DEMOGRAPHIC CORRELATES OF ATTRITION IN LONGITUDINAL ONLINE SURVEYS IN RUSSIA: EVIDENCE FROM FOUR WAVES OF THE "VALUES IN CRISIS" PROJECT

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Acesso é pago ou somente para assinantes

Resumo

This study explores the demographic correlates of attrition in longitudinal online surveys by utilizing data from four Russian waves of the international «Values in Crisis» project (designed to examine societal consequences of the COVID‑19 pandemic). Respondents were recruited from an online consumer panel, maintained by OMI, a leading Russian marketing research company. Data collection occurred in June 2020, April-May 2021, November-December 2021, and July-September 2022. Only 606 (39.7 %) out of 1527 initial participants took part in all four rounds; the rest missed at least one round or dropped out. Both descriptive statistics and binary logistic regression analysis reveal that older, male, wealthier, and more educated participants had a higher probability of completing all four rounds. To sum up, attrition in online panels in the Russian context can be substantial and is largely non-random in demographic terms. Researchers should take this into account when planning longitudinal web surveys and interpreting their results.

Sobre autores

B. SOKOLOV

HSE – St.Petersburg; Ronald F. Inglehart Laboratory for Comparative Social Research, HSE University

Email: bssokolov@hse.ru
St.Petersburg, Russia; Moscow, Russia

V. KORSUNAVA

Ronald F. Inglehart Laboratory for Comparative Social Research, HSE University

Email: vikorsunova@hse.ru
Moscow, Russia

Bibliografia

  1. Афанасьева Ю. А., Соколов Б. О., Широканова А. А. Изменчивость ковид-скептических установок в России: результаты анализа двух волн лонгитюдного опроса «Ценности в кризисе» // Мониторинг общественного мнения: экономические и социальные перемены. 2024. № 2. С. 53–77. doi: 10.14515/monitoring.2024.2.2523.
  2. Гаврилов К. А. Платформа Толока как источник респондентов для онлайн-опроса: опыт оценки качества данных // Социология: 4М. 2022. № 53. С. 165–209. doi: 10.19181/4m.2021.53.5.
  3. Девятко И. Ф. Онлайн исследования и методология социальных наук: новые горизонты, новые (и не столь новые) трудности // Онлайн исследования в России 2.0 / Под ред. А. В. Шашкина, И. Ф. Девятко, С. Г. Давыдова. М.: OMI RUSSIA, 2010. С. 17–30.
  4. Девятко И. Ф. Методы социологического исследования. Екатеринбург: Уральский ун-т, 1998.
  5. Корсунова В. И., Понарин Э. Д. и др. Values in Crisis – International / Ценности в кризис (данные по российской выборке) 2020–2022. 2024. Номер свидетельства: RU 2024621301. Дата регистрации: 27.03.2024. URL: http://www1.fips.ru/fips_servl/fips_servlet? DB=DB&DocNumber=2024621301&TypeFile=html? (дата обращения: 25.01.2025).
  6. Корсунова В. И., Соколов Б. О. Динамика поддержки эмансипативных ценностей в России в ходе пандемии COVID-19 // Социологический журнал. 2023. № 2. С. 8–24. doi: 10.19181/socjour.2023.29.2.1.
  7. Корсунова В. И., Соколов Б. О. Ценностные установки россиян: сравнение результатов онлайн- и офлайн-опросов // Мониторинг общественного мнения: экономические и социальные перемены. 2022. № 3. С. 4–27. doi: 10.14515/monitoring.2022.3.2083.
  8. Мавлетова А. М. Социологические опросы в сети Интернет: возможности построения типологии // Социология: 4 М. 2010. № 31. С. 115–134.
  9. Некрасов С. И. Сравнение результатов онлайн- и оффлайн-опросов (на примере анкет разной сложности) // Социология: 4 М. 2011. № 32. С. 53–74.
  10. Соколов Б. О., Завадская М. А. Социально-демографические особенности, личностные черты, ценности и установки ковид-скептиков в России // Мониторинг общественного мнения: экономические и социальные перемены. 2021. № 6. С. 410–435. doi: 10.14515/monitoring.2021.6.1938.
  11. Терентьев Е. А., Мавлетова А. М., Косолапов М. С. Интервьюирование с помощью компьютерных технологий в лонгитюдных обследованиях домохозяйств // Мониторинг общественного мнения: экономические и социальные перемены. 2018. № 3. С. 47–64. doi: 10.14515/monitoring.2018.3.03.
  12. Чуриков А. В. Основы построения выборки для социологических исследований. М.: Ин-т ф-да «Общественное мнение», 2020.
  13. Arel-Bundock V, Greifer N, Heiss A. How to Interpret Statistical Models Using marginaleffects for R and Python // Journal of Statistical Software. 2024. No. 111(9). P. 1–32. doi: 10.18637/jss.v111.i09.
  14. Barber J., Kusunoki Y. et al. Participation in an Intensive Longitudinal Study with Weekly Web Surveys Over 2.5 Years // Journal of Medical Internet Research. 2016. Vol. 18. No. 6. P. e105. doi: 10.2196/jmir.5422.
  15. Bu F., Cernat A. et al. Online Survey Retention and Re-engagement: Learning from the COVID-19 Social Study // Field Methods. 2025. Vol. 37. No. 3. P. 244–259. doi: 10.1177/1525822X241289870.
  16. Castorena O., Lupu N. et al. Online Surveys in Latin America // PS: Political Science & Politics. 2023. Vol. 56. No. 2. P. 273–280. doi: 10.1017/S1049096522001287.
  17. Deng Y., Hillygus D. S. et al. Handling Attrition in Longitudinal Studies: The Case for Refreshment Samples // Statistical Science. 2013. Vol. 28. No. 2. P. 238–256. doi: 10.1214/13-STS414.
  18. Frankel L. L., Hillygus D. S. Looking Beyond Demographics: Panel Attrition in the ANES and GSS // Political Analysis. 2014. Vol. 22. No. 3. P. 336–353. doi: 10.1093/pan/mpt020.
  19. Herron M. C. Postestimation Uncertainty in Limited Dependent Variable Models // Political Analysis. 1999. Vol. 8. No. 1. P. 83–98. doi: 10.1093/oxfordjournals.pan.a029806.
  20. Lüdecke D., Ben-Shachar M. S. et al. Performance: An R Package for Assessment, Comparison and Testing of Statistical Models // Journal of Open Source Software. 2021. Vol. 6. No. 60. P. 3139. doi: 10.21105/joss.03139.
  21. Lugtig P. Panel Attrition: Separating Stayers, Fast Attriters, Gradual Attriters, and Lurkers // Sociological Methods & Research. 2014. Vol. 43. No. 4. P. 699–723. doi: 10.1177/0049124113520305.
  22. Lynn P. Tackling Panel Attrition // The Palgrave Handbook of Survey Research / Ed. by D. L. Vannette, J. A. Krosnick. Cham, Switzerland: Palgrave Macmillan, 2017. P. 143–153.
  23. Maslovskaya O., Lugtig P. Representativeness in Six Waves of Cross-National Online Survey (CRONOS) Panel // Journal of the Royal Statistical Society Series A: Statistics in Society. 2022. Vol. 185. No. 3. P. 851–871. doi: 10.1111/rssa.12801.
  24. R Core Team. R: A Language and Environment for Statistical Computing. Vienna: R Foundation for Statistical Computing, 2024. URL: https://www.R-project.org/ (дата обращения: 25.01.2025).
  25. Rübsamen N., Akmatov M. K. et al. Factors Associated with Attrition in a Longitudinal Online Study: Results from the HaBIDS Panel // BMC Medical Research Methodology. 2017. Vol. 17. P. 132. doi: 10.1186/s12874-017-0408-3.
  26. Yu T., Chen J. et al. Predicting Panel Attrition in Longitudinal HRQoL Surveys During the COVID-19 Pandemic in the US // Health and Quality of Life Outcomes. 2022. Vol. 20. P. 104. doi: 10.1186/s12955-022-02015-8.
  27. Zhang C., Antoun C. et al. Professional Respondents in Opt-In Online Panels: What Do We Really Know? // Social Science Computer Review. 2020. Vol. 38. No. 6. P. 703–719. doi: 10.1177/0894439319845102.
  28. Zhou H., Fishbach A. The Pitfall of Experimenting on the Web: How Unattended Selective Attrition Leads to Surprising (Yet False) Research Conclusions // Journal of Personality and Social Psychology. 2016. Vol. 111. No. 4. P. 493–504. doi: 10.1037/pspa0000056.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Declaração de direitos autorais © Russian Academy of Sciences, 2025