Характер распределения признака.
Точные количественные характеристики распределения, как было показано выше, вычисляются при помощи функции «Описательная статистика». Однако, для наглядного представления характера распределения исследуемого признака, целесообразно построить гистограмму частотного распределения. Особенно в случае, если вы предполагаете использовать методы параметрической статистики.
Алгоритм вычислений в программе Excel следующий: «Сервис» > «Анализ данных» > «Гистограмма» -ОК (см. Рисунок 7.11). Появляется диалоговое окно «Гистограмма» (Рисунок 7.15).
Рисунок 7.15 – Вид диалогового окна функции «Гистограмма»
Гистограмма строится по столбцам, т.е. по совокупности данных (параметров) признака. Как правило, характер распределения данных признака выявляется по основным (интегральным) шкалам методики (теста, задания).
Для нашего случая целесообразно построить гистограммы и выявить характер распределения признака по основным подшкалам методики МЛО «Адаптивность» (ПР - поведенческая регуляция; КК – коммуникативные качкства; МН – моральная нормативность) и интегральной шкале (ЛАП – личностный адаптационный потенциал), основным шкалам методики «Спилбергер-Ханин» (РТ – реактивная тревожность, ЛТ – личностная тревожность), интегральной шкале интеллектуального развития «Балл».
В качестве примера, рассчитаем только характер распределения по интегральной шкале общего уровня интеллектуального развития «Балл». В диалоговом окне функции «Гистограмма» задаем входной интервал. Начиная от наименования признака столбца данных в общей шкале наименований (параметры P3) и заканчивая последним численным значением признака в данном столбце (параметр P29).
|
|
|
Для нашей таблицы значений признака этот интервал P 3 : P 29(см. Рисунок 7.5, затем Рисунок 7.15). Далее выставляем:
«Метки» - «Новый рабочий лист» (задается автоматически) – «Вывод графика» - ОК. На новом рабочем листе появляется гистограмма частотного распределения значений признака в данном столбце (Рисунок 7.16).
Рисунок 7.16 – Гистограмма частотного распределения значений признака по шкале «Балл»
Аналогично строятся гистограммы частотного распределения значений признака по остальным шкалам.
Выяснив, что распределение признака по основным шкалам нормальное или близкое к нормальному, мы в праве переходить к сравнительному анализу и использованию наиболее распространенных методов параметрической статистики.
7.2.4. Сравнительный анализ первичных статистик
и формы его представления
Первичной и наиболее распространенной формой анализа данных результатов психологического исследования является сравнительный анализ первичных статистик между двумя или более группами выборок. Пренебрегать им не следует уже в силу того, что он показывает степень различия в значениях между исследуемыми психологическими признаками. Помимо этого практика показывает, что эти различия всегда будут существовать.
|
|
|
Однако, делать обобщения касающиеся этих различий в исследуемых выборках и экстраполировать (переносить) их на всю популяцию в целом крайне недопустимо. Ибо, выявленные различия посредством сравнительного анализа первичных статистик показательны и характеризуют различия лишь между данными выборками.
Данные сравнительного анализа первичных статистик оформляются в таблицах. Форма их представления в тексте научной публикации или классификационной (дипломной) работы выглядит следующим образом. Например:
Таблица 7.1 - Сравнение средних значений компонентов эмпатийного
потенциала высокодисциплинированных и низкодисциплинированных
учащихся
|
Психологический признак | Дисц. = 8-10 баллов, n = 63 чел. | Не дисц.= 1-3 балла, n =36 чел. |
t-Stud
|
p | ||
| М±m | σ | М±m | σ | |||
| Sp – стремление к принятию | 101,2±2,19 | 17.4 | 92,6±2,71 | 17,5 | 2,471 | <0,05 |
| So – страх отвержения | 151,3±2,74 | 21,8 | 136,6±2,51 | 163 | 3,937 | <0,05 |
| Rc - рациональный канал эмпатии | 3,2±0,15 | 1,2 | 3,4±0,23 | 1,5 | 0,714 | >0,05 |
| Ec - эмоциональный канал | 2,6±0,21 | 1,7 | 2,9±0,22 | 1,5 | 0,962 | >0,05 |
| Us – установки, способств. эмпатии | 3,1±0,20 | 1,6 | 2,5±0,18 | 1,2 | 2,314 | <0,05 |
| Pr - проникающая способность | 3,7±0,13 | 1,1 | 2,9±0,23 | 1,5 | 3,069 | <0,05 |
| It - идентификация | 3,5±0,21 | 1,6 | 2,5±0,12 | 0,8 | 3,924 | <0,05 |
| Ou – общий уровень эмпатии | 18,7±0,49 | 3,9 | 16,9±0,46 | 3,0 | 2,685 | <0,05 |
| Et - эмпатическая тенденция | -1,3±2,65 | 21,1 | -5,5±3,08 | 20,0 | 1,022 | >0.05 |
Примечание - Жирным шрифтом выделены психологические признаки, по которым существуют различия на достоверно значимом уровне.
|
|
|
После использования ряда других методов (в приведенном примере, это оценка достоверности различий между средними по t-критерию Стьюдента), таблица может быть дополнена показателями критериев и уровнем их доверительной значимости (p).
|
|
|
Кроме того, эти данные можно для наглядности отобразить графически, например, в диаграммах разных форм и видов.
| 
|
По результатам выполненных вычислений мы можем сделать некоторые выводы о существовании различий по психологическим признакам между двумя (или более) выборками испытуемых.
Степень выявленного различия между средними желательно также оценивать, опираясь на содержательные критерии. Наиболее распространено для этого использование сигмы (σ). Разницу между двумя значениями в одну сигму и более можно считать достаточно выраженной. Если сигма (σ) подсчитана для ряда значений n более 35, то достаточно выраженной можно рассматривать разницу и в 0,5σ.
Помимо этого, среднее квадратическое отклонение обладает и другими чрезвычайно полезными свойствами, из которых хорошо запомнить одну важную формулу, в которую входит среднее квадратическое отклонение. Предположим, что нам известны среднее значение и среднее квадратическое отклонение для определенного набора данных. Умножьте среднее квадратическое отклонение на 1,96. Вычтите полученный результат из среднего значения и запишите разность. Теперь прибавьте результат умножения (то есть 1,96 × σ-среднее квадратическое отклонение) к среднему значению и также запишите ответ.
| 1) M – 1,96σ ; 2) M + 1,96σ |
Вы получили границы диапазона, в который попадают 95 % всех результатов из вашего набора. Любые результаты, большие или меньшие этих крайних значений, являются относительно редкими, поскольку они встречаются только в 5 % всех случаев. По этой причине в большинстве психологических журналов требуется, чтобы в описании представленных к публикации данных присутствовало не только среднее значение, но и среднее квадратическое отклонение - это позволит читателям оценить вариабельность обсуждаемых данных, а также быстро рассчитать наиболее вероятный разброс результатов
Таким образом, сравнительный анализ первичных статистик является одним из распространенных методов обобщения данных. Он предусматривает их описание с помощью какой-либо меры центральной тенденции (обычно используется среднее значение) и какой-либо оценки вариабельности (обычно используется среднее квадратическое отклонение). Оценка вариабельности показывает, насколько хорошо среднее значение отражает свойства рассматриваемой выборки результатов. Однако, при этом предполагается, что данные распределяются по нормальному закону. Это условие соблюдается в большинстве случаев, с которыми обычно сталкиваются исследователи, однако не во всех.
В тоже время, для ответственных выводов о том, насколько велика разница между значениями и для того чтобы иметь возможность представить эти обобщения как определенные тенденции и распространить их на всю генеральную совокупность (популяцию) в целом, лучше использовать более строгие существующие статистические критерии. Которые используются для определения уровня достоверности (статистической значимости) выявляемых различий или связи.
Рассмотрим методы статистического вывода наиболее простые, надежные и чаще используемые из них. Но прежде, уточним некоторые понятия, которые используются при применении данных методов. Это понятие статистических критериев, уровень достоверности различий или уровень статистической значимости.
Дата добавления: 2018-06-01; просмотров: 1585; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!