Методы обработки данных в психологии реферат

Обновлено: 02.07.2024

Проблема повышения качества и эффективности научных исследований в сфере психологии в последние годы выступает предметом исследования большинства ученых, приводит к активному внедрению в практическую психологию современных математических и информационных методов.

Методы математической обработки данных используются для обработки данных, установления закономерностей между изучаемыми процессами, психологическими феноменами. Использование математических методов позволяет повысить достоверность, научность результатов исследований.

Подобная обработка может осуществляться вручную либо при помощи специального программного обеспечения. Результаты исследования могут быть представлены в графическом виде, в виде таблица, в числовом выражении.

На сегодняшний день основными направлениями психологического знания, в которых уровень математизации знаний оказывается наиболее важным, является экспериментальная психология, психометрика и математическая психология.

К наиболее распространенным психологическим математическим методам относят регистрацию и шкалирование, ранжирование, факторный, корреляционный анализ, различные методы многомерного представления и анализа данных.

Готовые работы на аналогичную тему

Курсовая работа Математические методы в психологии 490 руб.
Реферат Математические методы в психологии 260 руб.
Контрольная работа Математические методы в психологии 240 руб.

Получить выполненную работу или консультацию специалиста по вашему учебному проекту Узнать стоимость

Назначение методов

Психологические исследования позволяют выявить некоторые общие черты, свойственные популяции людей.

Под популяцией понимается совокупность объектов изучения, которых объединяет какой-то общий признак.

Это могут быть представители одной социальной группы, сообщества, возрастной категории, профессиональной области и т.д.

Для проведения исследования производится выборка, которая должна быть репрезентативной (т.е. максимально точно и достоверно отражать характеристику всей совокупности в целом). Полученные в результате работы психолога результаты подлежат обработке.

Обработка данных — это отдельная область экспериментальной психологии, напрямую связанная с математикой, статистикой.

Любое психологическое исследование состоит из нескольких этапов: разработка программы, проведение процедур, анализ полученных результатов.

Методы математической обработки данных позволяют проверить достоверность начальных гипотез и, соответственно, опровергнуть их или подтвердить. В итоге решаются следующие задачи:

систематизируются полученные сведения;
выявляются допущенные ошибки, неточности;
обнаруживаются скрытые закономерности, связи;
определяется достоверность результатов.

Обработка данных бывает количественной и качественной.

В первом случае изучаются различные параметры объекта исследования, которые подлежат измерению.

Во втором случае речь идет о проникновении в суть проблемы, выявлении глубинных процессов. Оба уровня тесно связаны между собой, поскольку только единство из применения позволяет получить точные результаты.

При этом качественные данные невозможно измерить, единственный способ их математической оценки — выявление частоты встречаемости (например, как часто встречается среди испытуемых холерический тип темперамента).

Количественные же данные можно анализировать при помощи специальных статистических методов, в основе которых лежат математические параметры.

Количественная обработка производится при помощи двух групп методов: первичных, вторичных.

Принципы применения в исследованиях

Принципы применения математических методов — положения, которые используют в психологии. Они определяют применение и стратегии дальнейшего развития науки. К ним относятся:

Принцип детерминизма. Требует объяснения изучаемых феноменов через общепринятые факты (под общепринятыми понимаются факты, официально признанные учеными и опубликованные в соответствующей литературе).
Деятельность, личность и сознание едины. Личность — носитель сознания, а сознание неотделимо от личности. Деятельность — форма взаимодействия личности с миром, определяемая причинно-следственной связью.
Личностный и системный подход. Требует рассматривать объекты как отдельные, присущие одному человеку и группе.
Обусловленность рефлекторной и социальной составляющей. Объективный мир влияет на психику, поэтому психические явления — отражение окружающей действительности.
Принцип совокупности. Требует исследования явления как единого целого.
Принцип развития. Явления необходимо рассматривать во время развития, с учетом причин появления и возможных вариантов объединения.
Принцип иерархии. Предполагается рассматривать психологические явления как лестницу, с подчинением низших ступеней высшим.
Единство теории, эксперимента и практики. Теория проверяется практическим экспериментом, необходимым для поиска решения.

Чтобы получать достоверные результаты, психолог должен соблюдать все принципы.

Несмотря на все недостатки, матметоды все же остаются подходящим инструментом проверки гипотез, снижающими вероятность погрешности. Точность результатов в большей степени зависит от навыков исследователя, чем от выбранного способа оценки.

Классификация

Методы статистической обработки — это математические формулы, приемы, количественные расчеты, которые позволяют систематизировать полученные в ходе исследования сведения, выявить имеющиеся закономерности.

Что такое принцип системности в психологии? Читайте об этом здесь.

Первичные

Первичные методы позволяют установить показатели, отражающие непосредственные результаты исследований.

С их помощью психолог может сформировать свое первое представление об объекте: о его характеристиках, об имеющихся закономерностях и т.д.

Вторичные анализы

Вторичные методы математико-статистического анализа направлены на более глубокое изучение вопроса.

Они помогают выявлять скрытые закономерности, устанавливать взаимосвязи.

Вторичные методы: корреляционный анализ, регрессионный анализ, факторный анализ и др.

Корреляционный

Между двумя переменными может существовать определенная зависимость. При наличии такой зависимости изменения в одной переменной автоматически стимулируют изменения показателей второй переменной.

Подобная связь присутствует, когда имеются некоторые общие факторы, оказывающее влияние в обоих случаях. Уровень зависимости, существующий между переменными, называется корреляционным коэффициентом. Диапазон его колебаний: от — 1 до +1.

При отрицательном значении показателя специалист делает вывод, что увеличение значений одной переменной приводит к уменьшению значения другой.

Нулевой коэффициент корреляции свидетельствует об отсутствии взаимосвязи между явлениями. Его положительное значение подтверждает, что прямая зависимость между переменными присутствует. Причем чем эта зависимость существеннее, тем ближе показатель приближается к отметке 1.

Регрессионный

Позволяет выявить зависимость одной случайной переменной от другой или нескольких других случайных переменных.

Первый показатель считается зависимым, остальные показатели — независимые.

Исследователь самостоятельно определяет, какие переменные будут выполнять выбранные роли. Его решение зависит от того, какие задачи ставятся изначально.

Факторный

Суть метода — выявление некоторого фактора, объединяющего большое количество переменных по какому-либо признаку.

Это позволяет сузить массив обрабатываемой информации до оптимальных значений. При помощи факторного анализа все многообразие данных объединяется в несколько ключевых показателей.

Активно используется в психологии при работе с большими объемами информации.

Он позволяет выявить скрытые признаки и закономерности, причины возникновения явлений. Существуют разные типы факторного анализа: перспективный, ретроспективный, прямой, обратный и т.д.

Канонический

Позволяет установить зависимость между двумя модулями переменных, которые характеризуют объекты.

Данный способ исследования помогает обобщить информацию и выявить влияние одного фактора на группу переменных.

Например, в сфере педагогики специалист может при помощи данного приема выявить зависимость между успеваемостью детей по нескольким видам дисциплин и уровнем развития у них какого-либо навыка.

Или можно выявить уровень влияния какого-либо внешнего фактора на развитие определенных психологических проблем.

Для чего используется лонгитюдный метод в психологии? Ответ вы найдете на нашем сайте.

Сравнение средних

Нередко при сравнении средних показателей двух серий экспериментов исследователь обнаруживает несовпадение. Это может быть вызвано как совершенными специалистом во время проведения эксперимента ошибками, так и иными причинами.

Например, в рамках исследования уровня знаний студентов университета, группе первокурсников моет быть предложено пройти тест, состоящий из 60 вопросов. Через 5 лет этой же группе студентов, являющихся выпускниками, предлагается вновь пройти тот же самый тест.

То есть и объекты исследования, и предмет исследования, и содержание эксперимента никак не изменяются. Проходит лишь определенный промежуток времени.

Сравнение средних показателей наверняка продемонстрирует явное несовпадение результатов. В данном случае исследователь после анализа данных скорее всего придет к выводу, что средний показатель уровня знаний студентов за время обучения повышается.

Сравнение дисперсий

Предыдущий метод не всегда позволяет получить исчерпывающую информацию.

Сравнение средних величин помогает исследователю проследить взаимосвязь между двумя уровнями одного и того же объекта.

В этом случае данные, подтверждающие разные уровни успеваемости, будут свидетельствовать об изменчивости исследуемого показателя.

Частотный

Создание специальных таблиц частот для изучения категориальных переменных.

Возможно применение данного способа обработки данных и в отношении количественных переменных, но в таком случае могут возникнуть сложности при интерпретации результатов.

Обычно данные таблицы частот представляют собой графические изображения в виде гистограмм.

Частотный ряд имеет смысл применять в том случае, когда в исходной выборке присутствует множество схожих значений.

Кластерный

Данный способ классификации полученных данных применяется при больших объемах информации.

Все многочисленные объекты исследования разбиваются на группы по схожим признакам.

Подобный многомерный метод актуален для исследований, в которых присутствует большое количество объектов или у незначительного числа объектов выявляется многообразие признаков.

Несомненным преимуществом подхода является тот факт, что объекты могут объединяться в однородные группы не только по одному схожему признаку, но и по совокупности признаков.

Также кластерный анализ в отличие от большинства других статистических методов не налагает никаких ограничений на вид объектов, подлежащих рассмотрению. Соответственно, становится возможным выбор данных произвольного характера.

Сущность данного метода заключается в выражении исследуемых феноменов в числовых показателях. Выделяют несколько видов шкал, однако, в рамках практической психологии чаще всего используется количественная, которая позволяет измерять степень выраженности исследуемых свойств у объектов, выразить разницу между ними в числовых показателях. Использование количественной шкалы позволяет осуществлять операцию ранжирования.

Под ранжированием в современной научной литературе понимают распределение данных в порядке убывания/ возрастания исследуемого признака.

В процессе ранжирования каждому конкретному значению присваивается определенный ранг, что позволяет перевести значения из количественной шкалы в номинальную.

Обработка данных психологических исследований - отдельный раздел экспериментальной психологии, тесно связанный с математической статистикой и логикой. Обработка данных направлена на решение следующих задач:

- упорядочивание полученного материала;

- обнаружение и ликвидация ошибок, недочетов, пробелов в сведениях;

- выявление скрытых от непосредственного восприятия тенденций, закономерностей и связей;

- обнаружение новых фактов, которые не ожидались и не были замечены в ходе эмпирического процесса;

- выяснение уровня достоверности, надежности и точности собранных данных и получение на их базе научно обоснованных результатов.

Различают количественную и качественную обработку данных. Количественная обработка - это работа с измеренными характеристиками изучаемого объекта, его "объективированными" свойствами. Качественная обработка представляет собой способ проникновения в сущность объекта путем выявления его неизмеряемых свойств.

Количественная обработка направлена в основном на формальное, внешнее изучение объекта, качественная - преимущественно на содержательное, внутреннее его изучение. В количественном исследовании доминирует аналитическая составляющая познания, что отражено и в названиях количественных методов обработки эмпирического материала: корреляционный анализ, факторный анализ и т. д. Реализуется количественная обработка с помощью математико-статистических методов.

В качественной обработке преобладают синтетические способы познания. Обобщение проводится на следующем этапе исследовательского процесса - интерпретационном. При качественной обработке данных главное заключается в соответствующем представлении сведений об изучаемом явлении, обеспечивающем дальнейшее его теоретическое изучение. Обычно результатом качественной обработки является интегрированное представление о множестве свойств объекта или множестве объектов в форме классификаций и типологий. Качественная обработка в значительной мере апеллирует к методам логики.

Противопоставление друг другу качественной и количественной обработки довольно условно. Количественный анализ без последующей качественной обработки бессмыслен, так как сам по себе не приводит к приращению знаний, а качественное изучение объекта без базовых количественных данных в научном познании невозможно. Без количественных данных научное познание - чисто умозрительная процедура.

Единство количественной и качественной обработки наглядно представлено во многих методах обработки данных: факторном и таксономическом анализе, шкалировании, классификации и др. Наиболее распространены такие приемы количественной обработки, как классификация, типологизация, систематизация, периодизация, казуистика.

Качественная обработка естественным образом выливается в описание и объяснение изучаемых явлений, что составляет уже следующий уровень их изучения, осуществляемый на стадии интерпретации результатов. Количественная же обработка полностью относится к этапу обработки данных.

Вопрос 2. Первичная статистическая обработка данных

Все методы количественной обработки принято подразделять на первичные и вторичные.

Первичная статистическая обработка нацелена на упорядочивание информации об объекте и предмете изучения. На этой стадии "сырые" сведения группируются по тем или иным критериям, заносятся в сводные таблицы. Первично обработанные данные, представленные в удобной форме, дают исследователю в первом приближении понятие о характере всей совокупности данных в целом: об их однородности - неоднородности, компактности - разбросанности, четкости - размытости и т. д. Эта информация хорошо считывается с наглядных форм представления данных и дает сведения об их распределении.

В ходе применения первичных методов статистической обработки получаются показатели, непосредственно связанные с производимыми в исследовании измерениями.

К основным методам первичной статистической обработки относятся: вычисление мер центральной тенденции и мер разброса (изменчивости) данных.

Первичный статистический анализ всей совокупности полученных в исследовании данных дает возможность охарактеризовать ее в предельно сжатом виде и ответить на два главных вопроса: 1) какое значение наиболее характерно для выборки; 2) велик ли разброс данных относительно этого характерного значения, т. е. какова "размытость" данных. Для решения первого вопроса вычисляются меры центральной тенденции, для решения второго - меры изменчивости (или разброса). Эти статистические показатели используются в отношении количественных данных, представленных в порядковой, интервальной или пропорциональной шкале.

Меры центральной тенденции - это величины, вокруг которых группируются остальные данные. Данные величины являются как бы обобщающими всю выборку показателями, что, во-первых, позволяет судить по ним обо всей выборке, а во-вторых, дает возможность сравнивать разные выборки, разные серии между собой. К мерам центральной тенденции в обработке результатов психологических исследований относятся: выборочное среднее, медиана, мода.

Выборочное среднее (М) - это результат деления суммы всех значений (X) на их количество (N).

Мода (Мо) - это значение, наиболее часто встречающееся в выборке, т. е. значение с наибольшей частотой. Если все значения в группе встречаются одинаково часто, то считается, что моды нет. Если два соседних значения имеют одинаковую частоту и больше частоты любого другого значения, мода есть среднее этих двух значений. Если то же самое относится к двум несмежным значениям, то существует две моды, а группа оценок является бимодальной.

Обычно выборочное среднее применяется при стремлении к наибольшей точности в определении центральной тенденции. Медиана вычисляется в том случае, когда в серии есть "нетипичные" данные, резко влияющие на среднее. Мода используется в ситуациях, когда не нужна высокая точность, но важна быстрота определения меры центральной тенденции.

Вычисление всех трех показателей производится также для оценки распределения данных. При нормальном распределении значения выборочного среднего, медианы и моды одинаковы или очень близки.

Меры разброса (изменчивости) - это статистические показатели, характеризующие различия между отдельными значениями выборки. Они позволяют судить о степени однородности полученного множества, его компактности, а косвенно и о надежности полученных данных и вытекающих из них результатов. Наиболее используемые в психологических исследованиях показатели: среднее отклонение, дисперсия, стандартное отклонение.

Размах (Р) - это интервал между максимальным и минимальным значениями признака. Определяется легко и быстро, но чувствителен к случайностям, особенно при малом числе данных.

Среднее отклонение (МД) - это среднеарифметическое разницы (по абсолютной величине) между каждым значением в выборке и ее средним.

где d = |Х - М |, М - среднее выборки, X - конкретное значение, N - число значений.

Множество всех конкретных отклонений от среднего характеризует изменчивость данных, но если не взять их по абсолютной величине, то их сумма будет равна нулю и мы не получим информации об их изменчивости. Среднее отклонение показывает степень скученности данных вокруг выборочного среднего. Кстати, иногда при определении этой характеристики выборки вместо среднего (М) берут иные меры центральной тенденции - моду или медиану.

Дисперсия (D) характеризует отклонения от средней величины в данной выборке. Вычисление дисперсии позляет избежать нулевой суммы конкретных разниц (d = Х - М) не через их абсолютные величины, а через их возведение в квадрат:

где d = |Х - М|, М - среднее выборки, X - конкретное значение, N - число значений.

Стандартное отклонение (б). Из-за возведения в квадрат отдельных отклонений d при вычислении дисперсии полученная величина оказывается далекой от первоначальных отклонений и потому не дает о них наглядного представления. Чтобы этого избежать и получить характеристику, сопоставимую со средним отклонением, проделывают обратную математическую операцию - из дисперсии извлекают квадратный корень. Его положительное значение и принимается за меру изменчивости, именуемую среднеквадратическим, или стандартным, отклонением:

где d = |Х- М|, М - среднее выборки, X- конкретное значение, N - число значений.

МД, D и ? применимы для интервальных и пропорционных данных. Для порядковых данных в качестве меры изменчивости обычно берут полуквартильное отклонение (Q), именуемое еще полуквартильным коэффициентом. Вычисляется этот показатель следующим образом. Вся область распределения данных делится на четыре равные части. Если отсчитывать наблюдения начиная от минимальной величины на измерительной шкале, то первая четверть шкалы называется первым квартилем, а точка, отделяющая его от остальной части шкалы, обозначается символом Qv Вторые 25 % распределения - второй квартиль, а соответствующая точка на шкале - Q2. Между третьей и четвертой четвертями распределения расположена точка Q3. Полуквартильный коэффициент определяется как половина интервала между первым и третьим квартилями:

При симметричном распределении точка Q2 совпадет с медианой (а следовательно, и со средним), и тогда можно вычислить коэффициент Q для характеристики разброса данных относительно середины распределения. При несимметричном распределении этого недостаточно. Тогда дополнительно вычисляют коэффициенты для левого и правого участков:

7.3. Вторичная статистическая обработка данных

К вторичным относят такие методы статистической обработки, с помощью которых на базе первичных данных выявляют скрытые в них статистические закономерности. Вторичные методы можно подразделить на способы оценки значимости различий и способы установления статистических взаимосвязей.

Способы оценки значимости различий. Для сравнения выборочных средних величин, принадлежащих к двум совокупностям данных, и для решения вопроса о том, отличаются ли средние значения статистически достоверно друг от друга, используют t-критерий Стьюдента. Его формула выглядит следующим образом:

где М1, М2 - выборочные средние значения сравниваемых выборок, m1, m2 - интегрированные показатели отклонений частных значений из двух сравниваемых выборок, вычисляются по следующим формулам:

где D1, D2 - дисперсии первой и второй выборок, N1, N2 - число значений в первой и второй выборках.

После вычисления значения показателя t по таблице критических значений (см. Статистическое приложение 1), заданного числа степеней свободы (N1 + N2 - 2) и избранной вероятности допустимой ошибки (0,05, 0,01, 0,02, 001 и т.д.) находят табличное значение t. Если вычисленное значение t больше или равно табличному, делают вывод о том, что сравниваемые средние значения двух выборок статистически достоверно различаются с вероятностью допустимой ошибки, меньшей или равной избранной.

Если в процессе исследования встает задача сравнить неабсолютные средние величины, частотные распределения данных, то используется ?2критерий (см. Приложение 2). Его формула выглядит следующим образом:

где Pk - частоты распределения в первом замере, Vk - частоты распределения во втором замере, m - общее число групп, на которые разделились результаты замеров.

После вычисления значения показателя ?2по таблице критических значений (см. Статистическое приложение 2), заданного числа степеней свободы (m - 1) и избранной вероятности допустимой ошибки (0,05, 0,0 ?2t больше или равно табличному) делают вывод о том, что сравниваемые распределения данных в двух выборках статистически достоверно различаются с вероятностью допустимой ошибки, меньшей или равной избранной.

Для сравнения дисперсий двух выборок используется F-критерий Фишера. Его формула выглядит следующим образом:

где D1, D2 - дисперсии первой и второй выборок, N1, N2 - число значений в первой и второй выборках.

После вычисления значения показателя F по таблице критических значений (см. Статистическое приложение 3), заданного числа степеней свободы (N1 - 1, N2 - 1) находится Fкр. Если вычисленное значение F больше или равно табличному, делают вывод о том, что различие дисперсий в двух выборках статистически достоверно.

Способы установления статистических взаимосвязей. Предыдущие показатели характеризуют совокупность данных по какому-либо одному признаку. Этот изменяющийся признак называют переменной величиной или просто переменной. Меры связи выявляют соотношения между двумя переменными или между двумя выборками. Эти связи, или корреляции, определяют через вычисление коэффициентов корреляции. Однако наличие корреляции не означает, что между переменными существует причинная (или функциональная) связь. Функциональная зависимость - это частный случай корреляции. Даже если связь причинна, корреляционные показатели не могут указать, какая из двух переменных является причиной, а какая - следствием. Кроме того, любая обнаруженная в психологических исследованиях связь, как правило, существует благодаря и другим переменным, а не только двум рассматриваемым. К тому же взаимосвязи психологических признаков столь сложны, что их обусловленность одной причиной вряд ли состоятельна, они детерминированы множеством причин.

По тесноте связи можно выделить следующие виды корреляции: полная, высокая, выраженная, частичная; отсутствие корреляции. Эти виды корреляций определяют в зависимости от значения коэффициента корреляции.

При полной корреляции его абсолютные значения равны или очень близки к 1. В этом случае устанавливается обязательная взаимозависимость между переменными. Здесь вероятна функциональная зависимость.

Абсолютные значения коэффициента корреляции менее 0,4 свидетельствуют об очень слабой корреляционной связи и, как правило, в расчет не принимаются. Отсутствие корреляции констатируется при значении коэффициента 0.

Кроме того, в психологии при оценке тесноты связи используют так называемую "частную" классификацию корреляционных связей. Она ориентирована не на абсолютную величину коэффициентов корреляции, а на уровень значимости этой величины при определенном объеме выборки. Эта классификация применяется при статистической оценке гипотез. При данном подходе предполагается, что чем больше выборка, тем меньшее значение коэффициента корреляции может быть принято для признания достоверности связей, а для малых выборок даже абсолютно большое значение коэффициента может оказаться недостоверным.[86]

По направленности выделяют следующие виды корреляционных связей: положительная (прямая) и отрицательная (обратная). Положительная (прямая) корреляционная связь регистрируется при коэффициенте со знаком "плюс": при увеличении значения одной переменной наблюдается увеличение другой. Отрицательная (обратная) корреляция имеет место при значении коэффициента со знаком "минус". Это означает обратную зависимость: увеличение значения одной переменной влечет за собой уменьшение другой.

По форме различают следующие виды корреляционных связей: прямолинейную и криволинейную. При прямолинейной связи равномерным изменениям одной переменной соответствуют равномерные изменения другой. Если говорить не только о корреляциях, но и о функциональных зависимостях, то такие формы зависимости называют пропорциональными. В психологии строго прямолинейные связи - явление редкое. При криволинейной связи равномерное изменение одного признака сочетается с неравномерным изменением другого. Эта ситуация для психологии типична.

Коэффициент линейной корреляции по К. Пирсону (r) вычисляется c помощью следующей формулы:

де х - отклонение отдельного значения X от среднего выборки (Мх), у - отклонение отдельного значения Y от среднего выборки (Му), Ьх - стандартное отклонение для X, ?y - стандартное отклонение для Y, N - число пар значений Xи Y.

Оценка значимости коэффициента корреляции проводится по таблице (см. Статистическое приложение 4).

При сравнении порядковых данных применяется коэффициент ранговой корреляции по Ч. Спирмену (R):

где d - разность рангов (порядковых мест) двух величин, N - число сравниваемых пар величин двух переменных (X и Y).

Оценка значимости коэффициента корреляции проводится по таблице (см. Статистическое приложение 5).

Внедрение в научные исследования автоматизированных средств обработки данных позволяет быстро и точно определять любые количественные характеристики любых массивов данных. Разработаны различные программы для компьютеров, по которым можно проводить соответствующий статистический анализ практически любых выборок. Из массы статистических приемов в психологии наибольшее распространение получили следующие: 1) комплексное вычисление статистик; 2) корреляционный анализ; 3) дисперсионный анализ; 4) регрессионный анализ; 5) факторный анализ; 6) таксономический (кластерный) анализ; 7) шкалирование. Познакомиться с характеристиками этих методов можно в специальной литературе ("Статистические методы в педагогике и психологии" Стенли Дж., Гласа Дж. (М., 1976), "Математическая психология" Г.В. Суходольского (СПб., 1997), "Математические методы психологического исследования" А.Д. Наследова (СПб., 2005) и др.).

Методы обработки данных могут быть условно поделены на качественные и количественные. Качественная обработка является особым способом проникновения в сущность объекта путем выявления его неизмеряемых свойств, она направлена преимущественно на содержательное, внутреннее изучение объекта. В качественной обработке результатов исследования доминируют синтетические способы познания, логические методы. Качественная обработка результатов исследования переходит в описание и объяснение изучаемых явлений, что составляет уже следующий уровень их изучения на этапе интерпретации результатов.

Первичная обработка данных может включать составление сводных таблиц полученных результатов, в которых фиксируются количественные и качественные данные (частоты их встречаемости, переведённые в ранги показатели, числовые коды качественных параметров и т.д.). Полученные в результате исследования данные, сгруппированные в таблицы легко и удобно обрабатывать с помощью методов статистической обработки данных, т.е. с помощью математических формул, определённых способов количественных расчетов, благодаря которым показатели можно обобщать, приводить в систему, выявляя скрытые в них закономерности.

Все методы статистической обработки данных можно условно разделить на первичные и вторичные. Первичные методы статистического анализа - это методы, с помощью которых получают показатели, непосредственно отражающие результаты психодиагностики.К первичным методам статистической обработки относятся:

1. Определение выборочной средней величины, т.е. средней оценки изучаемого в исследовании психологического качества. Выборочное среднее определяется по формуле:

где х_ср —выборочная средняя величина или среднее арифметическое значение по выборке;

п — количество испытуемых в выборке или частных психодиагностических показателей, на основе которых вычисляется средняя величина;

x_k — частные значения показателей у отдельных испытуемых. Всего таких показателей п, поэтому индекс k данной переменной принимает значения от 1 до п;

∑ — принятый в математике знак суммирования величин тех переменных, которые находятся справа от этого знака.

Выражение соответственно означает сумму всех х с индексом k от 1 до n.

2. Выборочная дисперсия - величина, характеризующая, степень отклонений частных значений от средней величины в определённой выборке. Чем больше дисперсия, тем больше отклонения или разброс данных, и наоборот. Дисперсию определяют по формуле:

где — выборочная дисперсия, или просто дисперсия;

— выражение, означающее, что для всех x_k от первого до последнего в данной выборке необходимо вычислить разности между частными и средними значениями, возвести эти разности в квадрат и просуммировать;

п — количество испытуемых в выборке или первичных значений, по которым вычисляется дисперсия.

3. Выборочная мода - это количественное значение исследуемого признака, наиболее часто встречающееся в выборке. Мода определяется по формуле:

x₀ – значение начала модального интервала,

h – размер модального интервала,

f_Мо – частота модального интервала,

f_Мо-1 – частота интервала, находящего перед модальным,

f_Мо1 – частота интервала, находящего после модального.

4. Выборочная медиана - это значение изучаемого признака, делящее выборку, упорядоченную по величине данного признака, пополам. Если количество значений нечетно, то медиана будет соответствовать центральному значению ряда, который определяется по формуле:

где №_Me – номер значения, соответствующего медиане,

N – количество значений в совокупности данных.

Тогда медиана будет обозначаться, как

Если количество данных четно, то есть вместо одного есть два центральных значения, то берется средняя арифметическая из двух центральных значений:

Вторичными методами статистической обработки называются методы, с помощью которых на основе первичных данных выявляются скрытые в них статистические закономерности. К вторичным методам, наиболее часто используемым в психологических исследованиях, относят:

1. Сравнение выборочных средних величин, принадлежащих к двум совокупностям, определение достоверности различий между ними по критерию t-Стьюдента. Он вычисляется по формуле:

где х₁ — среднее значение переменной по одной выборке данных;

х₂ — среднее значение переменной по другой выборке данных;

т₁ и т₂ — интегрированные показатели отклонений частных значений из двух сравниваемых выборок от соответствующих им средних величин.

т₁ и т₂ в свою очередь вычисляются по следующим формулам:

где — выборочная дисперсия первой переменной (по первой выборке);

— выборочная дисперсия второй переменной (по второй выборке);

п_] — число частных значений переменной в первой выборке;

п₂ — число частных значений переменной по второй выборке.

После определения по данной формуле показателя t, по таблице 5 для заданного числа степеней свободы, равного n₁ + п₂ - 2, и выбранной вероятности допустимой ошибки находят необходимое табличное значение t и сравнивают с ними вычисленное значение t. Если вычисленное значение t больше или равно табличному, то делают вывод о том, что сравниваемые средние значения из двух выборок действительно статистически достоверно различаются с вероятностью допустимой ошибки, меньшей или равной избранной.

Таблица 5. Критические значения t-критерия Стъюдента для заданного числа степеней свободы и вероятностей допустимых ошибок, равных 0,05; 0,01 и 0,001

Число степеней свободы (n₁+ n₂ -2)	Вероятность допустимой ошибки
0,05	0,01	0,001
Критические значения показателя t
2,78	5,60	8,61
2,58	4,03	6,87
2,45	3,71	5,96
2,37	3,50	5,41
2,31	3,36	5,04
2,26	3,25	4,78
2,23	3,17	4,59
2,20	3,11	4,44
2,18	3,05	4,32
2,16	3,01	4,22
2,14	2,98	4,14
2,13	2,96	4,07
2,12	2,92	4,02
2,11	2,90	3,97
2,10	2,88	3,92
2,09	2,86	3,88
2,09	2,85	3,85
2,08	2,83	3,82
2,07	2,82	3,79
2,07	2,81	3,77
2,06	2,80	3,75
2,06	2,79	3,73
2,06	2,78	3,71
2,05	2,77	3,69
2,05	2,76	3,67
2,05	2,76	3,66
2,04	2,75	3,65
2,02	2,70	3,55
2,01	2,68	3,50
2,00	2,66	3,46
1,99	2,64	3,42
1,98	2,63	3,39

2. Сравнение частотных, например процентных, распределений данных с помощью критерия χ 2 - критерия Пирсона. Он вычисляется по формуле:

где P_k —. частоты результатов наблюдений до эксперимента;

V_k — частоты результатов наблюдений, сделанных после эксперимента;

т — общее число групп, на которые разделились результаты наблюдений.

После определения по данной формуле показателя χ 2 , по таблице для заданного числа степеней свободы, и выбранной вероятности допустимой ошибки находят необходимое табличное значение χ 2 и сравнивают с ними вычисленное значение χ 2 . Если вычисленное значение χ 2 больше или равно табличному, то делают вывод о том, что сравниваемые значения из двух выборок действительно статистически достоверно различаются с вероятностью допустимой ошибки, меньшей или равной избранной.

3. Метод ранговой корреляции Спирмена - это метод, позволяющий определить тесноту (силу) и направление корреляционной связи между двумя признаками или двумя профилями (иерархиями) признаков. Его формула следующая:

где R_s — коэффициент ранговой корреляции по Спирмену;

d_i — разница между рангами показателей одних и тех же испытуемых в упорядоченных рядах;

п — число испытуемых или цифровых данных (рангов) в коррелируемых рядах.

4. Факторный анализ - это метод определения совокупности внутренних взаимосвязей, возможных причинно-следственных связей в исследовательском материале. В результате факторного анализа выявляются факторы, под которыми понимают в данном случаепричины, объясняющие множество частных (парных) корреляционных зависимостей. Факторный анализ предполагает вычисление корреляционной матрицы для всех переменных, участвующих в анализе, извлечение факторов, вращение факторов для создания упрощенной структуры, интерпретация факторов. Математическая модель факторного анализ может быть представлена следующим образом:

где V_i — значение i-й переменной, которое выражено в виде линейной комбинации k общих факторов, A_i,k — регрессионные коэффициенты, показывающие вкладкаждого из k факторов в данную переменную; F_{1. k} — факторы, общие для всех переменных; U — фактор, характерный только для переменной V_i .

Практикум

Задание 1. Дайте определение эксперименту как методу психологического исследования. В чем различия эксперимента и других методов исследования (наблюдения, корреляционного исследования)?

Задание 2. Дайте определение экспериментальной гипотезе. Какие виды гипотез вы знаете (не менее 5)? Приведите примеры этих гипотез.

Задание 3. Какие виды переменных вы знаете? Определите их. Какие переменные являются основными и входят в формулировку основной экспериментальной гипотезы? Приведите примеры переменных.

Задание 4. Укажите НП и ЗП, особенности НП (межсубъектная или внутрисубъектная, управляемая или субъективная), назовите, какой экспериментальный план был использован.

Для изучения воздействия тесноты на решение задач участников попросили решить серию словесных головоломок, находясь при этом либо в больших, либо в маленьких комнатах. Чтобы получить одинаковое среднее значение вербального IQ в группах, исследователи измеряли вербальный интеллект участников, а затем распределили их по двум условиям.

Задание 5. Чем отличается однофакторный эксперимент от многофакторного? Приведите примеры.

Задание 6. Используя приведенный текст, укажите, родоначальником каких методов в психологии можно считать Ф. Гальтона. Согласны ли вы, что результаты тестов сенсорного различения могут помочь в оценке интеллекта?

В 1884 г. на Всемирной выставке и Лондоне Френсис Гальтон организовал антропометрическую лабораторию, где за плату в 3 пенса посетителям предлагалось проверить остроту зрения, слуха, мышечную силу и измерить некоторые физические характеристики. Ф. Гальтон считал, что тесты сенсорного различения могут служить средством оценки интеллекта (в частности, он обнаружил, что при идиотии нарушается способность различать тепло, холод, боль).

Задание 7. Объедините перечисленные параметры в две группы, характеризуя особенности индивидуального и группового тестирования. Объясните преимущества и недостатки обоих видов обследования.

Учет индивидуальных особенностей; свобода испытуемых в ответе на вопросы и задания; возможность охвата больших групп испытуемых; невозможность учета случайных факторов (болезнь, усталость, эмоциональный дискомфорт); возможность достижения взаимопонимания с испытуемым; предъявление заданий через микрофон; получение большого объема данных; возможность наблюдения за тем, как выполняется задание; предъявление заданий в максимально формализованном виде; проективных методик; упрощение инструкции; объективность при обработке данных; экономия тестового материала; легкость сбора данных; быстрота сбора данных (экономия времени); применение гибких тестовых заданий.

Задание 8. Исправьте ошибки в приведенном тексте.

Задача наблюдения — точно и подробно описывать переживания, психические состояния и поведение. Оно должно ограничиваться беспристрастной регистрацией фактов поведения, не пытаясь проникать в их причины. Наблюдение выполняет только вспомогательные функции, позволяя накопить эмпирический материал, и практически не используется как самостоятельный метод. Нет таких ситуаций, где можно было бы использовать наблюдение в качестве единственного объективного метода.

Задание 9. Сформулируйте ваше отношение к высказыванию:

Список рекомендуемой литературы

1. Hикандров В.В. Психологическое исследование и его методическое обеспечение. СПб., 2003.

2. Дружинин В.Н. Экспериментальная психология. М., 2006.

3. Никандров В.В. Наблюдениe и эксперимент в психологии. СПб., 2001.

4. Никандров В.В. Экспериментальная психология. СПб., 2003.

5. Практикум по общей и экспериментальной психологии / под ред. А.А. Крылова. Л., 1990.

6. Практикум по общей, экспериментальной и прикладной психологии. 2-е изд. / ред. А.А. Крылов, С.А. Маничев. СПб., 2000.

Самые популярные методы обработки данных в психологических исследованиях

Психологические исследования — это уникальные научные изыскания, которые позволяют изучить поведенческие аспекты и особенности развития индивидов, общества, специфические черты или отклонения от норм. С одной стороны, автор проекта пользуется теоретическим багажом – специальными терминами, понятиями, методиками, с другой – обрабатывает экспериментальные данные посредством логики и конкретных математических расчетов, сопоставлений с действующими нормативами и пр.

Основные методы в НИР по психологии

Логические приемы относят к качественным приемам обработки результатов психологических исследований, так как они призваны установить тенденции, характер изменений. Количественные критерии оценки акцентированы на числовых данных: преобразование качественной информации в количественную, проведение всевозможных расчетов (динамика показателей, расчет коэффициентов и пр.) и их сопоставление с нормами, оценочной шкалой.

Как правило, для получения максимально точных и достоверных результатов исследователи используют комбинированные приемы, сочетающие в себе качественные и количественные методики. Такой подход позволяет не только описать суть явления, но и показать причинно-следственные связи, получить неопровержимую доказательную базу.

Разновидности количественных методов обработки информации, применяемых в психологии

Все количественные методы, применяемые в психологических научных работах, классифицируют на две основные группы:

Методы статистического описания, которые позволяют именно преобразовать данные в математический вид. Они призваны переработать качественную информацию в новый числовой формат. Выделить наиболее существенные моменты, которые можно измерить и пр.
Методы статистического вывода, основанные на расчетах, сравнении и сопоставлении данных, возможностях распространения частной тенденции на исследование в целом.

Количественная обработка результатов психологического исследования носит больше формальный характер. Она нацелена на внешнее изучение объекта, конкретизацию его отдельных сторон и черт, с акцентом на аналитические составляющие на основе чисел.

Нужна помощь преподавателя?

Мы всегда рады Вам помочь!

Как пользоваться математическими приемами в психологии и НИР?

Количественная оценка данных без качественной обработки бессмысленна, так как выявить тенденцию – не значит определить проблему и решить ее, важно собрать доказательную базу (этим занимаются количественные приемы) и проанализировать ее (для этого предназначены качественные приемы).

Методы количественного анализа результатов НИР по психологии можно разделить на первичные и вторичные.

Основные математические методы в психологических исследованиях

Первичные инструменты матанализа в психологических изысканиях призваны преобразовать все итоги в числовой вид упорядочить информацию с учетом конкретных признаков условий и параметров, систематизировать их. Для этих целей исследователь распределяет все данные по таблицам с учетом их однородности-неоднородности, сходств и отличий и пр.

На основе первичных данных автору удается отметить для себя возможности дальнейших изысканий: показатели для расчетов и установления тенденций, характеристика выборки и оценка разброса данных/показателей. Данный этап предполагает расчет таких показателей, как:

Расчет средних показателей: среднестатистический возраст испытуемых, средний опыт работы по профессии и пр. Все значения рассчитываются по конкретной выборке;
Медианный анализ, который предполагает анализ реальных данных по сравнению со среднестатистическими;
Определение частоты или доли совпадений: каких групп или параметров больше, о чем свидетельствует большая часть рассчитанных показателей и пр.;
Анализ изменчивости показателей: динамика (интервал между минимальными и максимальными значениями), среднее отклонение от норм и реальное отклонение от нормативов и т.д.

Вторичная обработка данных посредством использования математических операций предполагает проведение непосредственно числовые операции на основе первичной обработки. Здесь автору предстоит не просто рассчитать конкретные психологические показатели или воспользоваться специальными методиками (например, метод Стьюдента и пр.), но и подключить качественные приемы (анализ данных).

Вторичная математическая обработка призвана конкретизировать проблему и установить статистические взаимосвязи между происходящими явлениями, причинно-следственные связи, способы решения противоречий и пр.

Чтобы преобразовать первоисточники и собранный материал в математический вид, достаточно следовать следующему алгоритму:

Внимательно изучить ход эксперимента и определить числовые данные – все, что можно измерить количественным способом: количество участников, выборка по признакам (возраст, количество участников по половому признаку/профессии и пр.);
Скомпоновать количественные данные по схожим параметрам или разбить материалы на блоки для дальнейшего анализа;
С учетом имеющихся аргументов подобрать методику для проведения анализа: полноценная метода (стандартная схема), расчет отдельных показателей, индивидуальный расчетно-аналитический путь;
Анализ полученных данных: качественная обработка расчетных данных, их связь с конкретными тенденциями/факторами и пр.;
Определение дальнейшего исследовательского пути: выработка решения, прогнозирование результатов и пр.

Важно не просто преобразовать изначальные данные в математический вид, но и после проведения всех операций обратно трансформировать результаты в логичный и последовательный текст, подчеркивающий проблему и обоснованные варианты ее решения. В данном случае результаты математического анализа психологического исследования выступают в качестве неопровержимой базы, доказанных и общепринятых фактов, а их анализ подчеркивает позицию автора, актуальность проблемы и эффективность предложенных путей совершенствования.

Читайте также: