Коротко — возможные причинно‑следственные механизмы и какие дополнительные данные нужно собрать для их проверки.
Механизмы (пояснение и тестируемые импликации)
- Экономическая незащищённость: низкий доход → материальные жалобы и страх потери статуса → голос за популистов. Импликация: эффект дохода частично медиируется субъективной экономической тревогой. Проверка через медиатор $M$: $M_i={\alpha }_m+a\cdot In{c}_i+{\gamma }^{\prime }{Z}_i+{\epsilon }_{m,i}$, $Y_i={\alpha }_y+c^{\prime }\cdot In{c}_i+b\cdot M_i+{\delta }^{\prime }{Z}_i+{\epsilon }_{y,i}$; косвенный эффект $ab$.
- Когнитивно‑информационная уязвимость: низкий уровень образования → ниже политической информации/рефлексии → большая восприимчивость простых популистских посланий. Ожидается сильная связь через меры политических знаний и когнитивных тестов.
- Культурный откат/идентичность: уровень образования коррелирует с ценностной ориентацией (космополитизм vs. традиционализм). Медиатор — отношение к миграции/традициям; тест: включение шкал культурных установок в модель снижает коэффициент при образовании.
- Локальные экономические шоки и потеря рабочих мест: деиндустриализация снижает доходы/социальный капитал в районах → рост популизма. Ожидается пространственная концентрация и временная связь с шоками (закрытия заводов).
- Информационная среда/медиа: доступ/потребление соцмедиа и альтернативных СМИ усиливает воздействие посланий; взаимодействие между медиапотреблением и образованием/доходом.
- Отбор и сортировка: люди с определённым уровнем образования/дохода селятся в разные районы → корреляция на уровне районов может не быть каузальной. Требуются данные о мобильности, истории проживания.
- Низкое доверие к институтам/к политике: посредничает между бедностью/низким образованием и голосованием за антиэстеблишментные силы.
Какие дополнительные данные нужны (конкретно)
- Индивидуальный уровень (связка голос — характеристики): голосование (факт/намерение на выборах), образование (уровень, поле, качество образования), доход, богатство, занятость/отрасль, возраст, пол, этничность, религия.
- Психологические и поведенческие медиаторы: субъективное экономическое положение, ожидания мобильности, политические знания, когнитивные тесты (CRT), шкалы авторитаризма, шкалы межгрупповой тревоги, доверие к институтам, предпочтения по иммиграции.
- Информационная среда: потребление ТВ/радио/соцсетей, локальные медиа‑источники, данные по рекламным кампаниям.
- Пространственно‑временные данные: результаты выборов по избирательным участкам/районам за несколько циклов, локальные показатели безработицы, закрытия предприятий, изменение числа рабочих мест, доходы по кварталам/годам, миграционные потоки, уровень образования в районе, показатели преступности, качество услуг.
- Административные и исторические переменные для инструментов/натуральных экспериментов: даты открытия/закрытия вузов/фабрик, изменения в школьной политике, границы районов, наследственные факторы.
- Панельные/поперечные опросы с привязкой по времени (повторные измерения) и данные о предыдущем голосовании/политических предпочтениях.
- Размер выборки: желательно $N\ge 1000$ для индивидуальных моделей и достаточное число районов для мультиуровневого анализа.
Эмпирические подходы и проверка идентичности (кратко)
- Медиционный анализ (как выше) для проверки каналов.
- Многоуровневые модели (fixed/random effects) для разделения вариации между индивидуумом и районом: $Y_{ij}=\alpha +\beta Ed{u}_{ij}+\gamma In{c}_{ij}+u_j+{\epsilon }_{ij}$.
- Панельные DiD или события‑study при локальных шоках (закрытие завода): $Y_{jt}={\alpha }_j+{\lambda }_t+\beta Pos{t}_t\times Treate{d}_j+{\epsilon }_{jt}$.
- IV‑подход для образования/дохода (например, исторические реформы школьного образования, расстояние до вуза): первая стадия $Ed{u}_i=\pi Z_i+\dots$, вторая $Y_i=\delta {\widehat{Edu}}_i+\dots$.
- RD, если есть пороги политики/квоты.
- Контроль за отборами: использовать данные о мобильности, предшествующем голосовании; балансные тесты и фальсификационные исходы.
- Чувствительность к неучтённым переменным (например, Rosenbaum bounds / метод Гудмана).
Возможные проблемы и как их минимизировать
- Обратная причинность и пропущенные переменные — использовать панель, IV, естественные эксперименты.
- Арифметика пространственной автокорреляции — учесть кластеризацию и пространственные эффекты.
- Измерение образования и дохода (качество vs. уровень) — собирать дополнительные показатели (школы, профессиональная квалификация, долгосрочный доход).
Краткое резюме проверки гипотез
- Собрать индивид‑уровневые панели + локальные экономические шоки + медиаторы (перцепции, знания, медиа).
- Выполнить медиационный анализ, мультимодель (многоуровневый), и идентификационные стратегии (DiD/IV/RD).
- Применить проверки чувствительности и фальсификационные тесты для исключения отбора и обратной причинности.
Если нужно, могу предложить конкретную списочную структуру переменных для опроса и пример спецификаций регрессий.