Mitai apie žmogžudystes ir daugkartinę regresiją

Ar jūs tikite, kad kiekvieną kartą, kai JAV įvykdoma bausmė kaliniui, tai sustabdo nuo aštuonių galimų žmogžudysčių ateityje? Ar jūs tikite, kad kai gyventojų, turinčių teisę į slaptus ginklus skaičius padidėja 1% , tai sumažina šalies žmogžudysčių skaičių 3.3%? Ar jūs tikite, kad nusikaltimų sumažėjimas 1990-aisiais nuo 10 iki 20% buvo įtakotas abortų skaičiaus padidėjimo 1970-aisiais? Ar kad nužudymų skaičius būtų padidėjęs 250% nuos 1974 m., jei JAV nebūtų buvę pastatyta tiek daug naujų kalėjimų?

Jeigu jūs esate suklaidintas tokiomis studijomis, jūs galite nukentėti nuo tokio žalingo mokslinio šlamšto: matematinių modelių naudojimas, neturinčių jokių nuspėjamų prognozių, kurios leistų darytų strategines išvadas. Šios studijos yra paviršutiniškai įspūdingos. Parašytos gerbiamų mokslininkų iš prestižinių institucijų dažnai pasirodo recenzuojamuose moksliniuose žurnaluose. Jie pilni kompleksinių statistinių skaičiavimų, jie pateikia daug „faktų“, kurie gali būti panaudojami debatuose, norint pagrįsti politikos argumentus. Bet šie „faktai“ tai tik nežymios smulkmenos. Dar nenudžiūvus rašalui ant straipsnio, jau pasirodo kitas su absoliučiai skirtingais „faktais“. Nepaisant jų mokslinės ižvaizdos, šie modeliai neatitinka fundamentalių matematikoje naudojamų modelių: gebėjimas daryti prognozes, geresnes už atsitiktinimus.

Nors ekonomistai yra dominuojantys šios meno rūšies praktikai, sociologai, kriminalistai ir kitų socialinių mokslų atstovai taip pat turi savo versijas. Jos vadinamos įvairiai, tame tarpe „ekonometrinis modeliavimas“, „struktūrinių lygčių modeliavimas“, „analizės kelias“. Visi šie būdai koreliuoja tarp kintamųjų, kad būtų galima padaryti išvadas. Problema yra tame, kad kas mokėsi statistikos, žino, jog koreliacija nėra priežastis. Koreliacija tarp kintamųjų dažnai yra „klaidinga“, kadangi ji yra įtakojama trečio kintamojo. Ekonometrikos modeliuotojai bando įveikti šią problemą įtraukdami į savo analizes visus galimus kintamuosius, naudodami statistinį metodą vadinamą „daugkartinė regresija“. Jei jie turi tobulus visų priežastinių kintamųjų matavimus, tai gali suveikti. Bet duomenys niekada nebūna pakankamai geri. Pasikartojančios pastangos naudoti daugkartinę regresiją, kad gauti galutinius atsakymus į viešosios politikos klausimus, nepasiteisino.

Bet dauguma socialinių mokslininkų nenori pripažinti nesėkmės. Jie pašventė daug metų mokydamiesi ir mokindami regresijos modeliavimo, ir jie toliau naudoja regresiją, kad pateiktų priežastinius argumentus, kurių nepateisina jų turimi duomenys. Aš vadinu šiuos argumentus daugkartinės regresijos mitais ir norėčiau pristatyti keturias studijas apie žmogžudystes kaip pavyzdžius.

Pirmasis mitas: Daugiau ginklų, Mažiau nusikaltimų.

John Lott, Jeilio universiteto ekonomistas, naudojo ekonometrinį modelį savo argumentui, kad „leidimas piliečiams nešiotis paslėptus ginklus atbaido nuo žiaurių nusikaltimų ir nesukelia atsitiktinių mirčių“. Lottso analizė įtraukia „shall issue“ įstatymą, kuris reikalauja, kad vietinė valdžia išduotų paslėpto ginklo leidimą kiekvienam to prašančiam piliečiui. Lott įvertino, kad, kai ginklų savininkų skaičius populiacijoje padidėja vienu procentu, žmogžudysčių skaičius sumažėja 3.3%. Lott ir jo bendrautorius David Mustard pirmąją savo studiją publikavo 1997 m. internete ir dešimtys tūkstančių žmonių jį parsisiuntė. Tai tapo politikos forumų, laikraščių straipsnių ir dažnai sudėtingų debatų Pasauliniame tinkle objektu. Knygoje intriguojančiu pavadinimu Daugiau ginklų, Mažiau nusikaltimų Lott šaiposi iš savo kritikų, kaltindamas juos, kad ideologiją jie iškelia aukščiau mokslo.

Lotto darbas yra vienakrypties statistikos pavyzdys. Jis turėjo daugiau duomenų ir daugiau kompleksinės analizės nei kas nors kitas kada nors studijavęs šią temą. Jis reikalauja, kad tas, kuris nori mesti iššūkį jo argumentams, pasinertų į labai kompleksinius statistinius debatus, paremtus tokiais sudėtingais skaičiavimais, kurie negali būti atliekami įprastais kompiuteriais. Jis meta iššūkį visiems, kurie nesutinka su juo, atsisiųsti jo duomenis ir iš naujo atlikti skaičiavimus, bet dauguma socialinių mokslininkų nemano, kad verta kartoti tyrimus, naudojant tuos pačius metodus, kurie jau kelis kartus nepavyko. Dauguma ginklų kontrolės tyrinėjų paprastai atmeta Lotto ir Mustardo reikalavimus ir tęsia savo darbus. Du labai gerbiami baudžiamosios teisės tyrinėtojai, Frank Zimring ir Gordon Hawkins (1997) parašė straipsnį, paaiškinantį:

tą patį. Lott ir Mustard gali vieno lemiamo žmogžudystės veiksnio pagalba pateikti statistinius rodiklius, kurie parodys, kad „shall issue“ įstatymas sumažina žmogžudysčių skaičių, mes tikimės, kad nusistatęs ekonometristas gali pateikti panašių istorinių periodų su skirtingais modeliais ir priešingais efektais pavyzdžius. Ekonometrinis modeliavimas yra dviašmenis kardas, galintis palengvinti statistinius duomenis, kad sušildytų bet kurių tikrų pasekėjų širdis.

Zimring ir Hawkins buvo teisūs. Per metus du nusistatę ekonometristai Dan Black ir Daniel Nagin (1998) išleido studiją, kuri parodo, kad jei truputį pakeistų statistinį modelį, ar taikytų jį skirtingiems duomenų segmentams, Lotto ir Mustardo atradimai išnyktų. Black ir Nagin išsiaiškino, kad, kai Florida buvo pašalinta iš tyrimo, tai „nebuvo aptiktas joks teisės nešiotis ginklą poveikis žmogžudysčių ir išprievartavimų skaičiui“. Jie padarė išvadą, kad „išvada, paremta Lotto ir Mustardo modeliu yra netinkama ir kad jų rezultatai negali būti atsakingai naudojami formuojant viešąją politiką“.

Tačiau, John Lott nesutiko su jų analize ir toliau skleidė sąvąją. Lott surinko kiekvienos Amerikos apygardos kiekvienų metų nuo 1977 iki 1992 metų duomenis. Problema yra tame, kad Amerikos apygardos smarkiai skiriasi savo dydžiu ir socialinėm charakteristikom. Kelios didžiosios, kurios daugiausiai susideda iš miestų, sudaro labai didelį procentą JAV žmogžudysčių. Kai taip nutiko, nei viena iš šių didelių apygardų neturėjo „shall issue“ ginklų kontrolės įstatymų. Tai reiškia, kad masinis Lotto duomenys rinkinys paprasčiausiai nebuvo tinkamas šiam darbui. Jis negalėjo šiuo atveju varijuoti priežastiniais kintamaisiais- „shall issue“ įstatymais- tose vietose, kur buvo įvykdyta daugiausiai nužudymų.

Savo knygose ar straipsniuose jis nepaminėjo šio apribojimo. Kai aš, darydamas savo duomenų analizę, atradau „shall issue“ įstatymo trūkumą daugumoje miestų, aš jo paklausiau apie tai. Jis patraukė pečiais ir pasakė, kad jis savo analizėje „kontroliavo“ populiacijos skaičių. Bet statistinės kontrolės įvedimas į matematinę analizę neatperka to, kad jis paprasčiausiai neturėjo duomenų apie didžiausius miestus, kur žmogžudystės problemos yra aktualiausios.

Aš užtrukau, kol radau šią problemą jo duomenyse, kadangi aš nebuvau susipažinęs su ginklų kontrolės įstatymais. Bet Zimring ir Hawkins nustatė ją greitai, nes jie žinojo, kad „shall issue“ įstatymai buvo priimti tose valstijose, kur Nacionalinė Šautuvų Asociacija buvo galinga, daugiausiai pietiniuose, vakariniuose ir kaimiškuose regionuose. Šiose valstijose jau ir taip buvo mažai apribojimų ginklams. Jie pastebėjo, kad ši teisėkūros istorija apsunkina „mūsų galimybę palyginti valstijų, kuriose veikia „shall issue“ tendencijas su kitų valstijų tendencijomis. Kadangi valstijos, kurios pakeitė įstatymus skiriasi savo lokacija ir sudėtimi nuo tų, kurios nekeitė įstatymų, todėl lyginti teisėkūros kategorijas yra visada rizikinga, nes kyla pavojus supainioti demografines ir regionines įtakas su skirtingų teisinių režimų poveikiais“. Zimring ir Hawkins taip pat pastebėjo:

Lott ir Mustard, žinoma, žino apie šią problemą. Jų sprendimas, standartinės ekonometrinės technikos pagalba sukurti tokį statistinį modelį, kuris kontroliuotų visus skirtumus tarp Idaho ir Niu Jorko, kurie įtakoja žmogžudysčių ir nusikaltimų skaičius, ne tik „shall issue“ įstatymus. Jeigu kažkas mūsų modelyje „apibrėžia“ tai, kas daro pagrindinę įtaką žmogžudystėms, prievartavimams, plėšimams ir automobilių vagystėms, mes galime eliminuoti šių faktorių įtaką kitoms tendencijoms. Lott ir Mustard sukūrė modelius, kurie įvertina demografinių duomenų, ekonominių duomenų ir įvairių kriminalinių nusižengimų bausmių įtaką. Šie modeliai puikiai tinka namūdiniam statistikos parengimui, kaip, beje, jie ir buvo pagaminti iš šių duomenų rinkinių šių autorių ir patikrinti tik su duomenimis, kurie bus naudojami vertinant teisės nešiotis ginklą įtakas.

Lott ir Mustard lygino Idaho, Vakarų Virdžinijos ir Misisipės tendencijas su Vašingtono ir Niu Jorko tendencijomis. Iš tikrųjų nutiko taip, kad įvyko su kreku susijusių žmogžudysčių protrūkis pagrindiniuose rytų miestuose 1980-aisiais ir ankstyvaisiais 1990-aisiais. Visi Lotto argumentai buvo pagrįsti išvada, kad daugelis kaimietiškų ir vakarinių valstijų, kuriose veikė „shall issue“ įstatymai išvengė žmogžudysčių, susijusių su kreku epidemijos, nes jie turėjo „shall issue“ įstatymus. Tai niekada nebūtų buvę priimta rimtai, jei nebūtų buvę padengta lygčių labirintais.

Antrasis mitas: Žmonių įkalinimas mažina nusikaltimus

Lotto ir Mustardo atvejis buvo nepaprastas tik dėl didelio visuomenės susidėjimo. Tai yra gana dažna, netgi tipiška praktika publikuoti konkuruojančias studijas naudojant ekonometrinius metodus, kad gauti priešingas išvadas tam pačiam klausimui. Dažnai nei vienoje analizėje nebūna nieko akivaizdžiai klaidingo. Jie paprastai naudoja nežymiai skirtingus duomenų rinkinius ar skirtingus metodus rezultatams pasiekti. Atrodo, tarsi regresijos modeliuotojai gali pasiekti bet kokio norimo rezultato nesulaužydami regresijos analizės taisyklių. Vienas išskirtinai atviras teiginys dėl nusivylimo šiuo klausimu, buvo išsakytas dviejų labai gerbiamų kriminalistų Thomas Marvell ir Carlisle Moody (1997: 221) jų studijos apie įkalinimo įtaką žmogžudysčių skaičiui pranešime. Jie teigė, kad: išplatino [jų] išvadas ir duomenis kolegoms, kurie specializuojasi kiekybinėje analizėje. Dažniausias atsakymas buvo, kad jie atsisako tikėti rezultatais, nepaisant, kaip kokybiškai buvo atlikta statistinė analizė. Už šio teiginio yra idėja, dažnai neformaliai diskutuojama, bet retai publikuojama, kad socialininiai mokslininkai gali gauti bet kokį trokštamą rezulataą manipuliuodami procedūromis. Tiesą sakant, plati vertinimų įvairovė, susijusi su įkalinimo įtaka naudojama kaip geras tyrimo tinkamumo įrodymas. Svarbu yra, tai, kad netgi tarp daugelio tų, kurie reguliariai publikuoja kiekybines studijas, nesvarbu, kaip kruopščiai atlikta analizė, rezultatai vis tiek nėra patikimi, nebent jie atitinka pradinius lūkesčius. Mokslinių tyrimų disciplina negali būti sėkminga tokioje sistemoje.

Jų didžiulis nuopelnas, kad Marvell Moody atvirai pripažino problemas, susijusias su daugkartine regresija ir pateikė keletą patarimų, kaip tai pagerinti. Deja, kai kurie ekonometristai taip paniro į savo modelius, kad jie prarado sugebėjimą matyti, kokie diskutuotini jie yra. Jie įtikėjo, kad jų modeliai yra labiau tikri, labiau tinkami, nei netvarkinga, nepalanki, „nekontroliuojama“ realybė, kurią jie tikisi paaiškinti.

Trečiasis mitas: Egzekucijos mažina nusikaltimus

1975 m. The American Economic Review išspausdino Mičigano universiteto ekonomisto Isaac Ehrlich straipsnį, kuriame jis įvertino, kad kiekviena egzekucija atbaido nuo aštuonių žmogžudysčių. Prieš Ehrlichą, geriausiai žinomas aukščiausios bausmės efektyvumo specialistas buvo Thorsten Sellen, kuris naudojo žymiai paprastenį analizės metodą. Sellen parengė grafikus, kuriuose lygino įvairių valstijų tendencijas. Jis rado labai mažai arba visai nerado skirtumų tarp valstijų, kuriose yra ar nėra mirties bausmės, todėl jis priėjo išvados, kad mirties bausmė nedaro jokio skirtumo. Vienakrypčiame statistikos darbe Ehrlich tvirtino, kad jo analizė yra labiau tinkama, nes ji kontroliavo visus faktorius, galinčius įtakoti žmogžudysčių skaičių.

Netgi prieš publikavimą, Ehrlicho darbas buvo paminėtas JAV generalinės prokurorės sprendžiant mirties bausmės bylą JAV Aukščiausiame teisme. Deja, teismas nusprendė nesiremti Ehrlich's įrodymais, nes jie nebuvo patvirtinti kitų tyrinėtojų. Tai buvo protinga, nes per metus ar dvejus tyrinėtojai paskelbė panašias sudėtingas ekonometrines analizes, kurios parodė, kad mirties bausmė neturi jokio atgrasomojo poveikio.

Ehrlicho darbo kontraversiškumas buvo toks svarbus, kad Nacionalinė mokslinių tyrimų tarnyba sušaukė mėlyno kaspino ekspertų grupę jam ištirti. Po labai kruopščios peržiūros grupė nusprendė, kad problema buvo ne tik Ehrlicho modelis, bet pati idėja naudoti ekonometrijos modelius, kad spręsti kontraversiškas kriminalinės teisės politikos problemas. Jie (Manski, 1978:422) teigė, kad:

kadangi tikėtina, jog duomenys prieinami tokiai analizei yra ribojami ir todėl, kad kriminalinis elgesys gali būti labai sudėtingas, negalima tikėtis, kad atsiras galutinis elgsenos tyrimas, kuriuo būtų galima remtis, norint nustatyti, kas darytų poveikį atgrasymo politikai.

Dauguma ekspertų dabar tiki, kad Sellen buvo teisus, kad aukščiausia bausmė neturėjo jokio akivaizdaus poveikio nužudymų skaičiui. Bet Ehrlich tai neįtikino. Jis dabar yra vienišas tikras tikintysis šio modeliu reikšmingumu. Nesenam interviu (Bonner and Fessendren, 2000) jis laikėsi savo nuomonės „jei skirtumai tarp bedarbystės, pajamų nelygybės, gyvenimo būdo suvokimo ir noro naudoti mirties bausmę yra įtraukiami, mirties bausmė rodo reikšmingą atgrasymo poveikį.“

Ketvirtasis mitas: Abortų legalizacija įtakojo nusikaltimų sumažėjimą 1990 m.

1999 m. John Donohue ir Steven Levitt išleido studiją apie staigų nužudymų skaičiaus sumažėjimą 1990 m. Jie teigė, kad abortų legalizacija JAV Aukščiausiame teisme 1973 m. įtakojo nelaukiamų vaikų gimimų skaičiaus sumažėjimą, neproporcingą skaičių tų, kurie užaugę taptų nusikaltėliais. Šio argumento problema yra ta, kad abortų legalizacija buvo vienkartinis istorinis įvykis ir kad vienkartiniai įvykiai nesuteikia pakankamai duomenų reikšmingai regresinei analizei. Tiesa, kad kai kuriose valstijose abortai buvo legalizuoti anksčiau ir Donohue su Levitt naudojasi šiuo faktu. Bet visos šios valstijos perėjo per tą patį istorinį procesą ir tuo pačiu istoriniu periodu nutiko daugelis kitų dalykų, kurie įtakojo nužudymų skaičius. Pagrįsta regresinė analizė turėtų įtraukti visus šiuos dalykus ir tirti juos, atsižvelgiant į įvairius kintamuosius. Egzistuojantys duomenys neleidžia to padaryti, todėl regresinės analizės rezultatai skirsis priklausomai nuo to, kokie duomenys buvo pasirinkti analizei. Šiuo atveju Donohue ir Levitt pasirinko susitelkti ties dvylikos metų trukmės pokyčiais, ignoruojant tų metų svyravimus. Tai darydami, kaip pažymėjo James Fox (2000: 303), „ jie praleido daugumą nusikalstamumo pokyčių per šį laikotarpį- augimo tendencijas kreko eros metu vėlyvaisiais 1980-aisiais ir sumažėjimo tendencijas pokrekinėje eroje. Tai tas pats, kaip studijuoti mėnulio fazių poveikį vandenyno potvyniams, bet fiksuoti tik mažų potvynių duomenis.“

Kai aš rašiau šį straipsnį, įtraukiau sakinį „tikriausiai greitai kitas regresijos analizės specialistas iš naujo išanalizuos duomenis ir prieis kitų išvadų.“ Po kelių dienų, mano žmona atnešė man laikraštį su istorija apie tokį tyrimą. Autorius buvo nekas kitas, kaip John Lott iš Jeilio kartu su John Whitley iš Adelaidės universiteto. Jie perkrimto tuos pačius skaičius ir priėjo išvados, „kad abortų legalizacija padidino nužudymų skaičių nuo maždaug 0.5 iki 7 procentų“ (Lott and Whitely, 2001).

Kodėl rezultatai taip smarkiai skiriasi? Kiekviena autorių grupė paprasčiausiai pasirenka skirtingus modeliavimo būdus neadekvatiems duomenų rinkiniams. Ekonometristai negali padaryti visuotinai veikiančio dėsnio iš istorinio fakto, kad abortai buvo legalizuoti 1973 m. ir nusikaltimų sumažėjo 1990-aisiais. Mums reikia mažiausiai kelių tuzinų tokių istorinių patirčių, kad atliktume pagrįstą statistinį tyrimą. Išvados.

Acid testas statistiniame modeliavime yra pranašystė. Pranašystė nebūtinai turi būti tobula. Jei modelis gali pranašauti reikšmingai geriau nei prasta spėlionė, jis yra naudingas. Pavyzdžiui, jei modelis gali išpranašauti akcijos kainas kad ir nežymiai geriau nei prasta spėlionė, jo savininkai taps turtingi. Todėl daugybė pastangų skiriama testuojant ir gerinant modelius, kurie leidžia nuspėti akcijų kainas. Deja, tyrinėtojai, kurie naudoja ekonometrines technikas pagerinti socialinei politikai, labai retai atlieka nuspėjimo testus. Jų pasiteisinimas yra, kad tada reikia per ilgai laukti rezultatų. Jūs negausite skurdo, abortų ar žmogžudysčių duomenų kas kelias minutes, kaip tai būna su akcijų kainomis. Bet tyrinėtojai gali atlikti nuspėjamumo testus kitais būdais. Jie gali patobulinti modelį naudodami duomenis iš vienos jurisdikcijos ar vieno periodo, tada naudoti juos bandant nuspėti duomenis iš kito laiko ar vietos. Bet dauguma tyrinėtojų tiesiog to nedaro, o jeigu daro, tai jiems nepavyksta ir rezultatai nebūna paskelbti. Žurnalai, kurie spausdina ekonometrines studijas apie viešosios politikos klausimus dažnai net nereikalauja nuspėjamumo testo, kas parodo, kad redaktoriai ir apžvalgininkai neturi daug lūkesčių šiai temai. Taigi, tyrinėtojai pasirenka duomenis iš fiksuoto laikotarpio ir gerai jaučiasi derindami ir reguliuodami modelį, kol gali „paaiškinti“ tendencijas to, kas jau įvyko. Visada yra daug būdų tai padaryti, o su moderniais kompiuteriais nėra labai sudėtinga bandyti, kol atrasi tai, kas tiks. Šiuo požiūriu, tyrinėtojas sustoja, užsirašo atradimus ir išsiunčia straipsnį publikacijai. Vėliau, kitas tyrinėtojas gali pritaikyti modelį, kad gautų skirtingus rezultatus. Tai užpildo mokslinių žurnalų puslapius ir visi apsimeta, kad nepastebi, kad vyksta labai lėtas arba joks progresas nevyksta. Bet dabar mes jau esame arčiau pagrįstų ekonometrinių modelių, skirtų nužudymų apskaičiavimui, nei tai buvo, kai Isaac Ehrlich paskelbė savo pirmąjį modelį 1975 m.

Mokslininkų bendruomenė neturi gerų procedūrų, kad pripažinti savo klaidas dėl plačiai naudotų tyrimų metodų. Metodai, kurie yra įsitvirtinę į baigimo programas pirmaujančiuose universitetuose ir yra publikuojami prestižiniuose žurnaluose, tampa amžinais.

Daugelis megėjų mano, kad jei tyrimas paskelbtas recenzuojameme žurnale, tai jis yra pagrįstas. Atvejai, kuriuos mes ištyrėme, atskleidžia, kad ne visada yra taip. Recenzijos užtikrina, kad laikomasi nusistovėjusios praktikos, bet tai nedaug padeda, kai pati praktika yra klaidinga.

1991m. David Freedman, žymus Kalifornijos Berklio universiteto sociologas ir knygų apie kiekybinių tyrimų metodus autorius, sukrėtė visus, kai apie savo atradimus regresijos modeliavime jis atvirai pasakė: „aš nemanau, kad regresija gali panešti daugiau priežastinių argumentų naštos. Taip pat ir regresijos lygtys pačios savaime mažai padeda kontroliuoti kintamuosius“ (Freedman, 1991: 292). Freedmano straipsnis išprovokavo daug aršių reakcijų. Richard Berk (1991: 315) pastebėjo, kad Freedmano argumentus "bus labai sunku priimti daugeliui kiekybinių tyrimų sociologų. Tai žeidžia iki pat jų empirinės širdies gelmių ir tokiu būdu kelia grėsmę visai profesinei karjerai “.

Susidurę su kritikais, kurie prašo įrodymų, kad jie gali nuspėti tendencijas, regresijos modeliuotojai dažnai atsilieka nuo vienakrypčio statistinio vieningumo. Jie pateikia tokius sudėtingus argumentus, kad tik kitas gerai apmokytas regresijos analitikas gali juos suprasti, nekalbant apie juos pačius. Dažnai šis metodas suveikia. Potencialūs kritikai paprasčiausiai puola į neviltį. Philadelphia Inquirer's žurnale David Boldt (1999), išgirdęs John Lott kalbą apie paslėptus ginklus ir žmogžudysčių skaičius, ir pasitikrinęs tai su kitais ekspertais išlemeno, kad „bandymas surūšiuoti akademinius argumentus yra beveik kvailio darbas. Galima paskęsti statistiniuose disputuose, kvailuose kintamuosiuose ir „Nuoduose“ prieš ' mažiausių kvadratų' duomenų analizės metodus“.

Boldt buvo teisus, įtardamas, kad jis įsitraukė į kvailio misiją. Tiesą sakant, nėra jokių svarbių sociologijos ar kriminologijos atradimų, kurie negalėtų būti aptarti su žurnalistais ar politikais, kuriems trūksta ekonometrijos žinių. Metas pripažinti, kad karalius nuogas. Kai yra pateikiamas ekonometrinis modelis, vartotojai turi reikalauti įrodymų, kad jis gali nuspėti duomenų tendencijas, kitokias nei kūrimui naudoti duomenys. Modeliai, kurie šio testo neišlaiko yra mokslo šlamštas, nesvarbu, kokia sudėtinga buvo analizė.

Berk, Richard.A. 1991. Toward a methodology for mere mortals," Sociological Methodology 21: 315-324.

Boldt, David. 1999. "Study evidence on guns," Philadelphia Inquirer, December 14. Downloaded on May17, 2000 from: http://www.phillynews.com/inquirer/99/Dec/14/opinion/BOLDT14.htm.

Black, Dan. and Daniel Nagin 1998. Do right-to-carry laws deter violent crime? Journal of Legal Studies 27: 209-219.

Bonner, Raymond and Ford Fessendren. 2000. States with no death penalty share lower homicide rates," New York Times, September 22. Downloaded from: http://www.nytimes.com/2000/09/22/national/22DEAT.html.

Donohue, John and Steven Levitt. 1999. Legalized Abortion and Crime. Stanford University Law School. Downloaded in August, 2000 from: http://papers.ssrn.com/paper.taf?ABSTRACT_ID=174508.

Fox, James. 2000. Demographics and U.S. homicide, In A. Blumstein and J. Wallman (eds.), The Crime Drop in America, Cambridge University Press, New York, pp. 288-317.

Freedman, David 1991. Statistical models and shoe leather. Sociological Methodology 21: 291-313. Lott, John. 2000. More Guns, Less Crime: Understanding Crime and Gun Control Laws. University of Chicago Press, second edition with additional analyses.

Lott, John. and John Whitley. 2001. Abortion and crime: Unwanted children and out-of-wedlock births," Yale Law & Economics Research Paper No. 254. Downloaded on July 9, 2001 from: http://papers.ssrn.com/sol3/papers.cfm?abstract_id=270126.

Marvell, Thomas and Carlisle Moody, C. 1997. The impact of prison growth on homicide. Homicide Studies 1: 205-233.

Zimring, Frank and Gordon Hawkins. 1997. Concealed handguns: the counterfeit deterrent, The Responsive Community 7: 46-60.

Original article: http://crab.rutgers.edu/~goertzel/mythsofmurder.htm

Eldorado.gg is the top marketplace to find best WoW Mists of Pandaria Gold offers.