МНОГОМЕРНЫЕ МЕТОДЫ И ИХ ПРИМЕНЕНИЕ в ПСИХОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ

Психологическим данным по природе свойственна многомерность, т.к. они чаще всего состоят по крайней мере из нескольких. наблюдений за поведением одного человека или группы лиц. Многомерные методы были созданы для совместной обработки таких данных и представления их в пригодных для интерпретации виде. Многомерный анализ включает широкий спектр мат. и статистических методов.

Функции, назначение мно­гомерных методов:

1. струк­турирование эмпирической информации (факторный анализ, кластерный анализ, многомерное шкалирование),

2. классификация (кластерный анализ),

3. экстраполяция (множественный регрессионный ана­лиз),

4. распознавание образов (дискриминантный анализ) и т. д.

Применение м ногомерных методов требует соответствующего программного обеспечения (Например, STATIST1CA, SPSS, STATGRAPH, STADIA, содержащие практически весь спектр статистических методов – от простейших до самых современных).

Классификация методов по назначению:

1. методы предсказания: множественный регрессионный анализ и дискриминантный анализ;

2. методы классификации: варианты кластерного анализа и дискриминантный анализ;

3. структурные методы: факторный анализ и многомерное шкалирование.

Множественный регрессионный анализ (МРА). Пред­сказывает значения метрической «зависимой» переменной по множеству из­вестных значений «независимых» переменных, измеренных у множества объектов (испытуемых).

Факторный анализ представляет собой систему методов для преобразования исходного набора признаков к более простой и содержательной форме. Он базируется на предположении, что наблюдаемое поведение испытуемого может быть объяснено с помощью небольшого числа скрытых характеристик, называемых факторами.

Ц ель факторного анализа — уменьшение размерно­сти исходных данных с целью их экономного описания при условии мини­мальных потерь исходной информации. Результатом факторного анализа является переход от множества исходных переменных к существенно мень­шему числу новых переменных — факторов. Фактор при этом интерпретиру­ется как причина совместной изменчивости нескольких исходных перемен­ных.

Если исходить из предположения о том, что корреляции могут быть объ­яснены влиянием скрытых причин — факторов, то основное назначение фак­торного анализ а — анализ корреляций множества признаков.

Дискриминантный анализ («класси­фикация с обучением», «распознавание образов») представляет собой альтернативу множествен­ного регрессионного анализа для случая, когда зависимая переменная пред­ставляет собой номинативную (не количественную, в отличии от МРА) переменную. Задача - предсказание значений «зависимой» пе­ременной, в данном случае — категорий номинативного признака; определе­ние того, какие «независимые» переменные лучше всего подходят для такого предсказания. Структуры исходных данных для дискриминантного и множе­ственного регрессионного анализа практически идентичны. Дискриминантный анализ можно определить и как метод классификации, так как «зависимая» переменная — номинативная, то есть она классифицирует испытуемых на группы, соответствующие разным ее града­циям.

Многомерное шкалирование (МШ) выяв­ляет шкалы как критерии, по которым поляризуются объекты при их субъек­тивном попарном сравнении. Данные для МШ - субъек­тивные суждения испытуемых о различии или сходстве стимулов (объектов). Это выявление структуры исследуемого множества объектов — близко к цели факторного и кластерно­го анализа. Так же, как в факторном анализе, под структурой понимается на­бор основных факторов (в данном случае — шкал), по которым различаются и могут быть описаны эти объекты. НО - в отличие от факторного, и по­добно кластерному анализу исходной информацией для МШ являются дан­ные о различии или близости объектов. Шкала в МШ интерпретируется как критерий, лежащий в основе различий стимулов.Методы классификации: варианты кластерного анализа и дискриминан­тный анализ.

Кластерный анализ («классификация без обучения») решает задачу построения классификации, то есть раз­деления исходного множества объектов на группы (классы, кластеры).

Основным результатом применения иерархического кластерного анализа является дендрограмма — графическое изображение последовательности объединения объек­тов в кластеры. Дендрограмма показывает степень близости отдельных объектов и кластеров, а также наглядно представляет в графическом виде последовательность их объединения или разделения.

Поиск по сайту: