Zainteresowania naukowo-badawcze

            Zmieniające się paradygmaty w naukach społecznych i ekonomicznych wymuszają rozwój i dostosowania zarówno badań empirycznych jak i metod analiz. Wymagają rozwoju nowych teorii bądź reinterpretację teorii już istniejących do oceny zmian zjawisk i procesów. Wychodząc naprzeciw tym wyzwaniom podjęto prace nad powołaniem w ramach Instytutu Statystyki i Demografii Zakładu Analizy Historii Zdarzeń i Analiz Wielopoziomowych.

Zainteresowania naukowe pracowników Zakładu w zakresie metod i modeli to:

•  Modele i metody analizy historii zdarzeń,
•  Modele makro – symulacyjne i modele mikro-symulacyjne,
•  Metody i modele analizy wielopoziomowej.
•  Metody i modele badań jakościowych

Zainteresowania badawcze (badania i analizy  empiryczne, aplikacyjne) pracowników Zakładu to:

• Badania przekrojowe i retrospektywne,
• Badania panelowe i kontekstowe bazy danych
• Badania jakościowe w odniesieniu do procesów społecznych (w tym demograficznych) ekonomicznych
• Badania mechanizmu przyczynowości, interakcji i współzależności odniesione do procesów społecznych (  tym demograficznych), ekonomicznych,
• Ocena ryzyka z wykorzystaniem ww. metod i modeli do rynków ubezpieczeniowych, finansowych, telekomunikacyjnych – szerzej w zastosowaniach biznesowych.
• Analizy w kontekście cyklu życia, szeroko definiowane (w tym cyklu życia jednostki i rodziny, karier równoległych).

            Zakres zainteresowań naukowo-badawczych pracowników Zakładu w zakresie metod i modeli łączy podejście ilościowe i jakościowe. Połączenie metod ilościowych i jakościowych jest niezwykle efektywne w przypadku studiowania złożonych wielowymiarowych i wielopoziomowych zjawisk i procesów oraz ich przebiegu i uwarunkowań.

            Etykieta „metody jakościowe” obejmuje szerokie spektrum metod: od obserwacji, poprzez w różnym stopniu ustrukturowane wywiady indywidualne i grupowe, po analizę treści publikacji (Miles & Huberman, 1994). To co łączy wszystkie metody to cel, jaki sobie stawiają.

            Badania jakościowe mają na celu analizę zachodzących zjawisk poprzez identyfikowanie ich części składowych, wykrywanie zachodzących pomiędzy nimi związków i zależności przyczynowo-skutkowych, studiowanie ich znaczeń, kontekstu oraz funkcji (Maxwell, 1996).

            Podejścia jakościowe i ilościowe są wobec siebie komplementarne w wielu aspektach i mogą być w różny sposób łączone w procesie badawczym (Miles & Huberman, 1994; Flick, 2002). Przykładowo eksploracyjne badania jakościowe mogą zaowocować sformułowaniem hipotez, które weryfikowane są na drodze analiz ilościowych. Analizy jakościowe mogą być też przeprowadzane w celu lepszego zrozumienia wyników badań ilościowych.

             Dla przykładu, w demografii badania jakościowe mogą potwierdzić (lub zweryfikować) wyniki badań ankietowych, umożliwiają głębsze zrozumienie wyników ilościowych oraz pozwalają na wyjaśnienie niektórych korelacji pomiędzy badanymi zmiennymi (Knodel, 1997). Podejście jakościowe jest też przydatne w przypadku badań, które mają na celu zrozumienie ‘kulturowego’ aspektu zachowań demograficznych (Kertzer, Friecke, 1997; Randall, Koppenhaver, 2004).

            Wobec drastycznych zmian procesów, dla przykładu obserwowanych  w trendach demograficznych na przestrzeni ostatnich dekad w Europie, wydaje się konieczne uzupełnienie danych ilościowych poprzez pogłębione badania jakościowe. Tylko poprzez taką kombinację możliwe będzie zbadanie obserwowanych trendów na różnych poziomach i z różnych perspektyw, co może prowadzić do w miarę pełnego i wszechstronnego  zrozumienia zachodzących zjawisk i procesów.

             Począwszy od lat 70-tych notuje się bardzo szybki rozwój metod i modeli analizy historii zdarzeń,  które miały do tego czasu dość ograniczone zastosowanie, co wiązało się głównie z brakiem dostępu do odpowiednich danych, potrzebnych informacji. Rozwój badań empirycznych, zarówno retrospektywnych jak i panelowych oraz funkcjonowanie odpowiednich rejestrów danych począwszy od lat 80-tych znacznie przyśpieszył możliwości aplikacyjne tych metod, jak również wpłynął na rozwój teorii związanej z tą grupą modeli.  Analiza Historii Zdarzeń jest nurtem szeroko rozwijanym i stosowanym  w wielu europejskich ośrodkach naukowo-dydaktycznych. Metody i modele analizy historii zdarzeń mają charakter uniwersalny i znajdują zastosowanie w takich naukach jak: ekonomia, nauki społeczne, socjologia, demografia, w naukach bio-medycznych jak również w finansach, bankowości i ubezpieczeniach, szerzej w zastosowaniach biznesowych.. Analiza historii zdarzeń sięga swoimi korzeniami demografii i statystyki aktuarialnej, (szerzej na ten temat w pracach: Teachman 1982; Trussell,  Hankinson, Tilton (red), (1992); Courgeau, E. Lelièvre, 1992, 1997;  Willekens, 1999; Blossfeld and Rowher,  2002; Frątczak i inni, 2005).

           Kolejny obszar zainteresowań naukowych pracowników zakładu to modele makrosymulacyjne, np.: model rodzinnych tablic trwania życia (por. Frątczak, Kozłowski, 2005) oraz modele mikrosymulacyjne, np. modele agent-based (por. Billari, Ongaro, Prskawetz, 2003; Billari, Fent, Prskawetz, Scheffran,  2006; Todd, Billari, Simao, 2005).

          Obserwowane na poziomie makro wzorce wielu zjawisk są najczęściej wynikiem zachowania indywidualnych jednostek (agentów). Jednostki te tworzą złożony system rozwijający się w czasie. Modele agent-based są narzędziem, za pomocą którego mamy możliwość nadawania zróżnicowanych instrukcji niezależnym jednostkom, które działają jednocześnie. To daje możliwość eksploracji połączenia pomiędzy zachowaniem na poziomie mikro i wzorcami na poziomie makro, które wyłaniają się z interakcji wielu jednostek.

          W modelach tych możemy w relatywnie łatwy sposób włączyć mechanizm reakcji zwrotnych jak również integrację teorii zachowania mikro jednostek z obserwowanymi wynikami na poziomie zagregowanym. Możliwość włączania tych mechanizmów jest najprawdopodobniej najważniejszą zaletą tych modeli. Przestrzeń i sieć połączeń w tych modelach mogą mieć charakter dodatkowych jednostek, poprzez które agenci oddziałują na siebie. Możliwe jest również sprawdzanie badanych hipotez dotyczących procesów zachodzących na indywidualnym poziomie, stosując podejście buttom-up. To zawiera możliwość wprowadzania czynników determinujących zdarzenia. „Celem nie koniecznie musi być wyjaśnianie zjawiska ale pozwolenie mu na rozwijanie się” (Epstein and Axtell ,1996)).

          Modele agent-based są bez wątpienia obiecującym obszarem w zakresie teorii i aplikacji (szerzej badań naukowych)  w znaczeniu odkrywania złożonej natury zjawisk oraz łączeniu i wzajemnym uzupełnianiu się dotychczas osobno stosowanych metod analiz między innymi połączeniu metod jakościowych z ilościowymi. Modele te są narzędziem, dzięki któremu dwie perspektywy: podejście mikro i podejście makro mogą pomagać w ograniczaniu i uzupełnieniu siebie nawzajem.

         Analiza wielopoziomowa - jest metodologią analizy danych o złożonej zmienności, z naciskiem położonym na źródła tej zmienności. Analiza takich danych najczęściej daje całościowy obraz spojrzenia na zmienność związaną z każdym poziomem badania.

W aktualnej postaci, analiza wielopoziomowa jest prądem będącym pod dwoma wpływami: analizy kontekstowej i modeli mieszanych efektów:

            - Analiza kontekstowa jest odkryciem w nauce społecznej, które skupiło się na efektach kontekstu społecznego w zachowaniach indywidualnych.

            - Modele efektów mieszanych są to statystyczne modele w analizie wariancji i regresji,    gdzie zakłada się, że część czynników jest stała, a   inne są   losowe.  

          Głównym modelem statystycznym ( por. Douglas , 2004; Goldstein, 2003;  Snijders,  Bosker, 2002)  analizy wielopoziomowej jest model hierarchiczny liniowy, jest to rozszerzenie wielokrotnej regresji liniowej do modelu zawierającego czynniki zagnieżdżone. Z uwagi na zainteresowanie relacjami pomiędzy zmiennymi w różnych warstwach systemu hierarchicznego  - pożądanym schematem losowania jest próbkowanie wielowarstwowe (wielowarstwowe schematy losowań).

          Makro i mikro poziom oraz relacje między poziomowe.  Graficznie istotę analizy wielopoziomowej przedstawiają poniższe wykresy . Przy objaśnieniu wykresów, za Tacq’em (1986) używać będziemy następującej notacji:

-          linia kropkowana oznacza obecność dwu poziomów;

-          pod linią znajduje się poziom mikro;

-          ponad linią znajduje się poziom makro;

-          zmienne poziomu makro oznaczamy wielkimi literami;

-          zmienne poziomu mikro oznaczamy małymi literami;

-          strzałki oznaczają zakładany zwrot relacji.

Wybrane pozycje literatury:

Basu, A., P. Aaby. (1998). The methods and uses of anthropological demography. Oxford: Clarendon Press.

Billari F.C., F. Ongaro, A. Prskawetz (2003), Agent Based – Computational Demography, Physica-Verlag, Heidelberg.

Billari, F.C., T. Fent, A. Prskawetz, J. Scheffran (2006), Agent-Based Computational Modelling, Applications in Demography, Social, Economic and Environmental Sciences, Springer-Verlag.

Blossfeld, H.-P., G. Rohwer (2002), Techniques of event history modeling. New approches to casual analysis, Lawrence Erlbaum Associates, Mahwah.

Caldwell, J.C. (1985). Strengths and limitations of the survey approach for measuring and understanding fertility change: alternative possibilities. (w:) J. Cleland, J. Hobcraft, B. Dinesen (red.) Reproductive Change in Developing Countries: insights from the World Fertility Survey. London [et al.]: Oxford University Press.

Caldwell, J.C., P.H. Reddy, P. Caldwell (1983). The Social Component of Mortality Decline: An Investigation in South India Employing Alternative Methodologies. Population Studies, 37 (2), s.185-205.

Casterline J.B., A.E. Perez, A.E. Biddlecom (1997). Factors Underlying Unmet Need for Family Planning in the Philippines. Studies in Family Planning, 28 (3), s.173-191.

Courgeau D., E. Lelièvre (1992), The Event History Analysis in Demography, Clarendon Press, Oxford.

Courgeau D., E. Lelièvre (1997), Changing Paradigm in Demography, Population: An English Selection. Vol. 9.

Flick, U. (2002). An introduction to Qualitative Research. London, Thousand Oaks, New Delhi: Sage Publications.

Frątczak E., U. Gach-Ciepiela, H. Babiker (2005), Analiza historii zdarzeń. Teoria, przykłady zastosowań z wykorzystaniem programów: SAS, TDA, STATA. SGH, Warszawa.

Fratczak E., W. Kozłowski (2005), Rodzinne tablice trwania życia Polska 1988/1989, 1994/1995, 2002. Family Status Life Tables, Poland 1988/1989, 1994/1995, 2002, SGH, Warszawa.

Goldstein H., 2003, Multilevel Statistical Models. Second Edition. S. Kendall’s Library of Statistics 3,  Oxford University Press, Inc., New York.

Kertzer, D., T. Friecke (red.) (1997). Anthropological Demography. Towards a new synthesis.  Chicago: The University of Chicago Press.

Knodel, J. (1997). A case for nonanthropological qualitative methods for demographers. Population and Development Review, 23 (4), s.847-853.

Luke D.A., 2004, Multilevel Modeling, Series: Quantitative Applications In the Social Sciennces, A Sage University Paper, No. 143. Sage Publications.

Maxwell, J. (1996). Qualitative research design. An interactive approach. Applied Social Research Methods Series, 41. Thousand Oaks, London, New Delhi: Sage Publications.

Miles, M.B, A.M. Huberman (1994), Qualitative data analysis: an expanded sourcebook. Thousand Oaks, CA, et al.: Sage Publications.

Randall, S., T. Koppenhaver, (2004). Qualitative data in demography: The sound of silence and other problems. Demographic Research, Vol. 11, Article 3, s.56-93.

Snijders A.B., R.J.Bosker, 2002, Multilevel Analysis. An Introduction to Basic and Advanced Multilevel Modeling. Sage Publications.

Tacq J., 1986, Van Multiniveau Probleem naar Multiveau Analyse. Rotterdam, Erasmus University.

22.  Teachman, J.D. (1982), Methodological issues in the analysis of family forma­tion and dis­solution, Journal of Marriage and the Family 44, s. 1037-1053.

Todd, P.M., F.C. Billari, J. Simao (2005), Aggregate Age-at-Marriage Patterns From Individual Mate-Search Heuristics, Demography, vol.42(3), s.559-574.

24.  Trussell J., R. Hankinson, J. Tilton (red), (1992), Demographic Applications of Event History Analysis, Oxford: Clarendon Press.

Willekens F. (1999), The Life Course: Models and Analysis. (w:) L.J.G. Van Wissen, P.A. Dykstra (red.), 1999: Population Issues. An Interdisciplinary Focus. The Plenum Series on Demographic Methods and Population Analysis, New York.

Struktura organizacyjna i potrzeby w tym zakresie

W Zakładzie docelowo powinno być co najmniej 6 pracowników naukowo –dydaktycznych i jeden pracownik naukowo-techniczny na ½ etatu (lub cały etat w zależności od możliwości). 

Pracownicy naukowo – dydaktyczni, aktualnie  to:

Dr hab. Ewa Frątczak, prof. SGH

Dr Aneta Ptak Chmielewska

Dr Wioletta Grzenda

Mgr inż. Urszula Gach