§ 2. Номинальная шкала
Номинальная шкала (шкала наименований) – это самый «низший» уровень измерения, предполагающий лишь констатацию подобия или различия объектов относительно какого-либо признака, то есть качественную однородность признака. Шкалу наименований представляет приписывание числовых индексов объектам. В них объекты помещаются в отдельные категории. При этом числовые индексы используются в качестве отличительных ярлыков (0–1), не имеющих количественного значения. Измерение в шкале наименований обеспечивает лишь группировку предметов в классы, идентичные в отношении определенного признака или свойства предмета. Измерить в шкале наименований – значит приписать число определенному признаку. Например, группировка учащихся по полу, социальному положению, месту жительства. К номинальному измерению относится и измерение типа «знает – не знает».
§ 3. Порядковая шкала
Измерение в шкале порядка возможно при том условии, что имеется возможность определить не только признаки свойств предмета, но и различие интенсивности признака или свойства. Ранговые измерения характеризуют только порядок расположения предметов по возрастанию или убыванию их свойств. Данный вид измерения использует два свойства чисел – различие их и порядок расположения. Большая часть шкал, широко применяемых в педагогических, социологических, социально-психологических исследованиях, является шкалами порядка.
Шкала порядка является неравномерной. Расстояния между соседними метками шкалы неизвестны. В ранговых измерениях числа приписываются интенсивностям признака предмета таким образом, что если число, присвоенное предмету A, в процессе измерения, меньше числа B, то это значит, что в B содержится больше данного свойства, чем в A.
§ 4. Шкала интервалов
Шкала интервалов имеет отличительные свойства, заключающиеся в следующих возможностях: определение признаков, свойств предметов, выявление различия в степени измеряемых свойств, опора на условно определенную нулевую точку отсчета, произвольное определение величины единицы измерения (интервальной величины).
Интервальная шкала характеризуется тем, что интервалы между объектами могут быть измерены. При создании шкал интервалов основная проблема состоит в том, чтобы изобрести такие операции, которые позволили бы уравнять единицы шкал. В этой шкале имеются интервалы с соответствующими номерами, и характер ответов испытуемого фиксируется на определенной точке шкалы, выражающей его отношение к данному вопросу.
§ 5. Шкала отношений
Шкала отношений (пропорциональная шкала) характеризуются возможностью определения каждого из следующих четырех соотношений: равенство, ранговый порядок, равенство интервалов и равенство отношений. В свою очередь, равенство отношений может быть установлено только в том случае, когда по шкале может быть найдена естественная (абсолютная) нулевая точка.
Измерение в шкале отношений существенно отличается от интервального тем, что положение абсолютной нулевой точки известно, что указывает на полное отсутствие измеряемого свойства. Все операции, присущие цифрам (сложение, вычитание, умножение и деление), можно производить без каких-либо ограничений. Отношения чисел, присвоенных в измерении, отражают количественные отношения измеряемого свойства. Поэтому в условиях шкалы отношений возможны утверждения, что у A в два, четыре раза больше свойств, чем у B. Значение абсолютного нуля свидетельствует об отсутствии оцениваемого свойства.
Использование методов математической статистики в психолого-педагогических исследованиях
Окружающий нас мир насыщен информацией – разнообразные потоки данных окружают нас, захватывая в поле своего действия, лишая правильного восприятия действительности. Не будет преувеличением сказать, что информация становится частью действительности и нашего сознания.
Без адекватных технологий анализа информации (данных) человек оказывается беспомощным в жестокой информационной среде. Статистика позволяет компактно описать данные, понять их структуру, провести классификацию, увидеть закономерности в хаосе случайных явлений.
Для студентов, аспирантов и соискателей полезно и необходимо знать, где, когда и как методы математической статистики могут применяться на практике для анализа данных психолого-педагогического исследования. Наша цель - максимально развить интуитивное и практическое представление учащихся об анализе данных, статистической обработке педагогического эксперимента, не предполагая наличия у них специальной подготовки. Мы хотим познакомить Вас с культурой анализа данных.
От педагога-исследователя требуются сейчас хорошие знания информатики, основных статистических методов, а также умение ставить и решать исследовательские задачи с использованием ЭВМ.
Широкому внедрению методов анализа данных в 60-х и 70-х годах нашего века немало способствовало появление компьютеров, а начиная с 80-х годов — персональных компьютеров. Статистические программные пакеты сделали методы анализа данных более доступными и наглядными. Теперь уже не требуется вручную выполнять трудоемкие расчеты по сложным формулам, строить вручную сложные диаграммы и графики — всю эту черновую работу взял на себя компьютер, а исследователю осталась главным образом творческая работа: постановка задач исследования, выбор методов педагогического исследования и грамотная интерпретация результатов.
Приведем несколько примеров применения методов анализа данных в практических задачах.
Пример 1. Рассмотрим довольно часто встречающуюся задачу. Предположим, что Вы изобрели важное нововведение: изменили систему оплаты труда, перешли на выпуск новой продукции, использовали новую технологию, методику. Вам кажется, что это дало положительный эффект, но действительно ли это так? А может быть этот кажущийся эффект определен вовсе не вашим нововведением, а естественной случайностью, и уже завтра Вы можете получить прямо противоположный, но столь же случайный эффект? Для решения этой задачи надо сформировать два набора чисел, каждый из которых содержит значения интересующего вас показателя эффективности до и после нововведения. Статистические критерии сравнения двух выборок покажут Вам, случайны или неслучайны различия этих двух рядов чисел.
Пример 2. Другая важная задача состоит в прогнозировании будущего поведения некоторого временного ряда: изменения курса доллара, цен и спроса на продукцию или сырье. Для такого временного ряда с помощью статистических методов подбирают некоторое аналитическое уравнение – строят регрессионную модель. Если мы предполагаем, что на интересующий нас показатель влияют некоторые другие факторы, их тоже можно включить в модель, предварительно проверив значимость этого влияния. Затем на основе построенной модели можно сделать прогноз и указать его точность.
Пример 3. Еще одна интересная и часто встречающаяся задача связана с классификацией объектов. Пусть, например, Вы являетесь начальником кредитного отдела банка. Столкнувшись с невозвратом кредитов, Вы решаетесь впредь выдавать кредиты лишь фирмам, которые «схожи» с теми, которые себя хорошо зарекомендовали, и не выдавать тем, которые «схожи» с неплательщиками или мошенниками. Для классификации фирм можно собрать показатели их деятельности (размер основных фондов, валюту баланса, вид деятельности, объем реализации и т.д.), и провести кластерный анализ (многомерное шкалирование) этих данных. Во многих случаях имеющиеся объекты удается сгруппировать в несколько групп (кластеров), и Вы сможете увидеть, не принадлежит ли запрашивающая кредит фирма к группе неплательщиков.
Пример 4. Пусть у вас имеются данные о минеральной воде, поступившей из различных источников: энергетическая ценность, состав, цвет, содержание других веществ, стоимость доставки. И вы хотите определить наиболее ценную по свойствам и более дешевую по себестоимости минеральную воду. Решить данную задачу можно также с помощью методов математической статистики (кластерный анализ).
Все приведенные примеры имеют одну общую черту: непредсказуемость результатов для действий, которые проводятся в неизменных условиях. Еще одной особенностью приведенных примеров является сравнительно малый объем исходных данных (объем выборки). Причина этого состоит в том, что для большинства прикладных исследований, особенно в гуманитарных областях, характерны именно небольшие объемы данных (исключение здесь составляет лишь демография и отдельные области медицинской статистики).
Математическая статистика – раздел математики, посвященный математическим методам систематизации, обработки и использования статистических данных для научных и практических выводов. Определение, сформулированное видными отечественными математиками А.Н. Колмогоровым и Ю.В. Прохоровым.
Математическая статистика исходит из предположения, что наблюдаемая изменчивость окружающего мира имеет два источника:
– действие известных причин и факторов. Они порождают изменчивость, закономерно объяснимую.
- действие случайных причин и факторов. Большинство природных и общественных явлений обнаруживают изменчивость, которая не может быть целиком объяснена закономерными причинами. В таком случае прибегают к концепции случайной изменчивости. Выражение «случайный» в данном контексте означает «подчиняющийся законам теории вероятности».
Проверка психолого-педагогических гипотез и моделей является тоже случайным событием, так как результаты педагогического исследования определяются очень большим количеством заранее непредсказуемых факторов. Определенные закономерности можно выявить только в случае массовых наблюдений вследствие закона больших чисел. Закон больших чисел – это объективный математический закон, согласно которому совместное действие большого числа случайных факторов приводит к результату, почти не зависящему от случая.[1]
Отсюда совершенно очевидным является факт, что педагогические измерения однозначно связаны со статистическими измерениями.
Статистический подход – это выявление закономерной изменчивости на фоне случайных факторов и причин. Методы математической статистики позволяют оценить параметры имеющихся закономерностей, проверить те или иные гипотезы об этих закономерностях.
Аппарат математической статистики является изумительным по мощности и гибкости инструментом для отсеивания закономерностей от случайностей. Педагогу-исследователю обязательно необходимо накапливать информацию об окружающем мире, пытаясь выделить закономерности из случайностей.
Цель описательной (дескриптивной) статистики — обработка эмпирических данных, их систематизация, наглядное представление в форме графиков и таблиц, а также их количественное описание посредством основных статистических показателей.