Матметоды в психологии

Структура:
-Проблема – вопрос

-Цель и задачи

-Гипотеза – о взаимосвязи явлений реальности (не понятий!)
Уровни гипотез:

1.  Теоретический – в терминах теории

2.  Операциональный (исследовательский)- изучение в способах взаимодействия с окружающей реальности — методы и методики
На операционализации можно наколоться – она должна проводиться корректно.

3.  Статистический

-Способы проверки гипотез – экспериментальный план, подтверждение и статистических гипотез

-Подтверждение операциональных гипотез с помощью статистических — описание результатов

-Интерпретация – переход от операциональных к теоретическим гипотезам

-Выводы

Явления реальности= экспериментальные переменные

Какие переменные я использую?

Генеральная совокупность – совокупность лиц и ситуаций, относительно которых мы строим гипотезу. Из нее мы выбираем репрезентативную выборку.

Статистические методы нужны, потому что перенос с выборки на генеральную совокупность – вероятностный процесс

Стратегии исследования:

-поисковая

-подтверждающая (верификационная)

Алгоритм обработки данных.

1.  ПРОСТРАИВАНИЕ СВЯЗЕЙ МЕЖДУ СТРУКТУРОЙ ИССЛЕДОВАНИЯ И СТРУКТУРОЙ СТАТОБРАБОТКИ

А. Определение экспериментальных переменных — какие конкретно явления реальности мы изучаем.

Б. Какие термины используем для обозначения этих явлений

В. Определение способов взаимодействия с этими явлениями

Г. Формулировка теоретических и операциональных гипотез и определение задач исследования

Д. Выражение результатов методик в числовой форме. В проективных методиках – объектизирование признаков. Комплексные признаки, отнесение к тем или иным категориям. Классификация

2.  ПОДГОТОВИТЕЛЬНАЯ СТАТИСТИЧЕСКАЯ РАБОТА С ДАННЫМИ.
А. Создание таблиц

Б. Определение шкал измерения переменных

В. Описательные статистики

Д. Проверка нормальности всех интервальных переменных

Е. Проверка гипотез

21.09.12

Нормальное распределение.

Распределение – некое расположение числовых параметров.

Есть возможность описывает некую форму распределения, как функцию.

Модель Гаусса –«колокол»
Свойства:

— нормально распределенными являются те явления природы, на которые влияют множество случайных факторов.

— простое в математическом отношении (среднее арифметическое и мода совпадает)

— описание кривой – с помощью двух параметров: среднее и стандартное отклонение

— в нормальном распределении возможен переход от параметров к количеству наблюдений (и обратно). В диапазон «среднее плюс-минус стандартное отклонение» попадает 68 % испытуемых.

Плюс-минус две сигмы – 96%. Плюс-минус три сигмы – 99%. На этом строятся нормы в психодиагностике.

Большинство тестовых методик построены так, чтобы на выходе получить нормальное распределение. Это не свойство реальности, а именно свойство методики.

Проверка нормальности распределения.

1.  Графический.
— непрерывность

— одномодальность (одна вершина) . Полимодальные распределения в некоторых случаях могут считаться как два нормальных распределения.
-симметрия ( относительно среднего). Skewness – коэффициент симметрии (абсолютная симметрия – 0). Относительно симметричное –до +/- 0,25

— эксцесс (Kurtosis) – соотношение ширины к высоте (у нормальное распределения э. равен 0)

2.  Статистический
— Критерий Шапира-Уилка (выборка от 15 до 70)
-Критерий Колмогорова –Смирнова с поправкой Лиллифорса (выборка больше 70)
Если при проверки значимость P меньше 0,05 – распределение не является нормальным

Проверка гипотез.
Сначала – переменные, выдвижение гипотез.
Гипотезы (обычно в дипломах) сформулированы в терминах связи между чем-то и чем-то.
Каждое явление должно быть представлено неким набором параметров. В каких шкалах измерены переменные А и B?

Если шкала номинальная, мы не можем использовать корреляцию.

ПРовена нормальность в SPSS
Descriptives statistics – Explore – Поставить галочку в Normal (описательные статистики – исследовать)

Анализ корреляций.

Только числовые переменные.

Облако точек может иметь выраженный тренд – который демонстрируется с помощью регрессионной прямой.

Коэффициент корреляции –числовой аналог линейной регрессии, угол наклона прямой.

Корреляций – анализ совместного возрастания/убывания переменных.

С помощью корреляции можно выявлять только линейные зависимости.

Регрессионная прямая строится на основе наименьшего квадрата расстояний от точек до прямой.

Работая с корреляциями, надо убедиться, что у нас нет выброса (отдельно стоящих точек в графике), которые утягивает прямую.

Бывает группировка данных: два облака точек. Вероятно, есть еще какой-то третий фактор, который не измерен и который заставляет данные делиться на две группы.

Прежде, чем строить график, нужно построить диаграмму рассеивания.

Коэффициент корреляции – мера связи двух числовых переменных.
не проверяет гипотезу о связи – лишь показывает, насколько.

Коэффициент корреляции можно и нужно использовать, когда нужно проверить соотношение двух числовых рядов (например, ценности мужа и жены).

Подтверждение/опровержение гипотезы о связях.

Посчитав корреляцию, надо посмотреть на уровень значимости, который показывает вероятность, что на генеральной совокупности корреляция не будет равно 0. Если вероятность меньше 5 процентов, можно принять гипотезу о связи.

Проверка на уровне значимости 0,07 – если там что-то обнаружилось, то можно говорить о «тенденции, не достигающий статистической значимости»

Объем выборки решает.

Порядок работы с корреляциями.

0.  Удостовериться, что именно корреляции должны использоваться

1.  Посмотреть диаграмму рассеивания (графики – scatter plot — simple)

2.  Щелкнуть график — fit line, прямая подгонка — линейная регрессия. Получаем квадрат регрессии, из которого берем корень и получаем КК

·  Dаtes – select cases ( отборы наблюдений) — if condition is satisfight — if — задаем параметр (например группа 1)

В последней графе в таблице – фильтр, можно выкидывать данные.

3.  Annalyze – Correlate – Bivariate. Смотрим табличку.

Формулировка вывода.

Корреляция не показывает направление связи.

Причинно-следственная связь:

Временное следование

Числовая зависимость

Не должно быть третьего фактора C

ДЗ
Первый отчет
Кусок из курсовой — на примере двух-трех переменных описательные статистики и посчитать связи между переменными
Формат:

-вордовский документ

Под корреляцию – задачу, гипотезу, обоснование выбора метода, графики, принятие решение о выбросах.

vlmokhov@gmail. com
stat в теме письма

19.10.12

Анализ различий между двумя выборками – одна переменная числовая, другая — номинальня

Выбор метода:

1.  Модель (характер зависит перменной)

-Параметрическая модель:

*интервальная шкала измерения

*нормальное распределение

-Непараметрическая модель:

*Ранговая шкала измерения

Параметрическая модель

(интервальная шкала, N распределение)

T-критерий Т-критерий

Независимые выбрки Зависимые выборки

1.  Критерий знаков

2.  Критерий Вилкоксона 1. Критерий Манна-Уитни
2. Критерий Колмогорова — Смирнова

Непараметрическая модель

Зависимые выборки:

Существуют пары значений, принадлежащих одному испытуемому (пример, повтороные измерения)

Независимые выборки:

Пар значений не существует (различия между мужчинами и женщинами)

Т-критерий. Реальные условия применений

-Интервальная шкала измерения зависимых перменных

-Распределение зависимых переменных не сильно отличается от нормального (графическая оценка нормальности)

— Объем выборок относительно велик (больше 15)

— Большие выборки – вне зависимости от формы распределения

Табличка результатов
второй столбик – значимость различий дисперсий (тест Левена)
если больше пяти сотых – не различаются (смотрим первый уровень значимости) , если меньше – различаются, надо смотреть второй уровень значимости

Гипотеза о различии.

Если модели непараметрические, мы, в первую очередь, берем Критерии Вилкоксона и Манна-Уитни. Результаты их мы интерпретируем, как сравнение средних, но внутренняя логика у них другая.

Критерий знаков и Критерий Колмогорова –Смирнова.

Критерий Вилкоксона – оценка измерений (например, от первого ко второму измерению). Критерий знаков – оценивает сам факт изменения (было или не было)