Читать книгу Объяснение социального поведения. Еще раз об основах социальных наук - Юн Эльстер - Страница 14

Социальные науки, как правило, не слишком сильны в объяснении того, как причины взаимодействуют между собой, производя общее следствие. Чаще всего утверждается, что каждая причина влияет на следствие самостоятельно (аддитивная модель). Чтобы раскрыть доход, например, можно принять в расчет, что частично он определяется заработком родителей и частично их образованием, а затем использовать статистические методы, чтобы определить соответствующую долю этих двух причин. Для обсуждавшихся мною примеров эти методы могут оказаться непригодными. Продолжительность разлуки может сама по себе не оказывать воздействия на силу чувств после нее, ее действие может зависеть скорее от интенсивности изначальных эмоций. Этот эффект взаимодействия продемонстрирован на рис. II.2.

Некоторые ученые утверждают, что мир (или по крайней мере, та его часть, которую они изучают) демонстрирует не так уж много примеров подобных взаимодействий. Редко бывает, говорят они, чтобы зависимая переменная Z возрастала (падала) при низком уровне независимой переменной Х вместе с зависимой переменной Y, тогда как при высоком уровне Х возрастание Y вызывает падение (рост) Z.

Предположительное отношение, представленное на рис. II.2, было бы (если бы существовало) исключением. В лучшем случае, утверждают они, мы установим, что на низком уровне XY не оказывают на Z большого воз-действия, но отражается на нем при более высоком уровне Х. При объяснении дохода, например, можно предположить, что заработок родителей оказывает большее или меньшее влияние при разном уровне родительского образования. Такого рода взаимодействие можно уловить через категорию мультипликативного взаимодействия (multiplicative interaction); таким образом, Z является функцией Х, Y и XY. Обратное каузальное воздействие – Y на Z при высоком уровне Х – не может быть передано подобным способом. Однако если мы верим, что такие перемены направления происходят редко, нам не приходится слишком о них беспокоиться.

РИС. II.2

Существование эффекта взаимодействия может быть подвержено того же рода неопределенности, с которой мы обычно сталкиваемся в случае механизмов. Рассмотрим взаимодействие между возрастом и базовыми политическими взглядами как причинами экстремизма. Можно предположить, что молодежные организации будут в большей степени склоняться влево, чем партии, к которым они относятся. Таким образом, молодые консерваторы приобретут светлый оттенок синего, а молодые социалисты – более яркий оттенок розового. Оба предположения кажутся правдоподобными, в реальности наблюдались обе модели. Или рассмотрим взаимодействие между настроением перед приемом наркотиков и самим приемом наркотиков как причинами, определяющими настроение после употребления оных. Можно предположить, что такое вещество, как алкоголь или кокаин, поднимает настроение, смягчая депрессию и превращая удовлетворение в эйфорию. Но можно выдвинуть предположение, что сильнодействующие вещества интенсифицируют настроение, ухудшая плохое и улучшая хорошее. Опять-таки оба предположения правдоподобны, в реальности наблюдаются обе модели. В обоих случаях первый механизм совместим с аддитивной моделью, тогда как второй предполагает наличие обратного эффекта (reversal effect).

В случае устойчивых данных добавление члена, характеризующего взаимодействие, или подгонка кривой – не единственное возможное решение. Существует альтернативная стратегия – анализ данных (data mining). При начертании кривой зависимые и независимые переменные фиксируют и подыскивают математическую функцию, которая даст хорошее статистическое соответствие при таких показателях. При анализе данных фиксируют математическую функцию (обычно это простая аддитивная модель) и подыскивают независимые переменные, которые хорошо сочетаются с зависимой переменной. Предположим, что хорошим сочетанием мы полагаем корреляцию, для которой вероятность случайного совпадения составляет 5 %. В исследовании любого сложного социального явления, такого как доход, можно с легкостью перечислить дюжину переменных, которые могут оказывать свое влияние[43]. Кроме того, есть, наверное, полдюжины способов концептуализировать доход. Крайне маловероятно, чтобы при каком-нибудь из определений дохода ни одна из независимых переменных не показала корреляцию на 5 %-м уровне[44]. Теория вероятности гласит, что самым невероятным совпадением было бы полное отсутствие невероятных совпадений[45].

Как только ученый подобрал подходящую математическую функцию или подходящий ряд зависимых или независимых переменных, он может подыскивать каузальную историю, которая подскажет, как обосновать результаты его изысканий. Когда он описывает результаты для научной публикации, зачастую он представляет все в обратном порядке. Он пишет, что начал с каузальной теории, затем стал искать наиболее достоверный путь ее трансформации в формальную гипотезу и нашел ей подтверждение в данных[46]. Это все лженаука. В естественных науках нет необходимости в том, чтобы логика оправдания соответствовала логике открытия. Как только гипотеза сформулирована в окончательной форме, ее генезис уже не имеет значения. Значение имеют последствия гипотезы, а не истоки. Так происходит потому, что гипотеза может быть проверена на бесконечном числе наблюдений, далеко выходящих за рамки тех, что первоначально подсказали ученому саму эту гипотезу. В социальных (и в гуманитарных) науках для большинства объяснений используется конечный ряд данных. Поскольку процедура сбора данных зачастую не стандартизирована, ученые могут быть лишены возможности проверять гипотезы, используя новые данные[47]. И даже если процедуры действительно стандартные, данные могут не отразить меняющуюся реальность. Невозможно, например, объяснить модели потребления, не принимая в расчет новые продукты и изменение цен на старые.

Без сомнения, практики такого рода имеют место. Я не знаю, насколько широко они распространены, но они встречаются довольно часто, чтобы обеспокоить представителей социальных наук. Главная причина этой проблемы, возможно, – наше неадекватное представление о каузальности со многими ее факторами. Если бы у нас было глубокое понимание того, как при производстве следствия могут взаимодействовать несколько причин, нам не пришлось бы полагаться на механическую процедуру добавления члена, характеризующего взаимодействие, когда не работают аддитивные модели. Но из-за слабости понимания мы в самом деле не знаем, что искать, и тогда возня с моделями кажется единственной альтернативой – по крайней мере пока мы сохраняем амбициозную цель дать объяснения, подобные законам. Учитывая опасности такой возни, нам, возможно, следует умерить амбиции.