Наблюдение: $62\%$ опрошенных считают, что соцсети усиливают одиночество; в группе с высоким экономическим статусом — $48\%$, с низким — $74\%$.
1) Социологические гипотезы
- Описательная: доля тех, кто считает, что соцсети усиливают одиночество, равна $62\%$.
- Сравнительная (нулевая/альтернативная): $H_0$: нет различий по ЭСт; $H_A$: доля отличается между высокими и низкими ЭСт (напр., выше у низкого).
- Каузальная: пользование соцсетями повышает чувство одиночества (главный эффект).
- Модерация: эффект соцсетей на одиночество зависит от экономического статуса (SES модифицирует эффект).
- Альтернативные объяснения: обратная причинность — более одинокие дети активнее используют соцсети; общий фактор (конфонд) вызывает и большее использование соцсетей, и одиночество (напр., депрессия, семейная нестабильность).
- Медиаторы: эффекты могут проходить через кибербуллинг, социальное сравнение или уменьшение офлайн-контактов.
2) Какие дополнительные переменные собрать для проверки причинно‑следственных связей
- Детализированный исход (outcome): валидированная шкала одиночества (напр. UCLA), лучше непрерывная.
- Экспозиция (exposure): время в соцсетях (ч/день), типы платформ, активное vs пассивное использование, цели использования, недавние изменения использования.
- SES: семейный доход, родительское образование, материальные условия (несколько индикаторов).
- Предшествующее состояние: базовая оценка одиночества/психического здоровья до наблюдаемого периода.
- Психическое здоровье/личностные черты: депрессия, тревожность, нейротизм.
- Социальная поддержка: число друзей, качество офлайн‑отношений, участие в внеклассных активностях.
- События/контекст: недавние потери/переезды, школьный климат, урбанизация, доступ к интернету.
- Медиаторы: опыт кибербуллинга, частота социального сравнения, сон.
- Объективные данные (если возможно): логи приложения, временные метки.
- Данные по уровню школы/региона: политика школы по соцсетям, локальные изменения доступа (для квази‑экспериментов).
- Дизайн‑переменные: идентификатор респондента для панели, дата опроса, веса выборки.
3) Методы анализа
- Описательная статистика и тесты разницы долей: хи‑квадрат, z‑тест для долей (проверить разницу $48\%$ vs $74\%$).
- Регрессии: логистическая регрессия для бинарного исхода или линейная регрессия для шкалы одиночества; включение SES и взаимодействия для проверки модерации. Пример модели:
$$Y_i={\beta }_0+{\beta }_{1}S{M}_i+{\beta }_{2}SE{S}_i+{\beta }_3(S{M}_i\times SE{S}_i)+{\mathbf{X}}_i^{\prime }\gamma +{\epsilon }_i$$ где $Y_i$ — шкала одиночества, $S{M}_i$ — интенсивность соцсетей, ${\mathbf{X}}_i$ — вектор ковариат.
- Для причинности:
- Панельные методы / фиксированные эффекты (контроль неизменных во времени конфондов).
- Различия в различиях (DiD), если есть экзогенное изменение политики/доступа.
- Пропенсити‑скор matching / inverse probability weighting для балансировки по наблюдаемым ковариатам.
- Инструментальные переменные (IV) при наличии валидного инструмента (напр., случайные перебои в доступе, разовые изменения школьной политики) с осторожностью.
- Медиционный анализ / структурные модели (SEM) для проверки путей (кибербуллинг → одиночество).
- Проверки устойчивости: лаговые переменные (чтобы проверить обратную причинность), чувствительность (E‑value), стратификация по возрасту/полу, проверка баланса ковариат после матчинга.
- Визуализации и DAGs: построить причинную DAG для планирования сбора данных и выбора методов.
Краткая рекомендация: собрать панельные данные с хорошими ковариатами (особенно предшествующие меры одиночества и психического здоровья), измерять экспозицию детально, затем использовать фиксированные эффекты или DiD/IV при возможности; дополнительно провести медиционный анализ и проверки чувствительности.