Metody

příklad politická rozhodnutí.
Nominální data – každé individuum je zařazováno do jedné z kategorií (nominální data zařazují 3 mil. lidí do Birminghamu a 9 mil. do Londýna). Populaci můžeme rozdělit např. na mužskou a ženskou kategorii (2), na muslimy, židy a křesťany (3). Kategorie mohou vyčerpávat danou populaci, mohou se navzájem překrývat či vylučovat.
Ordinální data – individua či kategorie, do kterých náležejí, jsou řazeny podle nějakého kritéria (ordinální měření nám řekne, že Londýn je větší než Birmingham). Jde tedy o data, která mají mezi sebou nějaký vztah vyjádřitelný jako „větší než“, „preferovanější“, apod.).
Intervalová data – kvalitativně vyjádřená vzdálenost mezi dvěma měřeními na předurčené škále (intervalové měření dává informaci, že Londýn má o 6 mil. obyvatel více než Birmingham). Přitom naměřená vzdálenost je u intervalových dat nezávislá na zvolených jednotkách. Pomocí intervalových dat měříme např. příjmy, inteligenční kvocient, trestnou činnost, apod.
Poměrná data – dovolují relativní kvantitativní ohodnocení na určité škále (Londýn je třikrát větší než Birmingham). Tyto proměnné mají přirozenou nulu (váha, délka, plocha), jsou také nezávislé na jednotce měření.
Primární vs. sekundární data
Primární data jsou data získávaná samotným výzkumníkem či přímo za účelem konkrétního výzkumu. Můžeme sem zařadit např. pozorování (sčítání dopravy, hodnocení kvality prostředí, mapování land-use) nebo šetření (interview či dotazníková šetření). Primární data jsou buď popisná (sledují např. kam lidé chodí do zaměstnání či do školy) nebo tzv. explanatorní (sledují motivace a důvody různých aktivit, procesů a jevů).
Častou metodou ke získání primárních dat je dotazníkové šetření. Vypovídací hodnota dotazníkového šetření je ovlivněna řadou faktorů – 1. zda se ptám správných lidí či institucí (otázka vzorku), 2. strukturou dotazníku, resp. jeho otázek, 3. zpracováním odpovědí a interpretací výsledků. Navíc je třeba si vždy položit otázku, zda stejné informace nezískám rychleji ze sekundárních zdrojů.
Jako geografové vztahujeme výsledky sběru primárních dat zejména prostorově (například průzkum okrajového sídliště vs. centrálního města, srovnání regionů), ale samozřejmě v řadě případů je nutné je klasifikovat i dle jiných kritérií (srovnání různých sociálních vrstev, věkových skupin,ekonomických odvětví, apod.).
Velkou tradici v sociálních vědách mají sekundární data. V souvislosti s pokračujícím trendem oddělování sběru dat od jejich analýzy, dochází k jejich stále intenzivnějšímu využívání (tzn. v současnosti už ve většině výzkumů analyzujeme data, které jsme sami neshromažďovali – využíváme sekundární data).
Z mnoha důvodů mohou být často sekundární data jediná, která jsou dostupná pro studovanou problematiku. Pakliže jde o historickou problematiku, je nutné spoléhat pouze na sekundární data. Také při studiu současné problematiky umožňují sekundární data problém popsat ve větším rozsahu (časovém i prostorovém kontextu), než by tomu bylo při spoléhání se pouze na primární výzkum. Často nám umožňují popsat změnu. Sekundární data se rovněž používají pro komparativní (srovnávací) výzkumy. Rovněž z ekonomických důvodů je mnohdy levnější čerpat ze sekundárních dat než provádět vlastní primární výzkum.
obr. 3:zdroje geografických sekundárních dat
Existuje několik metodologických důvodů výhodnosti sekundárních dat - data používaná ve více výzkumech více badateli jsou hodnověrnější, použitím sekundárních dat můžeme obvykle zvýšit zkoumaný vzorek a jeho reprezentativnost, sekundární data můžeme použít pro upřesnění poznatků získaných na základě primárních dat.
Sekundární data mají některá omezení - často jsou jenom přibližně tím typem dat, které chce výzkumník použít pro testování své hypotézy, dalším problémem může být dostupnost těchto dat
nebo nedostatečné informace o tom, jak byla data získávána.
Analýza dat
Pro účely geografického výzkumu je samozřejmě nedostatečné data pouze shromáždit a nějakým způsobem prezentovat – jádrem výzkumu je jejich analýza a interpretace. V rámci analýzy porovnáváme různé soubory dat, porovnáváme informace řečené nám daty s ostatními zjištěními či nacházíme nějaké souvislosti mezi jevy, které vybranými daty popisujeme. K analýze dat se používá řada statistických postupů od nejjednodušších numerických výpočtů (průměr, medián, apod.) až po prostorové analýzy.
Tzv. deduktivní, odvozovací statistika je určena k testování hypotéz a ke zjišťování způsobu jak je jednotlivá proměnná vztažená k druhé. Např. existuje vztah mezi druhem půdy a sklonem svahu, má nějakou spojitost proměnná jako je míra nezaměstnanosti s úrovní kriminality? (korelační a regresní analýzy). Ptáme se tedy, zda existuje vztah mezi dvěma proměnnými, jak je silný a jaká je forma tohoto vztahu. V geografickém výzkumu také často poměřujeme kontrasty mezi regiony. Máme-li shromážděna data pro dva regiony, existují statistické testy významnosti, které nám dovolí objektivně říct, zda rozdíly mezi vzorky dat z těchto oblastí jsou významné či náhodné. Statistické metody jsou však jenom nástrojem a nenahrazují kvalitní geografickou interpretaci a zdůvodnění – neměly by být proto přeceňovány.
Geografické modely
V 60. letech s osvojením si statistických metod a matematického aparátu v geografickém výzkumu začaly být konstruovány tzv. geografické modely. Za model považujeme: 1. jakékoliv pravidlo, které z určitých vstupů generuje výstupy, 2. jakýkoliv mechanismus, který vytváří předpovědi (prognózy).
obr. 4:modely v geografii
Mezi nejméně generalizované (nejbližší skutečnosti, nejpopisnější) jsou modely ikonické (pouze změna měřítka - např. modely budov). Je-li miniaturizace doprovázena změnou nějakých vlastností (větší abstrakcí) jde o model analogický (např. mapa).
Abstraktnější jsou koncepční modely, které za