- •Учебное пособие
- •Введение
- •Этапы проведения научного исследования
- •Получение качественной эмпирической информации
- •Генерализуемость
- •Процедура формирования репрезентативной выборки
- •Объем выборки
- •Краткие характеристики выборок разного объема
- •Гендерное распределение показателя
- •Направления анализа эмпирических данных
- •Измерение и его уровни
- •Частотное распределение по уровням образования
- •Частотное распределение уровня образования
- •Частотное распределение уровня образования
- •Частотное распределение уровня образования
- •Шкала равных интервалов Терстоуна
- •Распределение судейских оценок для высказывания
- •Свойства измерительных шкал разного уровня
- •Нормальное распределение
- •Описательная статистика
- •Описательная статистика
- •Статистические критерии
- •Возможности и ограничения статистических критериев1
- •Распределение эмпирических данных по уровням
- •Теоретическое случайное и независимое распределение
- •Сопоставление двух распределений
- •Алгоритм
- •Сферы применения основных статистических критериев
- •Дисперсионный анализ
- •Эмпирические данные для обсуждения дисперсионного анализа
- •Диаграмма 1. "Ящик с усами"
- •Результаты дисперсионного анализа
- •Взаимосвязь параметров и корреляции
- •Л инейная функци-ональная связь
- •Эмпирические частоты
- •Теоретические частоты
- •Измерение связи и значимости для числовых
- •Эмпирические данные для показателей а и в
- •Многомерные методы анализа эмпирической информации
- •Кластерный анализ
- •Факторный анализ
- •Для теста Леонгарда-Шмишека
- •Собственные значения для факторов
- •Факторное решение после вращения
- •Построение прогнозных моделей в психологии
- •Регрессионные модели
- •Дискриминантные модели
- •Основные способы статистического анализа эмпирических данных
- •Компьютерный анализ данных
- •Литература
- •119606 Москва, пр-т Вернадского, 84
Измерение связи и значимости для числовых
(уровень интервалов и отношений) признаков
Если исходные признаки измерены в шкалах интервалов или отношений, для оценки связи между ними используют коэффициент Пирсона-Браве (обычно обозначается r).
Принцип его расчета таков.
Пусть у нас есть два признака a и b. Если изобразить их в виде осей координат, то объекты будут выглядеть в этой системе точками и в совокупности зададут корреляционное поле. Пусть a – возраст опрошенного, b – число лет обучения.
Задача состоит в определении по возрасту опрошенного того, сколько лет он обучался, т. е. определить b по известному a.
Если работать со школьниками, то зависимость между a и b будет практически прямо пропорциональная b = a – 5. Конечно бывают второгодники и они будут немного портить зависимость, однако в пространстве признаков объекты-точки будут располагаться вдоль прямой (или рядом с ней) (рис. 6).
Число лет обучения
Возраст школьников
Рис. 6. Зависимость образованности от возраста (1)
Рассмотрим теперь студентов. У них зависимость возраста и года обучения более сложная. Ведь далеко не все поступают в вуз сразу после школы – многие сначала несколько лет работают или служат в армии. Поэтому в пространстве признаков зависимость будет выглядеть как сильно вытянутый эллипс – это следствие "размывания" корреляционного поля. Для аспирантов корреляционное поле будет размыто еще сильнее. Понятно, что в аспирантуру могут попасть люди самого разного возраста. Из-за этого разброс возрастов на каждом курсе аспирантуры значительно выше, чем среди студентов (рис. 7).
Число лет обучения
Возраст аспирантов
Рис. 7. Зависимость образованности от возраста (2)
Для того, чтобы охарактеризовать "размытость" корреляционного поля можно для каждого объекта по каждому признаку рассчитать отклонение от среднего значения (математического ожидания), т.е: величин (a – Ма) и (b – Мв). Если для конкретного объекта значение признака а больше среднего значения Ма и одновременно по признаку b наблюдается схожая картина (он больше Мв), то это говорит об определенной упорядоченности, наличии связи, которую можно в первом приближении измерить по формуле:
S = Σ (a – Ма)·(b – Мв)
При этом, чем больше совпадений знаков отклонений по признакам a и b, тем больше будет величина S. При несовпадении знаков получается отрицательное слагаемое и вся сумма уменьшается. При отсутствии связи положительные и отрицательные слагаемые уравновесят друг друга и сумма будет близка к 0.
Если S > 0, то оно тем больше, чем более упорядоченно корреляционное поле (чем ближе оно к прямой). Максимальная величина S достигается при функциональной связи. Обычно для удобства (чтобы не иметь дело с разными максимальными значениями S) используют нормированное значение (конкретное значение делится на его максимально возможную величину; таким образом полученное число будет находиться в пределах от 0 до 1), которое обозначается r и называется коэффициентом корреляции Пирсона-Браве. Этот коэффициент принимает значение +1 при функциональной положительной связи; –1 – при функциональной отрицательной связи; 0, если связи нет (размытое в виде окружности корреляционное поле) или взаимосвязь не является линейной. Обычно коэффициент корреляции Пирсона-Браве вычисляется по формуле:
r = Σ (a – Ma)·(b – Mb)/n Sa·Sb,
где Sa – среднее квадратичное отклонение по признаку a.
"Физический смысл" имеет не r, а r2. Так, r2 можно интерпретировать как степень уменьшения ошибки в определении числа лет обучения (b – зависимая переменная в нашем примере) по возрасту (b – независимая переменная). Иными словами, квадрат коэффициента Пирсона-Браве может рассматриваться как доля (в %) объясненных значений зависимой переменной (b) на основании знаний о независимой переменной (a).
Приведем пример.
Таблица 22
