- •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
Для теста Леонгарда-Шмишека
Communalities (in-98-5_.sta)
Extraction: Principal components
Rotation: Unrotated
|
Factor 1 |
Factor 2 |
Factor 3 |
G гипертимность |
0,046330 |
0,578695 |
0,590315 |
V застревание |
0,191479 |
0,192242 |
0,201965 |
E эмотивность |
0,159964 |
0,254926 |
0,627961 |
P педантичности |
0,316195 |
0,347347 |
0,532230 |
T тревожность |
0,511701 |
0,519690 |
0,519726 |
Z циклотимность |
0,431383 |
0,499931 |
0,708697 |
D7 демонстртивность |
0,010066 |
0,544372 |
0,548688 |
N возбудимость |
0,505467 |
0,506148 |
0,755973 |
D9 дистимность |
0,179264 |
0,453067 |
0,514930 |
В этой таблице, на пересечении исходных шкал теста Леонгарда-Шмишека (они расположены по строкам) и выделенных факторов (столбцы таблицы) находятся соответствующие факторные нагрузки.
Уже на этом этапе анализа, исходя из нормальности распределения исходных признаков, можно оценить качества полученного факторного решения. Для этого используется идея парциальности дисперсии, схожая с той, что лежит в основе дисперсионного анализа. Она состоит в том, что критерием качества факторного решения является процент дисперсии исходных признаков, который удается объяснить с его помощью. Этот процент вычисляется как в сумме, для всего набора факторов (Cumul.% total Variance), так и для каждого из них по отдельности (% total Variance) и определяется собственным значением (Eigenvalue), соответствующим фактору. Соответствующая распечатка имеет вид (см. табл. 25).
Таблица 25
Собственные значения для факторов
Eigenvalues (in-98-5_.sta)
Extraction: Principal components
|
|
% total |
Cumul. |
Cumul. |
Factors |
Eigenval |
Variance |
Eigenval |
% |
1 |
2,351849 |
26,13166 |
2,351849 |
26,13166 |
2 |
1,544569 |
17,16187 |
3,896418 |
43,29353 |
3 |
1,104069 |
12,26744 |
5,000487 |
55,56096 |
В таблице собственных значений для факторов заливкой выделена клетка, содержащая общую оценку полученного решения. Из нее следует, что такое решение объясняет только 55,56% дисперсии исходных девяти признаков, т. е. является не слишком удачным (чем выше этот процент, тем удачнее решение). Иными словами, выделенные 3 фактора не позволяют объяснить 44,44% дисперсии исходных признаков (почти половину), их причина остается за рамками рассматриваемой модели.
Тем не менее, такая модель имеет право на существование и для ее использования необходимо понять, какой психологический смысл можно вложить в полученные факторы (проинтерпретировать их). Решение этой задачи сталкивается с определенными трудностями. Скажем, все 3 фактора входят в исходный "тревожность" с одним весом (0,51), что затрудняет их интерпретацию. Поэтому обычно не останавливаются на этапе первичного факторного решения, а производят вращение полученного факторного решения.
Процедура вращения предназначена для облегчения интерпретации полученного факторного решения. Геометрически ее действительно можно представлять как небольшие вращения полученных факторов (новой системы координат для нового, уменьшенного пространства признаков). Целью такого вращения является приближение факторной структуры к идеальной факторной структуре. Такая идеальная факторная структура просто и однозначно поддается интерпретации, для чего ее вид должен быть примерно следующим (см. табл. 26).
Таблица 26
Идеальная факторная структура
|
Factor 1 |
Factor 2 |
Factor 3 |
G гипертимность |
0 |
-1 |
0 |
V застревание |
0 |
0 |
1 |
E эмотивность |
0 |
0 |
1 |
P педантичности |
0 |
0 |
1 |
T тревожность |
1 |
0 |
0 |
Z циклотимность |
1 |
0 |
0 |
D7 демонстративность |
0 |
-1 |
0 |
N возбудимость |
1 |
0 |
0 |
D9 дистимность |
0 |
1 |
0 |
Из такой структуры видно, что фактор 1 в основном определяется повышенными тревожностью, циклотимностью и возбудимостью (в соответствующих клетках стоят 1), т. е. связан с проблемами в саморегуляции. Аналогично, фактор 2 определяется сниженной гипертимностью и демонстративностью в сочетании с повышенной дистимностью и может рассматриваться как преимущественная ориентация личности вовнутрь, а не вовне. Фактор 3 ассоциируется с высоким застреванием, педантичностью и эмотивностью. Обратите внимание, что все исходные признаки однозначно распределились по факторам, для чего требуется, чтобы идеальное факторное решение имело определенную структуру.
Обычно представленный выше идеал недостижим, однако использование вращения нормализованный варимакс (Varimax normalized) позволяет к нему существенно приблизится и получить следующее факторное решение после вращения (см. табл. 27).
Таблица 27
