šādā sistēmā.

Par saviem lielajiem nopelniem Marvell un Moody atklāti atzina problēmas ar daudzkārtēju regresiju un sniedza dažus uzlabojumus. Diemžēl daži ekonometriķi ir tik ļoti iegrimuši savos modeļos, ka zaudē izpratni par to, cik tie ir patvaļīgi. Viņi uzskata, ka viņu modeļi ir reālāki, derīgāki nekā nekārtīgā, nepaklausīgā, “nekontrolētā” realitāte, ko viņi cenšas izskaidrot.

Trešais mīts:cilvēkiem samazina noziedzību

nāvessoda izpilde1975. gadā American Economic Review publicēja vadošā ekonomista Īzaka Ērliha no Mičiganas universitātes rakstu, kurš lēš, ka katra nāvessoda izpilde attur no astoņām slepkavībām. Pirms Ērliha pazīstamākais speciālists nāvessoda efektivitātes jautājumos bija Torstens Selens, kurš bija izmantojis daudz vienkāršāku analīzes metodi. Sellens sagatavoja grafikus, salīdzinot tendences dažādos štatos. Viņš atklāja maz vai vispār nav atšķirību starp štatiem ar vai bez nāvessoda, tāpēc viņš secināja, ka nāvessodam nav nekādas atšķirības. Ērlihs, veicot statistisko vienlīdzību, apgalvoja, ka viņa analīze bija ticamāka, jo tā kontrolē visus faktorus, kas ietekmē slepkavību skaitu.

Pat pirms tā publicēšanas Ērliha darbu citēja Amerikas Savienoto Valstu ģenerāladvokāts amicus curiae dokumentā, kas tika iesniegts Savienoto Valstu Augstākajā tiesā, aizstāvot nāvessodu. Par laimi Tiesa nolēma nepaļauties uz Ērliha liecībām, jo ​​tos nebija apstiprinājuši citi pētnieki. Tas bija saprātīgi, jo gada vai divu citu pētnieki publicēja tikpat sarežģītas ekonometriskas analīzes, kas parādīja, ka nāvessodam nebija atturoša efekta.

Strīdi par Ērliha darbu bija tik svarīgi, ka Nacionālā pētniecības padome sasauca ekspertu grupu ar zilu lenti, lai to pārskatītu. Pēc ļoti rūpīgas pārskatīšanas komisija nolēma, ka problēma nav tikai Ērliha modelī, bet gan idejā izmantot ekonometriskās metodes, lai atrisinātu strīdus par kriminālās justīcijas politiku. Viņi (Manski, 1978: 422) secināja, ka:

tā kā datiem, kas, iespējams, ir pieejami šādai analīzei, ir ierobežojumi un noziedzīga uzvedība var būt tik sarežģīta, tiks izstrādāts galīgs uzvedības pētījums, kas attaisno visas domstarpības par atturēšanas ietekmi uz uzvedību. politiku nevajadzētu gaidīt.

Lielākā daļa ekspertu tagad uzskata, ka Selenam bija taisnība, ka nāvessodam nav uzskatāmas ietekmes uz slepkavību skaitu. Taču Ērlihu nav izdevies pārliecināt. Tagad viņš ir vientuļš, patiesi ticīgs sava modeļa derīgumam. Nesenā intervijā (Bonner un Fessendren, 2000) viņš uzstāja, “ja tiek ņemtas vērā tādas atšķirības kā bezdarbs, ienākumu nevienlīdzība, aizturēšanas iespējamība un vēlme izmantot nāvessodu, nāvessodam ir ievērojama atturoša ietekme.”

Ceturtais mīts: legalizēts aborts izraisīja noziedzības samazināšanos 90. gados.

  1. gadā Džons Donohjū un Stīvens Levits izdeva pētījumu ar jaunu skaidrojumu par slepkavību skaita straujo samazināšanos 90. gados. Viņi apgalvoja, ka abortu legalizēšana ASV Augstākajā tiesā 1973. gadā izraisīja nevēlamu bērnu dzimstības samazināšanos, no kuriem nesamērīgi liels skaits būtu izauguši par noziedzniekiem. Problēma ar šo argumentu ir tāda, ka abortu legalizācija bija vienreizējs vēsturisks notikums un vienreizējie notikumi nesniedz pietiekami daudz datu, lai veiktu derīgu regresijas analīzi. Tā ir taisnība, ka dažos štatos aborti tika legalizēti agrāk nekā citos, un Donohue un Levits izmanto šo faktu. Bet visas šīs valstis piedzīvoja tos pašus vēsturiskos procesus, un tajā pašā vēsturiskajā periodā notika daudzas citas lietas, kas ietekmēja slepkavību skaitu. Derīgai regresijas analīzei būtu jāaptver visas šīs lietas un jāpārbauda tās plašā variāciju diapazonā. Esošie dati to nepieļauj, tāpēc regresijas analīzes rezultāti mainīsies atkarībā no tā, kuri dati ir atlasīti analīzei.

Šajā gadījumā Donohue un Levitt izvēlējās koncentrēties uz pārmaiņām divpadsmit gadu laika posmā, ignorējot svārstības šajos gados. To darot, kā norādīja Džeimss Fokss (2000: 303), “viņi palaida garām lielāko daļu noziedzības maiņu šajā periodā – pieaugošo tendenci 1980. gadu beigu kreka laikmetā un lejupejošo korekciju pēckreka gados. kaut kas līdzīgs mēness fāžu ietekmes uz okeāna plūdmaiņām pētīšanai, bet tikai datu reģistrēšana par bēguma periodiem.

Rakstot šo rakstu, es iekļāvu teikumu, kurā teikts: “drīz cits regresijas analītiķis, iespējams, atkārtoti analizēs tos pašus datus un izdarīs atšķirīgus secinājumus.” Pēc dažām dienām mana sieva man iedeva avīzes stāstu par tieši šādu pētījumu. Autors bija neviens cits kā Džons Lots no Jēlas kopā ar Džonu Vitliju no Adelaidas universitātes. Viņi apkopoja tos pašus skaitļus un secināja, ka “abortu legalizēšana palielināja slepkavību skaitu par aptuveni 0,5 līdz 7 procentiem” (Lott un Whitely, 2001).

Kāpēc tik izteikti atšķirīgi rezultāti? Katra autoru kopa vienkārši izvēlējās citu veidu, kā modelēt neatbilstošu datu kopumu. Ekonometrija nevar izveidot derīgu vispārīgu likumu no vēsturiskā fakta, ka aborti tika legalizēti 1970. gados un noziedzība samazinājās 90. gados. Derīgam statistikas testam mums būtu nepieciešami vismaz daži desmiti šādas vēsturiskas pieredzes.

Secinājumi.

Skābes tests statistiskajā modelēšanā ir prognozēšana. Prognozei nav jābūt perfektai. Ja modelis var prognozēt ievērojami labāk nekā nejauša minēšana, tas ir noderīgi. Piemēram, ja modelis varētu prognozēt akciju cenas pat nedaudz labāk nekā nejauši uzminēt, tas padarītu tā īpašniekus ļoti bagātus. Tāpēc ir ieguldīts daudz pūļu, lai pārbaudītu un novērtētu akciju cenu modeļus. Diemžēl pētnieki, kuri izmanto ekonometriskās metodes, lai novērtētu sociālo politiku, ļoti reti pakļauj savus modeļus prognozēšanas testiem. Viņu attaisnojums ir tas, ka ir nepieciešams pārāk ilgs laiks, lai uzzinātu rezultātus. Jūs nesaņemat jaunus datus par nabadzību, abortiem vai slepkavībām ik pēc dažām minūtēm, kā to darāt ar akciju cenām. Bet pētnieki var veikt paredzamo testēšanu citos veidos. Viņi var izstrādāt modeli, izmantojot datus no vienas jurisdikcijas vai laika perioda, un pēc tam izmantot to, lai prognozētu datus no citiem laikiem vai vietām. Taču lielākā daļa pētnieku vienkārši to nedara, vai arī, ja viņi to dara, modeļi neizdodas un rezultāti nekad netiek publicēti.

Žurnāliem, kas publicē sabiedriskās politikas jautājumu ekonometriskos pētījumus, bieži vien nav nepieciešama prognozējoša pārbaude, kas liecina, ka redaktoriem un recenzentiem ir zemas cerības uz savām jomām. Tāpēc pētnieki ņem datus uz noteiktu laika periodu un turpina precizēt un pielāgot savu modeli, līdz viņi var “izskaidrot” tendences. kas jau ir noticis. Vienmēr ir vairāki veidi, kā to izdarīt, un ar moderniem datoriem nav grūti turpināt mēģināt, līdz atrodat kaut ko piemērotu. Tajā brīdī pētnieks apstājas, pieraksta atklājumus un nosūta papīru publicēšanai. Vēlāk cits pētnieks var pielāgot modeli, lai iegūtu citu rezultātu. Tas aizpilda zinātnisko žurnālu lappuses, un visi izliekas nemanām, ka progress tiek panākts maz vai vispār nav. Taču šodien mēs neesam tuvāk derīgam slepkavību skaita ekonometriskam modelim, nekā bijām, kad Īzaks Ērlihs 1975.publicēja pirmo modeli.

gadāZinātnieku aprindām nav labas procedūras, lai atzītu plaši izmantotas pētniecības metodes neveiksmi. Metodes, kas ir iesakņojušās vadošo universitāšu absolventu programmās un publicētas prestižos žurnālos, mēdz tikt iemūžinātas. Daudzi nespeciālisti pieņem, ka, ja pētījums ir publicēts recenzējamā žurnālā, tas ir derīgs. Mūsu izskatītie gadījumi liecina, ka tas ne vienmēr tā ir. Salīdzinošā pārskatīšana nodrošina, ka ir ievērota iedibinātā prakse, taču tas maz palīdz, ja pašas šīs prakses ir kļūdainas.

  1. gadā Deivids Frīdmens, izcils sociologs Kalifornijas Universitātē Bērklijā un mācību grāmatu autors par kvantitatīvām pētniecības metodēm, satricināja regresijas modelēšanas pamatus, atklāti paziņojot: “Es nedomāju, ka regresija var uzņemties lielu slogu. cēloņsakarības arguments. Arī regresijas vienādojumi paši par sevi nesniedz lielu palīdzību, lai kontrolētu neskaidros mainīgos” (Freedman, 1991: 292). Frīdmena raksts izraisīja vairākas spēcīgas reakcijas. Ričards Berks (1991: 315) novēroja, ka Frīdmena argumentu “lielākajai daļai kvantitatīvo sociologu būs ļoti grūti pieņemt. Tas attiecas uz viņu empīriskā uzņēmuma būtību un tādējādi apdraud visu profesionālo karjeru.”

Saskaroties ar kritiķiem, kuri vēlas iegūt pierādījumus tam, ka spēj prognozēt tendences, regresijas modelētāji bieži vien atgriežas pie statistikas vienreizēja rakstura. Viņi padara argumentus tik sarežģītus, ka tikai citi augsti apmācīti regresijas analītiķi tos var saprast, nemaz nerunājot par atspēkošanu. Bieži vien šī tehnika darbojas. Potenciālie kritiķi vienkārši neapmierināti padodas. The Philadelphia Inquirer Deivids Boldts (1999), noklausījies Džona Lota runu par slēptiem ieročiem un slepkavību skaitu, kā arī sazinājies ar citiem ekspertiem, nožēloja, ka “mēģināt sakārtot akadēmiskos argumentus ir gandrīz muļķīga lieta. Jūs varat noslīkt strīdos par t. -statistika, fiktīvie mainīgie un Puasona un mazāko kvadrātu datu analīzes metodes.

Boldtam bija taisnība, uzskatot, ka viņš tiek ievilināts muļķa misijā. Patiesībā socioloģijā vai kriminoloģijā nav svarīgu atziņu, ko nevarētu darīt zināmu žurnālistiem un politikas veidotājiem, kuriem trūkst ekonometrijas grādu. Ir pienācis laiks atzīt, ka imperatoram nav drēbju. Iepazīstoties ar ekonometrisko modeli, patērētājiem ir jāuzstāj uz pierādījumiem, ka tas var paredzētdatu tendences, citunevis datus, kas izmantoti tā izveidei. Modeļi, kas neiztur šo testu, ir nelietderīga zinātne neatkarīgi no tā, cik sarežģīta ir analīze.

REFERENCES

 

Berk, Richard.A. 1991. Toward a methodology for mere mortals,” Sociological Methodology 21: 315-324.

Boldt, David. 1999. “Study evidence on guns,” Philadelphia Inquirer, December 14. Downloaded on May17, 2000 from: http://www.phillynews.com/inquirer/99/Dec/14/opinion/BOLDT14.htm.

Black, Dan. and Daniel Nagin 1998. Do right-to-carry laws deter violent crime? Journal of Legal Studies 27: 209-219.

Bonner, Raymond and Ford Fessendren. 2000. States with no death penalty share lower homicide rates,” New York Times, September 22. Downloaded from: http://www.nytimes.com/2000/09/22/national/22DEAT.html.

Donohue, John and Steven Levitt. 1999. Legalized Abortion and Crime. Stanford University Law School. Downloaded in August, 2000 from: http://papers.ssrn.com/paper.taf?ABSTRACT_ID=174508.

Fox, James. 2000. Demographics and U.S. homicide, In A. Blumstein and J. Wallman (eds.), The Crime Drop in America, Cambridge University Press, New York, pp. 288-317.

Freedman, David 1991. Statistical models and shoe leather. Sociological Methodology 21: 291-313.

Lott, John. 2000. More Guns, Less Crime: Understanding Crime and Gun Control Laws. University of Chicago Press, second edition with additional analyses.

Lott, John. and John Whitley. 2001. Abortion and crime: Unwanted children and out-of-wedlock births,” Yale Law & Economics Research Paper No. 254. Downloaded on July 9, 2001 from: http://papers.ssrn.com/sol3/papers.cfm?abstract_id=270126.

Marvell, Thomas and Carlisle Moody, C. 1997. The impact of prison growth on homicide. Homicide Studies 1: 205-233.

Zimring, Frank and Gordon Hawkins. 1997. Concealed handguns: the counterfeit deterrent, The Responsive Community 7: 46-60.

Subscribe to our alerts

Join the Privacy Club and receive alerts about VPN deals.

You can unsubscribe at any time

Subscribe to VPN alerts