- •От автора
- •Раздел 1. Проблема измерения в психологии
- •1. 1. Понятие об измерении
- •1. 2. Особенности измерения в психологии
- •1. 3. Шкалы измерений
- •Раздел 2. Основные статистические понятия
- •2. 1. Генеральная и выборочная совокупности
- •2. 2. Переменная величина
- •2. 3. Уровни значимости
- •2. 4. Достоверность результатов исследования
- •Раздел 3. Подготовка данных к математической обработке
- •3. 1. Протоколирование данных
- •3. 2. Составление сводных таблиц (табулирование данных)
- •3. 3. Определение квантилей
- •3. 4. Графическое представление результатов
- •Раздел4. Меры центральной тенденции
- •4. 1. Мода
- •4. 2. Медиана
- •4. 3. Среднее арифметическое значение
- •4. 4. Среднее геометрическое значение
- •Задачи по теме Задача 4.1
- •Задача 4.2
- •Задача 4. 3
- •Раздел 5. Меры изменчивости (разнообразия, вариативности) исследуемого признака
- •5. 1. Лимиты (пределы) разнообразия
- •5. 2. Размах вариаций
- •5. 3. Среднее отклонение
- •5. 4. Дисперсия
- •5. 5. Среднеквадратичное (стандартное) отклонение
- •5. 6. Коэффициент вариации
- •Задачи по теме Задача 5. 1
- •Задача 5.2
- •Раздел 6. Распределения переменных величин
- •6.1. Нормальное распределение
- •6. 1. 1. Основные понятия
- •6. 1. 2. Коэффициент асимметрии
- •6. 1. 3. Коэффициент эксцесса
- •6. 1. 4. Критерий хи-квадрат (c2)
- •6. 1. 5. Критерий Колмогорова – Смирнова (l)
- •6. 2. Равномерное распределение
- •6. 3. Биномиальное распределение
- •6. 4. Распределение Пуассона
- •Задачи по теме Задача 6. 1
- •Задача 6. 2
- •Задача 6. 3
- •Задача 6. 4
- •Раздел 7. Меры различий
- •7. 1. Постановка проблемы
- •7. 2. Непараметрический критерий qРозенбаума
- •7. 4. Критерий Стьюдента
- •7.5. Критерий Фишера
- •7. 6. Критерий j*-угловое преобразование Фишера
- •7.7. Использование критерия χ2 Пирсона и критерия λ Колмогорова для оценки различий между двумя выборками
- •Задачи по теме Задача 7. 1
- •Задача 7. 2
- •Задача 7.3
- •Задача 7.4
- •Задача 7.5
- •Задача 7.7
- •Раздел 8. Меры связи
- •8. 1. Постановка проблемы
- •8. 2. Представление данных
- •8. 3. Коэффициент корреляции Фехнера
- •8. 4. Коэффициент корреляции Пирсона
- •8. 5. Коэффициент ранговой корреляции Спирмена
- •8.6. Коэффициент ранговой корреляции Кендалла (тау Кендалла, t)
- •8.7. Дихотомический коэффициент корреляции (j)
- •8. 8. Точечный бисериальный коэффициент корреляции (rpb)
- •8. 9. Рангово-бисериальный коэффициент корреляции (rrb)
- •8. 11. Матрицы корреляций
- •Задачи по теме Задача 8.1
- •Задача 8. 2
- •Задача 8. 3
- •Задача 8. 4
- •Задача 8. 5
- •Задача 8. 6
- •Задача 8. 7
- •Задача 8. 8
- •Задача 8. 9
- •Задача 8. 10
- •Задача 8.16
- •Задача 8.18
- •Раздел 9. Меры зависимости
- •9.1. Основные понятия
- •9.2. Анализ линейной зависимости методом наименьших квадратов
- •9.4. Множественная регрессия
- •Задачи по теме Задача 9. 1
- •Задача 9. 2
- •Раздел 10. Меры влияния
- •10. 1. Сущность проблемы
- •10. 2. Непараметрические меры влияния
- •10.2.1. Критерий знаков
- •10.2.2. Критерий Вилкоксона
- •10.3. Однофакторный дисперсионный анализ
- •10. 4. Двухфакторный дисперсионный анализ
- •Задачи по теме Задача 10. 1
- •Задача 10. 2
- •Раздел 11. Элементы многомерной статистики
- •11.1. Основные понятия
- •11.2. Кластерный анализ
- •11.2.1. Функции расстояния
- •11.2.2. Меры сходства
- •11.2.3. Выбор числа кластеров
- •Динамическое программирование
- •Целочисленное программирование
- •11.2.4. Методы кластеризации
- •11.2.5. Представление данных
- •11.3. Факторный анализ
- •11.3.1. Основные принципы факторного анализа
- •11.3.2. Основные методы, используемые в факторном анализе
- •Метод главных факторов
- •Центроидный метод
- •Метод минимальных остатков
- •Метод максимума правдоподобия
- •Групповой метод
- •11.3.3. Выбор числа факторов и оценка их значений
- •11.3. 4. Представление результатов факторного анализа
- •Ответы на задачи
- •Список рекомендуемой литературы
- •Дополнительная
- •Приложение статистические таблицы
- •Критические значения коэффициента асимметрии (As), используемого для проверки гипотезы о нормальности распределения
- •Критические значения показателя эксцесса (Ex), используемого для проверки нормальности распределения
- •Теоретические частоты 8-классового нормального распределения ("шаг" 1 s)
- •Теоретические частоты 16-классового нормального распределения ("шаг" 0,5 s)
- •Значения z Пирсона и соответствующие им теоретические накопленные частоты
- •Стандартные значения хи-квадрат
- •Уровень значимости различий между экспериментальным и теоретическим распределениями по критерию λ Колмогорова – Смирнова
- •Критические значения критерия q Розенбаума
- •Критические значения критерия u Манна-Уитни для уровня значимости 0,95
- •Стандартные значения критерия Стьюдента
- •Стандартные значения критерия Фишера, используемые для оценки достоверности различий между двумя выборками
- •Величины угла j в радианах для разных процентных долей (угловое преобразование Фишера)
- •Критические значения коэффициентов корреляции Пирсона и Спирмена
- •Критические значения коэффициента t Кендалла
- •Число пар значений, достаточное для статистической значимости коэффицентов корреляции Пирсона и Спирмена
- •Критические значения дихотомического коэффициента корреляции j
- •Границы критической области для критерия знаков
- •Критические значения критерия т Вилкоксона
9.2. Анализ линейной зависимости методом наименьших квадратов
Зависимость типа y = a + bx называется линейной. Для математического описания этой формы зависимости достаточно определить величину коэффициента b и свободного члена a в координатах y = f (x).
Рис. 9.2. Параметры линейной зависимости (объяснение в тексте)
В данном случае b – тангенс угла наклона функции b > 0, если функция возрастает и b < 0 в случае убывающей функции. Если же функция параллельна оси абсцисс, т.е. значения yi не зависят от аргумента, то b = 0.
a = y0 – ордината точки при x = 0. Величина свободного члена а положительна (a > 0), если точка пересечения функции с осью ординат лежит выше нуля; a < 0, если точка пересечения лежит ниже начала координат.
Метод наименьших квадратов основан на одном из свойств среднего арифметического значения: сумма квадратов отклонений от среднего меньше суммы квадратов отклонений от любой другой точки (см. 4. 3). Таким образом, вычисляя параметры a и b линейной функции, мы задаем такое положение линии, при котором сумма квадратов отклонений (расстояний) эмпирических (экспериментальных) точек от теоретически рассчитанной прямой минимальна.
Вычисление тангенса угла наклона функции (b)
где и. (9.1)
Таким образом, (9.2)
Другими словами, для вычисления тангенса угла наклона достаточно рассчитать две уже знакомые нам величины – дисперсию значений аргумента (Sxx) и ковариацию (Sxy).
Вычисление свободного члена (а) в уравнении линейной регрессии:
(9.3)
Кроме двух вышеуказанных показателей, при использовании метода наименьших квадратов часто вычисляют величину ошибки регрессии (s ). Ошибка регрессии по сути является аналогом стандартного отклонения. Она отражает степень точности определения положения линейной функции в данной системе координат.
Вычисление ошибки регрессии:
где . (9.4)
Величина ошибки регрессии может отражать:
а) величину разброса экспериментальных точек относительно теоретических значений функции, т.е. она тем больше, чем больше сумма квадратов отклонений от теоретической функции (при полном совпадении экспериментальных и теоретических значений s = 0);
б) нелинейность функции в данной системе координат (для определения нелинейности функции не следует пренебрегать ее графическим изображением и не следует пытаться описать уравнением линейной регрессии функцию, которая явно не является линейной).
Ошибка коэффициента уравнения линейной регрессии (тангенса угла наклона) определяется по формуле:
(9.5)
где σ – величина ошибки регрессии, m - число измерений для каждого y (при условии повторения эксперимента).
В тех случаях, когда возникает необходимость сравнить между собой две индивидуальные или усредненные функции на предмет достоверности их различий, можно использовать величины тангенса угла наклона с соответствующим доверительным интервалом: b1 ± t×sb и b2 ± t×sb. Вывод о достоверности различий делается в том случае, когда доверительные интервалы для двух испытуемых (или двух выборок) не перекрываются между собой (так же как и в случае определения достоверности различий между выборками по критерию Стьюдента (см. подраздел 7.4.)).
Для того чтобы приобрести определенный навык в расчетах подобного рода, рассмотрим задачу из области психофизики.
Условие задачи
В психофизических исследованиях субъективной оценки громкости (R) тонального звука, проведенных на 50 испытуемых, были получены следующие данные (табл. 9.1):
Таблица 9.1
I, дБ |
10 |
20 |
30 |
40 |
50 |
60 |
70 |
80 |
90 |
R |
1,4 |
2,9 |
6,8 |
10,5 |
17,4 |
27,5 |
66,1 |
107,2 |
158,5 |
Задание
Принимая, что усредненные оценки громкости описываются степенной функцией Стивенса, с помощью метода наименьших квадратов рассчитать основные параметры психофизической функции субъективной оценки громкости.
Решение
Учитывая тот факт, что степенная функция Стивенса y = k·S n есть в то же время двойная логарифмическая функция типа log y = n·log S + C, и то, что шкала децибелов представляет собой логарифмическую шкалу (20 дБ = 1 лог. ед.), проводим следующие преобразования:
а) преобразуем физическую шкалу сенсорного стимула в логарифмические единицы по десятичному основанию по принципу х = I / 20.
б) логарифмируем значения субъективной шкалы по принципу y = lg R (табл. 9.2).
Таблица 9.2
x |
0,5 |
1,0 |
1,5 |
2,0 |
2,5 |
3,0 |
3,5 |
4,0 |
4,5 |
y |
0,15 |
0,46 |
0,83 |
1,02 |
1,24 |
1,44 |
1,82 |
2,03 |
2,20 |
Вычисляем предварительные (рабочие) параметры:
Вычисляем основные параметры психофизической функции:
Вывод
Субъективная оценка громкости тонального звука для данной группы испытуемых описывается степенной функцией Стивенса следующего типа:
у = 0,51х – 0,032, или R = 1,076 I0,51 + C (антилогарифм 0,032 равен –1,076).
В некоторых случаях возникает задача сравнения между собой психофизических функций у двух или более испытуемых на предмет достоверности их различий. Попарное сравнение можно сделать, определяя тангенс угла наклона функции с доверительным интервалом. Так, различия можно считать статистически достоверными, если интервалы b1 ± tn-1·σb1 и b2 ± tn-1·σb2 не имеют области перекрытия.