Кратко и по делу: сформулирую проверяемые гипотезы, какие данные нужны и какие методы/тесты применять.
Гипотезы (что могло объяснить разницу доверия)
- H1 (история взаимодействий): в одном районе больше негативных контактов с полицией (остановки, задержания, применение силы, жалобы) — это снижает доверие.
- H2 (этнический/культурный состав): различия в этническом составе или языковых барьерах влияют на восприятие и доверие.
- H3 (полицейские практики): разные тактики (агрессивные патрули, «стоп‑and‑frisk», частота рейдов) приводят к разному доверию.
- H4 (оперативные характеристики): время реакции, видимость полиции, плотность нарядов, ближе ли участок — влияют на оценку.
- H5 (социальный капитал и опыт): различия в социальной сплочённости, исторической травме, медиа‑освещении влияют опосредованно.
- H6 (деление по криминогенной ситуации): разный уровень преступности/страха за безопасность может медиировать доверие.
Какие данные собрать / переменные
- Индивидуальные: уровень доверия (шкала), демография (возраст, пол, образование, доход), этническая принадлежность, опыт контактов с полицией (количество и характер), знание прав, СМИ/информационное окружение.
- Административные/полиция: остановки/аранжировки/аресты по адресу, жалобы/внутренние расследования, use‑of‑force инциденты, время реакции, патрульные часы, присутствие специальных программ (community policing).
- Контекстные: уровень преступности, безработица, исторические данные (старые практики полиции), карта границ, плотность населения.
- Качественные источники: интервью, фокус‑группы, этнография.
Методы анализа (последовательность и формулы)
1) Описательная аналитика
- Различие средних: t‑тест/критерий Манна‑Уитни для шкал доверия.
- Распределения по ключевым переменным, таблицы перекрёстных частот.
2) Многофакторные регрессии (контроль потенциальных конфounders)
- Базовая модель:
$$Trus{t}_i={\beta }_0+{\beta }_{1}Distric{t}_i+{\beta }_2{X}_i+{\epsilon }_i,$$ где $Distric{t}_i$ — индикатор района, $X_i$ — набор индивидуальных/контекстных ковариат.
- Если данные иерархичны (люди в районах): многоуровневая модель
$$Trus{t}_{ij}={\beta }_0+{\beta }_{1}Distric{t}_j+{\beta }_2{X}_{ij}+u_j+{\epsilon }_{ij}.$$ - При бинарном исходе — логит/пробит:
$$\mathrm{Pr}(Trus{t}_i=1)={\mathrm{logit}}^{-1}({\beta }_0+{\beta }_{1}Distric{t}_i+\dots ).$$
3) Медиаторный анализ (проверить роль практик/контактов как медиаторов)
- Схема Барон‑Кенни: сначала оценить эффект района, затем добавить медиатор $M$ (например, число негативных контактов):
$$Trus{t}_i=\alpha +\gamma Distric{t}_i+{\epsilon }_i;$$ $$Trus{t}_i={\alpha }^{\prime }+{\gamma }^{\prime }Distric{t}_i+\delta M_i+{\epsilon }_i^{\prime }.$$ Доля медиированного эффекта $\frac{\gamma -{\gamma }^{\prime }}{\gamma }$. Для надежности — бутстрэппинг доверительных интервалов косвенного эффекта.
4) Критерии причинности / квазиэксперименты
- Разрыв по границе (Regression discontinuity), если граница между районами чёткая и субъекты близки к границе: использовать расстояние до границы как бегущий аргумент.
- Разница‑в‑разницах (DID), если была политика/интервенция в одном районе во времени.
- Инструментальные переменные (IV), если есть сильный инструмент, связанный с полицейской практикой, но не напрямую с доверием (например, историческое размещение участка, изменение маршрутов патрулей по административным причинам). Модель IV:
$$Practic{e}_i={\pi }_0+{\pi }_1{Z}_i+\dots ;Trus{t}_i={\beta }_0+{\beta }_1{Practice}_i+\dots .$$
5) Балансировка и оценка устойчивости
- Propensity score matching/weighting, если нужно сравнить сопоставимые группы жителей по ковариатам.
- Кластерные стандарты ошибок по району, проверка гетероскедастичности, множественная проверка гипотез (FDR/Бонферрони).
- Пространственный анализ (Moran's I) для учета автокорреляции.
6) Анализ административных событий (count‑данные)
- Для числа остановок/жалоб использовать Poisson/NB‑модели:
$$\log ({\mu }_{ij})=\alpha +\beta Distric{t}_j+\gamma Z_j.$$
7) Качественная валидация
- Фокус‑группы, глубинные интервью с жителями и офицерами для контекстуализации статистических результатов и выявления неформализованных механизмов.
Проверки на надёжность результатов
- Последовательное добавление групп ковариат: если коэффициент $District$ сильно падает после добавления практик/контактов — это поддерживает медиаторную роль.
- Плейсбо‑тесты (например, проверить те же эффекты на переменных, которые не должны зависеть от практик).
- Чувствительный анализ по пропущенным переменным (Oster/Sensitivity).
Практический план действий (кратко)
1. Собрать опросные и административные данные; стандартизировать измерения доверия.
2. Провести описательный анализ и визуализации по шкалам и инцидентам.
3. Оценить регрессии с поэтапным добавлением ковариат и медиаторный анализ.
4. Применить квазиэкспериментальные методы (RD/DID/IV/PSM) для усиления каузальной интерпретации.
5. Дополнить качественными интервью для интерпретации механизмов.
Если нужно, могу дать конкретные спецификации регрессий, пример анкеты для измерения доверия и список необходимых административных переменных.