金沙mgCGIAR性别

处理扩大性别数据的局限性

凯瑟琳·菲佛,国际畜牧研究所(ILRI)的科学家和空间分析师。

性别研究通常侧重于小的研究领域(例如村庄或村组)深入了解权力关系,家庭内部决策或资产所有权。这些深入的上下文特定的研究使得比较研究和为其他地方吸取教训变得困难。

近年来,为提供标准化的个人级数据集(即收集不同国家的类似个人信息),包括位置信息。

这些数据集的示例包括:

大多数调查都包含家庭或个人层面的性别数据。

我在地图上工作性别语境'在非洲使用DHS数据集。有超过50万人对个别级别的地理参照性别数据进行了观察,我能辨认出空间性别模式“穿越非洲大陆,.

微观社会经济数据,包括性别数据,以地理学家所说的“A”为特征高短程变率'.用一个简单的例子来说明这一点:想象两个邻居,即两个地理位置相近的人或家庭。他们可能是非常不同的人。想想看,你不太可能和邻居有同样的爱好!有很多易变性当你和你的邻居比较时。然而,从个体尺度看,模式出现了。例如,富裕社区的人们打高尔夫球可能是一种普遍的趋势。

为了识别这种空间模式,我们需要克服短距离变异性。要做到这一点,地理学家通常在空间上聚集微观数据,也称为'向上缩放'.听起来很简单,但事实并非如此。尽管您的数据可能涵盖了总体人口的代表性样本,它可能不是地理上的代表。

性别地图(图片来源:C.普费菲)
性别地图(图片来源:C.普费菲)

回到高尔夫的例子:在一个贫穷的社区,可能有年轻人,野心勃勃但薪水低的专业人士打高尔夫,以满足高级管理人员的良好定位。如果,巧合的是,你的采访时机使你只采访贫困地区的年轻人和富裕地区的老年人,然后你可能会得出这样的结论:在比较社区时,没有空间模式可以打高尔夫。可能不是这样。城市层面的数据集具有代表性,即年轻人和老年人的数量是正确的,但你会错过空间趋势(富裕社区打高尔夫球)。因为穷人和富人都说打高尔夫球。然而,这是一个人工制品“。数据中的“故障”);也就是说,即使在城市层面上具有代表性,个别层面的抽样也可能出现偏差。换言之,如果你有代表性的城市级数据,坚持这个级别,因为在下面的级别上,您可能会错过现有的模式或识别现实中不存在的模式。

有两种方法可以解决此问题:

  1. 在样本具有代表性的水平上汇总数据.以高尔夫为例,汇总城市数据并跨城市进行比较。你可能仍然会得出这样的结论:在富裕的城市,更多的人打高尔夫球。通过这种方法,比较城市内不同社区的选择是有缺陷的。

  1. 通过回归模型修正地理样本偏差。使用地理变量的回归模型(所谓的“完全覆盖”数据,IE.通常卫星图像和地图)可以帮助您预测模式。但是,尽管这些空间建模方法对生物物理数据很有效,他们不适合扩大性别数据。

如果我们替换'打高尔夫球“有了非洲家庭妇女的决策权,绘制性别模式最可靠的方法是在样本具有代表性的地理层面(通常是第一个行政层面——次国家层面)汇总DHS数据。这是对性别背景的粗略描述,不允许在次国家一级对村庄进行比较。它所提供的是一个更大的整体图,这可能意味着在非洲大陆哪里可以找到类似的情况。这里令人兴奋的一点是,这有助于将良好实践扩展到类似的环境中。

了解更多关于性别背景地图的信息:https://cgspace.金沙mgcgiar.org/bitstream/handle/10568/78647/kettle_ch5.pdf?序列=2&I允许=Y

留下答复

您的电子邮件地址将不会发布。

时限已满。请重新加载验证码。