2. Класифікація пакетів для статистичної обробки даних (за л. В. Павленко)

Запровадження комп’ютерних технологій в усі галузі людської діяльності є сьогодні, напевно, найочевиднішим підсумком наукового прогресу. Комп’ютерні технології для статистичного опрацювання експериментальних даних знайшли широке застосування в практичній і науковій роботі фахівців-міжнародників. Особливість підготовки цих фахівців полягає у тому, що вони повинні володіти методами обробки даних, які є невід’ємною частиною їхньої майбутньої професійної діяльності. Сьогодні відсутні цілісні підходи до побудови змісту навчання із застосування статистичних методів та програмних пакетів опрацювання експериментальних даних майбутніми міжнародниками.

Сучасний ринок програмних продуктів, які дозволяють здійснювати статистичний аналіз даних, пропонує різноманітний вибір програм, які автоматизують та унаочнюють аналіз експериментальних даних, тому для майбутнього фахівця важливо вміти використовувати декілька пакетів статистичної обробки даних. На цьому в своїх дослідженнях наголошують Л. Білоусова [1], О. Томашевський [6]. Виокремлюють такі групи пакетів статистичної обробки експериментальних даних: універсальні, з орієнтацією на певні методи статистичної обробки (SPSS, Statistica, Statgraphics); інструментальні програмні засоби, що містять статистичний компонент (Microsoft Excel, MathCad, Mathematica). Розглянемо основні напрями у виокремленні змісту навчання в працях, присвячених універсальним пакетам статистичного опрацювання експериментальних даних з метою визначення можливості паралельного вивчення декількох пакетів програм статистичного опрацювання експериментальних даних майбутніми міжнародниками. Учені В. Боровіков, А. Бююль, В. Дюк, П. Цьофель та багато інших у своїх працях сформували основі напрями до виокремлення змісту навчання відповідно до структури статистичних пакетів та відповідних методів опрацювання даних. У працях [2; 3; 4; 5] зазначається, що оволодіння уміннями розв’язання конкретних практичних завдань повинно розпочинатися з вивчення загальних характеристик пакетів SPSS (А. Бююль), Statgraphics (В. Дюк), Statistica (В. Боровіков, П. Цьофель) та передбачати визначення головних функціональних можливостей, призначення модулів, важливих характеристик програмних пакетів.

На думку А. Бююля [3] та В. Дюка [4], загальні й виняткові функціональні властивості потребують обов’язкового визначення для кожного з пакетів, що вивчаються. Це дозволяє на початковому етапі встановити коло специфічних функцій, які використовуються для певного класу завдань. У працях, присвячених пакетам Statgraphics та SPSS [3; 4] основну увагу під час структурування змісту навчання приділено використанню певних статистичних методів відповідно до конкретних практичних завдань: методи роботи з базовими статистичними процедурами, кореляційний аналіз, регресійний аналіз, дисперсійний аналіз, кластерний аналіз, факторний аналіз, дискримінантний аналіз. Таке структурування змісту свідчить про можливість паралельного вивчення декількох пакетів програм фахівцями-міжнародниками.

Необхідно зазначити, що кореляційний, дисперсійний, факторний та регресійний види аналізів розглядаються у праці В. Боровікова [2], але не виокремлюються у окремі змістовні розділи. Структурування змісту навчання тісно пов’язане з структурою меню програми Statistica. Таке структурування у змісті статистичних методів аналізу експериментальних даних є незручним для сприйняття студентами. Проаналізуємо особливості статистичного опрацювання експериментальних даних на основі кореляційного аналізу, запропонованого А. Бююлем та В. Дюком для вибору напряму структурування змісту теоретичного матеріалу. В. Дюк [4] розглядає кореляційний аналіз на основі виокремлення двох груп заходів: перша група використовує принцип коваріації, а у друга – принцип сполучення ознак.

Кореляційний аналіз розглядається А. Бююлем [3] залежно від виду шкали, до якої належать змінні. Виокремлення структури змісту навчання на основі типу шкал, до яких належать змінні, дозволяє обрати метод кореляційного аналізу відповідно до експериментальних даних.

Розглянемо особливості структурування змісту з регресійного аналізу даних у працях А. Бююля [3] та В. Дюка [4] з метою вибору напрямів удосконалення структури змісту навчання комп’ютерних технологій статистичного опрацювання експериментальних даних майбутніх міжнародників.

В. Дюк пропонує розглядати тільки основні види регресійного аналізу, зокрема просту регресію, поліноміальну регресію, множинну регресію, покрокову множинну регресію та побудову моделі множинної регресії для всіх змінних. Таке структурування пояснюється тим, що інші методи є вузькоспеціалізовані та менш поширені у практиці статистичного аналізу даних. У роботі А. Бююля [3] виокремлення методів регресійного аналізу в навчальному змісті здійснюється на основі пунктів відповідного меню програми SPSS. Особлива увага приділяється простому та множинному лінійному регресійному аналізу. Також необхідно зазначити що наявність прикладів використання бінарної логічної регресії, множинної логічної регресії та порядкової регресії. Структурування змісту навчального матеріалу

доцільно робити спираючись на структуру меню пакетів з урахуванням специфіки використання методів регресійного аналізу.

Дисперсійний аналіз в пакеті Statgraphics розглядається В. Дюком [4] на основі класифікації, що враховує математичну природу факторів та їх кількість (рис. 3). Запропонована В. Дюком класифікація охоплює всі реалізовані моделі дисперсійного аналізу в пакеті Statgrapgics. А. Бююль [3] пропонує вивчати можливості дисперсійного аналізу пакету SPSS на основі “класичного” методу Фішера та узагальненої лінійної моделі (рис. 4). Розглянуте структурування дозволяє здійснити поділ змісту навчання не спираючись на конкретні пункти меню пакету. Висвітлення змісту навчання кластерному аналізу в працях А. Бююля та В. Дюка має схожу структуру, що ґрунтується на описі головних типів відстаней між змінними та процедурах ієрархічного кластерного аналізу. У працях наведено сім видів ієрархічних алгомеративних процедур, але винятковим в праці В.Дюка є наявність неієрархічної процедури кластерного аналізу типу k-середніх, а в праці А. Бююля розглядається кластер ний аналіз центрів для великої кількості випадків. Структурування змісту факторного та дискримінантного аналізу в працях [2; 3] свідчить про однаковий підхід авторів до висвітлення показників і спирається на меню пакетів та задачі з подібним змістом.

В. Боровіков, А. Бююль, П. Цьофель А. Наслєдов [2; 3; 5] окремо виокремлюють такий етап статистичного аналізу, як “підготовка даних”. Він полягає в ефективному управлінні даними на основі структурування, обробки, групування, сортування, виокремлення підмножини даних за певними критеріями. Окремо розглядається процес об’єднання даних, що знаходиться у різних файлах і процес експорту даних. Таким чином виокремлення етапу підготовки у процесі аналізу даних дозволяє здійснювати послідовне експортування даних між різними пакетами та забезпечує наступність за їхньої подальшої обробки технічних, економічних або психолого-педагогічних даних експериментальних досліджень.

У працях В. Боровікова [2] та А. Наследова [5] у структурі змісту виокремлено непараметричні критерії статистичного опрацювання даних, що передбачають проведення дослідження без врахування припущень про характер розподілу змінних. Зазначені методи доцільно використовувати у психолого-педагогічних дослідженнях, що мають незначний розмір вибірки або вибірка не відповідає нормальному закону розподілу. У структурі змісту праць, присвячених вивченню статистичних пакетів окреме місце відводиться візуальному аналізу даних [2]. Виокремлюють декілька варіантів подання графічної інформації, зокрема: дво- та тривимірний візуальний аналіз даних; візуальний аналіз категоризованих даних; піктографіки тощо.

Широке застосування різноманітних засобів візуалізації дозволяє унаочнити специфіку даних і є необхідним компонентом статистичного аналізу кожного експериментального дослідження, що

здійснюється інженерами-педагогами у своїй професійній діяльності. Необхідно зауважити, що в працях В. Дюка [4], А. Наслєдова [5], А. Бююля [3] методи візуалізації не розглядаються як окремий елемент аналізу, а є інтегрованими у різні статистики.

Подання результатів статистичного опрацювання експериментальних даних передбачає використання різноманітних таблиць. У своїх працях А. Наслєдов [5] та В. Боровіков [2] приділяють значну увагу параметрам подання табличної інформації та обробці табличних даних. Особливе місце у змісті праць [2; 5] займає процес аналізу даних, подання у категоріальних (номінальних) шкалах та встановлення зв’язку між двома або декількома змінними з використанням таблиць сполучення. Автори розглядають процес створення та аналізу цих таблиць як в статистичному пакеті SPSS, так і в пакеті Statistica, але присутня відмінність у реалізації статистичних критеріїв. У пакеті Statistica проглядаються декілька виняткових критеріїв, а саме коефіцієнт фі, тетрахорична кореляція. А. Бююль у пакеті SPSS виокремлює

декілька унікальних статистичних критеріїв: критерій Мантеля-Хензеля, критерій Крамера, критерій Гудмена-Крускала, лямбда; міри зв’язності, d Сомера, Єта, Коефіцієнт каппа. Таким чином доцільно розглядати використання таблиць сполучення одночасно в двох пакетах та звернути увагу майбутніх міжнародників на унікальність статистичних критеріїв в кожному пакеті.

Розглянемо особливості наповнення змісту навчання В. Дюком. У праці

[4] виокремлюються певні статистичні методи, що не розглядаються іншими авторами, а саме: планування експерименту, аналіз часових рядів, аналіз даних в системах штучного інтелекту. Розгляд цих методів спирається на ієрархію меню програми Statgraphics та подальше розв’язання задач з використанням цих методів. У роботі А. Бююля та П. Цефеля [3] особливим є

зміст, що розглядає використання програмування у статистичному пакеті SPSS та ґрунтується на розгляді прикладів програмування на основі меню пакету. В. Боровіков у праці [2] розглядає методи для аналізу нейронних мереж, аналізу виживаємості, аналізу відповідностей. Ці види аналізу застосовуються як правило у медицині, біології, страхуванні. Також автор розглядає два приклади планування експерименту та один приклад карти контролю якості.

Висновки. Визначені можливості паралельного вивчення декількох пакетів опрацювання статистичних даних у відповідності до проведеного аналізу методик виокремлення змісту статистичних методів та структури статистичних пакетів (SPSS, Statistica, Statgraphics). Розглянуті певні статистичні методи та особливості їх застосування в кожному статистичному

пакеті, що дає можливість виокремити зміст навчання майбутніх фахівців враховуючи специфіку їх професійної діяльності в різних галузях, а саме вивчення описових статистик, дисперсійного, регресійного, кореляційного аналізів, непараметричних методів, планування експерименту. Вивчення зазначених статистичних методів повинно ґрунтуватися на врахуванні типу шкали, особливостей реалізації меню пакетів програм та специфіки статистичних задач.

Використана література:

1. Білоусова Л. І. Практикум з автоматизованої статистичної обробки даних психолого-педагогічного експерименту : навч. посіб. / Л. І. Білоусова, О. Г. Колгатін, Л. С. Колгатіна. – Х. : Компанія СМІТ, 2007. – 37 с.

2. Боровиков В. П. Statistica : Искусство анализа данных на компьютере / Владимир Боровиков. – СПб. : Питер, 2001. – 650 с.

3. Бююль А. SPSS: искусство обработки информации ; [пер. с нем] / Ахим Бююль, Петер Цёфель. – М. : DiaSoft, 2005. – 602 с.

4. Дюк В. А. Обработка данных на ПК в примерах / Вячеслав Дюк. – СПб. : Питер-пресс, 1997. – 231 с. (Советы профессионала).

5. Наследов А. Д. SPSS 15 профессиональный статистический аналіз данных / А. Наследов. – М. : Питер, 2008. – 412 с.

6. Томашевський О. В. Комп'ютерні технології статистичної обробки даних : навч. посібник для студ. вищ. навч. закладів, які навчаються за спец. “Якість, стандартизація та сертифікація” / О. В. Томашевський, В. П. Рисіков. – Запоріжжя : Запорізький національний технічний ун-т, 2006. – 174 с.