I. Описательная статистика

Резюме

XY

Время

реакции (Y)

Д1

Д2

дз

19 10 12

152 150 156

Ю8 22 14 308

/I XY = 15-15,8- 13,4 = 3175,8;

(n- 1)V,= 14-3,07-2,29 =98,42;

3142-3175,8 -33,8 r = ———————— = ——— = -0,34.

98,42 98,42

Отрицательное значение коэффициента корреляции может означать, что чем больше время реакции, тем ниже эффективность. Однако величина его слишком мала для того, чтобы можно было говорить о достоверной связи между этим двумя переменными.

Теперь попробуйте самостоятельно подсчитать коэффициент корре­ляции для экспериментальной группы после воздействия, зная, что ЕХУ= 2953:

nXY=..... {п- l),^Sy=.....

Приложение Б

Какой вывод можно сделать из этих результатов? Если вы считаете что между переменными есть связь, то какова она-прямая или обраг-ная? Достоверна ли она [см. табл. 4 (в дополнении Б. 5) с критическими значениями г]?

Коэффициент корреляции рангов Спирмена г,

Этот коэффициент рассчитывать проще, однако результаты полу­чаются менее точными, чем при использовании г. Это связано с тем, что при вычислении коэффициента Спирмена используют порядок следо­вания данных, а не их количественные характеристики и интервалы между классами.

Дело в том, что при использовании коэффициента корреляции рангов Спирмена (г,) проверяют только, будет ли ранжирование данных для какой-либо выборки таким же, как и в ряду других данных для этой выборки, попарно связанных с первыми (например, будут ли одинаково «ранжироваться» студенты при прохождении ими как психологии, так и математики, или даже при двух разных преподавателях психологии?). Если коэффициент близок к + 1, то это означает, что оба ряда практи­чески совпадают, а если этот коэффициент близок к — 1, можно говорить о полной обратной зависимости.

Коэффициент ^ вычисляют по формуле

где (/-разность между рангами сопряженных значений признаков (неза­висимо от ее знака), а и-число пар.

Обычно этот непараметрический тест используется в тех случаях, когда нужно сделать какие-то выводы не столько об интервалах между данными, сколько об их рангах, а также тогда, когда кривые распреде­ления слишком асимметричны и не позволяют использовать такие параметрические критерии, как коэффициент г (в этих случаях бывает необходимо превратить количественные данные в порядковые).

Поскольку именно так обстоит дело с распределением значений эффективности и времени реакции в экспериментальной группе после воздействия, можно повторить расчеты, которые вы уже проделали для этой группы, только теперь не для коэффициента г, а для показателя г,. Это позволит посмотреть, насколько различаются эти два показателя.

Статистика и обработка данных 311

Испыту- Эффек- Время Ранги Ранги d d¹ емые тивность реакции х* у* х У

Д 8 8 17, 12 5 7 49 Д 9 20 13 1 2 I 1 Д 10 6 20 15 11,5 3,5 12,25 Д 11 8 18 12 7,5 4,5 20,25 Д 12 17 21 2 13,5 11.5 132,25 Д 13 10 22 8,5 15 6,5 42,25 Д 14 10 19 8,5 9,5 1 1 Ю9 9 20 10 11,5 1,5 2,25 Ю 10 7 17 14 5 9 81 Д 11 8 19 12 9,5 2,5 6,25 Ю 12 14 14 4 3 1 1 Ю 13 13 12 5 1 4 16 Ю 14 16 18 3 7,5 4,5 20,25 Ю 15 11 21 7 13,5 6,5 42,25 Ю 16 12 17 6 5 1 1

* Следует помнить, что

1) для числа попаданий 1-й ранг соответствует самой высокой, а 15-й-самой низкой результативности, тогда как для времени реакции 1-й ранг соответствует самому короткому времени, а 15-и-самому долгому,

2) данным ex aequo придается средний ранг.

6-428

15³- 15

== 1

= 0,24.

Таким образом, как и в случае коэффициента г, получен положитель­ный, хотя и недостоверный, результат. Какой же из двух результатов правдоподобнее: г = —0,48 или г, = +0,24? Такой вопрос может встать лишь в том случае, если результаты достоверны.

Хотелось бы еще раз подчеркнуть, что сущность этих двух коэф­фициентов несколько различна. Отрицательный коэффициент г указы­вает на то, что эффективность чаще всего тем выше, чем время реакции меньше, тогда как при вычислении коэффициента г, требовалось про­верить, всегда ли более быстрые испытуемые реагируют более точно, а более медленные - менее точно.

Поскольку в экспериментальной группе после воздействия был полу­чен коэффициент г,, равный 0,24, подобная тенденция здесь, очевидно, не прослеживается. Попробуйте самостоятельно разобраться в данных для контрольной группы после воздействия, зная, что ^_d² = 122,5:

г, = 1 — ——————— = I — ——————— == 1 —; достоверно ли?

Каков ваш вывод?..........................................

Итак, мы рассмотрели различные параметрические и непараметри­ческие статистические методы, используемые в психологии. Наш обзор

312 Приложение £

был весьма поверхностным, и главная задача его заключалась в том чтобы читатель понял, что статистика не так страшна, как кажется, и требует в основном здравого смысла. Напоминаем, что данные «опыта», с которыми мы здесь имели дело,-вымышленные и не могут служить основанием для каких-либо выводов. Впрочем, подобный экс­перимент стоило бы действительно провести. Поскольку для этого опыта была выбрана сугубо классическая методика, такой же статисти­ческий анализ можно было бы использовать во множестве различных экспериментов. В любом случае нам кажется, что мы наметили какие-то главные направления, которые могут оказаться полезны тем, кто не знает, с чего начать статистический анализ полученных результатов.

Существуют три главных раздела статистики: описательная ста­тистика, индуктивная статистика и корреляционный анализ.

1. Задачи описательной статистики - классификация данных, постро­ение распределения их частот, выявление центральных тенденций этого распределения и оценка разброса данных относительно средних.

2. Для классификации данных сначала располагают их в возрастаю­щем порядке. Далее их разбивают на классы по величине, интервалы между которыми определяются в зависимости от того, что именно иследователь хочет выявить в данном распределении.

3. К наиболее часто используемым параметрам, с помощью которых можно описать распределение, относятся, с одной стороны, такие величины, как мода, медиана и средняя арифметическая, а с другой -показатели разброса, такие как варианса (дисперсия) и стандартное отклонение.

4. Мода соответствует значению, которое встречается чаще других или находится в середине класса, обладающего наибольшей частотой.

Медиана соответствует значению центрального данного, которое может быть получено после того, как все данные будут расположены в возрастающем порядке.

Средняя арифметическая равна частному от деления суммы всех данных на их число.

Распределение считается нормальным, если кривая распределения имеет колоколообразный вид, а все показатели центральной тенденции совпадают, что свидетельствует о симметричности распределения.

5. Диапазон распределения (размах вариаций) равен разности между наибольшим и наименьшим значениями результатов.

6. Среднее отклонение-это более точный показатель разброса, чем диапазон распределения. Для расчета среднего отклонения вычисляют среднюю разность между всеми значениями данных и средней арифме-

Cinciiniu тики и обработки дачных 313

тической, или, упрощенно,

Среднее отклонение =

7. Еще один показатель разброса, вычисляемый из среднего откло­нения,-это варианса (дисперсия), равная среднему квадрату разностей между значениями всех данных и средней:

Yd² Варианса = ——. п

8. Наиболее употребительным показателем разброса служит стан­дартное отклонение, равное квадратному корню из вариансы. Таким образом, это квадратный корень из суммы квадратов всех отклонений от средней:

Стандартное отклонение = или

п V п - 1

9. Важное свойство стандартного отклонения заключается в том. что независимо от его абсолютной величины в нормальном распределении оно всегда соответствует одинаковому проценту данных, располага­ющихся по обе стороны от средней: 68% результатов располагаются в пределах одного стандартного отклонения в обе стороны от средней, 95%-в пределах двух стандартных отклонений и 99,7%-в пределах трех стандартных отклонений.

10. С помощью перечисленных выше показателей можно осущест­вить оценку различий между двумя или несколькими распределениями, позволяющую проверить, насколько эти различия могут быть экстра­полированы на популяцию, из которой взяты выборки. Для этого применяют методы индуктивной статистики.

Дата добавления: 2017-01-14