Политическая социология

Значения переменных после вращения*
Переменные 
Факторы 
1 
2 
Взгляды Зюганова 
- 0,823 
+0,368 
Взгляды Пугина 
- 0,454 
+0,777 
Взгляды Хакамады 
+0,776 
+0,202 
Взгляды Яковлева 
-0,340 
+0,679 
Взгляды Явлинского 
+0,627 
+0,261 
«Единство» 
+0,443 
-0,151 
«Отечество—Вся Россия» 
- 0,232 
- 0,872 
КПРФ 
-0,842 
0,000 
СПС 
+0,884 
+0,366 
«Яблоко» 
0,000 
-0,642 
Коммунистические взгляды 
-0,898 
+0,258 
Социал-демократические 
взгляды 
+0,427 
0,000 
Либеральные взгляды 
+0,708 
-0,187 
* Матрица получена методом главных компонент в пакете SPSS. 
Выпишем наибольшие значения переменных по выделенным 
факторам. Фактор 1: отрицательное направление (взгляды Зюгано-
ва, коммунистические взгляды, КПРФ), положительное направле-
ние (взгляды Хакамады, либеральные, СПС). Фактор 2: отрица-
тельное направление (ОВР, «Яблоко»), положительное направление 

---

(взгляды Путина, Яковлева). Содержание первого фактора состав- 
[59] 
ляет идеологический раскол (коммунисты — либералы), содержа-
ние второго фактора — политический раскол (власть — оппози-
ция). При интерпретации этих данных следует учитывать, что пе-
тербургские сторонники ОВР и «Яблока» в основном голосовали 
против Путина на президентских выборах 2000 г., а само петер-
бургское отделение «Яблока» (Региональная партия центра) нахо-
дилось в оппозиции губернатору Яковлеву. Эти расколы определя-
ли политическое поведение населения Санкт-Петербурга в 2000 г. 
(факторный анализ осуществлен на основе данных общегородского 
опроса, проведенного ЦЭПИ СПбГУ в ноябре 2000 г.). \ 
Кластерный анализ 
(от англ. с1и$1ег — пучок, группа) — это про-
цедура, позволяющая классифицировать различные объекты. С его 
помощью можно разбить респондентов на группы, сходные по 
ряду признаков. На дендрограмме «дерева признаков» признаки 
соединяются линиями, образуя отдельные пучки («ветви»), связан-
ные с другими пучками («ветвями»). Эти пучки и называют клас-
терами. Чем короче линия, связьшающая переменные, тем ближе 
они находятся в пространстве признаков. В процессе кластериза-
ции происходит объединение сходных объектов во все более слож-
ные группы («разветвление»). Кластерный анализ представляет 
собой разновидность многомерной статистической процедуры, 
упорядочивающей объекты в относительно однородные группы. 
Переменные для кластерного анализа выбираются в соответствии с 
теорией (концепции, гипотезы), которая лежит в основе классифи-
кации [Факторный, дискриминантный, кластерный анализ, 153]. 
Перед началом анализа они должны быть преобразованы в бино-
минальные, принимающие значение «1» при наличии признака и 
«0» при его отсутствии. В статистическом пакете SPSS эта опера-
ция осуществляется в опции: 1гап$Гогт\гесоде. Кроме того, из ана-
лиза следует исключить альтернативы: «затрудняюсь ответить», 
«другое» и пр. 
Важную роль в кластерном анализе играют «меры сходства». 
Наиболее часто в качестве такой меры употребляется коэффициент 
корреляции Пирсона, первоначально использовавшийся для опре-
деления зависимости переменных. Кластеры обладают рядом 
свойств, среди которых наиболее важными являются плотность, 
дисперсия, форма, отдельность. Плотность — это близость отдель-
ных точек скопления, позволяющая отличать его от других облас-
тей многомерного пространства, содержащих либо мало точек, 
либо не содержащих их совсем. Дисперсия характеризует степень 
рассеяния точек в пространстве относительно центра кластера. От-
дельность характеризует взаимное расположение скоплений точек 
в пространстве [Там же, 165—166]. Кластеры можно рассматривать 
[60] 
как «непрерывные области пространства с относительно 
высокой плотностью точек, отделенные от других таких же 
областей областями с относительно низкой плотностью 
точек» [Там же, 166]. 
Наиболее известными методами кластерного анализы 
являются методы одиночной, полной и средней связи, а 
также метод Уорда [Там же, 191]. Метод Уорда (\УагсР8 
те1под) позволяет создавать кластеры приблизительно равных 
размеров [Там же, 171]. Он сначала объединяет самые 
близкие объекты, затем к уже образованным кластерам 
присоединяются сходные с ними объекты. Мерой сходства в 
данном случае является 1 — коэффициент корреляции 
Пирсона. 

---

На основе анализа содержания переменных, входящих в 
отдельные кластеры, строится группировка респондентов по 
признакам, 
включенным 
в 
процесс 
кластеризации. 
Рассмотрим эту процедуру на примере (рис. 6)*