GenderDeSegregationSchooll
| Описание модели | Модель воспроизводит изменения в проценте женщин-учителей в гимназиях федеральной земли Рейнланд-Пфальц в Германии с 1950 по 1989 год. Она начинается с данных о количестве мужчин и женщин-учителей в этих школах в 1950 году и отображает их на карте Рейнланд-Пфальца |
|---|---|
| Область знаний | Педагогика, Социология, Образование |
| Веб-страница - ссылка на модель | https://github.com/ChumakovOA/Econometric |
| Видео запись | |
| Разработчики | |
| Среды и средства, в которых реализована модель | NetLogo |
| Диаграмма модели | |
| Описание полей данных, которые модель порождает | ; numbers of male and female teachers and pupils in these schools in 1950
Название "ADENAU" 6.929 50.382 101 47 2 3 "AHRWEIPJ" 7.091 50.535 262 0 12 1 "AHRWEIU" 7.097 50.542 0 307 1 18 |
| Модель создана студентами? | Да |
GenderDeSegregationSchool
Каждый шаг модели соответствует изменению от года к году. В интерфейсе отображается текущее распределение процента женщин-учителей (гистограмма), а также временной ряд для выбранной школы.
Аннотация
В данном проекте исследуется динамика гендерного состава учителей в гимназиях федеральной земли Рейнланд-Пфальц (Германия) в период с 1950 по 1989 год. С помощью агентной модели, реализованной в NetLogo, воспроизводятся эмпирические данные о проценте женщин-учителей.
Цель работы
Количественно оценить влияние параметров κ (чувствительность к текущему гендерному составу) и δ (нарушение равных возможностей) на динамику гендерной сегрегации в школах.
Модель
Скачать модель
GitHub: ссылка на модель
Исходные данные
Данные о школах (названия, координаты, количество учителей) хранятся внутри модели и не требуют внешнего файла.
Правила модели
- Все учителя, покидающие свои должности, заменяются мужчинами и женщинами с вероятностью, определяемой формулой:
- P(женщина) = ν(t) × δ × exp(κ × ξ), где ξ — текущий процент женщин в школе.
- Мужчины остаются на своих должностях в два раза дольше, чем женщины; продолжительность работы распределена нормально с параметрами μ = 30 для мужчин и μ = 15 для женщин, при стандартном отклонении σ = 5.
- Параметры κ и δ варьируются между запусками симуляции (задаются через слайдеры в интерфейсе).
- Параметр ν(t) автоматически подбирается так, чтобы при δ = 1 средняя вероятность найма женщины составляла 0.5.
Параметры модели
| Параметр | Описание | Диапазон | Значение по умолчанию |
|---|---|---|---|
| κ | Чувствительность вероятности найма к текущему проценту женщин | -2 … 2 | 0 |
| δ | Нарушение равных возможностей (δ>1 — в пользу женщин, δ<1 — в пользу мужчин) | 0.6 … 1.4 | 1 |
| μ (мужчины) | Средняя продолжительность карьеры мужчин | 30 (фикс) | 30 |
| μ (женщины) | Средняя продолжительность карьеры женщин | 15 (фикс) | 15 |
| σ | Стандартное отклонение продолжительности карьеры | 5 (фикс) | 5 |
Визуализация
- Школы — кружки на карте. Цвет меняется от красного (0% женщин) до синего (100% женщин)
- Учителя-мужчины — синие квадраты
- Учителя-женщины — красные круги
Рабочие гипотезы
Гипотеза 1. Влияние чувствительности κ
- H₀: κ = 0. Вероятность найма женщины не зависит от текущего процента женщин в школе. Гендерный состав школы не влияет на решение при найме нового учителя.
- H₁: κ > 0. Существует положительная зависимость: чем выше текущий процент женщин в школе, тем выше вероятность найма новой женщины. Это создаёт эффект «снежного кома» и усиливает гендерную сегрегацию.
Гипотеза 2. Нарушение равных возможностей δ
- H₀: δ = 1. При найме на замену уволившимся учителям соблюдаются равные возможности: мужчины и женщины нанимаются с одинаковой вероятностью (50/50).
- H₁: δ ≠ 1. Существует систематическое нарушение равных возможностей при найме: Если δ > 1 — нарушение в пользу женщин (женщин нанимают чаще, чем мужчин) и Если δ < 1 — нарушение в пользу мужчин (мужчин нанимают чаще, чем женщин)
Проведение экспериментов
Процедура проведения:
- Создание нового эксперимента в BehaviorSpace с именем `GenderSegregationExperiment`
- Настройка варьируемых параметров: κ (9 уровней) и δ (7 уровней)
- Установка количества повторений: 20 для каждой комбинации
- Установка временного лимита: 40 тиков (соответствует 40 годам симуляции)
- Указание замеряемого показателя: `(total-female-all / (total-male-all + total-female-all)) * 100`
- Запуск эксперимента в режиме Table output
- Автоматический последовательный перебор всех 63 комбинаций параметров (9×7)
- Сохранение результатов в CSV-файл после завершения всех 1260 прогонов
Особенности проведения:
- Для обеспечения воспроизводимости результаты не фильтровались и не обрабатывались на этапе сбора
- Все 1260 прогонов выполнены в одинаковых условиях (фиксированные параметры среды)
- Случайная вариативность обеспечивается за счёт 20 повторений для каждой комбинации
- Время выполнения эксперимента: ~15-20 минут на стандартном компьютере
Результаты экспериментов (сырые данные):
Сырые данные содержат 1260 строк, каждая строка соответствует одному завершённому прогону модели. Структура данных:
| Поле | Описание | Пример |
|---|---|---|
| `[run number]` | Номер прогона (сквозная нумерация) | 1 |
| `kappa` | Значение чувствительности для данного прогона | 2.0 |
| `delta` | Значение нарушения равных возможностей для данного прогона | 1.3 |
| `[step]` | Временной шаг фиксации (40 = 1989 год) | 40 |
| `female_percent` | Процент женщин в 1989 году | 84.7 |
Передача данных:
Сырые данные (CSV, 1260 строк) были переданы Екатерине Песенковой для:
- Агрегации (расчёт средних по комбинациям κ и δ)
- Статистического анализа
- Визуализации результатов (построение графиков)
Ссылки:
Результаты
Оптимальные параметры
По результатам полного факторного эксперимента были получены следующие оптимальные параметры, максимизирующие процент женщин-учителей в 1989 году:
| Параметр | Описание | Оптимальное значение |
|---|---|---|
| κ | Чувствительность к гендерному составу | 2.0 |
| δ | Нарушение равных возможностей | 1.3 |
| Средний процент женщин в 1989 году | 84.7% | |
Интерпретация
- Положительное значение κ = 2.0 означает, что существует положительная обратная связь: чем больше женщин уже работает в школе, тем выше вероятность найма новой женщины. Это усиливает гендерную сегрегацию.
- Значение δ = 1.3 > 1 указывает на систематическое нарушение равных возможностей в пользу женщин при найме на замену уволившимся учителям.
Графики
1. Тепловая карта поверхности отклика:
2. Влияние κ на процент женщин:
3. Влияние δ на процент женщин:
4. Гистограмма распределения при оптимальных параметрах (κ = 2, δ = 1.3):
5. Ящик с усами (boxplot) для разных κ:
6. Гистограмма распределения средних значений (из experiment_summary.csv):
Проверка гипотез
Статистический подход:
Для проверки гипотез использовался двухэтапный подход: 1. Визуальный анализ графиков поверхности отклика и зависимостей 2. Сравнение средних значений для крайних значений параметров
Методика проверки:
- Для гипотезы о κ: сравнивались средние проценты женщин при κ = 2 (максимальная чувствительность) и κ = -2 (минимальная чувствительность) при фиксированном δ = 1.3
- Для гипотезы о δ: сравнивались средние проценты женщин при δ = 1.3 (нарушение в пользу женщин) и δ = 0.7 (нарушение в пользу мужчин) при фиксированном κ = 2
| Гипотеза | H₀ | H₁ | Сравниваемые группы | Результат |
|---|---|---|---|---|
| 1. Влияние κ | κ = 0 | κ > 0 | κ = 2 vs κ = -2 (при δ = 1.3) | ✅ H₀ отвергается |
| 2. Влияние δ | δ = 1 | δ ≠ 1 | δ = 1.3 vs δ = 0.7 (при κ = 2) | ✅ H₀ отвергается |
Детальный анализ гипотезы 1 (влияние κ):
| Условие (при δ = 1.3) | Средний % женщин | Стандартное отклонение | Разница |
|---|---|---|---|
| κ = -2 (отрицательная чувствительность) | 45.8% | 1.85 | +38.9% |
| κ = 2 (положительная чувствительность) | 84.7% | 2.40 |
Вывод по гипотезе 1: Разница в 38.9 процентных пункта между κ = -2 и κ = 2 однозначно подтверждает, что κ > 0. Положительная обратная связь увеличивает долю женщин почти вдвое. H₀ отвергается.
Детальный анализ гипотезы 2 (влияние δ):
| Условие (при κ = 2) | Средний % женщин | Стандартное отклонение | Разница |
|---|---|---|---|
| δ = 0.7 (нарушение в пользу мужчин) | 63.1% | 2.30 | +21.6% |
| δ = 1.3 (нарушение в пользу женщин) | 84.7% | 2.40 |
Вывод по гипотезе 2: Разница в 21.6 процентных пункта между δ = 0.7 и δ = 1.3 подтверждает, что δ ≠ 1. Более того, оптимальное значение δ = 1.3 > 1 указывает на нарушение равных возможностей в пользу женщин. H₀ отвергается.
Сводная таблица окончательных выводов:
| Параметр | Оптимальное значение | Влияние на % женщин | Статистическая значимость |
|---|---|---|---|
| κ | 2.0 | Увеличение с 45.8% до 84.7% (κ = -2 vs κ = 2) | Однозначно подтверждено |
| δ | 1.3 | Увеличение с 63.1% до 84.7% (δ = 0.7 vs δ = 1.3) | Однозначно подтверждено |
Выводы: Обе альтернативные гипотезы получили эмпирическое подтверждение. Модель показывает, что для достижения высокого процента женщин-учителей (84.7%) необходимо одновременно наличие: 1. Положительной обратной связи при найме (κ = 2.0) 2. Систематического нарушения равных возможностей в пользу женщин (δ = 1.3)
Ограничения модели
- Постоянная численность школ. Модель не учитывает открытие, закрытие или слияние гимназий в 1950-1989 гг. Все школы существуют на протяжении всего моделируемого периода с неизменной общей численностью учителей.
- Отсутствие внешнего рынка труда. Учителя нанимаются только на замену уволившимся, без учёта демографических изменений, потоков молодых специалистов или конкуренции между школами за кадры.
- Географическая изоляция школ. Школы не взаимодействуют друг с другом - решение о найме в одной школе не влияет на вероятность найма в соседней школе.
- Два гендера. Модель оперирует бинарной гендерной категорией, что отражает структуру исторических данных, но не охватывает современные реалии.
Ссылки
- Практикум по эконометрике (syllabus)
- NetLogo: netlogo.org
- R: r-project.org
- GitHub-репозиторий проекта: Econometric
Участники
| Участник | Роль | Что сделано |
|---|---|---|
| Олег Чумаков | Разработчик модели | Создание модели NetLogo, визуализация школ и учителей, реализация правил увольнений и наймов, добавление параметров κ, δ, ν(t), отладка кода, выгрузка на GitHub, оформление вики-страницы |
| Анна Махонина | Экспериментатор | Проведение экспериментов в BehaviorSpace (1260 прогонов), сбор данных, подготовка CSV-файлов, загрузка данных на GitHub |
| Екатерина Песенкова | Аналитик данных | Анализ данных в R, визуализация результатов (тепловая карта, графики зависимостей), проверка гипотез, интерпретация выводов, подготовка сводной таблицы |
