5. Обработка эмпирических данных.

1. Первичная обработка данных: 1) Составление таблиц.

2) Преобразование формы информации. В таблицу целесообразно внести все интересующие вас признаки в форме десятичного числа. В виде чисел в таблицу можно вписать информацию и о тех параметрах выборки, которые предположительно могут оказаться значимыми факторами, но имеются у вас в качественных показателях. Наиболее простыми операциями могут быть: числовое кодирование (мужчины — 1, женщины — 2; прошедшие обучение — 1, не прошедшие — 2 и т.п.) и перевод качественных показателей в ранги.

3) Проверка данных. После создания таблицы на бумаге или компьютере необходимо проверить качество полученных данных. Для этого часто достаточно внимательно осмотреть массив данных. Начать проверку следует с выявления ошибок (описок), которые заключаются в том, что неправильно написан порядок числа. Затем массив данных надо проверить на наличие "выскакивающих" вариант — выделяющихся значений, которые могли быть получены в результате неточных измерений, ошибок в записях, отвлечения внимания испытуемого и т.д.

2. Математико-статистическая обработка

1) Анализ первичных статистик.

Для определения способов математико-статистической обработки, прежде всего, необходимо оценить характер распределения по всем используемым параметрам. Для параметров, имеющих нормальное распределение или близкое к нормальному, можно использовать методы параметрической статистики, которые во многих случаях являются более мощными, чем методы непараметрической статистики.

Важнейшими первичными статистиками являются: а) средняя арифметическая; б) среднее квадратичное отклонение; в) коэффициент вариации. Следующими по важности являются такие первичные статистики, как коэффициент асимметрии и эксцесс. В число первичных статистик входит статистическая ошибка средней арифметической.

2) Оценка достоверности отличий.

Оценка часто необходима при сравнительном анализе полярных групп. Одной из наиболее часто встречающихся задач при обработке данных является оценка достоверности отличий между двумя, или более, рядами значений. В математической статистике существует ряд способов для этого. Достоверность различий средних арифметических можно оценить по достаточно эффективному параметрическому критерию Стьюдента. Решение о достоверности различий принимается в том случае, если вычисленная величина t превышает табличное значение для данного числа степеней свободы. Следует помнить, что при любом численном значении критерия достоверности различия между средними этот показатель оценивает не степень выявленного различия (она оценивается по самой разности между средними), а лишь статистическую достоверность его, т.е. право распространять полученный на основе сопоставления выборок вывод о наличии разницы на все явление (весь процесс) в целом.

3) Нормирование данных

Полученные при сборе данных начальные (первичные) оценки выполнения экспериментальных заданий далеко не всегда удобно использовать в дальнейшей работе. Их тем или иным способом преобразуют. Наиболее частыми преобразованиями являются центрирование и нормирование среднеквадратическими отклонениями. Под центрированием понимается линейная трансформация величин признака, при которой средняя величина распределения определенного признака становится равной нулю. Направление шкалы и ее единицы остаются при этом неизменными.

Суть нормирования состоит в переходе к другому масштабу — стандартизированным единицам измерения. При стандартизировании результатов тестовых испытаний нормирование чаще всего осуществляется с помощью среднеквадратических отклонений. Стандартизирование производится при нормальном распределении тестовых оценок или близком к нему по виду.

В психологии существует целый ряд шкал, основанных на нормальном распределении и имеющих разные значения М и σ. Например, в шкале отклонений интеллекта IQ: М=100, σ =15; в шкале Векслера М=10, σ = 3.

4) Корреляционный анализ

Корреляционный анализ дает возможность точной количественной оценки степени согласованности изменений (варьирования) двух и более признаков. Степень согласованности изменений характеризует теснота связи — абсолютная величина коэффициента корреляции.

5) Факторный анализ

Данные факторного анализа, как и корреляционного, помогают обнаружить взаимосвязи между переменными, но не могут дать достаточных оснований для выводов о причинно-следственных зависимостях, об иерархии причинных связей.

В факторном анализе предполагается, что наблюдаемые переменные являются линейной комбинацией некоторых латентных (гипотетических или ненаблюдаемых) факторов. Факторная модель основывается на том, что все наблюдаемые переменные являются функциями скрытых факторов: не предполагается включение в состав переменных таких, которые являются причинными для других. Но не обязательно, чтобы все переменные были на одном уровне причинности. При достаточном опыте и наличии дополнительной информации о структуре исследуемого явления результаты факторного анализа можно достаточно корректно интерпретировать.