Blog / Data Science

社会工作研究量化方法初学者指南

英文原文：Beginner's guide on Quantitative Methods in Social Work Research（2022年2月2日发布）

更新于2022年1月28日

欢迎进入研究生阶段的学习，也欢迎步入社会工作研究的殿堂。社会工作从根本上介入多层系统，因此社会工作研究天然具有跨学科 的特征。这无疑是一大优势。然而，正因如此，您可能会在优先学习哪些统计方法的问题上感到迷茫——至少我当年就曾如此困惑。我曾有过这样的疑问：应当按照何种顺序、以何种方式学习适合自己研究问题的量化方法？哪些类型的研究问题可以通过何种方法予以解答？不同学科之间所使用的术语与方法论究竟有何异同？我应当学习使用哪款统计软件？希望这篇博文能为像当年的我一样感到迷茫的同学提供些许帮助。  

选择适合的研究方法

学习基础统计学（描述性统计、双变量分析、回归分析）

第一步是学习基础统计学（描述性统计、双变量分析、回归分析），并从变量类型的识别起步。准确区分连续变量、分类变量和二分变量，并掌握不同变量类型之间的转换方法，是一项至关重要的基本功。例如，年龄可以作为连续变量；根据研究问题的需要，它也可以转换为年龄段的分类变量（1=18岁以下，2=18~30岁，3=31~50岁，4=51岁及以上），或转换为二分变量（0=18岁以下，1=18岁及以上）。

变量类型决定了您需要选用的分析方法类型。因此，接下来您需要学习如何开展双变量分析（t检验、卡方检验、相关分析、方差分析等）。再下一步则是学习回归分析。UCLA IDRE的“Choosing the Correct Statistical Test”指南详细阐释了针对研究问题中不同类型的自变量与因变量，何种基础分析方法最为适切。因此，您首先必须透彻理解变量的类型（等距变量、等级变量、连续变量、二分变量、分类变量等）。

掌握了这些基础统计知识后，您便可以根据自身的研究兴趣选定方法，进一步拓展自己的方法学工具箱。例如，深入理解逻辑回归是将机器学习应用于分类任务最基础的第一步。

统计学入门推荐资源

MOOC在线课程 

推荐书籍

社会科学研究方法演进脉络
Jones, L. V., & Thissen, D. (2006). 1 A History and Overview of Psychometrics. Handbook of statistics, 26, 1-27.
  • 心理学家与经济学家各自独立地为社会科学开发了统计方法（Goldberger, 1971）。然而，两者之间时常存在交集（例如部分心理学家将因果推断方法引入心理计量学，而部分经济学家——尤其是行为经济学家——则将心理学预测变量与结局变量引入计量经济学）。
  • 有时候，各学科广泛接受的统计术语各有不同，但其背后的统计逻辑完全一致。例如，流行病学家常将交互效应称为效应修饰；社会学家则通常将生存分析称为事件史分析。
  • 公共卫生与流行病学领域的研究人员更倾向于采用计量经济学或生物统计学方法（如生存分析），因为“因果性”要素对其研究结论至关重要。如果您对干预措施的有效性感兴趣，那么用于证实干预前后因果关系的因果推断与实验研究设计则是必不可少的核心方法。
  • 社会工作或教育学学者更倾向于使用心理计量学方法，因为他们通常立足于目标人群关注主观心理概念。然而也不乏例外：社会福利政策学者、教育政策学者以及干预研究专家在科研中往往更多地使用计量经济学而非心理计量学。近年来，这两大统计方法脉络均通过融合计算科学方法获得了新的发展（例如将结构方程模型引入机器学习）。
心理计量学
  • 如果您关注主观变量（例如心理健康、污名感、主观福祉等）：
  • 通过问卷调查或收集一手数据集，运用心理计量测量方法；
  • 结构方程模型（SEM）是心理计量测量（测量模型部分）与一系列回归分析（结构模型部分）的有机结合。
计量经济学
其他高级方法

社会工作学者还可以运用一系列高级方法：纵向追踪分析（在计量经济学中亦称面板数据分析）、多层线性模型、社会网络分析、地理空间分析、计算分析方法（如自然语言处理、机器学习等）。这些方法还可以相互结合应用，例如多层结构方程模型、纵向结构方程模型以及基于空间数据的因果推断等。

纵向追踪模型

您可能关注个体内部发生的随时间变化的纵向演变过程。例如，您可能想探究童年期不良经历（ACEs）如何影响个体的晚年生活。为此，您需要学习纵向分析方法。具体采用何种方法论，取决于您的研究侧重于心理计量学脉络还是计量经济学脉络。例如，心理计量学可能采用纵向结构方程模型（如潜变量增长模型），而计量经济学则可能采用面板分析方法（例如用于处理非正态分布的广义估计方程）。

多层线性模型
参考文献：Why We Need Multilevel Analysis，引自Multilevel Modeling | Coursera。

您可能关注多层系统结构；在社会工作领域，Bronfenbrenner的生态系统理论是理解目标人群问题的核心分析框架。在许多社会科学研究问题中，个体层面的变量往往嵌套汇聚于更高层级的系统之中。例如，您可能想探究特定社区、学校或国家层面的变量对个体产生的影响（如邻里效应）。这类问题通过多层模型（亦称分层线性模型）能够得到更严谨的解答。

地理空间分析与地理信息系统（GIS）

部分关注社区层面的社会工作学者还会利用地理信息系统对社区尺度的特征进行空间可视化呈现（如社区资产制图）。

参考文献

社会网络分析

社会工作者高度重视社会关系与社会连结。如果您希望深入理解不同行动主体与系统之间如何相互关联，社会网络分析（SNA）技术尤为实用。Duke Network Analysis Center以其社会网络与健康研修班闻名，令人欣喜的是，其workshop materials are now open to all interested in learning SNA。

参考文献

数据科学与计算社会科学

如果您特别关注大数据的应用（例如电子健康档案，或儿童福利与司法系统中的行政管理数据），或者利用文本作为量化数据来源（如社交媒体发帖），那么computational methods or data science正是您应当学习的方法。自然语言处理则是将文本数据转换为可计算格式的核心技术。

其他方法

统计分析软件 

鉴于可复现性与学术协作在社会科学研究中愈发重要（大量期刊鼓励作者在投稿时随附数据与代码），我建议大家尽早练习编写代码，而非依赖SPSS或AMOS。在社会科学领域，Stata应用最为广泛。Stata的免费在线研讨会资源可访问：https://www.stata.com/training/webinar/

  • 编程要求由浅入深的阶梯如下：SPSS（无需编程） > Stata（为保证可复现性建议编写代码，但亦可无代码操作） > R（需要大量实践以熟悉各类软件包的使用）
  • 在结构方程模型方面：AMOS（无需编程） > Stata（为保证可复现性建议编写代码，但亦可无代码操作；不过AMOS和Mplus在SEM分析中提供了更丰富的选项） > Mplus（需要编写代码，但语法并不极其 复杂） > R（需要编写大量代码）

近年来，由于免费开源且拥有海量用户贡献的扩展包，R语言越来越受到青睐。一旦您熟练掌握了一种工具的代码编写（如Stata），学习另一款软件（如R）的速度将会大幅提升。您可以自主决定是先从Stata起步，还是直接从R或Python入手。但我依然认为，您可以从任何基于语法的代码型软件（即需要编写代码的工具）开始练习，因为习惯语法脚本编写是一项核心资产，能让您在学习后续新软件时显著减少焦虑与挫败感。

更新补充：ChatGPT甚至具备在不同统计语言之间互相转换代码的功能（例如从Stata转换至R）。只要您熟练掌握了其中一种语言，迁移至另一种语言便会更加轻而易举。

研修班与学习资源清单

在常规院校课程之外，还可以通过以下网站深入学习高级统计方法（其中部分商业培训费用较高，自费负担可能较重）： 

如果您对跨文化研究与结构方程模型感兴趣，我有以下几本专著推荐：

  • February 2, 2022
Nari Yoo, PhD
Assistant Professor, University of Michigan School of Social Work

Translate this page into: