Как определить, в какой шкале измерено явление

⇐ ПредыдущаяСтр 3 из 8Следующая ⇒

Определение того, в какой шкале измерено явление (представлен признак), – ключевой момент анализа данных: любой последующий шаг, выбор любого метода зависит именно от этого.

Обычно идентификация номинативной шкалы, ее дифференциация от ранговой, а тем более от метрической шкалы не вызывает особых проблем.

Пример

Рассмотрим вопрос анкеты, для ответа на который испытуемые выбирают один из предложенных вариантов: «Насколько Вы уверены в своих силах...

1) Совершенно уверен

2) Затрудняюсь ответить

3) Совершенно неуверен»

Если исследователя интересует, в какой степени испытуемые уверены или не уверены в своих силах, то логично предполагать, что признак представлен в ранговой шкале. Если же исследователя интересует то, как распределились ответы по вариантам или чем характеризуется каждая из 3 соответствующих групп, то разумнее рассматривать этот признак как номинативный.

Значительно сложнее определить различие между порядковой и метрической шкалами. Проблема связана с тем, что измерения в психологии, как правило, косвенные. Непосредственно мы измеряем некоторые наблюдаемые явления или события: количество ответов на вопросы, или заданий, решенных за отведенное время, или время решения набора заданий и т. д. Но при этом выносим суждения о некотором скрытом, латентном свойстве, недоступном прямому наблюдению: об агрессивности, общительности, способности и т. д.

Количество заданий, решенных за отведенное время, – это, конечно, измерение в метрической шкале. Но само по себе это количество нас интересует лишь в той мере, в какой оно отражает некоторую изучаемую нами способность. Соответствуют ли равные разности решенных задач равным разностям выраженности изучаемого свойства (способности)? Если ответ «да» – шкала метрическая (интервальная), если «нет» – шкала порядковая.

Конечно, проще всего в подобных ситуациях согласиться с тем, что признак представлен в порядковой шкале. Но при этом мы существенно ограничиваем себя в выборе методов последующего анализа. Более того, переход к менее мощной шкале обрекает нас на утрату части столь ценной для нас эмпирической информации об индивидуальных различиях испытуемых. Следствием этого может являться падение статистической достоверности результатов исследования. Поэтому исследователь стремится все же найти свидетельства того, что используемая шкала – более мощная, метрическая.

Задачи и упражнения

Определите, в какой шкале представлено каждое из приведенных ниже измерений: наименований, порядка, интервалов, абсолютной.

1. Порядковый номер испытуемого в списке (для его идентификации).

2. Количество вопросов в анкете как мера трудоемкости опроса.

3. Упорядочивание испытуемых по времени решения тестовой задачи.

4. Академический статус (ассистент, доцент, профессор) как указание на принадлежность к соответствующей категории.

5. Академический статус (ассистент, доцент, профессор) как мера продвижения по службе.

6. Телефонные номера.

7. Время решения задачи.

8. Количество агрессивных реакций за рабочий день.

9. Количество агрессивных реакций за рабочий день как показатель агрессивности.

ТЕМА 2. МАТЕМАТИКО-СТАТИСТИЧЕСКИЙ МЕТОД

ПРЕДСКАЗАНИЯ (ЭКСТРАПОЛЯЦИИ) В ПСИХОЛОГИИ:

МОДЕЛЬ МНОЖЕСТВЕННОГО РЕГРЕССИОННОГО АНАЛИЗА

Назначение

Множественный регрессионный анализ (МРА) предназначен для изучения взаимосвязи одной переменной (зависимой, результирующей) и нескольких других переменных (независимых, исходных). Исходные данные для МРА представляют собой таблицу (матрицу) размерностью N × Р следующего вида:

№	X₁	X₂	…	X_n
	x₁₁	X₁₂	…	X_1p
	X₂₁	X₂₂	…	X_2p
…	…	…	…	…
N	X_n1	X_n2	…	x_np

Строки этой таблицы соответствуют объектам (испытуемым), а столбцы – переменным. Все переменные при этом должны быть измерены в количественной (интервальной) шкале. Одна из переменных определяется исследователем как зависимая, а остальные (или часть их) – как независимые переменные. Допускается, что для некоторых объектов значения зависимой переменной неизвестны, и их определение (оценка) может составлять важный результат анализа.

МРА может применяться как для решения прикладных задач, так и в исследовательских целях. Обычно МРА применяется для изучения возможности предсказания некоторого результата (обучения, деятельности) по ряду предварительно измеренных характеристик. При этом предполагается, что связь между одной зависимой переменной (У) и несколькими независимыми переменными (X) можно выразить линейным уравнением множественной регрессии:

У = b + b₁x₁ + b₂х₂ +... +b_Рх_Р + е, (1)

где У– зависимая переменная; х_и..., х_Р – независимые переменные; b, b₁..., b_p – параметры модели; е – ошибка предсказания.

Примеры

Психолога может заинтересовать предсказание успеваемости абитуриента по измеренным психологическим характеристикам (интеллекта, личности и пр.). В этом случае он использует уже имеющиеся данные о взаимосвязи успеваемости и предварительного психологического тестирования за прошлые годы. Успеваемость при этом он рассматривает как зависимую переменную, психологические показатели – как независимые переменные. Применяя МРА, он получает модель предсказания в виде уравнения множественной регрессии (1). Подставляя в эту модель данные абитуриента, психолог получает предсказание его успеваемости.

Сходным образом психолог может изучать удовлетворенность оплатой труда. Привлекая данные разных компаний, он может при помощи МРА определить зависимость оплаты труда (Y) сотрудника от степени ответственности, количества подчиненных и других показателей (х₁..., х_Р). Пользуясь этой моделью, можно определить сотрудников, которым недоплачивают, переплачивают или платят «справедливо» за их труд.

Р. Кеттелл при помощи МРА получил «профессиональные портреты» для некоторых специальностей:

• психотерапевт = 0, 72A + 0, 29В + 0, 29H+ 0, 29N;

• психодиагност = 0, 31A + 0, 78B + 0, 47 N.

Коэффициенты регрессии перед сокращенными техническими обозначениями шкал-факторов опросника Р. Кеттелла указывают на их вклад в прогноз эффективности соответствующей деятельности. Так, для психотерапевта важнее всего общительность (А), а для психодиагноста – интеллект (В).

Помимо предсказания и определения степени его точности МРА позволяет определить и то, какие показатели («независимые переменные») наиболее существенны, важны для предсказания, а какими переменными можно пренебречь, исключив их из анализа. Например, психолога может интересовать вопрос о том, какие психологические характеристики в наибольшей степени влияют на проявление исследуемой формы поведения или какие индивидуальные особенности лучше предсказывают успешность деятельности и пр.

В основе множественного регрессионного анализа лежит линейная модель (1). МРА в этом смысле можно рассматривать как аналог многофакторного дисперсионного анализа для случая, когда независимые переменные представляют собой не градации факторов (номинативные переменные), а измерены в количественной шкале. Тогда, в соответствии с моделью 1, МРА выступает как инструмент исследования влияния факторов (независимых переменных) х₁..., х_p на зависимую переменную Y.

Часто зависимая переменная Y выступает в качестве градаций, которым соответствуют разные группы объектов, т. е. измерена в номинативной шкале. В этом случае модель множественной регрессии неприемлема, и вместо МРА может быть применен дискриминантный анализ, который решает те же задачи и позволяет получить сходные результаты.

МРА может применяться и в том случае, если переменная Y является причиной изменения нескольких переменных х₁ …, х_Р. Так, зависимой переменной может быть скрытая причина, фактор, например личностное свойство, а независимыми переменными – пункты теста, измеряющие различные проявления этого свойства. Таким образом, понятия «зависимая» и «независимая» переменные в МРА являются условными, а определение направления причинно-следственной связи выходит за рамки применения самого метода.

⇐ Предыдущая 1 234 5 6 7 8 Следующая ⇒