СОЦИАЛЬНО-ДЕМОГРАФИЧЕСКИЕ КОРРЕЛЯТЫ ИСТОЩЕНИЯ ВЫБОРКИ В ЛОНГИТЮДНЫХ ОНЛАЙН-ОПРОСАХ В РОССИИ: ДАННЫЕ ЧЕТЫРЕХ ВОЛН ПРОЕКТА «ЦЕННОСТИ В КРИЗИСЕ»

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В статье исследованы социально-демографические корреляты выбытия участников лонгитюдного онлайн-опроса. Для этого использовались российские материалы четырех волн международного проекта «Ценности в кризисе». Респонденты рекрутировались с помощью потребительской панели компании OMI; сбор данных происходил в июне 2020, апреле-мае 2021, ноябре-декабре 2021 и июле-сентябре 2022 гг. Во всех четырех волнах приняли участие 606 человек – 39,7% от исходной выборки (N = 1527); остальные пропустили как минимум один этап либо выбыли. Анализ описательных статистик и моделирование с помощью бинарной логистической регрессии показали, что вероятность пройти опрос до конца выше для мужчин, старших возрастных групп, образованных и наиболее обеспеченных. В целом истощение онлайн-выборки в российском контексте может быть существенным и искажает ее социально-демографическую структуру. Это необходимо учитывать при планировании лонгитюдных исследований на основе веб-опросов и содержательной интерпретации их результатов.

Об авторах

Б. О. Соколов

НИУ «Высшая школа экономики»; Лаборатория сравнительных социальных исследований им. Р. Ф. Инглхарта, НИУ «Высшая школа экономики»

Email: bssokolov@hse.ru
Санкт-Петербург, Россия; Москва, Россия

В. И. Корсунова

Лаборатория сравнительных социальных исследований им. Р. Ф. Инглхарта, НИУ «Высшая школа экономики»

Email: vikorsunova@hse.ru
Москва, Россия

Список литературы

  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025