%
Two-step** LCA*
100 63 37 0
Ystäväverkosto Äidinpuoleinen Ystäväverkosto Bilateraalinen
Puoliso 0,63 0,71 0,50 -
**Sarakkeen luvut ovat keskimääräisiä mainintoja.
Viimeisenä tutkittiin latentin luokka-analyysin antaman tuloksen luokitteluperusteita. Taulu-kossa 16 on esitetty ystäväpainotteisen Two-step-klusterin tukiverkostot, jotka jakautuvat äidinpuoleiseen ja ystäväpainotteiseen LCA-luokkaan. Jaottelu perustuu erityisesti siihen, löy-tyykö tukiverkostoista omaa äitiä tai lapsen kummia. Äidinpuoleiseen LCA-luokkaan
jakautuvat verkostot, joihin äiti kuuluu täydellä varmuudella (1,00) ja lapsen kummi vain har-voin (0,20). Ystäväpainotteiseen LCA-luokkaan kuuluvissa verkostoissa korostuu äidin kuulumattomuus (0,04) ja lapsen kummin verrattain korkea todennäköisyys (0,54).
Lisäksi latentin luokka-analyysin luokitteluperusteita etsittiin hierarkkisen bilateraalisen klus-terin (n = 50) jakautumisesta kaikkiin kolmen LCA-luokkaan. Kyseisissä tukiverkostoissa äidin kuuluminen korostuu sekä äidinpuoleisten että bilateraalisten verkostojen kohdalla. Puolison isä kuuluu täydellä varmuudella bilateraalisiin tukiverkostoihin, kun taas kahdessa muussa luokassa ei ole yhtään puolison isää. Oman isän kuuluminen korostuu bilateraalisissa verkos-toissa ja lapsen kummin kuuluminen ystäväpainotteisissa tukiverkosverkos-toissa. Yllä mainitut havainnot latentin luokka-analyysin luokitteluperusteista saavat vahvistusta tarkasteltaessa kokonaisten LCA-luokkien sisältöä (ks. taulukko 10). Suurimmat erot kyseisten tukiverkosto-tyyppien välille muodostuvat oman äidin ja puolison isän kuulumisesta tai kuulumattomuudesta. Myös oman isän ja puolison äidin eroavaisuudet ovat melko selkeät kokonaisten LCA-luokkien välillä.
5 LOPUKSI
5.1 Tutkimustulosten yhteenveto
Tutkielmassa tarkasteltiin kolmea klusterointiin soveltuvaa menetelmää, jotka ovat latentti luokka-analyysi (LCA), Two-step-klusterianalyysi ja kokoava hierarkkinen klusterianalyysi. Me-netelmillä luokiteltiin vastasynnyttäneiden äitien tukiverkostoista koostuvaa binääristä aineistoa (n = 195). Tavoitteena oli selvittää, miten menetelmien tekemät luokittelut mahdol-lisesti eroavat toisistaan ja millaisia luokitteluperusteita tulosten taustalla on.
Menetelmiin liittyen perehdyttiin niiden teoreettiseen taustaan ja muun muassa siihen, mil-laisin kriteerein kunkin menetelmän kohdalla voidaan tehdä päätös sopivasta aineiston luokittelusta eli klustereiden määrästä. Rakenneyhtälömallinnukseen perustuvalla latentilla luokka-analyysilla etsittiin aineistosta muuttujien arvojen kombinaatioita, jotka muodostuvat otoksesta mitattujen kategoristen muuttujien saamista arvoista (ks. Wang & Wang 2012, 290–291). Sopivan LCA-mallin valinnassa hyödynnettiin indeksejä ja tilastollisia testejä, joita menetelmä tarjoaa valinnan tueksi. Kokoavista hierarkkisista menetelmistä tarkastelun koh-teena oli erityisesti ryhmien sisäiseen linkitykseen perustuva menetelmä, mutta tukiverkostojen analysointia kokeiltiin myös usealla muulla hierarkkisella menetelmällä, jotka yhdistelevät aineistoa hiukan erilaisin periaattein. Hierarkkisten menetelmien käytössä koros-tuu sopivan mittaustavan valinta, joka vaikuttaa siihen, millä tavoin tapausten väliset etäisyydet lasketaan ennen varsinaista klusterointivaihetta. Sen sijaan Two-step-menetelmän kahteen luokitteluvaiheeseen ei voida vaikuttaa tutkijan omilla valinnoilla (etäisyyksien laske-miseen ja tapausten yhdistelyyn liittyen) yhtä perusteellisesti kuin kokoavien hierarkkisten menetelmien kohdalla. Toisaalta Two-step-menetelmä mahdollistaa suurten aineistojen ver-rattain nopean analysoinnin. Kaikkien kolmen menetelmän tutkimuskirjallisuudessa korostettiin, että menetelmien antamien tulosten tulee olla tulkinnallisesti mielekkäitä. Eri-tyisesti kokoavan hierarkkisen ja Two-step-menetelmän kohdalla valinta sopivasta klustereiden määrästä pohjautuu vahvasti tutkijan subjektiivisiin perusteisiin.
Kukin menetelmä luokitteli tutkielman aineiston kolmeen tukiverkostotyyppiin, jotka sisällöl-lisen tarkastelun perusteella pystyttiin myös nimeämään samalla tavoin (äidinpuoleinen,
ystäväverkosto ja bilateraalinen) menetelmästä riippumatta. Tukiverkostotyyppien suhdeka-tegoriakohtaisesta sisällöstä tehtiin yhteenveto jo luvussa 4.6 (ks. taulukko 10), sillä yhteenveto toimi oleellisena pohjustuksena klusterijäsenyyksien jakaumien vertailulle sekä tulosten taustalla olleiden luokitteluperusteiden etsimiselle. Vaikka kaikilla menetelmillä saa-tiin tulokseksi kolme tukiverkostotyyppiä, klusterijäsenyyksien jakaumien vertailu toi esiin melko selkeitä eroja luokitteluiden välillä. Suurin eroavaisuus oli se, että latentti luokka-ana-lyysi luokitteli noin kolme neljästä (73 %) tukiverkostosta äidinpuoleiseen klusteriin, kun taas kahdella muulla menetelmällä analysoituna kyseiset tukiverkostot jakaantuivat kaikkien kol-men tukiverkostotyypin kesken. Luokitteluiden vertailu osoitti myös, että lähimpänä toisiaan olivat latentin luokka-analyysin ja Two-step-menetelmän tekemät luokittelut.
Tulosten taustalla mahdollisesti olleita luokitteluperusteita etsittiin tarkastelemalla sisällölli-sesti sellaisia tukiverkostoja, jotka jakaantuivat yhden menetelmän tuloksessa eri luokkaan tai luokkiin kuin sellaisen menetelmän tuloksessa, josta lähtien vertailu toteutettiin. Selkeim-mät luokitteluperusteet olivat Two-step-menetelmän tekemän luokittelun taustalla.
Menetelmä jakoi tukiverkostot eri klustereihin erityisesti sen perusteella, löytyikö tukiverkos-tosta vastaajan omaa isää ja/tai puolison äitiä. Usealla suhdekategorialla ei ollut juuri lainkaan merkitystä kyseisen tuloksen ennustamisessa. Latentin luokka-analyysin tulos puolestaan no-jasi eniten siihen, löytyikö tukiverkostosta omaa äitiä tai puolison isää. Myös oman isän kuulumisella oli vaikutusta luokitteluperusteisiin, mutta sisällöllisen tarkastelun perusteella kyseinen suhdekategoria ei ollut niin keskeisessä roolissa tuloksen ennustajana kuin Two-step-menetelmässä. Sen sijaan luokitteluperusteiden etsiminen kokoavan hierarkkisen me-netelmän tuloksen taustalta oli haasteellista. Tarkastelun pohjalta ei pystytty nimeämään luokitteluun vaikuttaneita suhdekategorioita yhtä selkeästi kuin kahden muun menetelmän luokitteluissa.
5.2 Millä tavoin tutkimusmenetelmän valinta muokkaa ymmärrystämme tutkittavasta ilmi-östä?
Tutkimuksen tekeminen ei pääty empiiriseen analyysiin, vaan on kiinnitettävä huomiota myös teoreettisen selittämisen ja empiirisen analyysin vuoropuheluun. Tutkijalla on oltava käsitys siitä, millaisia johtopäätöksiä empiirisen analyysin pohjalta voidaan tehdä. (Ketokivi 2015,
175.) Kyseiset ajatukset voidaan ymmärtää tämän tutkielman kontekstissa siten, ettei tyydytä pelkkään klusterointimenetelmien esittelyyn sekä menetelmien antamien tulosten ja niiden välisen vertailun tarkasteluun, vaan pyritään myös pohtimaan, millä tavalla valittu menetelmä voi vaikuttaa ymmärrykseemme erilaisista tukiverkostotyypeistä.
Kuten yllä todettiin, kaikki menetelmät tekivät aineistolle saman, kolme tukiverkostotyyppiä sisältävän luokittelun. Näin ollen tutkielman aineiston pohjalta voidaan menetelmästä riippu-matta muodostaa käsitys kolmesta tukiverkostotyypistä, joiden väliset sisällölliset eroavaisuudet ovat helposti havaittavissa. Toisaalta olisi hiukan yksioikoista todeta, ettei me-netelmän valinnalla olisi mitään merkitystä tukiverkostoihin liittyvän ymmärryksen muokkautumisessa. Latentin luokka-analyysin tekemästä luokittelusta nousee erityisesti esiin äidinpuoleisen luokan suuri koko (73 % tukiverkostoista). Tällöin tukiverkostoihin liittyvissä käsityksissä voisi vahvistua ajatus siitä, että suuri osa vastasynnyttäneiden äitien tukiverkos-toista sisältää enimmäkseen suhteita äidin itsensä puolelta, esimerkiksi oman äidin sekä ystäviä. Puolison kautta tulleita suhteita verkostoissa olisi harvemmin kuin Two-step-mene-telmän ja kokoavan hierarkkisen meneTwo-step-mene-telmän luokittelut antavat ymmärtää. Mikäli tutkielmassa löydettyjä tukiverkostotyyppejä tarkasteltaisiin konkreettisen avun ja emotio-naalisen tuen näkökulmasta, kooltaan suuri äidinpuoleinen tukiverkostotyyppi voisi ohjata käsityksiä suuntaan, jonka mukaan suurimmalla osalla vastasynnyttäneistä äideistä on ympä-rillään useita apua ja tukea tarjoavia henkilöitä. Tällaisen käsityksen muotoutumisen myötä voitaisiin pohtia, onnistutaanko LCA:n tekemällä luokittelulla paikallistamaan tukiverkostot, joissa tuen saaminen ja tarjoaminen on vähäistä.
Two-step-menetelmän antama tulos voi tuntua intuitiivisesti mielekkäältä valinnalta siitä syystä, että tukiverkostotyypit ovat keskenään miltei samankokoiset. Tuloksen pohjalta voi-taisiin ensisijaisesti keskittyä tukiverkostojen sisällöllisten erojen tarkasteluun, koska huomio ei kiinnittyisi niin vahvasti siihen, millaisia ovat ne tukiverkostotyypit, jotka nousevat mää-ränsä puolesta selkeimmin esiin. Two-step-menetelmän luokittelu voisi ohjata ymmärrystä myös siten, että uudenlaisten tukiverkostotyyppien käsitteellistäminen hankaloituisi, kun ol-taisiin jo muodostettu käsitys kolmesta sisällöllisesti selkeästä ja samankokoisesta tukiverkostotyypistä, joiden avulla tukiverkostoihin liittyviä teemoja voitaisiin myös jatkossa jäsentää. Toki kyseisen luokittelun, kuten muidenkin, kohdalla on paljolti kyse siitä, millä ta-valla luokittelua käsiteltäisiin jatkotutkimuksissa. Tukiverkostotyyppien väliltä voitaisiin
mahdollisesti löytää eroavaisuuksia (esimerkiksi äitien taustamuuttujia tarkastelemalla), joi-den pohjalta tukiverkostojen jakautumista tasaisesti kolmeen tyyppiin jouduttaisiin arvioimaan uudelleen.
Vaikka myös kokoavan hierarkkisen menetelmän tuloksen pohjalta muodostuu käsitys kol-mesta erilaisesta tukiverkostotyypistä, klustereiden sisällön ymmärtäminen voi olla haasteellisempaa kuin kahden muun menetelmän kohdalla. Erityisesti ystäväpainotteisten tu-kiverkostojen sisältö ei avautunut kovin helposti sisällöllisen tarkastelun perusteella, sillä ystävien lukumäärä oli kyseisissä tukiverkostoissa verrattain matala. Tällaisessa tilanteessa voisikin olla hyödyllistä, että tutkielman aineistosta muodostettava käsitys tukiverkostojen ystäväpainotteisuudesta pohjautuisi myös jonkin toisen menetelmän tekemään klusteroin-tiin, ei pelkästään tässä työssä käytettyyn hierarkkiseen menetelmään (ryhmien sisäinen linkitys). On myös paikallaan pohtia, tulisiko ystäväpainotteinen tukiverkostotyyppi nimetä jollakin toisella tavalla, mikäli sen sisältö olisi juuri hierarkkisella menetelmällä saadun tulok-sen kaltainen.
5.3 Kuinka valita sopiva menetelmä verkostojen klusterointiin?
Ketokiven (2015, 64–65) mukaan tieteellistä menetelmää ei voida tarkastella tai normittaa irrallaan kontekstista. Näin ollen ei ole mahdollista osoittaa, että tietty menetelmä sopisi yhtä hyvin tai huonosti kaikkiin mahdollisiin tilanteisiin. Kyseinen huomio tarkoittaa tutkielman kontekstissa erityisesti sitä, ettei menetelmien välisestä tarkastelusta voida tehdä yleistettä-viä johtopäätöksiä yhden menetelmän paremmuudesta muihin verrattuna. Lisäksi tutkielman havainnot menetelmien antamien tulosten ja niiden taustalla olevien luokitteluperusteiden eroavaisuuksista pätevät pelkästään analyysin kohteena olleeseen tukiverkostoaineistoon.
Vaikka menetelmiä ei voitaisikaan laittaa paremmuusjärjestykseen, on kuitenkin oleellista tu-tustua kunkin menetelmän perusperiaatteisiin. Klusterointimenetelmien kontekstissa esimerkiksi ymmärrys siitä, millaisin perustein menetelmä yhdistelee tai jakaa aineistoa ja millaisista vaiheista menetelmällä tehtävä analyysi koostuu, helpottaa myös tulosten tulkin-taa ja vertailua mahdollisesti jollakin toisella menetelmällä saatuihin tuloksiin.
Tutkielmassa tehdyn menetelmien vertailun pohjalta voidaan todeta, että latentin luokka-analyysin antamat mallivaihtoehdot indekseineen ja tilastollisine testeineen tekevät kysei-sestä menetelmästä varteenotettavan vaihtoehdon pohdittaessa sopivan klusterointimenetelmän valintaa. Toki indeksit ja tilastolliset testit eivät itsessään ole osoitus menetelmän hyvyydestä. Kuten Ketokivi (2015, 17–18) huomauttaa, menetelmiin liittyvien päättelysääntöjen noudattaminen ei välttämättä tarkoita, että päättelyn pohjalta voidaan tehdä luotettavia ja tieteellisesti merkittäviä johtopäätöksiä. Oma tarkastelun aiheensa on-kin, miten onnistuneesti kukin menetelmä löytää aineistossa mahdollisesti olevia tapausten ryppäitä. Löytyykö vastasynnyttäneiden äitien tukiverkostoista juuri sellaisia tukiverkosto-tyyppejä kuin tutkielmassa tarkastellut menetelmät aineistosta luokittelivat? Mikäli klusterointia tekevän henkilön on mahdollista kokeilla useampaa kuin yhtä menetelmää, voi-daan tutkielman havaintojen pohjalta suositella tekemään niin. Eri menetelmien kokeilun kautta on mahdollista etsiä tulkinnallisesti mielekkäintä aineiston luokittelua ja esimerkiksi perehtyä siihen, millaisia luokitteluperusteita kunkin menetelmän antaman tuloksen taustalla mahdollisesti on. Sopivan menetelmän valinnan yhteydessä on myös oleellista perehtyä muun muassa aineiston luonteeseen ja analysoitavien muuttujien mitta-asteikkoon. Verkos-toaineistojen osalta tulee tarkastella myös esimerkiksi sitä, ovatko verkostojen siteet suunnattuja vai suuntaamattomia.
5.4 Jatkotutkimuksen aiheita
Tutkielmassa ei validoitu klusterointimenetelmien tekemiä luokitteluita. Tämä heikentää etenkin Two-step- ja kokoavan hierarkkisen menetelmän antamien tulosten luotettavuutta.
Latentin luokka-analyysin tarjoamat mallivaihtoehdot sekä niiden osuvuutta kuvaavat indek-sit ja tilastolliset testit voidaan nähdä validointityökaluina, mutta myös LCA:n luokittelun luotettavuutta voitaisiin tarkastella vielä erikseen. Yhtenä jatkotutkimuksen aiheena olisikin tukiverkostoille tehtyjen luokitteluiden validointi esimerkiksi Monte Carlo -menetelmällä. Täl-löin alkuperäisen aineiston lisäksi klusteroitaisiin satunnaisluvuista muodostettu, alkuperäistä muistuttava aineisto ja vertailtaisiin saatuja tuloksia keskenään (esim. Aldenderfer & Blash-field 1984, 66–74).
Olisi mielenkiintoista analysoida tutkielmassa tarkasteltujen menetelmien avulla myös muita verkostoaineistoja. Voitaisiin myös perehtyä tarkemmin erilaisiin mittaustapoihin havainto-yksiköiden välisten etäisyyksien laskemiseksi. Tutkielman analyysivaiheessa mittaustavan valintaan ei kiinnitetty kovinkaan paljoa huomiota, vaan kokoavan hierarkkisen menetelmän yhteydessä Jaccard-kerrointa käytettiin pitkälti Kaufmanin ja Rousseeuwin (1990, 27) suosit-telun pohjalta. Mittaustavoista voitaisiinkin tehdä kattava vertailu, jossa aineistoa klusteroitaisiin erilaisilla menetelmillä erikseen kunkin mittaustavan laskemien etäisyyksien mukaan.
Tässä työssä tukiverkostoja tarkasteltiin binääristen suhdekategoriamuuttujien avulla. Näin ollen näkökulma rajautuu pelkästään siihen, millaisia suhdekategorioita tukiverkostoissa on ja millaisia luokitteluita verkostoille voidaan suhdekategorioiden perusteella tehdä. Näkökul-maa voitaisiin laajentaa siten, että tarkasteltaisiin kunkin suhdekategorian kohdalla emotionaalisen tuen ja konkreettisen avun ilmenemistä sekä suuntaa. Näitä asioita kysyttiin myös tutkimuslomakkeella (ks. liite 1), jonka pohjalta tutkielman aineisto laadittiin. Kyseisen informaation avulla voitaisiin tarkastella, keiden välillä tukea ilmenee ja onko tuen ilmenemi-sessä ja sen suunnassa eroavaisuuksia tukiverkostotyyppien välillä.
LÄHTEET
Agneessens, Filip, Hans Waege & John Lievens. 2006. "Diversity in social support by role re-lations: A typology." Social Networks 28:4, 427–441.
Aldenderfer, Mark S. & Roger K. Blashfield. 1984. Cluster analysis. Beverly Hills, California:
SAGE.
Allardt, Erik. 1998. "Teknologiaretoriikka suomalaisen todellisuuden konstruoimisen väli-neenä." Tiede & edistys 23:2, 85–95.
Anderberg, Michael R. 1973. Cluster analysis for applications. New York: Academic Press.
Aro, Jari. 1998. "Verkosto yhteiskuntatieteellisenä metaforana." Tiede & edistys 23:3, 186–
197.
Blok, Anton. 1973. "Coalitions in Sicilian Peasant Society." Teoksessa Network Analysis. Stud-ies in Human Interaction, toim. Jeremy Boissevain & J. Clyde Mitchell. Hague: Houton, 151–
166.
Boissevain, Jeremy. 1973. "Preface." Teoksessa Network Analysis. Studies in Human Interac-tion, toim. Jeremy Boissevain & J. Clyde Mitchell. Hague: Houton, VII–XIV.
Boissevain, Jeremy. 1978. Friends of Friends: Networks, Manipulators and Coalitions. Oxford:
Basil Blackwell.
Bourdieu, Pierre. 1986. "The Forms of Capital." Teoksessa Handbook of Theory and Research for the Sociology of Education, toim. John G. Richardson. New York: Greenwood Press, 241–
258.
Burris, Val. 1987. "The Political Partisanship of American Business: A Study of Corporate Po-litical Action Committees." American Sociological Review 52:6, 732–744.
Carpiano, Richard M. 2006. "Toward a neighborhood resource-based theory of social capital for health: Can Bourdieu and sociology help?" Social Science & Medicine 62:1, 165–175.
Castells, Manuel. 2010. The rise of the network society. 2. painos. Chichester, West Sussex:
Wiley-Blackwell.
Castrén, Anna-Maija. 2009. Onko perhettä eron jälkeen? Eroperhe, etäperhe, uusperhe. Hel-sinki: Gaudeamus.
Castrén, Anna-Maija. 2014. "Konfigurationaalinen näkökulma perheeseen." Teoksessa Per-hetutkimuksen suuntauksia, toim. Riitta Jallinoja, Helena Hurme & Kimmo Jokinen. Helsinki:
Gaudeamus, 139–166.
Castrén, Anna-Maija, Vaula Tuomaala & Samuli Neuvonen. 2017. Avioliittoperheen tuolla puolen: vastasyntyneiden perheet Helsingissä. Helsinki: Helsingin kaupunki, kaupunginkans-lia, kaupunkitutkimus ja -tilastot.
Chiu, Tom, Dongping Fang, John Chen, Yao Wang & Christopher Jeris. 2001. "A robust and scalable clustering algorithm for mixed type attributes in large database environment." Pro-ceedings of the seventh ACM SIGKDD international conference on knowledge discovery and data mining, 263–268.
Clark, Shaunna L. 2010. Mixture modeling with behavioral data. Los Angeles: University of California.
Coleman, James S. 1990. Foundations of social theory. Cambridge: Harvard University Press.
Collins, Linda M. & Stephanie T. Lanza. 2010. Latent class and latent transition analysis: With applications in the social behavioral, and health sciences. Hoboken: Wiley.
Cormack, R. M. 1971. "A Review of Classification." Journal of the Royal Statistical Soci-ety 134:3, 321–367.
Crossley, Nick, Elisa Bellotti, Gemma Edwards, Martin G. Everett, Johan Koskinen & Mark Tranmer. 2015. Social network analysis for ego-nets. Los Angeles: SAGE.
Durkheim, Émile. 1964. The division of labor in society. New York: Free Press.
Elias, Norbert & John L. Scotson. 1994. The Established and the Outsiders. 2. painos. Lontoo:
SAGE.
Emirbayer, Mustafa & Jeff Goodwin. 1994. "Network Analysis, Culture, and the Problem of Agency." American Journal of Sociology 99:6, 1411–1454.
Everitt, Brian S., Sabine Landau, Morven Leese & Daniel Stahl. 2011. Cluster analysis. 5.
painos. Chichester, West Sussex: Wiley.
Fischer, Claude S. 1977. Networks and places: Social relations in the urban setting. New York: Free Pr.
Forsman, Maria. 2005. Development of research networks: The case of social capital. Turku:
Åbo Akademi University Press.
Freeman, Linton C. 1977. "A Set of Measures of Centrality Based on Betweenness." Sociome-try 40:1, 35–41.
Freeman, Linton C. 1978. "Centrality in Social Networks Conceptual Clarification." Social Net-works 1:3, 215–239.
Freeman, Linton C. 2004. The Development of Social Network Analysis: A Study in the Sociol-ogy of Science. Vancouver: Empirical Press.
Geiser, Christian. 2013. Data analysis with Mplus. New York: Guilford Press.
Goodman, Leo A. 1974. "Exploratory Latent Structure Analysis Using Both Identifiable and Unidentifiable Models." Biometrika 61:2, 215–231.
Hanneman, Robert A. & Mark Riddle. 2011. "A Brief Introduction to Analyzing Social Net-work Data." Teoksessa The SAGE Handbook of Social NetNet-work Analysis, toim. John Scott &
Peter J. Carrington. Lontoo: SAGE, 331–339.
Harary, Frank. 1969. Graph theory. Reading, MA: Addison-Wesley.
Heikkilä, Tarja. 2014. Tilastollinen tutkimus. 9. painos. Helsinki: Edita Publishing Oy.
IBM. 2020a. "Hierarchical Cluster Analysis Method." https://www.ibm.com/support/know-ledgecenter/SSLVMB_sub/statistics_mainhelp_ddita/spss/base/idh_clus_met.html (Luettu 22.10.2020.)
IBM. 2020b. "TwoStep Cluster Analysis." https://www.ibm.com/support/knowledgecen-ter/en/SSLVMB_24.0.0/spss/base/idh_twostep_main.html (Luettu 15.10.2020.)
Jain, Anil K., M. Narasimha Murty & Patrick J. Flynn. 1999. "Data clustering: A review." ACM Computing Surveys (CSUR) 31:3, 264–323.
Johanson, Jan-Erik, Mikko Mattila & Petri Uusikylä. 1995. Johdatus verkostoanalyysiin. Me-netelmäraportteja ja käsikirjoja 3/1995. Helsinki: Kuluttajatutkimuskeskus.
Johanson, Jan-Erik & Anssi Smedlund. 2015. "Verkostoanalyysi." Teoksessa Verkostot yhteis-kuntatutkimuksessa, toim. Kai Eriksson. Helsinki: Gaudeamus, 234–249.
Kaufman, Leonard & Peter J. Rousseeuw. 1987. "Clustering by means of medoids." Teo-ksessa Statistical data analysis based on the L1-norm and related methods, toim. Yadolah Dodge. Amsterdam: North-Holland, 405–416.
Kaufman, Leonard & Peter J. Rousseeuw. 1990. Finding Groups in Data: An Introduction to Cluster Analysis. New York: John Wiley & Sons.
Ketokivi, Mikko. 2015. Tilastollinen päättely ja tieteellinen argumentointi. 2. laaj. laitos. Hel-sinki: Gaudeamus.
King, Ronald S. 2015. Cluster Analysis and Data Mining: An Introduction. Dulles: Mercury Learning and Information.
Lakoff, George. 1993. "The Contemporary Theory of Metaphor." Teoksessa Metaphor and Thought, toim. Andrew Ortony. Cambridge: Cambridge University Press, 202–251.
Latour, Bruno. 1996. "On actor-network theory: A few clarifications." Soziale Welt 47:4, 369–381.
Laumann, Edward O., Peter V. Marsden & David Prensky. 1983. "The Boundary Specification Problem in Network Analysis." Teoksessa Applied Network Analysis, toim. Ronald Burt & Mi-chael Minor. Beverly Hills, California: SAGE, 18–34.
Lazarsfeld, Paul F. 1950. "The logical and mathematical foundations of latent structure anal-ysis." Teoksessa Measurement and prediction, toim. Samuel A. Stouffer, Louis Guttman, Edward A. Suchman, Paul F. Lazarsfeld, Shirley A. Star & John A. Clausen. Princeton: Prince-ton University Press, 362–472.
Lazarsfeld, Paul F. & Neil W. Henry. 1968. Latent structure analysis. Boston: Houghton Mif-flin.
Lubben, James & Melanie Gironda. 2017. "Measuring Social Networks and Assessing their Benefits." Teoksessa Social Networks and Social Exclusion: Sociological and Policy Perspec-tives, toim. Chris Phillipson, Graham Allan & David Morgan. Lontoo: Routledge, 20–34.
Magidson, Jay & Jeroen K. Vermunt. 2002. "Latent class models for clustering: A comparison with K-means." Canadian Journal of Marketing Research 20:1, 36–43.
Marin, Alexandra & Barry Wellman. 2011. "Social Network Analysis: An Introduction." Teo-ksessa The SAGE Handbook of Social Network Analysis, toim. John Scott & Peter J.
Carrington. Lontoo: SAGE, 11–25.
Marsden, Peter V. 1990. "Network Data and Measurement." Annual Review Of Sociol-ogy 16:1, 435–463.
Marsden, Peter V. 2011. "Survey Methods for Network Data." Teoksessa The SAGE Hand-book of Social Network Analysis, toim. John Scott & Peter J. Carrington. Lontoo: SAGE, 370–
388.
Mattila, Mikko. 2000. Policy Making in Finnish Social and Health Care: A Network Approach.
Helsinki: Valtiotieteellinen tiedekunta, Helsingin yliopisto.
Mattila, Mikko & Petri Uusikylä. 1999. Verkostoyhteiskunta: käytännön johdatus verkosto-analyysiin. Helsinki: Gaudeamus.
McCutcheon, Allan L. 1987. Latent class analysis. Newbury Park; Lontoo: SAGE.
Metsämuuronen, Jari. 2003. Tutkimuksen tekemisen perusteet ihmistieteissä. 2. painos. Hel-sinki: International Methelp.
Metsämuuronen, Jari. 2011. Tutkimuksen tekemisen perusteet ihmistieteissä: tutkijalaitos.
4. korjattu laitos. Helsinki: International Methelp.
Milardo, Robert M. 1987. "Changes in Social Networks of Women and Men Following Di-vorce: A Review." Journal of Family Issues 8:1, 78–96.
Mische, Ann. 2011. "Relational Sociology, Culture, and Agency." Teoksessa The SAGE Hand-book of Social Network Analysis, toim. John Scott & Peter J. Carrington. Lontoo: SAGE, 80–
97.
Mitchell, J. Clyde. 1969. "The Concept and Use of Social Networks." Teoksessa Social Net-works in Urban Situations. Analyses of Personal Relationships in Central African Towns, toim.
J. Clyde Mitchell. Manchester: Manchester University Press, 1–50.
Mitchell, J. Clyde. 1992. "Algorithms and Network Analysis: A Test of Some Analytical Proce-dures on Kapferer's Tailor Shop Material." Teoksessa Research Methods in Social Network Analysis, toim. Linton C. Freeman, Douglas R. White & A. Kimball Romney. New Brunswick:
Transaction, 319–367.
Mizruchi, Mark S. 1989. "Similarity of Political Behavior Among Large American Corpora-tions." American Journal of Sociology 95:2, 401–424.
Muthén, Bengt O. 2001. "Latent variable mixture modeling." Teoksessa New developments and techniques in structural equation modeling, toim. George A. Marcoulides & Randall E.
Schumacker. Mahwah; Lontoo: Lawrence Erlbaum, 1–33.
Mäki, Netta & Pekka Vuori. 2016. Helsingin väestö vuodenvaihteessa 2015/2016 ja väestönmuutokset vuonna 2015. Helsingin kaupungin tietokeskus.
https://www.hel.fi/hel2/tietokeskus/julkaisut/pdf/16_06_28_Tilastoja_23_Maki_Vuori.pdf (Luettu 25.11.2019.)
Norusis, Marija J. 2011. IBM SPSS Statistics 19 Advanced Statistical Procedures Companion.
Upper Saddle River: Prentice Hall.
Nummenmaa, Lauri. 2009. Käyttäytymistieteiden tilastolliset menetelmät. Helsinki: Tammi.
Nylund, Karen L., Tihomir Asparouhov & Beng O. Muthén. 2007. "Deciding on the Number of Classes in Latent Class Analysis and Growth Mixture Modeling: A Monte Carlo Simulation Study." Structural Equation Modeling 14:4, 535–569.
Putnam, Robert D. 2000. Bowling alone: The collapse and revival of American community.
New York: Simon & Schuster Paperbacks.
Romesburg, H. Charles. 1984. Cluster Analysis for Researchers. Belmont: Lifetime Learning Publications.
Ruuskanen, Petri. 2015. "Sosiaalinen pääoma." Teoksessa Verkostot yhteiskuntatutkimuk-sessa, toim. Kai Eriksson. Helsinki: Gaudeamus, 214–233.
Schneider, Volker. 1992. "The Structure of Policy Networks: A Comparison of the 'Chemicals Control' and 'Telecommunications' Policy Domains in Germany." European Journal of Politi-cal Research 21:1–2, 109–129.
Scott, John. 1991. Social network analysis: A handbook. Lontoo: SAGE.
Scott, John & Peter J. Carrington (toim.). 2011. The SAGE Handbook of Social Network Analy-sis. Lontoo: SAGE.
Scott, John & Peter J. Carrington (toim.). 2011. The SAGE Handbook of Social Network Analy-sis. Lontoo: SAGE.