20. Назначеные и классификация многомерных методов.

Многомерность свойственна психологическим данным по природе, поскольку они чаще всего состоят по крайней мере из нескольких наблюдений за поведением одного человека или группы лиц. Многомерные методы и были созданы для совместной обработки таких данных, например для их исследований с целью обнаружения присущих им базисных характеристик либо, в случае дедуктивного подхода, для проверки или оценки априорных гипотез в отношении этих данных. В своих лучших образцах многомерный анализ представляет собой обобщение одномерного анализа, так что в тех случаях, когда данные состоят из значений только одной переменной, многомерный метод будет давать тот же результат, что и соответствующий одномерный метод. Так, есть статистики, базирующиеся на многомерном распределении случайных величин, которые можно свести к таким хорошо известным одномерным статистикам, какF-квадрат или t-критерий.

Многомерный анализ включает широкий спектр математических статистических методов и, вообще говоря, не существует общепринятого определения границ этой области. По общей договоренности, однако, такие специализированные предметы, как теория надежности или теория латентных черт, не считаются разделами многомерного анализа в силу их обособленных традиций в сфере психол. исслед. Методы анализа множественных дихотомических переменных часто рассматриваются и изучаются под своими названиями, например логлинейные модели. Также анализ повторных наблюдений, проведенных на одном человеке или на каком-то др. объекте - классе, обычно относится к особой области, называемых анализом временных рядов.

Мно­гомерные методы выполняют такие интеллектуальные функции, как:

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.

Список многомерных методов, которые будут упомянуты ниже, не претендует на полноту и состоит из методов, наиболее часто применяемых в психологии.

Эти методы можно классифицировать по трем основаниям: по назначению; по способу сопоставления данных – по сходству (различию) или пропорциональности (корреляции); по виду исходных эмпирических данных.

Классификация методов по назначению:

1. Методы предсказания (экстраполяции): множественный регрессионный анализ. Пред­сказывает значения метрической «зависимой» переменной по множеству из­вестных значений «независимых» переменных, измеренных у множества объектов (испытуемых).

2. Методы классификации: варианты кластерного анализа и дискриминан­тный анализ. Кластерный анализ («классификация без обучения») по изме­ренным характеристикам у множества объектов (испытуемых) либо по дан­ным об их попарном сходстве (различии) разбивает это множество объектов на группы, в каждой из которых содержатся объекты, более похожие друг на друга, чем на объекты из других групп. Дискриминантный анализ («класси­фикация с обучением», «распознавание образов») позволяет классифициро­вать объекты по известным классам, исходя из измеренных у них признаков, пользуясь решающими правилами, выработанными предварительно на вы­борке идентичных объектов, у которых были измерены те же признаки.

3. Структурные методы: факторный анализ и многомерное шкалирование. Факторный анализ направлен на выявление структуры переменных как совокупности факторов, каждый из которых – это скрытая, обобщающая при­чина взаимосвязи группы переменных. Многомерное шкалирование выяв­ляет шкалы как критерии, по которым поляризуются объекты при их субъек­тивном попарном сравнении.

Классификация методовпо исходным предположениям о структуре данных:

1. Методы, исходящие из предположения о согласованной изменчивости признаков, измеренных у множества объектов. На корреляционной модели основаны факторный анализ, множественный регрессионный анализ, отчас­ти – дискриминантный анализ.

1. Методы, исходящие из предположения о том, что различия между объек­тами можно описать как расстояние между ними. На дистантной модели основаны кластерный анализ и многомерное шкалирование, частично – дис­криминантный анализ. Многомерное шкалирование и дискриминантный ана­лиз добавляют предположение о том, что исходные различия между объекта­ми можно представить как расстояния между ними в пространстве небольшого числа шкал (функций).

Классификация методов по виду исходных данных:

1. Методы, использующие в качестве исходных данных только признаки, измеренные у группы объектов. Это множественный регрессионный анализ. дискриминантный анализ и факторный анализ.

1. Методы, исходными данными для которых могут быть попарные сход­ства (различия) между объектами: это кластерный анализ и многомерное шкалирование. Многомерное шкалирование, кроме того, может анализиро­вать данные о попарном сходстве между совокупностью объектов, оценен­ном группой экспертов. При этом совместно анализируются как различия между объектами, так и индивидуальные различия между экспертами.Представленные классификации свидетельствуют о необходимости зна­ния возможностей и ограничений многомерных методов уже на стадии общего замысла исследования. Например, ориентируясь только на фактор­но-аналитическую модель, исследователь ограничен в выборе процедуры ди­агностики: она должна состоять в измерении признаков у множества объек­тов. При этом исследователь ограничен и в направлении поиска: он изучает либо взаимосвязи между признаками, либо межгрупповые различия по изме­ряемым признакам. Общая осведомленность о других многомерных методах позволит исследователю использовать более широкий круг психодиагности­ческих процедур, решать более широкий спектр не только научных, но и прак­тических задач.Применение многомерных методов требует соответствующего программного обеспечения. Широко известны и распространены универсальные статистические программы STATIST1CA, SPSS, STATGRAPH, STADIA, содержащие практически весь спектр статистических методов – от простейших до самых современных. Стоит обратить внимание на пакет STADIA, поскольку он – отечественный, а потому сравнительно дешевый.

21. Факторный анализ — многомерный метод, применяемый для изучения взаимосвязей между значениями переменных. Предполагается, что известные переменные зависят от меньшего количества неизвестных переменных и случайной ошибки.

Факторный анализ позволяет решить две важные проблемы исследователя: описать объект измерения всесторонне и в то же время компактно. С помощью факторного анализа возможно выявление скрытых переменных факторов, отвечающих за наличие линейных статистических связей корреляций между наблюдаемыми переменными.

Таким образом, можно выделить 2 цели Факторного анализа-определение взаимосвязей между переменными, (классификация переменных), т. е. «объективная R-классификация»;сокращение числа переменных необходимых для описания данных.

При анализе в один фактор объединяются сильно коррелирующие между собой переменные, как следствие происходит перераспределение дисперсии между компонентами и получается максимально простая и наглядная структура факторов. После объединения коррелированность компонентов внутри каждого фактора между собой будет выше, чем их коррелированность с компонентами из других факторов. Эта процедура также позволяет выделить латентные переменные, что бывает особенно важно при анализе социальных представлений и ценностей. Например, анализируя оценки, полученные по нескольким шкалам, исследователь замечает, что они сходны между собой и имеют высокий коэффициент корреляции, он может предположить, что существует некоторая латентная переменная, с помощью которой можно объяснить наблюдаемое сходство полученных оценок. Такую латентную переменную называют фактором. Данный фактор влияет на многочисленные показатели других переменных, что приводит нас к возможности и необходимости выделить его как наиболее общий, более высокого порядка. Для выявления наиболее значимых факторов и, как следствие, факторной структуры, наиболее оправданно применять метод главных компонентов (МГК). Суть данного метода состоит в замене коррелированных компонентов некоррелированными факторами. Другой важной характеристикой метода является возможность ограничиться наиболее информативными главными компонентами и исключить остальные из анализа, что упрощает интерпретацию результатов. Достоинство МГК также в том, что он — единственный математически обоснованный метод факторного анализа.

Факторный анализ может быть:

-разведочным — он осуществляется при исследовании скрытой факторной структуры без предположения о числе факторов и их нагрузках;

-конфирматорным, предназначенным для проверки гипотез о числе факторов и их нагрузках.

Условия применения факторного анализа:

-Практическое выполнение факторного анализа начинается с проверки его условий. В обязательные условия факторного анализа входят:

-Все признаки должны быть количественными.

-Число наблюдений должно быть в два раза больше числа переменных.

-Выборка должна быть однородна.

-Исходные переменные должны быть распределены симметрично.

-Факторный анализ осуществляется по коррелирующим переменным.

Основные понятия факторного анализа

-Фактор — скрытая переменная

-Нагрузка — корреляция между исходной переменной и фактором