- •Санкт-Петербургский Государственный Институт Психологии и Социальной Работы
- •Математические методы в психологии Учебно-методическое пособие
- •Аннотация
- •Глава 1. Описательная статистика 18
- •Глава 2. Индуктивная статистика 84
- •Оглавление
- •Глава 1. Описательная статистика 12
- •Глава 2. Индуктивная статистика 78
- •Введение Цели и задачи изучения дисциплины «Математические методы в психологии» и сфера профессионального использования
- •Методические указания для студентов
- •Контрольные вопросы для самостоятельной подготовки и самопроверки
- •Глава 1. Описательная статистика
- •1. 1. Математическая статистика и психология. Измерения в психологии и виды шкал
- •Материалы лекции.
- •Типы измерений и измерительные шкалы
- •Генеральная совокупность и выборочное исследование. Статистическая достоверность
- •Этапы обработки результатов психологического исследования
- •1. 2. Описание результатов исследования
- •Материалы лекции.
- •Результаты исследования экстраверсии
- •Алгоритм построения сгруппированного (или табулированного) ряда
- •Общий обзор параметров распределений
- •1. 3. Параметры статистических совокупностей
- •Материалы лекции.
- •Результаты исследования экстраверсии
- •Исключение выскакивающих значений
- •Нормальный закон распределения и другие виды распределений
- •Проверка «нормальности» эмпирического распределения
- •Стандартизация данных и стандартизованные шкалы в психологии
- •Процентильные нормы для детей 5;5 – 11 лет
- •1. 4. Характеристики взаимосвязи признаков
- •Материалы лекции. Понятие статистической зависимости
- •Общий обзор мер связи
- •Коэффициент контингенции
- •Критерий «хи-квадрат» Пирсона
- •Ранжирование
- •Правила ранжирования
- •Бисериальные коэффициенты корреляции
- •Коэффициент взаимной сопряженности Чупрова
- •Коэффициент взаимной сопряженности Пирсона
- •Ранговой коэффициент корреляции Спирмена
- •Коэффициент линейной корреляции Пирсона
- •Глава 2. Индуктивная статистика
- •2. 1. Решение задачи сравнения выборок. Понятие статистических критериев и их виды
- •Материалы лекции. Статистические гипотезы
- •Уровень статистической значимости
- •Этапы принятия статистического решения
- •Классификация исследовательских задач, решаемых с помощью статистических методов
- •Решение задачи сравнения выборок
- •4. Каковы ограничения в применении критерия?
- •Обзор наиболее часто применяемых параметрических критериев
- •Общий обзор непараметрических критериев
- •2. 2. Выявление различий в уровне исследуемого признака
- •Материалы лекции. Параметрический критерий Стьюдента для сравнения независимых выборок
- •Поправка Снедекора
- •Правило принятия решения описано выше. Непараметрический критерий Розенбаума (критерий «хвостов»)
- •Непараметрический критерий Манна-Уитни
- •2. 3. Оценка достоверности сдвига в значениях исследуемого признака
- •Материалы лекции.
- •Параметрический критерий Стьюдента для сравнения зависимых выборок
- •Непараметрический критерий знаков
- •6. Правило принятия решения:
- •Непараметрический критерий Вилкоксона
- •2. 4. Выявление различий в распределении признака
- •Материалы лекции. Критерий «хи-квадрат» Пирсона
- •Критерий Колмогорова-Смирнова
- •2. 5. Многофункциональные статистические критерии
- •Материалы лекции.
- •Критерий φ* — «Угловое преобразование» Фишера
- •Алгоритм расчета критерия φ*
- •Критерий Макнамары
- •Алгоритм расчет критерия
- •2. 6. Дисперсионный анализ
- •Материалы лекции. Введение в дисперсионный анализ anova
- •Однофакторный дисперсионный анализ
- •2. 7. Многомерные методы обработки данных
- •Материалы лекции.
- •I. Классификация методов по назначению:
- •II. Классификация методов по исходным предположениям о структуре данных:
- •III. Классификация методов по виду исходных данных:
- •Множественный регрессионный анализ
- •Матрица корреляций пяти показателей интеллекта
- •Факторные нагрузки после варимакс-вращения
- •1. Эксплораторный-разведочный.
- •2. Конфирматорный.
- •1. Выбор исходных данных.
- •2. Предварительное решение проблемы числа факторов.
- •3. Факторизация матрицы интеркорреляций.
- •4. Вращение и предварительная интерпретация факторов (ротация факторов).
- •5. Принятие решения о качестве факторной структуры.
- •6. Вычисление факторных коэффициентов и оценок.
- •Компьютерные пакеты прикладных статистических программ
- •Список литературы
- •Приложение 1. Статистические таблицы с критическими значениями
- •1.1. Критические значения отношения для исключения выскакивающих значений
- •1.2. Критические значения коэффициента ранговой корреляции Спирмена
- •1.3. Критические значения коэффициента линейной корреляции Пирсона
- •1.4. Критические значения критерия хи-квадрат Пирсона
- •1.5. Критические значения критерия Стьюдента
- •1.6. Критические значения критерия Фишера
- •1.7. Критические значения непараметрического критерия Манна-Уитни
- •1.8. Критические значения непараметрического критерия Вилкоксона
- •1.9. Таблицы для перевода процентных долей в величины центрального угла для расчета критерия «угловое преобразование» Фишера
- •Приложение 2. Глоссарий
- •Приложение 3. Англо-русский словарь статистических терминов
2. 7. Многомерные методы обработки данных
Методические рекомендации к изучению темы
Данная тема является наиболее сложной в курсе. Обратите внимание на то, что общее знакомство с многомерными методами предполагает знание назначения каждого метода, его общие математико-статистические идеи, требования к исходным данным или — иначе ограничения в применении метода, основные его результаты. Именно с этих позиций и описываются в лекциях многомерные методы. Для более полного знакомства с ними рекомендуем воспользоваться в первую очередь учебником Наследова А. Д.
Факторный анализ рассмотрен более подробно ввиду более широкого его использования.
После изучения материала лекции ответьте на контрольные вопросы, ответы занесите в конспект и сохраните его до экзамена.
Материалы лекции.
Роль математических методов в любой области знания (не только в психологии) — представление эмпирических данных в пригодном для интерпретации виде, поиск смысла в исходной эмпирической информации.
Наследов А. Д. вводит понятие эмпирической математической модели(ЭММ), которые идентичны мыслительным операциям. Эти модели он называетописательными, так как они представляют данные, полученные в исследовании, в удобном для интерпретации виде. Простейшие ЭММ — это, например, средние арифметические значения, вычисляемые для сравниваемых выборок в предположении, что различия в средних отражают различия между представителями групп (напомним, что среднее арифметическое значение отражает тенденцию выраженности свойства в выборке); ранжирование членов группы, которое предполагает, что порядковый номер испытуемого в группе (ранг) отражает выраженность изучаемого свойства; коэффициент корреляции между двумя признаками отражает взаимосвязь между ними, при этом мы исходим из предположения о согласованности индивидуальной изменчивости признаков и т.п.
Непосредственно сравнивать, различать, определять взаимосвязь и т.д. мы можем только при небольшой численности испытуемых и признаков. В других случаях, при небольшом числе испытуемых и признаков, мы пользуемся для расчетов калькулятором. Когда выборка большого объема и каждый испытуемый описан большим числом признаков, простейшие ЭММ мало пригодны, тогда возникает необходимость применения многомерных методов анализа и компьютера.
Многомерные методы анализа — дальнейшее развитие ЭММ в отношении многостороннего описания изучаемых явлений. Как и простейшие ЭММ, они воспроизводят мыслительные операции человека, но в отношении таких данных, непосредственное осмысление которых невозможно в силу нашей природной ограниченности. Программные реализации многомерных методов анализа относятся к области искусственного интеллекта. Многомерные методы выполняют такие интеллектуальные функции, как структурирование эмпирической информации, классификация, экстраполяция, распознавание образов и т.д.
К наиболее часто употребляемым в психологии многомерным методам анализа экспериментальных данныхотносятся множественный регрессионный анализ, дискриминантный анализ, кластерный анализ, факторный анализ, многомерное шкалирование и др. Эти методы можно классифицировать по трем основаниям:
А) интеллектуальная операция (или способ преобразования исходной информации) — по назначению метода;
Б) по способу сопоставления данных — по сходству (различию) или пропорциональности (корреляции);
В) по виду исходных эмпирических данных.