Байесовское моделирование биномиальных экспериментов в социологии: проблемный анализ

Статья посвящена байесовскому моделированию простых сравнительных биномиальных экспериментов с двоичными наборами данных (формата «успех» и «неудача») в социологии и других социальных науках. Кратко рассмотрены основные методологические основы применения байесовского подхода в статистике: применение априорных установок в анализе, особенности байесовского статистического вывода, различия частотных и байесовских доверительных интервалов, особенности проверки гипотез в байесовской статистике. Построена байесовская модель сравнительного биномиального эксперимента, поддерживающая сравнение независимых и зависимых выборок биномиальных переменных, а также допускающая различия в размерах сравниваемых выборок. Возможности модели, а также принципы байесовской проверки гипотез были продемонстрированы на тестовых данных с применением современных свободных пакетов байесовского моделирования и анализа – PyMC и ArviZ. Использование указанных инструментов позволяет реализовывать прямые тензорные операции с получаемыми апостериорными распределениями, предоставляя исследователю результативный способ расчета размера эффекта при сравнении двух биномиальных выборок без необходимости прибегать к усложненным формам вычисления данного параметра. Показаны возможности и ограничения байесовского подхода в контексте сравнительного анализа результатов биномиальных экспериментов в социальных науках путем расчета вероятности гипотез посредством вычисления и сравнения площади интервалов апостериорных распределений

1. Аржанова К.А., Еремеева А.И. Ситуативный и коммуникационный контент в рамках SMM-продвижения бренда в социальных сетях. Цифровая социология. 2023;2(6):4–11. https://doi.org/10.26425/2658-347X-2023-6-2-4-11

2. Добреньков В.И., Кравченко А.И. Фундаментальная социология: в 15 томах. Том 2. Эмпирическая и прикладная социология. М.: Инфра-М; 2004. 986 с.

3. Зырянов В.В. Социальная статистика в социологическом образовании. Социологические исследования. 2022;2:129–141. https://doi.org/10.31857/S013216250017138-4

4. Кибакин М.В. Вебометрика как диагностический инструментарий цифровой социологии: содержание, предназначение, опыт использования. Цифровая социология. 2020;1(3):12–18. https://doi.org/10.26425/2658-347X-2020-1-12-18

5. Мещерякова Н.Н. Методология познания цифрового общества. Цифровая социология. 2020;2(3):17–26. https://doi.org/10.26425/2658-347X-2020-2-17-26

6. Хей Дж. Введение в методы байесовского статистического вывода. Пер. с англ. М.: Финансы и статистика; 1987. 336 с.

7. Kruschke J.K. Bayesian estimation supersedes the t-test. Journal of Experimental Psychology: General. 2013;2(142):573–603. https://doi.org/10.1037/a0029146

8. Lynch S.M., Bartlett B. Bayesian statistics in sociology: past, present, and future. Annual Review of Sociology. 2019;45:47–68. http://dx.doi.org/10.1146/annurev-soc-073018-022457

9. Schrodt Ph.A. Seven deadly sins of contemporary quantitative political analysis. Journal of Peace Research. 2013;2(51):287–300. https://www.doi.org/10.1177/0022343313499597