- •Курс лекций по дисциплине «психология» Лекция I. Введение в психологию
- •Лекция 2. Развитие психики и сознания
- •Лекция 3. Личность
- •Лекция 4. Познавательные процессы
- •Лекция 6. Индивидуально — психологические особенности личности
- •1. Планы для одной независимой переменной
- •Здесь две группы: экспериментальная и контрольная. Такой план используется только тогда, когда
- •При таком исследовании Вы не получите никакой
- •2. Планы для двух независимых переменных
- •3. Корреляционные планы
- •Оценка типа распределения первичных интервалов
- •Анализ первичных статистик
- •Алгоритм подсчета критерия q Розенбаума14
- •Алгоритм подсчета критерия u Манна-Уитни15
- •Алгоритм расчета критерия φ*16
- •Алгоритм расчета критерия т Вилкоксона17
- •Алгоритм расчета критерия 2
- •Алгоритм расчета абсолютной величины разности d между эмпирическим и равномерным распределениями18
- •Алгоритм расчета критерия при сопоставлении двух эмпирических распределений19
- •Алгоритм расчета коэффициента ранговой корреляции Спирмена rs20
- •Алгоритм расчета коэффициента линейной корреляции Пирсона
- •Карта наблюдения сформированности учебной позиции22
- •Карта психолого-педагогического наблюдения23 (практика «пробные уроки») ф.И. Студента ……….……………..……...…..….…….…… группа …………… дата ………...……
- •Таблицы критических значений
- •Значения критерия t для отбраковки выпадающих вариант при разных уровнях значимости (р)
- •Критические значения критерия q Розенбаума
- •Критические значения критерия u Манна-Уитни
- •Величины угла (в радианах) для разных процентных долей
- •Критические значения критерия т Вилкоксона
- •Стандартные значение t-критерия Стьюдента при различных уровнях значимости
- •Критические значения критерия 2
- •Критические значения dmax при сопоставлении эмпирического распределения с теоретическим
- •Критерий Колмогорова-Смирнова для сопоставления двух эмпирических распределений между собой
- •Критические значения выборочного коэффициента корреляции рангов по Спирмену
- •Критические значения коэффициента корреляции Пирсона
- •Раздел 3. Возрастная психология
- •1. Возрастная психология как наука
- •Вопросы к теме
- •Список литературы Основная литература
- •Дополнительная литература
- •Периодизации психического развития
- •Древнекитайская периодизация развития человека
- •Классификация возрастов жизни по Пифагору (IV в. До н. Э.)
- •Классификация возрастов жизни по Гиппократу (IV в. До н.Э.)
- •2.1 Периодизации, связанные с выделением непсихологического признака
- •2.2 Периодизации, связанные с выделением психологического признака
- •Развитие моральных суждений по л. Кольбергу
- •Развитие социального интеллекта по р. Селману
- •2.3 Комплексные периодизаци
- •Периодизация психического развития д.Б. Эльконина
- •Периодизация психического развития по э. Эриксону
- •Вопросы к теме
- •Список литературы Основная литература
- •Дополнительная литература
- •3. Психологическая характеристика детского возраста
- •3.1 Психологические особенности младенчества (0-1 год)
- •Развитие движений и действий в младенчестве
- •3.2 Развитие психики ребенка в раннем детстве (1 – 3 года)
- •3.3 Развитие психики ребенка в дошкольном возрасте (3 года 6 –7 лет)
- •Вопросы к теме
- •Список литературы Основная литература
- •Дополнительная литература
- •Раздел 4. Социальная психология Тема 1.1 Предмет и методы социальной психологии
- •Тема 1.2 История и современные направления развития социальной психологии
- •Контрольные вопросы и задания
- •Библиографический список
- •Тема 2.1 Социально-психологичсекие закономерности общения
- •Тема 2.2 Общение как обмен информацией
- •Тема 2.3 Перцептивная сторона общения
- •Тема 2.4 Интерактивная сторона общения
- •Контрольные вопросы и задания
- •Библиографический список
- •Тема 3.1 Проблема группы в социальной психологии
- •Тема 3.2 Психология малых групп
- •Контрольные вопросы и задания
- •Библиографический список
- •Тема 4.1 Социализация и развитие личности
- •Периодизация психического развития по э.Эриксону
- •Тема 4.2 Социальные установки и атрибутивные процессы
- •Контрольные вопросы и задания
- •Библиографический список
- •Словарь терминов30
- •Раздел 5. Педагогическая психология
- •Раздел 1. Современное образовательное пространство
- •1.2. Ретроспектива педагогической психологии
- •1.3. Проблемы современной науки
- •1.4. Особенности современного образовательного процесса
- •1.5. Психологические методы исследования педагогической реальности
- •Вопросы для обсуждения
- •Глава 2. Психология обучающихся
- •2.1. Психическое развитие ребенка
- •2.2. Персонифицированные периодизации развития человека
- •2.3. Диагностика индивидуального развития учащегося
- •Вопросы для обсуждения
- •Глава 3. Психология педагога
- •3.2. Профессиональная готовность педагогических кадров
- •3.3. Профессиональный рост педагога
- •Сравнительные характеристики зрелости к. Аджирис
- •Вопросы для обсуждения
- •Г л а в а 4. Педагогическое общение
- •4.1. Общая характеристика специфики педагогического общения
- •4.2. Коммуникативный аспект педагогического общения
- •4.3. Перцептивный аспект педагогического общения
- •4.4. Интерактивный аспект педагогического общения
- •Типы нарушения дисциплины
- •Характеристики темперамента
- •Акцентуации характера
- •Вопросы для обсуждения
- •Глава 5. Психология воспитания
- •5.2. Цели и средства воспитания
- •Вопросы для обсуждения
- •Глава 6. Психология обучения
- •6.1. Традиция и инновация в обучающем процессе
- •6.2. Навыки учебной деятельности
- •Уровни сформированности целеполагания
- •Уровни сформированности учебных действий
- •Уровни сформированности действий контроля
- •6.3. Методы обучения
- •Вопросы для обсуждения
Анализ первичных статистик
Делать выводы о результатах диагностики можно также на основе анализа первичных статистик (т.е. статистических показателей) или описательных статистик. К ним относят среднее арифметическое, медиану, моду, размах, стандартное отклонение и некоторые другие. Эти статистики можно сравнивать между собой (например, среднее арифметическое значение тревожности в разных группах).
Среднее арифметическое чаще всего используют для анализа. Для несгруппированных данных формулу вы уже знаете (). Для сгруппированных по классовым интервалам данным вычисление средней арифметической производят по следующей формуле.
, где
Xi - центр i-того класса,
fi – частота i-того класса,
n – количество испытуемых.
Среднее арифметическое – это статистический показатель, он чаще всего представлен дробным значением (например, тревожность = 17,42).
Медиана (Ме) – это не отдельное измерение, а точка в последовательном ряду данных на измерительной шкале, выше и ниже которой находятся по половине наблюдений13.
Вычисление медианы для несгруппированных данных, упорядоченных по степени их возрастания или убывания.
а) нечетное количество результатов:
1, 4, 5, 7, 13, 14, 15, 17, 18, 19, 21, 24 Ме = 14
б) четное количество результатов:
1, 4, 5, 7, 13, 14, 15, 17, 18, 19, 21, 24 Ме = (14 + 15)/2 = 14,5
Вычисление медианы для сгруппированных данных осуществляется по формуле:
,
l – нижняя точная граница класса группировки,
содержащего медиану;
fcum- сумма частот классов, нижеl,
fр– сумма частот класса, содержащего медиану;
n– число показателей;
i– ширина класса группировки.
Где где
Рассмотрим вычисление медианы на примере таблицы 8:
Найдем половину наблюдений:
39 / 2 = 19,5
Суммируем частоты (f), начиная с минимального класса группировки, до класса, содержащего половину представленных показателей (не менее 19,5), т.е. до медианы:
3+4+7+1+8 = 23
Медиана находится в 5 классе, точные границы которого 67,5 – 72,5;
Определим fcum, т.е. сумму частот предыдущих классов, в которые медиана не входит:
f cum = 3+4+7+1 = 15
Подставим данные в формулу:
Это означает, что ровно половина детей читают больше 70 слов в минуту.
Мода (Мо) - это показатель, наиболее часто встречающийся в выборке («модный»). Чаще всего ее определяют тогда, когда результаты представлены в номинативной шкале. Определяют ее по частоте проявления какого-либо признака. Покажу на примерах:
а) 1; 2; 1; 3; 3; 1; 3; 2; 2. (1 – праворукие, 2 – амбиверты, 3 - леворукие).
Диапазон |
Частота (d) |
1 2 3 |
3 3 3 |
В данном случае моды нет.
б) В тесте Люшера желтый цвет ставят в разные позиции: 24, 15, 13, 8, 15, 10, 9, 8
Позиция желтого цвета |
Частота (d) |
1 2 3 4 5 6 7 8 |
24 Мо = 1, т.е. чаще всего желтый цвет ставят в первую позицию. 15 13 8 15 10 9 8 |
в) 10, 12, 13, 14, 11, 12, 11, 15, 16, 12, 10, 11.
Диапазон |
Частота (d) |
16 15 14 13 12 11 10 |
1 1 Мо = (12 + 11)/2 = 11,5 1 1 3 3 2 |
г) 2, 4, 3, 5, 5, 4, 4, 2, 2, 4, 2 - отметки за контрольную работу.
Диапазон |
Частота Мо = 4 и Мо = 2. В данном примере две моды |
5 4 3 2 |
2 4 1 4 |
Размах (Wn) – это интервал между наибольшим и наименьшим значением. Определяется он как разность между максимальным и минимальным значениями (xmax – xmin). При малом количестве данных размах очень зависит от выступающих значений.
Например: 2, 5, 3, 1, 7, 5, 6, 4. 7 – 1 = 6
15, 17, 11, 10, 14, 13, 16, 100. 100 – 10 = 90
Однако во втором ряду значений 100, скорее всего, выпадающее значение (возможно описка). И если его исключить, размах будет гораздо уже: 17 – 10 = 7.
Стандартное отклонение () – также является первичной статистикой. Стандартное отклонение – это мера разнообразия показателей, входящих в группу. Оно показывает, на сколько в среднем отклоняется каждая варианта от средней арифметической. Чем больше отклонение, тем больше сигма.
Расчет стандартного отклонения для несгруппированных данных мы уже рассматривали (см. стр. 32, 39, 43). Для сгруппированных данных формула вычисления следующая:
f – частота отдельного интервала
n – количество результатов
Х – отклонение центра класса от среднего арифметического.
, где
Смотрите вспомогательную таблицу для расчета (табл.10).
Таблица 10.
Расчет стандартного отклонения для сгруппированных данных.
Классовые интервалы |
Центр класса (xj) |
Частота (f) |
Отклонение (Х) | xј – M | |
Х² |
fХ² |
55-59 |
57 |
1 |
25,09 |
629,508 |
629,508 |
50-54 |
52 |
2 |
20,09 |
403,608 |
807,216 |
45-49 |
47 |
4 |
15,09 |
227,708 |
910,832 |
40-44 |
42 |
6 |
10,09 |
101,808 |
610,848 |
35-39 |
37 |
8 |
5,09 |
25,908 |
207,264 |
30-34 |
32 |
11 |
0,09 |
0,008 |
0,088 |
25-29 |
27 |
9 |
4,91 |
24,108 |
216,972 |
20-24 |
22 |
7 |
9,91 |
98,208 |
687,456 |
15-19 |
17 |
5 |
14,91 |
222,308 |
1111,540 |
10-14 |
12 |
2 |
19,91 |
396,408 |
792,816 |
|
|
n = 55 |
|
|
fХ² = 5974,54 |
Давайте покажу Вам один фокус. Посмотрите на значение стандартного отклонения в последнем примере и примере со стр. 39.
= 10,422; интел= 6,56;нейрот= 3,31.
Что можно сказать о разбросе значений по данным показателям? Ни–че–го! Ничего нельзя сказать по абсолютным значениям стандартного отклонения, так как показатели измерены в разных единицах. Чтобы сравнить отклонения в распределении значений разных показателей, необходимо применить коэффициент вариации. С помощью него величина сигмы приводится к одному масштабу.
CV- коэффициент вариации,
- стандартное отклонение,
M- среднее арифметическое.
, где
Сравним изменчивость массивов данных:
1) = 10,42;М= 31,91;
2) интел= 6,56;М= 101,2;
3) нейрот= 3,31;М= 14,5;
Посмотрите, если по абсолютному значению разброс данных выше по шкале нейротизма, то, посмотрев на приведенные в один масштаб значения, видно, что он оказывается средним. Самый низкий разброс показателей – по шкале интеллекта.
Итак, проведя первичную обработку эмпирических данных (т.е. полученных в результате Вашего опыта), Вы сделали соответствующие выводы о распределении показателей, о средних значениях, о разбросе данных. Но это только первичная обработка данных. Методы математической статистики в психолого-педагогическом исследовании используют и для решения более сложных задач. И это будет вторичная обработка данных.
вторичная ОБРАБОТКА ДАННЫХ
Благодаря вторичной обработке данных можно выявить скрытые тенденции, закономерности и связи; обнаружить новые факты, которые не ожидались и не были замечены в ходе эмпирического процесса; выявить уровень достоверности, надежности и точности полученных результатов; получить научно обоснованные результаты. Выбор конкретного метода обработки данных зависит от задач исследования, а также от способа измерения данных (т.е. шкалы, в которой они представлены).
Изучите внимательно таблицу 11.
Таблица 11
Классификация задач и методов их решения (на базе таблицы Е.Ф. Волковой).
№ п/п |
Задачи |
Условия |
Объем выборки (ок) |
Методы |
Шкала |
1 |
2 |
3 |
4 |
5 |
6 |
1 |
Отбраковка выпадающих значений |
нет ограничений |
n5 |
t – критерий выпада |
|
2 |
Определение наиболее характерных показателей для исследуемой выборки |
нет ограничений |
чем больше выборка, тем ближе может быть оценка параметра к его истинному значению |
x-среднее арифметическое |
интервальная отношений
|
Ме– медиана
|
порядковая интервальная отношений | ||||
Мо- мода |
чаще для номинативной | ||||
3 |
Оценка степени рассеивания отдельных величин вокруг средней арифметической |
нет ограничений |
чем больше выборка, тем ближе может быть оценка параметра к его истинному значению |
Wn – размах |
порядковая интервальная |
точно для нормального распределения |
- стандартное отклонение |
отношений интервальная отношений | |||
4 |
Выявление различий в уровне исследуемого признака |
2 выборки испытуемых, диапазоны разброса показателей не должны совпадать |
n≥ 11, n1 n2
|
Q–критерий Розенбаума
|
порядковая интервальная отношений
|
2 выборки испытуемых, имеется зона перекрещивающихся значений между выборками (т.е. повторяющихся в разных выборках). |
а) n1=2,n25 б) 3 ≤ n1 ≤ 60, 3 ≤ n1 ≤ 60,
|
U–критерий Манна-Уитни
|
порядковая интервальная отношений
| ||
2выборки испытуемых
|
а) n1=2,n230 б) n1=3,n27 в) n1=4,n25 г) n1, n25 |
φ*-критерий (угловое преобразование Фишера) |
любая шкала | ||
5 |
Оценка различия в средних |
2 выборки испытуемых, нормальное распределение |
30(n1 +n2 -2) до |
t – критерий Стьюдента |
интервальная отношений
|
1 |
2 |
3 |
4 |
5 |
6 |
6 |
Оценка сдвига значений исследуемого признака
|
Одни и те же показатели, измеренные у одних и тех же испытуемых до и после воздействия а) при отсутствии контрольной группы (2 замера 1 группа) |
5 n 50
|
Т– критерий Вилкоксона
|
порядковая интервальная отношений
|
б) при наличии контрольной группы (2 замера 2 группы) |
5 n 50
|
Вариант1– сопоставление значений «до» и «после» отдельно по экспериментальной и контрольной группам Т – критерий Вилкоксона |
порядковая интервальная отношений | ||
n 11, n1 n2
n1=2, n2 5; 3 (n1, n2) 60 n1, n2 5 |
Вариант 2– сопоставление сдвигов в двух группах Q– критерий Розенбаума U– критерий Манна–Уитни φ*-критерий Фишера |
порядковая интервальная отношений
все шкалы | |||
7 |
Выявление различий в распределении признака
|
сопоставление двух эмпирических распределений или эмпирического с теоретическим
|
n30
|
² критерий Пирсона |
любая шкала |
n1,2 50
|
-критерий Колмогорова-Смирнова |
порядковая интервальная отношений | |||
а) n1=2,n230 б) n1=3,n27 в) n1=4,n25 г) n1, n25 |
φ*-критерий Фишера |
любая шкала. | |||
8 |
Выявление степени согласованности изменений (корреляции) |
2 признака или 2 профиля
|
30< n 40
|
rs-коэффициент ранговой корреляции Спирмена |
порядковая интервальная отношений |
4< n5000
|
rxy-коэффициент линейной корреляции Пирсона |
интервальная отношений |
С описанием способа решения первых трех задач Вы познакомились, изучая раздел «Первичная обработка данных».
Для дальнейшего рассмотрения способов обработки данных нам потребуется понятие «статистические гипотезы». Формулирование гипотез систематизирует предположения исследователя и представляет их в четком и лаконичном виде. Благодаря гипотезам, исследователь не теряет путеводной нити в процессе рассчетов и ему легко понять после их окончания, что, собственно, он обнаружил. Статистических гипотез две:
нулевая гипотеза(Но) – гипотеза об отсутствии различий, эту гипотезу мы опровергаем, если стоит задача доказать значимость различий,
альтернативная гипотеза(Н1) – это то, что мы хотим доказать.
Для каждого метода статистической обработки данных эти гипотезы в общем виде будут сформулированы. Вам придется только уточнить их в терминах Вашего исследования.
Итак, определитесь, какую задачу Вам необходимо решить, выберите по таблице подходящий метод, четко следуйте алгоритму подсчета данных – и у Вас все получится! Небольшая рекомендация: независимо от того, считаете ли Вы «в столбик» или на калькуляторе – пересчитывайте все операции не менее двух раз, тогда Вы снизите риск механической ошибки.
ВЫЯВЛЕНИЕ РАЗЛИЧИЙ В УРОВНЕ ИССЛЕДУЕМОГО ПРИЗНАКА
Такая задача стоит перед нами тогда, когда необходимо сопоставить между собой данные двух групп, чтобы доказать, что группы различны (например, различия между экспериментальной или контрольной группами после проведенного Вами воздействия), либо что между группами нет различий (на этапе предварительной диагностики экспериментальной и контрольной групп).
Возможна другая ситуация: изначально у Вас большая выборка, скажем человек 60, упорядоченная по какому-либо показателю. Из этой группы Вам необходимо выделить подгруппу с высокими значениями по данному показателю и подгруппу с низкими значениями, чтобы сравнить и другие данные в этих подгруппах. Например, Вы продиагностировали испытуемых и упорядочили их по показателю тревожность. Вам необходимо посмотреть, существуют ли различия в уровне самооценки у высокотревожных и слаботревожных. Если вы разделите всю группу пополам, то среднее значения «смажут» Вам всю картину. В подобном случае лучше группу делить не на 2, а на 3 подгруппы, и брать в расчет только «крайние» подгруппы. В среднюю подгруппу попадут те, чьи показатели отклоняются от средней арифметической не более, чем на ¼(М¼). При этом Вы потеряете около 19,8 % испытуемых при нормальном распределении, и больше, если распределение отличается от нормального.
Итак, у Вас две группы и перед Вами стоит задача определить, достоверны ли различия между ними по исследуемому признаку.
Q – критерий Розенбаума
Это очень простой критерий, который позволяет быстро оценить различия между двумя выборками. Однако если критерийQне выявляет достоверных различий, это еще не означает, что их действительно нет.
Статистические гипотезы:
Но: уровень признака в выборке 1 не превышает уровня признака в выборке 2.
Н1: уровень признака в выборке 1 превышает уровень признака в выборке 2.