井出草平の研究ノート

ブルデュー『ディスタンクシオン』輪読会第80夜 覚書

旧版P314から。

要約

政治空間について、クラスの異なる集団が相対的にどのように分布しているかを仮設的に図式化し、体系化する段階に至っている。この政治空間はクラスやクラスの分断が資本の量と構造によってどのように分配されるかの系統的な歪みとして現れる。政治空間での「左側」に位置する集団は下方へ、右側に位置する集団は上方へ引かれる傾向にある。これは資本の全体的な量と資本構造の対立が重なる効果によるものである。クラスの分断や「ブランド」に割り当てられた位置は、該当する人口や顧客層がどの程度広がっているかを示す中心点に過ぎない。実際にその「社会的表面」は指名された人口の量や社会的分散に大きく依存し、顧客層の増加は限られた空間への更なる浸透やカバーする空間の拡大のどちらによっても生じる可能性がある。

移動の雇用効果

要約

政治的選択が社会クラスによって大きく左右され、それが単に同時的に定義される資本の量や構造によるものではないことを明らかにするためには、適切なカテゴリを構築する必要がある。特に、各社会的地位の時間的特性や、特定のクラスまたはクラスの分断が政治的ブランドや製品をどのように理解し意味付けるかを記述し理解する手段を用いることが重要である。しかし、フランスで利用可能な調査データは、職業や親の政治的意見を通じての軌跡や教育の影響を把握し隔離することができないのが残念である。さらに、名目上同一の意見が実際には比較できないほど異なる、または互換性がない理由を明らかにするための手段も提供していない。選挙の論理が芸術家、教授、教師、職員、労働者、鉱夫の共産党投票の違いを無視するからといって、科学も同じように無視するべきではない。科学的な説明を導き出すためには、名目上の投票の一致の下に隠された共産党への異なる投票の意味を明らかにし、共産主義者としての実際に異なる態度や言明を発見する必要がある。これは、選挙の論理が意図や期待において異なる意見を同一として扱う政治的に重要な事実を考慮に入れつつ行うべきである。

本質的な社会的位置の違いを理解するためには、資本の量や構造だけでなく、その属性の時間的進化、すなわちグループ全体の社会的軌跡や個人とその家系の軌跡を考慮する必要がある。これは、客観的に占められた位置の主観的表現の根源である。政治的選択の決定的な特徴は、他のどの選択よりも、特に慣習の深く不透明な選択よりも、社会的世界や自らが占める位置、また「占めるべき」位置についてのより明示的かつ体系的な表象に介入する点にある。政治的言説は、存在する場合、その表象のより抑制され、普遍化された表現に過ぎず、それを持つ者自身にさえ認識されないことが多い。実際に占められた位置と政治的立場の間には位置の表象が介在し、これは位置によって決定されるが(完全に、つまり時間的にも定義される場合)、外部の観察者が推測する立場とは異なることがある(これを「誤った意識」と呼ぶこともある)。個人や集団の軌跡の傾向が、社会的位置の認識やその位置に対する魅力あるいは幻滅的な関係を介して、位置と政治的立場の間の関係を確立する主な仲介者である。個々の人々や集団が未来、新しさ、動き、革新、進歩に向けてどれだけ傾いているか、そして一般に社会的・政治的楽観主義に傾いているか、それとも過去に向かって社会的不満や保守主義に走るかは、彼らの集団的軌跡、過去と潜在的なものによって、すなわち先祖の属性をどの程度再現できたか、そしてその属性を子孫に再現できる(または再現できると感じる)度合いに依存している。

ハビトゥスの深い選択

ハビトゥスに関連する選択が「他のどの選択よりも、特に慣習の深く不透明な選択よりも」と表現されている。これは、ハビトゥス(慣習や無意識の傾向といった社会的に獲得された行動様式)が個人の選択に深く影響を及ぼし、しばしばその意識的な認識を超えた形で行動や意思決定に影響を与えることを指している。つまり、政治的選択は、ハビトゥスのような深く、しばしば意識されない社会的条件や影響よりも、より明示的かつ体系的な社会的世界の表象に基づいて行われると説明されている。

集団軌道:la trajectoire individuelle et surtout collective

ブルデューの用語で、他の学者の援用や引用ではないらしい。

要約

階級または階級の一部が衰退し、過去に向かっている場合、その条件と位置のすべての属性を再生産することができなくなり、全体的な資本を再生産し社会的空間での位置(家族の起源の位置や現在の位置)を維持するためには、最も若いメンバーが大きな割合で少なくとも資本の再転換を行い、これが社会的空間での水平的移動を伴う条件の変化となる。言い換えれば、階級の位置の再生産が不可能になる(階級の下降)、または階級の一部の変更によってのみ達成される(再転換)場合である。この場合、社会的代理人の社会的生成モードの変化が異なる世代の出現を決定し、これらの対立は一般に世代間の対立として記述されるものには還元されず、経済的資本または文化的資本の優勢な遺産に関連した価値観と生活様式の間の対立が原因となる。

おそらくこの写真は、薬局・薬剤師。薬剤師はその典型かもしれない。

要約

ある分野の構造的歴史(社会階級の分野であれ、他の任意の分野であれ)は、その分野に関わる行為者の伝記を時代別に分類する。それにより、各行為者の個別の歴史が彼が属するグループの歴史を内包する。したがって、特定の分野の具体的な歴史を知ることに基づいてのみ、単なる任意の年齢クラスとは対照的に、人口の中から世代を区切ることが可能である。実際、その分野に影響を与える構造的変化のみが、世代の異なる生産を決定する力を持ち、世代のモードを変容させ、個々の伝記の組織とこれらの伝記を同じリズムで調整された伝記クラスに集約する役割を果たす。大きな歴史的イベント(革命や政権変更など)は、しばしば文化生産の分野で時代区分の目印として利用されるが、異なる分野を一時的に同期させ、一瞬のうちに各分野の比較的独立した歴史を共通の歴史に混同する効果がある。しかし、これらの出来事はしばしば人工的な区切りを導入し、各分野特有の非連続性の追求を妨げる。

解説

ある分野の構造的歴史とは、その分野に関与する行為者たちの生涯を特定の時期ごとに区分けすることを意味する。このプロセスを通じて、個々の行為者の個人的な歴史は、彼または彼女が属するグループの歴史と結びつけられる。つまり、行為者一人一人の経歴が、そのグループ全体の歴史を反映していると考えられる。
具体的にその分野の歴史を理解していないと、単に年齢で区分けされる「年齢クラス」とは異なり、実際の「世代」として人口を分類することは難しい。世代とは、同じ時期に生まれた人々が共有する経験や価値観に基づいて形成されるもので、これにはその時代の社会的、文化的な変動が大きく影響している。
構造的変化、つまりその分野の基本的な変わり目が、新しい世代を形成する力を持っている。これらの変化は、行為者たちの生き方や世界観を変え、彼らの人生の物語が同じリズムやテンポで進行するように調整される。このような変化を通じて、新しい世代が生まれるわけだ。
また、大きな歴史的イベント(例えば革命や政権の変更など)はしばしば、文化や社会の分野を一時的に同期させるが、これらの出来事は時として人工的な区切りを設け、それぞれの分野に固有の連続性を見逃させることがある。つまり、大きな出来事が一つの大きなストーリーとして語られがちだが、それぞれの分野でどのような影響を与えたかを見極めることが重要である。この視点から、歴史や世代の研究を深めることが、より正確な理解につながる。

要約

支配階級の一部で自己の再生産が保証されているような階層の自由保守主義は、集団の将来が脅威にさらされている階級の反動的な態度と対立する。これらの階級は、過去を基準にしてのみ自らの価値を保持でき、時代遅れの階級構造に基づく価値体系、すなわち価値の決定の論理に依存している。

解説

支配階級の中でも、自分たちの地位が安定しており、簡単に次世代に引き継がれると考えられているグループは、自由保守主義の立場を取ることが多い。これに対して、将来が不安定で脅威にさらされている階級のグループは、反動的な態度を示すことがある。つまり、彼らは自分たちの価値を守るために、過去の価値観や時代遅れの階級構造を基準にして行動し、その昔の論理に依存している。

要約

同様の位置にいる個人でも、社会的出自や社会的軌道によって意見が異なることが確かであるが、社会的位置が明確でなく、その結果としてあらゆる点で大きな分散を余儀なくされている集団の場合には、個々の軌道の効果が特に顕著であるが、これは階級特有の効果の範囲内で発生する。そのため、同じ階級のメンバーの倫理的・政治的態度は、階級全体を特徴づける基本的な態度の変形形として現れる。

また、プチブルの社会的美徳の原理でもある「obsequium」(確立された秩序への深い承認)は、文化財や家庭用品、家具、衣類、レジャー用品など、支配的な生活様式を形成する商品やサービスを販売する際に、支配的な倫理的または美的価値を認めることを意味する場合に特に適している。これは、自己の価値の確信を売り物にする倫理的なスノビズム、模範的な特異性の主張であり、他のすべての生き方や行動を非難する。この態度は、善意が企業の条件であり、良心がその報酬である組み合わせを必要とするため、特に人気がある。これは、庶民階級を最新のブルジョワ社交界の礼儀、流行、道徳に引き入れ、過去の他の時代に他の人々がその放縦と抑えられない過剰を抑制するために投資していたのと同じ憤りを持って彼らの「抑制的」な態度を抑える際に発揮される。

解説 「obsequium」(確立された秩序への深い承認)

プチブルが支配階級によって確立された社会的秩序や価値観を深く承認し、それを積極的に受け入れ、支持する態度を指す。この概念は、プチブルが社会的な地位を向上させようとする過程で、より上の階級の様式や価値観を模倣しようとする傾向を表している。
ブルデューの理論では、各階級は特有の「ハビトゥス」を持ち、それが個人の嗜好、価値観、行動様式を形成する。プチブルハビトゥスは、しばしば上昇志向が強く、社会的に「正しい」とされる行動や消費を通じて自己の地位を向上させようとする特性を持つ。そのため、既存の社会的秩序や価値観を内面化し、それに従うことで、自分たちの社会的位置を安定させようとする。
「obsequium」は、このようなプチブル心理的・文化的動機を端的に示すものであり、確立された秩序への忠誠や、それに基づく行動が社会的な成功や承認へとつながると信じる姿勢を反映している。この態度は、特に社会的地位の向上を望むプチブルに顕著で、彼らが支配階級の価値観や文化的標準を受け入れ、自らの行動や消費の選択を通じてそれを体現しようとする様子が見られる。

解説 倫理的なスノビズム、模範的な特異性

自己の社会的価値や道徳的優越性を他者に誇示し、その優越性を通じて自身の特別さや独自性を際立たせる態度を指す。この行動は、特定の社会階級やグループ内で顕著に見られ、彼らは自分たちの行動や選択が一般的な規範や期待を超えていると考え、それを社会的なステータスの象徴として他者に示そうとする。
例えば、ある人が高価なオーガニック食品を購入し、その消費を通じて環境への配慮や健康への意識の高さをアピールする場合、これは倫理的なスノビズムの一形態となる。その人は、単に健康的な選択をしているだけでなく、その行動によって「倫理的に優れている」という自己のイメージを構築し、他者と区別をつけようとする。このような態度は、自己の価値観を売り物にし、他のライフスタイルや選択を劣ったものとして否定することで、自身の社会的位置を確立しようとする行為である。

東京都多摩市で消耗した例

重回帰分析[ベイズ]

CPS1985データを使い、wageを従属変数、genderとageと独立変数とした重回帰分析を行う。 RStudioでの実行。R.4.3.3+Stools4.3を使用。

data {
  int<lower=0> N;                 // サンプルサイズ
  int<lower=0, upper=1> X_1[N];   // 独立変数(性別、0: 男性、1: 女性)
  vector[N] X_2;                  // 独立変数: 年齢
  vector[N] Y;                    // 従属変数(賃金)
}

parameters {
  real alpha;                     // 切片
  real beta_gender;               // 性別の影響
  real beta_age;                  // 年齢の影響
  real<lower=0> sigma;            // 誤差項の標準偏差
}

model {
  vector[N] gender_effect = to_vector(X_1); // 性別が1の場合は1、それ以外(つまり0)は0

  Y ~ normal(alpha + beta_gender * gender_effect + beta_age * X_2, sigma);
}
library(rstan)
library(AER)

# データの準備
N <- nrow(CPS1985)
Y <- CPS1985$wage
X_1 <- ifelse(CPS1985$gender == "male", 0, 1)
X_2 <- CPS1985$age

# データをリストにまとめる
stan_data <- list(N = N, Y = Y, X_1 = X_1, X_2 = X_2)

# Stanモデルのフィット
fit <- sampling(stan_model, data = stan_data, iter = 2000, chains = 4, seed=1234)

# 結果の出力
print(fit)
Inference for Stan model: anon_model.
4 chains, each with iter=2000; warmup=1000; thin=1; 
post-warmup draws per chain=1000, total post-warmup draws=4000.

                mean se_mean   sd     2.5%      25%      50%      75%    97.5% n_eff Rhat
alpha           6.92    0.02 0.71     5.50     6.44     6.92     7.38     8.33  2068    1
beta_gender    -2.29    0.01 0.44    -3.16    -2.59    -2.30    -1.99    -1.41  2818    1
beta_age        0.09    0.00 0.02     0.05     0.07     0.09     0.10     0.12  2050    1
sigma           4.95    0.00 0.16     4.66     4.84     4.95     5.06     5.27  3265    1
lp__        -1118.87    0.04 1.48 -1122.47 -1119.61 -1118.52 -1117.76 -1117.06  1524    1

Samples were drawn using NUTS(diag_e) at Thu Apr 18 02:40:46 2024.
For each parameter, n_eff is a crude measure of effective sample size,
and Rhat is the potential scale reduction factor on split chains (at 
convergence, Rhat=1)
bayesplot::mcmc_trace(as.array(fit), pars = c("alpha", "beta_gender", "beta_age", "sigma"))

bayesplot::mcmc_pairs(
  as.array(fit),
  pars = c("alpha", "beta_gender", "beta_age", "sigma"),
  off_diag_args = list(size = 0.5)  # オフダイアゴナルのプロットの点の大きさ
  )

事後予測チェック

library(bayesplot)
posterior_samples <- extract(fit)

# 予測値の生成
num_draws <- length(posterior_samples$alpha)  # 事後サンプルの数
predicted_Y <- matrix(NA, nrow = num_draws, ncol = N)  # 初期化

for (i in 1:num_draws) {
  predicted_Y[i, ] <- rnorm(N,
      mean = posterior_samples$alpha[i] + 
      posterior_samples$beta_gender[i] * X_1 + 
      posterior_samples$beta_age[i] * X_2, 
      sd = posterior_samples$sigma[i])
}

# 事後予測チェック
ppc_check <- bayesplot::pp_check(object = Y, yrep = predicted_Y, fun="dens_overlay")
print(ppc_check)

実効サンプルサイズ

fit_summary <- monitor(fit)
print(fit_summary)
                     mean      se_mean         sd          2.5%           25%           50%           75%         97.5% n_eff     Rhat valid
alpha        6.921184e+00 0.0155193212 0.70682223  5.502206e+00  6.440878e+00  6.924570e+00  7.381204e+00     8.3312505  2070 1.000772     1
beta_gender -2.291384e+00 0.0083537210 0.44279597 -3.161696e+00 -2.592320e+00 -2.298043e+00 -1.992746e+00    -1.4104326  2798 1.001946     1
beta_age     8.559054e-02 0.0003989017 0.01808944  4.954774e-02  7.318514e-02  8.540466e-02  9.828155e-02     0.1209101  2051 1.000292     1
sigma        4.951900e+00 0.0027256369 0.15593607  4.658480e+00  4.843548e+00  4.946649e+00  5.058095e+00     5.2701769  3265 1.000555     1
lp__        -1.118869e+03 0.0376995835 1.47783101 -1.122466e+03 -1.119609e+03 -1.118521e+03 -1.117764e+03 -1117.0557380  1526 1.000905     1
                       Q5           Q50          Q95    MCSE_Q2.5     MCSE_Q25     MCSE_Q50     MCSE_Q75  MCSE_Q97.5      MCSE_SD Bulk_ESS Tail_ESS
alpha        5.755831e+00  6.924570e+00     8.051954 0.0341940210 0.0179667943 0.0179815608 0.0174125228 0.041111513 0.0109835488     2076     1973
beta_gender -3.012165e+00 -2.298043e+00    -1.551494 0.0235019727 0.0141219316 0.0087052647 0.0147062847 0.027382883 0.0060181400     2834     2237
beta_age     5.623037e-02  8.540466e-02     0.114979 0.0009738498 0.0005416239 0.0005417372 0.0005132177 0.001034017 0.0002830609     2062     2106
sigma        4.704350e+00  4.946649e+00     5.220389 0.0075309437 0.0034408536 0.0036507362 0.0048615927 0.008442741 0.0019301027     3288     2363
lp__        -1.121690e+03 -1.118521e+03 -1117.174445 0.1265368331 0.0521949723 0.0342846729 0.0308008386 0.013573997 0.0266666435     1620     2162

感度分析

data {
  int<lower=0> N;
  int<lower=0, upper=1> X_1[N];
  vector[N] X_2;
  vector[N] Y;
}

parameters {
  real alpha;
  real beta_gender;
  real beta_age;
  real<lower=0> sigma;
}

model {
  // 変更した事前分布
  alpha ~ normal(7, 1);  // 事後分布の95%確信区間から取りうる値を指定
  beta_gender ~ normal(-2.3, 0.45);
  beta_age ~ normal(0.085, 0.018);
  sigma ~ inv_gamma(2, 1/(4.97^2));   // 逆ガンマ分布

  // データに基づくモデル
  vector[N] gender_effect = to_vector(X_1); 

  // 観測データの尤度
  Y ~ normal(alpha + beta_gender * gender_effect + beta_age * X_2, sigma);
}
fit_sensitivity  <- sampling(sensitivity_analysis, data = stan_data, iter = 2000, chains = 4, seed=1234)
print(fit_sensitivity )
                mean se_mean   sd     2.5%      25%      50%      75%    97.5% n_eff Rhat
alpha           6.95    0.01 0.46     6.06     6.64     6.94     7.26     7.87  2365    1
beta_gender    -2.28    0.01 0.31    -2.88    -2.50    -2.29    -2.07    -1.68  3136    1
beta_age        0.08    0.00 0.01     0.06     0.08     0.08     0.09     0.11  2249    1
sigma           4.93    0.00 0.15     4.64     4.83     4.93     5.04     5.24  2997    1
lp__        -1123.62    0.03 1.35 -1126.96 -1124.32 -1123.35 -1122.60 -1121.85  1770    1

カテゴリカル変数が独立変数に入った単回帰分析[ベイズ]

RStudioでの実行。R.4.3.3+Stools4.3を使用。

Stanコード

``{stan output.var="stan_model"}  
// stanファイルを読み込まない方にするには"```{stan output.var="stan_model"}  "と書く
data {
  int<lower=0> N;                 // サンプルサイズ
  int<lower=0, upper=1> X[N];     // 独立変数(性別、0: 男性、1: 女性)
  real Y[N];                      // 従属変数(賃金)
}


parameters {
  real alpha;                     // 切片
  real beta;                      // 性別の効果
  real<lower=0> sigma;            // 誤差の標準偏差
}

model {
  vector[N] gender_effect = rep_vector(0, N);  // 性別効果のベクトルを初期化
  for (i in 1:N) {
    gender_effect[i] = (X[i] == 1) ? 1 : 0;  // 性別が1の場合は1、それ以外(つまり0)は0
  }
  Y ~ normal(alpha + beta * gender_effect, sigma);  // 単回帰モデル
}
``

独立変数が連続変数の場合は"vector[N] X;"になるが、カテゴリカル変数の場合は"int<lower=0, upper=1> X[N];"となる。ここで、"lower=0"はXの値が0以上であることを示し、"upper=1"はXの値が1以下であることを示す。このようにすることで、Xの値が0か1のどちらかであることを明示的に示している。

AERデータgernderはfactor型で"male""female"が入っているので、integer型に変換するとよいようにも思えるが、Stanコードの中で新しい変数を作った方がStanの設計思想的にはよいようだ。modelの中身は下記のようになっている。

  1. 性別効果のベクトルの初期化 vector[N] gender_effect は、性別に基づく効果を格納するためのベクトルである。すべての要素を 0 で初期化する。
  2. 性別に基づいた効果の設定 ループ内で、X[i] の値に基づき gender_effect[i] を 1(女性)または 0(男性)に設定する。これにより、betaの効果を性別に応じて適用することができる。
  3. 正規分布による回帰モデル gender_effect を使用して Y の分布を定義する。Y の各値が、alpha + beta * gender_effect の線形予測子と sigma 標準偏差を持つ正規分布に従うと仮定する。

Rコード

library(rstan)
library(AER)

data("CPS1985", package = "AER")

N <- nrow(CPS1985)
X <- ifelse(CPS1985$gender == "male", 0, 1)  # 男性を0、女性を1に変換
Y <- CPS1985$wage

stan_data <- list(N = N, X = X, Y = Y)

fit <- sampling(stan_model, data = stan_data, iter = 2000, chains = 4)

print(fit)
Inference for Stan model: anon_model.
4 chains, each with iter=2000; warmup=1000; thin=1; 
post-warmup draws per chain=1000, total post-warmup draws=4000.

          mean se_mean   sd     2.5%      25%      50%      75%    97.5% n_eff Rhat
alpha    10.00    0.01 0.30     9.41     9.79     9.99    10.20    10.59  2142    1
beta     -2.12    0.01 0.44    -2.99    -2.41    -2.12    -1.82    -1.25  2199    1
sigma     5.05    0.00 0.15     4.76     4.94     5.04     5.15     5.36  2432    1
lp__  -1128.97    0.03 1.22 -1132.20 -1129.47 -1128.66 -1128.10 -1127.58  1810    1

Samples were drawn using NUTS(diag_e) at Mon Apr 15 01:44:33 2024.
For each parameter, n_eff is a crude measure of effective sample size,
and Rhat is the potential scale reduction factor on split chains (at 
convergence, Rhat=1).

収束診断

bayesplot::mcmc_trace(as.array(fit), pars = c("alpha", "beta", "sigma"))

ペアプロット

bayesplot::mcmc_pairs(
  as.array(fit),
  pars = c("alpha", "beta", "sigma"),
  off_diag_args = list(size = 0.5)  # オフダイアゴナルのプロットの点の大きさ
  )

1.事後分布の形状:

  • 各パラメータのヒストグラムが単峰性であり、重い裾野を示さないことは良好なサンプリングを示唆している。
  • alpha と sigma の分布が正規分布に近い形をしている一方で、beta は左に歪んでいる。

2.パラメータ間の相関:

  • alpha と beta の間には負の相関が明らかであり、alpha の値が増加すると beta の値が減少する傾向にある。これは、これらのパラメータがモデルの中で相互に影響を及ぼしている可能性があることを意味する。
  • sigma と他のパラメータ間の顕著な相関は見られないため、sigma が他のパラメータから独立して推定されていることが示唆される。

3.MCMCの収束:

  • サンプルがパラメータの事後分布全体を探索していることを示すため、ペアプロットの散布図が重要である。点が全体的に均一に分布している場合は、チェーンが良好に混合しており、収束している可能性が高い。

4.異常値の検出:

  • 散布図に極端な値や点の集団が見当たらないことから、異常値や非定常性が少ないと考えられる。

5.サンプリングの効率:

  • パラメータ間に強い相関が見られる場合、MCMCサンプルの効率が悪くなることがある。特に alpha と beta 間の相関に注意し、モデルの再構築や再パラメータ化の必要性を検討する必要がある。

事後予測チェック

library(bayesplot)
# 事後サンプルからパラメータを抽出
posterior_samples <- extract(fit)

# 事後予測サンプルのマトリクスを生成
num_draws <- length(posterior_samples$alpha)  # 事後サンプルの数
predicted_Y <- matrix(NA, nrow = num_draws, ncol = N)  # 初期化

for (i in 1:num_draws) {
  predicted_Y[i, ] <- rnorm(
    N,
    mean = posterior_samples$alpha[i] + posterior_samples$beta[i] * X,
    sd = posterior_samples$sigma[i]
  )
}

# 事後予測チェック
ppc_check <- bayesplot::pp_check(object = Y, yrep = predicted_Y, fun="dens_overlay")
print(ppc_check)

実効サンプルサイズ

fit_summary <- monitor(fit)
print(fit_summary)

パラメータ推定値

Inference for the input samples (4 chains: each with iter = 2000; warmup = 0):

           Q5     Q50     Q95    Mean  SD  Rhat Bulk_ESS Tail_ESS
alpha     9.5    10.0    10.5    10.0 0.3     1     2664     2375
beta     -2.8    -2.1    -1.4    -2.1 0.4     1     2667     2810
sigma     4.8     5.0     5.3     5.0 0.2     1     2710     2770
lp__  -1131.3 -1128.6 -1127.6 -1128.9 1.2     1     1984     2547

alpha (切片): 平均約10.0で、95%の事後予測区間はおおよそ9.5から10.5。 beta (性別の効果): 平均約-2.1で、性別が女性の場合に賃金が平均で2.1単位低くなることを示す。95%の事後予測区間は約-2.8から-1.4。 sigma (誤差の標準偏差): 平均約5.0で、95%の事後予測区間はおおよそ4.8から5.3。

収束診断

              mean     se_mean        sd         2.5%          25%          50%          75%        97.5% n_eff      Rhat valid           Q5
alpha     9.996004 0.005561523 0.2871481     9.419926     9.800500     9.998778    10.189074    10.563379  2655 1.0003546     1     9.524529
beta     -2.121264 0.008184560 0.4224828    -2.955459    -2.398296    -2.125875    -1.838553    -1.280030  2653 1.0005527     1    -2.815971
sigma     5.048379 0.002941759 0.1527884     4.756829     4.940429     5.044671     5.150279     5.355369  2666 1.0027481     1     4.806732
lp__  -1128.933244 0.026932330 1.1854162 -1131.987319 -1129.477722 -1128.627958 -1128.058523 -1127.571767  1931 0.9996243     1 -1131.253235
               Q50         Q95   MCSE_Q2.5    MCSE_Q25    MCSE_Q50    MCSE_Q75  MCSE_Q97.5     MCSE_SD Bulk_ESS Tail_ESS
alpha     9.998778    10.46963 0.020787938 0.006931741 0.006684017 0.006216060 0.011640883 0.003933021     2664     2375
beta     -2.125875    -1.42042 0.023410292 0.011065249 0.009017414 0.011599195 0.013583417 0.005787992     2667     2810
sigma     5.044671     5.30261 0.007056154 0.003346517 0.004070424 0.005350249 0.007428899 0.002083929     2710     2770
lp__  -1128.627958 -1127.62371 0.124659741 0.042550946 0.023439357 0.020565164 0.005784556 0.019046901     1984     2547

Rhat: 各パラメータの Rhat 値は1.00に非常に近く、これはMCMCチェーンがうまく収束していることを示す。Rhat値が1.05以下であれば、通常、収束しているとみなされる。

Bulk_ESS と Tail_ESS: Bulk_ESS は、事後分布の「大部分」に対する有効サンプルサイズで、Tail_ESSは事後分布の「裾」に対する有効サンプルサイズである。どちらもパラメータによっては2000以上(サンプル数2000の4チェーンであれば8000サンプルのうち約2000以上が有効)と高く、これはサンプルが十分に独立しており、推定が信頼できることを示唆している。

RとStanでの感度分析

``{stan output.var="sensitivity_analysis"}
data {
  int<lower=0> N;                 // サンプルサイズ
  int<lower=0, upper=1> X[N];     // 独立変数(性別、0: 男性、1: 女性)
  real Y[N];                      // 従属変数(賃金)
}

parameters {
  real alpha;                     // 切片
  real beta;                      // 性別の効果
  real<lower=0> sigma;            // 誤差の標準偏差
}

model {
  // 変更した事前分布
  alpha ~ normal(0, 10);  // 広範囲の事前分布
  beta ~ normal(0, 5);    // 広範囲の事前分布
  sigma ~ cauchy(0, 2);   // 厳しい事前分布

  vector[N] gender_effect = rep_vector(0, N);
  for (i in 1:N) {
    gender_effect[i] = (X[i] == 1) ? 1 : 0;
  }
  Y ~ normal(alpha + beta * gender_effect, sigma);
}
library(rstan)
library(AER)

# CPS1985データセットの読み込み
data("CPS1985", package = "AER")

# データの準備
N <- nrow(CPS1985)
X <- ifelse(CPS1985$gender == "male", 0, 1)
Y <- CPS1985$wage

# Stanデータリストの作成
stan_data <- list(N = N, X = X, Y = Y)

# 新しいStanモデルのフィッティング
fit_sensitivity <- sampling(sensitivity_analysis, data = stan_data, iter = 2000, chains = 4)

# モデルの結果をプリント
print(fit_sensitivity)
          mean se_mean   sd     2.5%      25%      50%      75%    97.5% n_eff Rhat
alpha     9.98    0.01 0.29     9.41     9.78     9.98    10.17    10.53  2301    1
beta     -2.09    0.01 0.44    -2.93    -2.39    -2.09    -1.80    -1.24  2230    1
sigma     5.04    0.00 0.16     4.74     4.94     5.04     5.14     5.36  2596    1
lp__  -1131.54    0.03 1.21 -1134.72 -1132.11 -1131.25 -1130.67 -1130.16  1754    1

1. パラメータの事後分布の変化

alpha(切片):

平均値は元のモデルが10.00、感度分析モデルが9.98とほぼ変わらない。
標準偏差は0.30から0.29へわずかに減少している。
事後分布の幅(2.5%から97.5%)も若干縮小している。

beta(性別の効果):

平均値は-2.12から-2.09へわずかに増加している。
標準偏差と事後分布の幅に大きな変化は見られない。

sigma(誤差の標準偏差):

平均値と標準偏差に顕著な変化はない。
事後分布の幅にも大きな変化は見られない。

2. 収束診断(Rhat)

Rhatはどちらのモデルも1に非常に近く、チェーンが適切に収束していることを示している。Rhatが1.05以下である場合、MCMCサンプルが十分に収束していると見なされる。

3. 実効サンプルサイズ(n_eff)

実効サンプルサイズは、感度分析モデルでわずかに増加している場合があり、サンプルが異なる事前分布の影響を受け、異なる挙動を示していることを意味するが、全体的な影響は限定的である。

判断基準

パラメータの推定値が大幅に変わらない場合、モデルは事前分布の選択に対してロバストであると言える。この場合、alpha、beta、sigmaの事後推定値が元のモデルと感度分析モデルで類似しているため、モデルの推定値は事前分布の変更に対してあまり敏感ではないと解釈できる。
収束診断と実効サンプルサイズが適切であることも、MCMCサンプルが信頼できることを示している。

電子レンジにメールが来る妄想

yomidr.yomiuri.co.jp

新入社員研修中のEさんの様子がおかしい、今朝、出社しないので連絡したところ、「電子レンジにメールが次々と来るので部屋から出られない」と言って泣いているとのことだった。

地方から上京し、会社の寮に滞在して研修を受けているとのことなので、実家の親御さんに連絡し、人事部の担当者に付き添ってもらって精神科を受診してもらった。統合失調症を発症していた。Eさんにとって実際に見えてしまうもの、聞こえてしまうものにおびえ、さぞ怖く苦しかっただろう。

デシプラミンによるレム睡眠抑制:α1アドレナリン作動性機序の証拠

pubmed.ncbi.nlm.nih.gov

  • Ross, R. J., Gresch, P. J., Ball, W. A., Sanford, L. D., & Morrison, A. R. (1995). REM sleep inhibition by desipramine: Evidence for an α-1 adrenergic mechanism. Brain Research, 701(1–2), 129–134. https://doi.org/10.1016/0006-8993(95)00984-X

ノルエピネフリン(NE)の再取り込みを阻害する薬剤を急性投与すると、ネコや他の哺乳類において急速眼球運動(REM)睡眠が抑制される。その機序は、NEが脳橋のレム睡眠生成領域の細胞に作用することによると推定されている。シナプスノルアドレナリン受容体機構は同定されていない。今回の実験では、α-1拮抗薬プラゾシンとβ拮抗薬プロプラノロールが、NE再取り込み阻害薬デシプラミン(DMI)によって生じるレム睡眠抑制を逆転させる能力をネコで検証した。DMIは、レム睡眠エピソード数、レム睡眠割合(レム睡眠時間/総睡眠時間)、平均レム睡眠エピソード時間を減少させた。プロプラノロールではなくプラゾシンを併用すると、レム睡眠の割合と平均レム睡眠エピソード時間がプラセボレベルまで増加した。末梢作動性降圧薬ヒドララジンの併用は、DMI誘発のレム睡眠抑制を逆転させなかった。DMIによるα-1ノルアドレナリン作動性のレム睡眠抑制の媒介に関与する脳部位の同定は依然として不明であるが、一般にレム睡眠制御に関与しているとされる扁桃体や海綿体領域を含む前脳構造を考慮する理由がある。

en.wikipedia.org

ja.wikipedia.org

ja.wikipedia.org

単回帰分析[ベイズ]

通常の頻度統計で行う。

library(AER)  # CPS1985 データを含むパッケージ
data("CPS1985", package = "AER")
fit.freq <- lm(wage ~ age, data = CPS1985)
print(fit.freq)

結果。

Call:
lm(formula = wage ~ age, data = CPS1985)

Coefficients:
(Intercept)          age  
    6.16747      0.07755  

ベイズ統計での計算

単回帰のstanファイルを作る

data {
  int<lower=0> N;     // データポイントの数
  vector[N] X;        // 独立変数(年齢)
  vector[N] Y;        // 従属変数(賃金)
}

parameters {
  real alpha;         // 切片
  real beta;          // 傾き
  real<lower=0> sigma; // 誤差の標準偏差
}

model {
  Y ~ normal(alpha + beta * X, sigma);  // 線形回帰モデル
}

このコードを"simple_linear_regression.stan"という名前で保存する。

以下はRコード。

library(rstan)
library(AER)  # CPS1985 データを含むパッケージ

# CPS1985データを読み込み
data("CPS1985", package = "AER")
cps_data <- CPS1985

# 単回帰分析用のデータを準備
Number <- nrow(cps_data)
age <- cps_data$age  # 年齢
wage <- cps_data$wage  # 賃金

# Stanモデルのデータリスト
stan_data <- list(N = Number, X = age, Y = wage)

# Stanモデルを読み込み
stan_model <- stan_model("simple_linear_regression.stan")

# モデルのフィッティング
fit <- sampling(stan_model, data = stan_data, iter = 2000, chains = 4, seed=1234)

# 結果の表示
print(fit)

2000回のイテレーションと4つのチェーンを指定している。

収束診断

print(fit)
check_hmc_diagnostics(fit)  # HMC診断
Inference for Stan model: simple_linear_regression.
4 chains, each with iter=2000; warmup=1000; thin=1; 
post-warmup draws per chain=1000, total post-warmup draws=4000.

          mean se_mean   sd     2.5%      25%      50%      75%    97.5% n_eff Rhat
alpha     6.18    0.02 0.72     4.77     5.69     6.16     6.66     7.60  1385    1
beta      0.08    0.00 0.02     0.04     0.06     0.08     0.09     0.11  1388    1
sigma     5.08    0.00 0.15     4.79     4.97     5.08     5.18     5.38  1956    1
lp__  -1131.94    0.03 1.23 -1135.00 -1132.44 -1131.63 -1131.06 -1130.59  1392    1

Samples were drawn using NUTS(diag_e) at Tue Apr 09 21:12:56 2024.
For each parameter, n_eff is a crude measure of effective sample size,
and Rhat is the potential scale reduction factor on split chains (at 
convergence, Rhat=1).

サマリー統計の解釈

  • 平均(mean): 各パラメータ(alpha, beta, sigma)の事後分布の平均値。
  • 標準誤差(se_mean): 平均の推定の不確実性を示す。
  • 標準偏差(sd): パラメータの事後分布の変動を示す。
  • パーセンタイル(10%, 50%, 90%): 事後分布の下位10%、中央値(メディアン)、上位90%の値。
  • 有効サンプルサイズ(n_eff): パラメータ推定の精度と信頼性を示す。大きいほど良い。
  • Rhat(ゲルマン-ルビン診断): 収束診断の指標。1に近いほど良い。1.01以上は収束していない可能性がある。

HMC診断の解釈

Divergences:
0 of 4000 iterations ended with a divergence.

Tree depth:
0 of 4000 iterations saturated the maximum tree depth of 10.

Energy:
E-BFMI indicated no pathological behavior.
  • Divergences: サンプリング中の発散(分岐)の数。0は良好。
  • Tree depth: サンプリング時の木の深さ。最大深さまで達していないのは良好。
  • Energy: E-BFMI(Bayesian Fraction of Missing Information)の診断。問題がないことを示している。

収束診断プロット

library(bayesplot)  # 収束診断のためのプロット
color_scheme_set("brightblue")
mcmc_trace(fit, pars = c("alpha", "beta", "sigma"))  # トレースプロット
mcmc_pairs(fit, pars = c("alpha", "beta", "sigma"))  # ペアプロット

トレースプロット

  • 混合 (Mixing): 良好な混合は、全てのチェーンがお互いに絡み合い、同じ値の範囲を探索している様子を示すプロットでは、alpha、beta、sigma の全てのチェーンが重なり合い、広い範囲を探索しているのが見て取れ一般的に良好なサインである。
  • 定常性 (Stationarity): チェーンが特定の値に偏ることなく、全体として均等に分布している場合、サンプリングが定常状態にあると言える。ここでは、どのパラメーターも定常的に見えるが、alpha と sigma にいくつかの長いトレンドが見えるかもしれない。これは、サンプリングが特定の領域にとどまる傾向を示している可能性がある。ただし、これが問題であるかどうかは、他の診断と組み合わせて評価する必要がある。
  • オートコリレーション (Autocorrelation): 各サンプルが互いに独立していれば、プロットはランダムな上下の変動を示す。ここでは、特にbetaに関しては、独立していると考えられるが、alphaとsigmaについては若干の系列相関がある可能性が示唆されている。
  • 収束 (Convergence): もし全てのチェーンが同じ分布に収束していれば、異なる色のラインは重なり合って同じパターンを形成する。このプロットでは、チェーンが相互に重なっており、収束している良い兆候を示している。

ペアプロット

alphaのヒストグラムはほぼ正規分布に近い形をしており、推定値に関する不確実性が対称的であることを示している。betaのヒストグラムもまた、正規分布に似た形状であり、推定値の不確実性が比較的小さいことを示している。sigmaヒストグラムはやや右に裾野を広げた形をしており、変動の程度が大きいことを表している。

alphaとbetaの散布図は明瞭な負の相関を示しており、alphaの値が大きい場合、betaの値が小さい傾向にあることを示している。これは、切片と傾きが相補的な関係にあることを反映している可能性がある。一方、alphaとsigma、betaとsigmaの散布図は、明瞭な相関関係を示していない。これは、これらのパラメータ間には直接的な依存関係が少ないことを意味している。

ブルデュー『ディスタンクシオン』輪読会第79夜 覚書

旧版305ページから

要約

国立日刊紙の読者は学歴が高いほど多く、特に「Le Monde」と「Le Figaro」の読者は高等教育を受けた人々の中で大きな割合を占めている。この傾向は社会階級とも関連しており、社会階層が上がるにつれて国立日刊紙の読者数も増加する。しかし、労働者階級ではほとんどの読者がスポーツ新聞や大衆向け新聞(「France Soir」や「Le Parisien」)に限られる。女性は男性よりも新聞の「非政治的」な内容(地方ニュース、事件、社交欄など)に関心を持ちやすいが、これは社会的ステータスによる割り当ての影響が文化的慣習に比べて弱いためである。また、支配階級内の低い地位の女性では、性別の伝統的な役割分担の影響が減少するか消失すると、この傾向が強まる。一方、国立日刊紙の読者率は男性の方が女性よりも高く、地方日刊紙の場合は逆の関係が見られる。年齢とともに少なくとも1つの日刊紙を読む確率は増加するが、国立日刊紙を読む確率は年齢とほぼ無関係である。ただし、25歳から49歳の年齢層でやや高くなり、高齢者層ではこの傾向が弱まる。これは、高齢になると政治に関して最新の情報を得る必要性を感じにくくなるためである。ただし、「L'Aurore」と「Le Figaro」は、非常に高齢になるまで活動を続ける産業や商業の企業家に読者が多いため、この傾向が見られない。

  1. 性別:
    • 女性は男性に比べて新聞の「非政治的」な内容(地方ニュース、事件、社交欄など)により関心を持ちやすい。
    • 支配階級の下位にある女性の場合、性別による役割分担が弱まると、男性よりも国立日刊紙を読む傾向が強まる。
    • 男性は一般的に女性よりも国立日刊紙を読む傾向があり、地方日刊紙の場合は逆の関係が見られる。
  2. 年齢:
    • 年齢とともに少なくとも1つの日刊紙を読む確率は増加するが、国立日刊紙を読む確率は年齢とほぼ無関係。
    • 25歳から49歳の年齢層では国立日刊紙を読む確率がやや高く、高齢者層ではこの傾向が弱まる。
    • 高齢になると政治に関して最新の情報を得る必要性を感じにくくなるが、「L'Aurore」と「Le Figaro」は高齢の企業家に読者が多く、この傾向が見られない。
  3. 職業:
    • 学歴が高い人々(高等教育を受けた人々)は、国立日刊紙「Le Monde」と「Le Figaro」の主要な読者層を形成している。
    • 労働者階級では、読者の多くがスポーツ新聞や大衆向け新聞に限られる。
    • 「L'Aurore」と「Le Figaro」は産業や商業の企業家に読者が多い。

要約

「センセーショナルな報道」と「情報報道」の違いは、政治を行動、言葉、思考で作り上げる人々とそれを受ける人々、積極的な意見と受動的な意見の間の対立を反映している。この二つの報道形態の対立は、理解と感受性、反省と感覚の対立を示し、支配者と被支配者の関係の中心にある。社会への二つの関わり方、社会を実践的または思考的に支配する者の視点と、単なる兵士のようにその世界に支配される者の視点の対立である。政治分析は観察者が高い位置からの視点や歴史家のような距離を必要とし、即時性や機能からオブジェクトを中立化する。直接的な言葉やスローガンの代わりに間接的なスタイルで表現し、政治分析の統一的な概念で具体的な事実を置き換える。日常の新聞の読者は、事件に没頭し、短い感覚に引き付けられる。質の高い新聞は、オブジェクトに対する距離を保ち、読者に政治的主体としての尊厳を認める。これにより、異なる社会階層が新聞との関係を通じて政治に対して持つ客観的および主観的な関係が明らかになる。特に、技術者と対照的な事務職や中間管理職はより多くの新聞を読み、より右寄りの新聞を好む傾向がある。これは職業環境や教育によって既存の違いが強化されていることを示している。

  • 教育水準と新聞選択:
    • 高等教育を受けた人々は、国立日刊紙「Le Monde」や「Le Figaro」の読者層を形成している。
    • 労働者階級では、読者の多くがスポーツ新聞や大衆向け新聞(「France Soir」や「Le Parisien」)に限られる。
  • 階級ごとの新聞の読み方:
    • 支配階級では、新聞を政治的な思考や行動のための情報源として使用する傾向がある。
    • 下層階級では、新聞は主に娯楽や現地の出来事に関する情報源として利用されることが多い。
  • 職業と新聞の関係:
    • 技術者や職人は、事務職や中間管理職と比べて新聞の読み方が異なる。
    • 事務職や中間管理職は、より多くの新聞を読み、特に政治的に右寄りの新聞を好む傾向がある。
  • 新聞と政治への関心:
    • 支配階級の人々は、新聞を政治的議論や意見形成のツールとして積極的に使用する。
    • 労働者階級では、政治的な内容よりも日常生活に関連する情報に関心が向けられることが多い。

読者に政治的主体としての尊厳を認める

質の高い新聞が読者に深い政治的思考や独自の意見を持つことを可能にし、それによって彼らの政治的自立と尊厳を認識することを意味する。これらの新聞は、単なる「個人的意見」を提供するだけでなく、読者が政治的議論や分析に積極的に参加する能力があることを認めている。

間接効果

新聞が読者に与える影響が直接的な情報提供にとどまらず、読者の思考の仕方や世界観にも影響を及ぼすことを指す。例えば、質の高い新聞は、事実を深く分析し、異なる視点を提供することで、読者が世の中の出来事をより広い視野で理解し、深く反映することを促している。これは、読者が単に情報を受け取るだけでなく、その情報を処理し、より高度な理解を得ることを意味する。

政治的異化

政治的異化は主にセンセーショナルな報道を重視する新聞を読む人々に見られる現象である。これらの読者は、政治に関する深い分析や反省的な議論よりも、日常生活に即した事件や感覚的な内容に焦点を当てた報道に関心を持ちやすい。その結果、彼らは政治的な問題から距離を感じ、政治プロセスへの参加や影響力の欠如を経験する傾向がある。これは、質の高い新聞を読む人々と対照的で、後者はよりアクティブに政治的議論に参加し、自己の意見を形成することが認められる。したがって、政治的異化は、新聞の種類と読み方によって異なる影響を受けると言える。

政治的異化に相当するのはune sorte de distanciation politique(英 a kind of political distancing)。異化というとブレヒトを想起させるが、distanciationが共通しているだけである。異化という翻訳はしない方が良い気もするが、distancingをどう表現するかという問題もある。

ブレヒトの異化効果

独 Verfremdungseffekt 仏 effet de distanciation / effet d'éloignement

政治的主体

「政治的主体」とは、政治的なプロセスや議論に能動的に参加し、自身の意見や考えを持つ個人を指す。この概念は、単に情報を受け取るだけではなく、その情報を基に自分自身の考えを形成し、政治的な議論に参加する能力を持つ個人の存在を示している。質の高い新聞は、読者に単なる「個人的意見」を超えたものを提供し、読者の政治的な主体性を認め、尊重する。これは、読者がただの情報の受け手ではなく、政治的な議論の主体としての役割を果たすことを可能にする。したがって、「政治的主体」とは、政治において能動的かつ自律的な役割を持つ個人を意味し、そのような個人は情報を深く理解し、自己の立場を形成することができる。

要約

異なる社会階級が新聞とどのような関係を持っているか、そしてそれが彼らの政治への客観的および主観的な関係にどのように影響しているかについての意味を明らかにした上で、国立日刊紙の読者層の政治的立場に関する傾向を探ることができる。特に、労働者階級と中間階級との間には、文化的かつ政治的な明確な境界線が引かれている。労働者階級は地方新聞を除き、「オムニバス」タイプの新聞をほぼ独占的に読むのに対し、中間階級では、技術者は新聞読みのレベルが現場監督に近く、事務職はより多くの新聞を読み、中間管理職はさらに多くの新聞を読むが、より右派(La Croix, Le Figaro, Le Monde)の新聞を好む傾向がある。これは、職場環境や教育がこれらの階級間の既存の違いを強化していることを示しており、技術的なトレーニングは他の肉体労働者と似た実践や関心を持ち、一方で中等教育は正統な文化とその価値観に若干触れることで、一般大衆の世界観との断絶をもたらす。

力派 syndiqués à FO https://fr.wikipedia.org/wiki/Force_ouvri%C3%A8re https://en.wikipedia.org/wiki/Workers%27_Force

要約

新聞や週刊誌は、中間階級から上のレベルで、特に「L'Humanité」を除いて政治的な指標としての役割を果たす。読まれる新聞や雑誌の量や質は、中間階級や支配階級における一般的な対立を、資本のボリュームと構造に応じて正確に反映している。一方では、経済的資本が(相対的に)豊富な層、つまり職人や小規模商人、または工業家や大規模商人は、少なくとも「オムニバス」タイプの新聞を主に読む。他方、文化的資本が(相対的に)豊富な層、例えば事務職や中間管理職、初級教員、または専門職、エンジニア、上級管理職、大学教授などは、多くの新聞、特に「正統」な国立日刊紙や週刊誌を広く読む。中間階級や支配階級においては、教員や教授から小規模あるいは大規模商人に移るにつれて、国立日刊紙や左派の新聞の読者割合が減少し、地方日刊紙や右派の新聞の読者割合が増加する傾向がある。

要約

支配階級のメンバーにとって、新聞は政治的立場を形成する原理の役割を真に果たしている。この原理は、機関化された立場の原理のフィールドにおける特定の区別的位置によって定義され、プレス機関のフィールドにおけるその位置と、階級(または階級の断片)のフィールドにおける彼らの位置との間の類似性が完全であるほど、彼らの読者を完全かつ適切に表現している。大規模な商人や工業家はあまり読書をしないが、「オムニバス」タイプの新聞や「Le Figaro」を主に読む。一方、教授(そしてさらに知識人)は多くの読書をし、「Le Monde」、「L'Humanité」や「Le Nouvel Observateur」を主に読む。週刊誌の範囲は、日々の政治の流れからより大きな距離を保つ必要があるため、また文化生活により大きな場所を与えるため、そして広告主を引きつけるために必要な大規模な発行部数に達するためには、分割と排除の原則を避け、より多様なテーマとスタイルを追求するため、はっきりと区別されていないが、「Le Nouvel Observateur」は「L'Express」と「Le Point」に対して比較的明確に対立している。さまざまな階級内のグループ間の違いを解釈する際には注意が必要だが、特に多様性のあるグループ(例えば管理職やエンジニア)においては、読者の分布が特に多様である。しかし、支配階級内の読書調査から、民間部門の管理職は「L'Aurore」と「Le Figaro」(および「Les Échos」、「Entreprise」などの経済情報誌)を、公共部門の管理職や教授、知識人よりもはるかに多く読んでいることが分かる。また、文学的および科学的職業のメンバーは教授よりも「Le Nouvel Observateur」を多く、そして「Le Figaro」を少なく読む傾向がある。このように、新聞と週刊誌の分布は、大規模な商人や工業家、民間部門の管理職、自由職業者、公共部門の管理職、教授、知識人の順に、彼らの政治的内容に応じて連続的に変化している。特に自由職業者やエンジニアなどの中心的なカテゴリは、その読書の分散が特に大きい。

  1. 大規模商人と工業家:
    • あまり読書をしない。
    • 主に「オムニバス」タイプの新聞や「Le Figaro」を読む。
  2. 教授と知識人:
    • 多くの読書をする。
    • 主に「Le Monde」、「L'Humanité」、「Le Nouvel Observateur」を読む。
  3. 民間部門の管理職:
    • 「L'Aurore」と「Le Figaro」を多く読む傾向があり、また経済情報誌も好む。
  4. 公共部門の管理職:
    • 「Le Monde」と「Le Nouvel Observateur」をより多く読む。
  5. 文学的・科学的職業のメンバー:
    • 教授よりも「Le Nouvel Observateur」を多く読み、「Le Figaro」を少なく読む。
  6. 自由職業者とエンジニア:
    • 読書の分散が特に大きい。

補足資料V

「実業家と上級管理職」の世界についてのアンケート調査は1966年、CESP(広告媒体研究センター)の求めに応じてSOFRES(フランス世論調査会社)によっておこなわれたものであるが、調査対象者は、世帯主が工業実業家、大商人、自由業従事者、上級管理職、上級技術者、または教授であるような家庭で暮らしている、15歳以上の人2257名であった。調査票には読書の習慣、最近読んだ新聞・週刊誌・雑誌類、ラジオやテレビの聴取状況、生活水準、家庭用品、生活様式(ヴァカンス、スポーツ、消費行動)、仕事上の生活(会議、出張旅行、打ち合わせの昼食)、文化的慣習行動、それに主要な基本的情報(学歴、収入、住居の大きさなど)についての質問が含まれている。この調査に関しては、世帯主あるいは本人の社会職業カテゴリーによる分布を、そっくり用いることができた。

要約

資本の構造に基づく階級内の異なるグループ間の対立は、「若い世代」と「古い世代」、すなわち先行者と後続者、古い慣習と新しい慣習の間の対立によって曖昧になっている。支配されているグループは、支配階級内の位置に基づき、部分的かつ象徴的な変革の側に分類されるが、それらの中には、時代の流れとともに保守的な側に追いやられる支配者(時間的な意味で)も存在する。同様に、支配階級内のグループは、保守の全ての形態に関わりがあるが、権力から一時的に遠ざかっている後続者(ある程度女性も含む)は、一定期間、支配されたグループが持つ社会的世界観を共有することがある。このように「Le Figaro」や「L’Express」と「Le Nouvel Observateur」の対立は、支配階級と支配された階級、民間と公共、特に経済分野の民間部門に近い企業家や学歴が低く衰退の危機に瀕している可能性が高い最年長の民間部門の管理職と、公共部門の管理職や教授の間の対立を表している。また、先行者と後続者、若者と老人の間の対立も表している。知識人、若者、女性など、ある面で支配されているすべての人々にとって、「Le Nouvel Observateur」は、彼らの部分的な抵抗を最も急進的な社会秩序への疑問として捉え、古い闘争を時代遅れのものとして描くことで、倫理的、美的、政治的なスノビズムの楽しみと手段を提供している。この新聞は、知的な前衛主義と政治的前衛主義の間の反ブルジョワ悲観主義を調和させ、エリート主義と大衆主義に導いている。社会秩序への異議申し立てが形式への異議申し立てに限定されるのは、後継者たちの競争による象徴的な変革戦略が、ゲームの認識とその中で想定され、生成される目的の中での限界に達しているためであり、より正確に言えば、支配階級内の秩序は、社会的時間の構造、つまり世代交代の秩序、年齢ごとの情熱と権力、自由と義務、形式への尊重、社会的距離を保ち、時間的距離、相違、敬意、遅れ、後続者の焦りに対する礼儀の要求を維持することに大きく依存している。

  1. 「Le Figaro」および「L’Express」:
    • 支配階級や支配された階級、民間部門と公共部門の対立を表している。
    • 経済分野の民間部門に近い企業家や、学歴が低く衰退の危機に瀕している可能性が高い最年長の民間部門の管理職が好む傾向にある。
  2. 「Le Nouvel Observateur」:
    • 知識人、若者、女性など一定の面で支配されている人々に人気があり、部分的な抵抗を全体的な社会秩序への疑問として捉える。
    • ブルジョワ悲観主義、知的な前衛主義、政治的前衛主義の間の調和を提供し、エリート主義と大衆主義へ導く。
    • 社会秩序への異議申し立てが形式への異議申し立てに限定されていることが多い。

ペシミズムのメカニズム

「ペシミズム」(悲観主義)は、特に「Le Nouvel Observateur」の読者層に関連している。このペシミズムは、社会秩序に対する批判的な視点や異議申し立てを通じて表現されている。具体的なメカニズムは以下の通りである:

  1. ブルジョワの態度:
    • 「Le Nouvel Observateur」の読者層は、主流のブルジョワ文化や価値観に対して懐疑的であり、その立場から社会秩序への批判や異議申し立てを行っている。
  2. 知的・政治的前衛主義との調和:
    • 知的な前衛主義と政治的前衛主義の要素を組み合わせることで、既存の社会秩序や文化的慣習に対する批判的な見方を提供している。
    • これにより、エリート主義や大衆主義への導きとなるが、社会の根底にある構造や力関係に対する深い懐疑を抱かせる。
  3. 形式への異議申し立て:
    • 社会秩序への異議申し立ては、しばしば既存の形式や礼儀、政治的・芸術的慣習への批判に集約されている。
    • この異議申し立ては、根本的な社会的変革ではなく、表層的な形式やスタイルの変更に重点を置いていることが多い。

p.313誤字