Связь между переменными, измеряемыми по номинальной, порядковой, интервальной шкалл.

Существует множество мер связи. Каждая из этих мер годится для анализа только определенного типа данных, полученных с помощью соответствующих шкал (номинальной, порядковой, интервальной). Поэтому исследователь должен выбирать меры, наиболее пригодные для оценки связи между конкретными переменными. К ситуации «смешанных переменных» (к примеру, одна номинальная и одна порядковая) обычно применяется консервативный подход, т.е. выбор тех мер связи, которые подходят для более грубой из двух шкал измерения.

Для номинальных переменных используются две группы статистик, позволяющие рассчитать меры связи. Выше мы уже рассматривали применение статистик, основанных на критерии хи-квадрат, в пакете Statistica – коэффициент фи, V Крамера. Другой мерой служат вероятностные методы уменьшения ошибки (Uncertainty coefficient, lamda).

Для порядковых переменных существуют специально разработанные статистические методы расчета корреляций: Gamma (гамма), Spearman rank order correlations (коэффициент ро Спирмена), Kendall`s tau-b & tau-c (коэффициент ранговой корреляции тау Кендалла). Коэффициенты корреляций меняются в диапазоне от -1 до 1. Если коэффициент корреляции равен 0, то это свидетельствует об отсутствии какой-либо связи между исследуемыми переменными. Если коэффициент корреляции равен -1, то говорят о сильной отрицательной корреляции, если коэффициент корреляции равен 1, то о положительной. Смысл отрицательной корреляции можно понять из следующего примера: чем больше студент согласен с суждением «каждый человек либо талантлив, либо нет», тем меньше он склонен ассоциировать творчество с экстатическими переживаниями (коэффициент корреляции по Спирмену равен -0,2).

Взаимосвязи между порядковыми переменными удобно анализировать в меню непараметрической статистики (рис. 4.7).

В меню «Statistics» выберите из списка методов «Nonparametrics», затем – «Correlation (…)».

 

 

Рис. 4.7. Меню методов непараметрической статистики

 

При этом открывается диалоговое окно (рис. 4.8). Далее задаются выделением два списка переменных: List 1 и List 2 в опции «Variables». На рис. 4.8  для анализа выбраны переменные V1_1 – V1_9 (согласие с суждениями о творчестве) и переменная V5 (согласие на участие в тренинге по творчеству).

 

 

Рис.4.8. Диалоговое окно непараметрических методов корреляции

 

Чтобы вычислить корреляционные связи между заданными переменными, следует нажать кнопки одного из трех методов: Gamma, Spearman rank R, Kendall tau. На рис. 4.9 дана корреляционная матрица, рассчитанная с использованием Spearman rank R, Gamma соответственно.

Красным цветом в таблицах выделены коэффициенты корреляции статистически достоверно отличные от нуля (по умолчанию уровень достоверности установлен 0,05). Отчетливо видно, что между парами переменной V5 и переменными V1_2, V1_3, V1_6, V1_7, V1_9 существует слабая корреляционная связь. Результаты использования различных методов Gamma, Spearman rank R практически не различаются. Нужно помнить, что при проведении корреляционного анализа оценка выраженности силы связи между переменными носит хоть и количественный, но достаточно условный характер.

О чем свидетельствуют выявленные нами корреляции? Во-первых, представления студентов о творчестве слабо, но влияют на желание студентов пройти соответствующий тренинг. Наиболее сильно с желанием пройти тренинг связаны представления, что «существуют эффективные методики развития творческого потенциала личности», «способность к творчеству помогает добиться успехов в жизни», «творчество – это источник подлинного удовольствия», «на современном рынке труда востребованы творческие люди» (коэффициенты корреляции составляют 0,16, 0,2, 0,18, 0,18 соответственно).

 

 

 

Рис. 4.9. Таблицы результатов корреляционного анализа

 

Для интервальных переменных  широко применяется статистика, называемая коэффициентом корреляции r Пирсона. Подобно порядковым мерам связи, r Пирсона изменяется в диапазоне от -1 до +1, где 0 указывает на отсутствие связи, а +1 и -1 – на абсолютную положительную или отрицательную связь соответственно. Чтобы провести корреляционный анализ по Пирсону, необходимо выбрать в меню «Basic Statistics» подменю «Correlations». В открывшемся окне следует задать переменные для анализа. Можно использовать квадратные («One variable list») или прямоугольные («Two lists») корреляционные матрицы. Последние более удобны для того, чтобы определить, как влияют все переменные на небольшую избранную группу переменных. Когда переменных выбрано много,  лучше установить «Pairwize» (если пропущено какое-нибудь значение, то из анализа будет убираться только пара данных, а не вся строка таблицы данных).

 

 

 

Рис. 4.10. Диалоговое окно корреляционного анализа по Пирсону

 

Нажатие кнопки «Summary» позволяет вывести на экран корреляционную матрицу (рис. 4.14). В качестве графических средств анализа следует отметить диаграммы рассеяния (Scatterplots). В наших данных отсутствуют переменные, для вывода которых было бы целесообразно использовать диаграммы рассеяния, поэтому для иллюстрации на рис. 4.11 приведен пример диаграммы рассеяния из другого исследования (по оси Х указан вес респондентов, по оси У – рост респондентов). Каждая отмеченная точка на диаграмме рассеяния соответствует одному случаю (респонденту). Видно, что точки в большей степени группируются вдоль кривой, выделенной красным цветом. Скопление точек по форме напоминает эллипс, при этом коэффициент корреляции между переменными отрицательный и равен -0,2.

 

 

 

Рис. 4.11. Диаграмма рассеяния

 

Для категориальных переменных, наряду с таблицами сопряженности, можно использовать объемные рисунки распределения частот. Нажав кнопку «3D Histograms», мы получим набор столбиковых диаграмм, позволяющий наглядно оценить взаимосвязь между переменными. На рис. 4.12 представлено сопряжение переменных, отражающих ассоциирование творчества с «целостным взглядом на мир» и с «импровизацией, спонтанностью». Коэффициент корреляции по Пирсону равен 0,36, что свидетельствует об умеренной положительной взаимосвязи  между исследуемыми переменными.

 

 

 

Рис. 4.12. Объемная диаграмма сопряжения переменных V11_10 и V11_11

 

При интерпретации взаимосвязей группы переменных необходимо учитывать, что внутренняя логика взаимосвязей может быть очень сложной, нелинейной, опосредованной скрытыми латентными факторами. Как писал видный отечественный синергетик В.Г. Буданов, массу корреляционных зависимостей можно объяснить следующим образом. «Если мы имеем крону дерева, которое затоплено, и мы пошевелили ствол под водой, то все веточки начинают синхронно двигаться. Казалось бы, несвязанные явления, но наше сознание привыкло с детства искать конкретную причину. И мы начинаем искать взаимосвязи непосредственно между этими веточками, какая из них первая, кто из них на кого влияет. А причина в том, что где-то там колеблется общий ствол»[2].

В целом корреляционный анализ служит мощным средством создания моделей изучаемого явления, понимания внутренней логики процессов. При этом используются специальные общие подходы к анализу взаимосвязей между переменными.

Во-первых, корреляционные связи изучаются системно, прослеживаются «узоры» всех статистически достоверных связей. Часто для этих целей используется построение максимального корреляционного графа. Вершины максимального корреляционного графа представляют собой отдельные переменные, их соединяют линии, отражающие статистически достоверные корреляции. При этом исследователь сам решает, какие связи должны быть обязательно отражены в максимальном корреляционном графе: наиболее сильные или те, которые важны для хорошего теоретического понимания сопоставляемых процессов. Для построения корреляционного графа обычно используется корреляционная матрица, для получения которой следует определить переменные и нажать кнопку «Summary: Correlation matrix». Предварительно в «Options» можно установить уровень p, чтобы окрашивать в корреляционной матрице более или менее значимые коэффициенты.

 

 

Рис. 4.13. Фрагмент корреляционной матрицы

 

В целом коэффициенты корреляции между переменными V8_B1 – V8_B12 показывают наличие статистически достоверных связей между всеми анализируемыми переменными. Интерпретировать эти результаты корреляционного анализа довольно просто. В целом найденные корреляции отражают следующую закономерность: если студенты проявляют интерес к творчеству, то они проявляют интерес и ко всем отдельным составляющим творческой компетентности. Однако можно выделить и «островки» наиболее тесно связанных интересов. Например, тесно взаимосвязана между собой группа переменных, отражающих интерес студентов к следующим темам: «чувство внутренней свободы», «умение импровизировать», «умение генерировать оригинальные идеи», «развитие интуиции» (переменные V8_B2, V8_B3, V8_B4, V8_B5 соответственно). Найденные взаимосвязи могут помочь проникнуть во внутренние бессознательные представления и ожидания студентов и понять, почему оказались связаны между собой проблемы интуиции, внутренней свободы, генерации оригинальных идей.

Другая тесно связанная группа – «знание техник творчества», «знание психологических закономерностей творчества», «знание философских, религиозных концепций творчества» (переменные V8_B9, V8_B10, V8_B11 соответственно). Здесь интерпретация взаимосвязей может быть более легкой – студенты проявляют комплексный интерес к знанию о творчестве. Можно выделить еще одну группу интересов студентов – «умение входить в особые состояния сознания», «умение путешествовать в мирах воображения». Сильная положительная корреляция между этими переменными (коэффициент корреляции составляет 0,55) свидетельствует о том, что проблематика воображения и измененных состояний сознания в представлении студентов находится «очень близко» друг от друга.

Максимальный корреляционный граф и строится для того, чтобы наглядно изобразить графически сложное переплетение взаимосвязей между переменными.

Во-вторых, при анализе корреляционных связей можно использовать метод уточнений – анализ взаимосвязей с введением дополнительных контрольных переменных. Метод уточнений в социологии был детально разработан в 1940–1950-е гг. П. Лазарсфельдом, С. Стауффером и их сотрудниками для анализа элементарных таблиц сопряженности и взаимосвязей номинальных переменных. Однако общая логика этого подхода используется и при изучении интервальных переменных посредством расчета частных корреляций.

Расчет коэффициента частной корреляции – это простейшее средство уточнения исходной модели при введении дополнительной переменной. Частной корреляцией называют корреляцию между двумя переменными, когда статистически контролируется или поддерживается на постоянном уровне третья переменная.

Например, В.А. Ядов в одной из своих книг по методологии социологических исследований рассказывал о случае ложного открытия, которое он сделал, будучи молодым ученым[3]. В то время Ядов исследовал проблему влияния уровня образованности на производительность труда рабочих. Была выявлена статистически значимая отрицательная взаимосвязь этих переменных: чем образованнее рабочий, тем хуже его производительность труда. На основании этих данных была разработана теория, опубликована монография. Позже Ядов признавался в совершенной ошибке. На самом деле отрицательную корреляционную взаимосвязь создала третья переменная – стаж работы. Образованные рабочие в среднем имели малый стаж, поэтому их производительность труда была ниже необразованных рабочих,  которые в среднем имели большой опыт.

 

 

Рис. 4.15. Окно задания новой переменной

 

Для того чтобы исключить влияние этой третьей переменной, поступают следующим образом. Рассчитывают искомые корреляции для каждого из фиксированных уровней третьей переменной. То есть отдельно надо сопоставить между собой корреляцию образованности и производительности труда для нескольких групп рабочих: с малым, средним, большим стажем работы. После такого анализа был обнаружен совсем другой результат: более образованные рабочие имеют в среднем более высокую производительность труда.

Аналогичным образом рассчитываются коэффициенты частной корреляции, при этом исключается влияние третьей переменной на взаимосвязь исследуемых переменных.

В нашем случае будет интересно исключить влияние фактора «общий интерес к творчеству». Это позволит ярче, острее увидеть взаимодействие друг с другом отдельных групп интересов.

Создадим новую переменную-индикатор V8 (общий интерес к развитию творческой компетентности), равную усредненному значению суммы всех интересов. Для этого в главном меню нужно выбрать «Insert», а затем «Add variables».

В формуле расчета переменной V8 (рис.4.15) реализована возможность при написании формулы «=(v62+v61+v60+v59+v58+v57+v56+v55+v54 +v53+v52 +v51)/12» использовать вместо имен переменных их порядковые номера в таблице данных.

После того как новая переменная- индикатор будет создана, пересчитаем относительно ее коэффициенты корреляции для переменных V8_B1 – V8_B12. Войдем в меню «Correlations», отметим переменные для анализа в правом поле «Two lists». «First variable lists» - переменные V8_B1 – V8_B12, между которыми определим коэффициенты частной корреляции, «Second variable lists» - переменная V8, влияние которой на взаимосвязи исключается. При нажатии кнопки «Partial correlations»  будет выведена корреляционная матрица.

 

 

Рис. 4.16. Матрица частных корреляций

 

В корреляционной матрице (рис. 4.16) теперь присутствуют отрицательные коэффициенты, что свидетельствует о некотором антагонизме интересов студентов (интерес к импровизации, свободе, оригинальности идей соответствует уменьшению степени интереса к особым состояниям сознания, воображению и т. д.). По-прежнему можно выделить три группы переменных, связанных положительными корреляциями.

Таким образом, использование корреляционного анализа  – кропотливая работа, требующая от исследователя системного подхода к изучаемым явлениям, знания статистических методов и процедур выявления взаимосвязей.

 

Задание:  Проанализируйте взаимосвязи между следующими блоками переменных: знакомство с техниками творчества (V2_1 – V2_8); самооценка студентами относительно развитости своих способностей и творческих компетентностей (V8_A1 – V8_A12). Переменные V2_1 – V2_8 являются дихотомическими, поэтому к ним можно применить статистики, предназначенные для интервальных шкал. Постройте максимальный корреляционный граф. На основании статистических данных сделайте теоретические выводы.

 

Факторный анализ

 

При анализе данных исследователи могут использовать факторный анализ для двух основных целей. Во-первых, метод факторного анализа позволяет выявлять группировки тесно связанных между собой переменных и таким образом в социологическом исследовании дает возможность увидеть более глубокие, зачастую бессознательные ориентации и ожидания людей, в общем – некоторые латентные, скрытые факторы.

Во-вторых, факторный анализ позволяет корректно уменьшить количество переменных. Это процедура полезна для использования новых, полученных с помощью факторного анализа переменных в кластерном, регрессионном, дискриминантном анализе и  других видах анализа данных. При уменьшении числа переменных факторный анализ помогает сохранить как можно больше информации и сделать так, чтобы новые переменные имели смысл и с ними было легко работать.

Например, ранее мы установили сильную корреляционную связь между группой переменных «интерес к знанию техник творчества», «интерес к знанию психологических закономерностей творчества», «интерес к знанию философских, религиозных концепций творчества» (переменные V8_B9, V8_B10, V8_B11, соответственно). Эти три переменные можно заменить одной новой латентной переменной, которая  и называется фактором. Идеология факторного анализа – свести изучаемые переменные к ограниченному количеству независимых друг от друга факторов.

Процедура факторного анализа состоит из четырех основных стадий:

1. Вычисление корреляционной матрицы для всех переменных, участвующих в анализе.

2. Извлечение факторов, определение количества факторов, адекватно описывающих поведение исходных переменных.

3. Вращение факторов для создания упрощенной структуры их взаимосвязей с переменными.

4. Интерпретация факторов.

Далее можно ввести в таблицу данных новые переменные, соответствующие вновь найденным факторам, и использовать их в других статистических методах.

Для того чтобы провести факторный анализ, необходимо в меню «Statistics» выбрать опцию «Multivariate Exploratory Technics» и среди других методов – «Factor Analysis» (рис. 5.1).

 

 

Рис. 5.1. Меню выбора метода анализа данных

 

 

После того как вы активировали среди других методов факторный анализ, появляется диалоговое окно Factor Analysis  (рис. 5.2).

 

 

Рис. 5.2. Диалоговое окно Factor Analysis

 

Далее следует определить переменные для анализа, нажав кнопку «Variables». Для проведения факторного анализа предпочтительнее брать группы достаточно однородных, однопорядковых переменных. Например, мы можем выбрать группу переменных, характеризующих интерес студентов к составляющим творческой компетентности.

Итак, возьмем для факторного анализа переменные V11_1 – V11_26 (ассоциации с творчеством). Ранее мы установили общие для всех студентов ассоциации с творчеством: вдохновение; обилие энергии; удовольствие; импровизация и спонтанность; интересные люди; добро; душевность; свобода и независимость. Использование факторного анализа позволит нам из исходных двадцати шести переменных получить ограниченное количество независимых друг от друга факторов. Значение этих факторов  может быть понято как некие скрытые для прямого измерения смыслы, ассоциирующиеся с творчеством.

Установленная по умолчанию опция «Raw Data» означает, что для факторного анализа будут использованы реальные данные. На их основе  программа рассчитает корреляционную матрицу, которая и будет использована далее в факторном анализе. После этого нужно нажать «ОК».

В появившемся диалоговом окне прежде всего следует обратить внимание на количество проанализированных случаев. Если имеется большое количество удаленных строк, то необходимо проделать процедуру сначала, заменив установку «Casewize» (см. рис. 5.2) на «Pairwise» или «Mean substitution» (вместо пропущенных данных использовать средние по переменной значения).

 

 

Рис. 5.3. Диалоговое окно Define Method of Factor Analysis при нажатой кнопке «Advanced»

 

Далее исследователь определяется с выбором метода факторного анализа (рис. 5.3). Выделяют две большие группы подходов к проведению факторного анализа – анализ главных компонент и анализ общих факторов.

В анализе главных компонент (Principal components)  основное внимание уделяется объясненной факторами дисперсии. Вариабельность всех исходных переменных составляет 100 % дисперсии. Замена переменных факторами позволяет объяснить только часть дисперсии. Анализ главных компонент рекомендуется, если основная задача исследователя – выделить минимальное число факторов, которые описывают максимальное количество всей дисперсии.

При анализе общих факторов (Principal factor analysis) решается другая задача – определение структуры данных. Основное различие двух моделей факторного анализа состоит в том, что при анализе главных компонент предполагается, что должна быть использована вся изменчивость переменных, тогда как при анализе главных факторов используется только изменчивость переменной, общая и для других переменных.

В большинстве случаев эти два метода приводят к весьма близким результатам.

В меню определения методов нужно оставить отметку «Principal components». Далее будет необходимо, используя параметры:  максимальное количество выделяемых факторов «Max no. of factor» и минимальное собственное значение «Mini eigenvalue», задать  количество факторов, которые выделятся в ходе факторного анализа.

В ходе процедуры факторного анализа будет выделено или указанное количество факторов, или меньшее количество – все факторы, собственное значение которых больше заданного вами минимального собственного значения.

Существует несколько способов ответить на вопрос «Сколько факторов будет в конечной модели?»

Критерий собственного значения. Собственное значение отражает объем дисперсии исходных переменных, который определяется этим фактором. Задать минимальное собственное значение факторов – это один из распространенных способов отобрать минимальное количество факторов.

Поскольку факторный анализ предназначен для того, чтобы уменьшить количество исходных переменных, то было бы бессмысленно доводить количество факторов до количества переменных. Практическое правило, на которое обычно полагаются при проведении  факторного анализа, заключается в том, что все факторы, включенные в модель (до вращения), должны объяснять, по крайней мере, такую же часть дисперсии, как и «средняя переменная». Фактор, собственное значение которого меньше 1,0, не лучше одной переменной, поскольку нормированная дисперсия исходных переменных составляет 1,0. Следовательно, собственное значение фактора должно быть больше 1,0. В противном случае будет лучше оставить исходную переменную. Таким образом, следуя критерию собственного значения, мы задаем минимальное собственное значение «Mini eigenvalue» равным 1,0.

Другой, часто используемый критерий ограничения количества выделяемых факторов, – критерий «каменистой осыпи». График «каменистой осыпи» – это график зависимости собственных значений от числа факторов в порядке их выделения (рис. 5.4).  Для определения числа факторов оценивается форма графика. Обычно на графике виден четкий перелом между крутой частью и пологим «хвостом». Этот «хвост» и называют «каменистой осыпью».

Для нашего случая на основании критерия собственного значения отберется шесть факторов, критерий «каменистой осыпи» указывает в большей степени на необходимость отобрать только пять факторов (рис. 5.4).

 

 

Рис. 5.4. График «каменистой осыпи»

 

Критерий «процент объясненной дисперсии». При данном подходе число отбираемых факторов определяется таким образом, чтобы суммарный процент объясненной отобранными факторами дисперсии достигал удовлетворительного уровня (чаще всего этот уровень принимается равным 70 %). На рис. 5.5 показана выведенная на экран монитора таблица собственных значений, в которой указаны номер фактора (в порядке выделения), его собственное значение (eigenvalue), процент общей дисперсии объясненной фактором (% Total variance), кумулятивное собственное число (сумма всех собственных значений, включая предыдущие факторы), кумулятивный процент объясненной факторами дисперсии (Cumulate %).

 

 

 

Рис. 5.5. Таблица собственных значений факторов

 

В таблице собственных значений факторов (рис. 5.5) хорошо видно, как уменьшается вклад в объясненную дисперсию по мере увеличения порядкового номера фактора. Кумулятивный процент объясненной дисперсии достигает 100 %, когда число факторов сравнивается с числом переменных.

Вернемся к анализу переменных, описывающих ассоциации студентов с творчеством. Установим максимальное количество выделяемых факторов «Max no. of factor» – 26 и минимальное собственное значение «Mini eigenvalue» – 0,00. Это позволит  рассмотреть все факторы и выбрать оптимальное их количество. После этого зайдем обратно в диалоговое окно «Define Method of Factor Analysis» и зададим (в зависимости от нашего выбора) или определенное количество факторов, или минимальное собственное значение. Затем нажмем «ОК». В результате наших действий откроется диалоговое окно вывода результатов факторного анализа (рис. 5.6).

 

Нажатие кнопки «Scree plot» позволит вывести на экран график «каменистой осыпи» (рис. 5.4). Нажатие кнопки «Eigenvalue» даст возможность просмотреть таблицу собственных значений факторов (рис. 5.5).

 

 

Рис. 5.6. Окно вывода результатов факторного анализа

 

Если в качестве способа определения необходимого количества факторов мы выберем критерий «процент объясненной дисперсии», то десять факторов будут составлять оптимальное  количество для описания исходных двадцати шести переменных. В этом случае все девять факторов объяснят 69 % всей вариации переменных.

В нашем случае мы воспользуемся  критерием собственного значения и соответственно зададим количество факторов равным семи, поскольку седьмой фактор имеет собственное значение лишь немного меньше единицы. Процент описываемой  всеми выбранными факторами дисперсии  при этом составит 63 %.

Следующим шагом после выделения факторов является их вращение. Нужно войти в подменю «Quick» и в опции «Factor rotation» установить один из методов вращения факторов «Varimax normalized» (рис. 5.7).

 

 

 

Рис. 5.7. Окно выводов результатов факторного анализа

 

 

Вращение факторов – это математическая процедура, которая позволяет выбрать наиболее оптимальное сочетание факторных нагрузок для последующей интерпретации факторов. Существует много методов вращения. При вращении «Varimax» каждый фактор имеет тенденцию давать большие нагрузки (близкие к 1 или -1) на небольшое количество переменных, что упрощает интерпретацию полученных в результате факторов. Нагрузка отражает связь между переменной и фактором, являясь подобием коэффициента корреляции. Значение нагрузки лежит в пределах от -1 до 1 (рис. 5.8).

Войдите в подменю «Loadings» и нажмите кнопку «Factor loadings». На экран монитора будет выведена таблица факторных нагрузок.

 

 

Рис. 5.8. Повернутая модель факторов (таблица факторных нагрузок)

 

После того как произведено вращение факторов, необходимо интерпретировать смысл выделенных факторов. Интерпретация факторов осуществляется исходя из больших значений факторных нагрузок (в таблице они выделены красным цветом).

Первый выделенный фактор описывает 12 % общей дисперсии и тесно связан с переменными, характеризующими ассоциации с творчеством: «добро», «душевность» (факторные нагрузки составляют 0,81, 0,85 соответственно). Довольно сильно этот фактор связан с переменными «интересные люди», «свобода и независимость». Скорее всего факторные нагрузки указывают на группу ассоциаций с творчеством, общий смысл которых заключается в следующем. Творчество ассоциируется с отношениями между людьми, проникнутыми добрыми и душевными чувствами. При этом связь смыслов «свобода» и «добро» определяют своеобразные формы взаимоотношений, характерных для молодежных сообществ: позволить другому быть независимым и свободным, быть самим собой. Таким образом, первый фактор может быть кратко обозначен как творчество – душевное, доброе человеческое взаимодействие.

Второй фактор объясняет 8 % общей дисперсии. Наиболее тесно связан с переменными «муки творчества, душевный дискомфорт», «неуверенность, страх перед критикой», «риск, неопределенность» (факторные нагрузки – 0,82, 0,79, 0,54 соответственно). Интерпретация фактора не представляет сложности – он отражает негативные моменты творчества. Интересно, что тесная связь этих переменных характеризует отсутствие дифференцированного восприятия негативных моментов творчества на уровне массового сознания студентов. Соединяются вместе в одном факторе и страх перед критикой, и душевный дискомфорт, и неопределенность.

Третий фактор описывает 11 % суммарной дисперсии, определяется связью с такими переменными, характеризующими ассоциации студентов, как «престиж», «успешность», «элитарность» (факторные нагрузки составляют 0,77, 0, 79, 0,69 соответственно). В основе этих трех переменных лежит один общий для них фактор – внешняя сторона творческой деятельности, ее итог, который в представлении студентов и ассоциируется с престижностью, успешностью, принадлежностью к преуспевающей элите общества.  

Четвертый фактор (8 % общей дисперсии) тесно связан с переменными, отражающими ассоциации: занятия наукой, предпринимательство (факторные нагрузки по этим переменным составляют 0,80, 0,80 соответственно). Соединение этих переменных в одном факторе показывает, что в массовом сознании студенческой молодежи научная деятельность во многом родственна бизнесу. Природа такого объединения ассоциаций может быть понята, например, исходя из теории инвестирования Р. Стернберга и Т. Лаберта. Согласно этой теории, креативным можно считать человека, который стремится «покупать идеи по низкой цене и продавать по высокой». «Покупать по низкой цене» означает уметь верно оценивать потенциал развития и возможный спрос неизвестных, непризнанных, малопривлекательных идей, сопротивляться давлению среды, непониманию и неприятию и доводить идеи до реализации, «продавая по высокой цене».

Пятый фактор описывает 9 % общей дисперсии. Наиболее сильно фактор связан с переменными «импровизация, спонтанность», «сотворчество» (факторные нагрузки составляют 0,61, 0,64 соответственно). Пятый фактор сопряжен с такими переменными, как «целостный взгляд на мир», «интересные люди», «саморегуляция», «уважение к себе/жизни». Интерпретация данного фактора достаточно сложна. В самом деле, что общего между импровизацией и сотворчеством? Почему фактор сопряжен с саморегуляцией и уважением к себе и миру? Скорее всего, пятый фактор описывает ассоциации студентов с творчеством на уровне мировоззрения. А именно, творчество – необходимый элемент новой, начавшей формироваться в конце двадцатого столетия картины мира.  Для этого мировоззрения характерен холизм (то есть целостный взгляд на мир), внимание к внутреннему миру, бессознательному (отсюда связь с импровизацией и спонтанностью). Формирование уважения к себе, к миру становится значимым аспектом внутренней работы над собой. Развитие навыков саморегуляции психических и организмических процессов способствует появлению представлений о взаимодействии с другими людьми, миром в целом, как о «космическом танце», сотворчестве. Если вывести корреляционную матрицу, то анализ коэффициентов корреляции обнаруживает группу переменных, тесно связанных с переменной «целостный взгляд на мир»: «сотворчество» (коэффициент корреляции составляет 0,35), «импровизация, спонтанность» (0,36), «интересные люди» (0,39), «уважение к себе и миру» (0,40). Таким образом, можем интерпретировать пятый фактор как ассоциации творчества с холистическим мировоззрением.

Шестой выделенный фактор описывает 6 % общей дисперсии признаков. Обнаруживается сильная взаимосвязь с переменной, характеризующей ассоциирование творчества с «ощущением незримой поддержки мира, Бога» (факторная нагрузка для данной переменной составляет 0,84). Этот фактор сопряжен с переменными «сверхсознание» (0,45), «духовность» (0,49). По всей видимости, фактор отражает ассоциации творчества с «вертикальным направлением ввысь»: к сверхсознанию, к Духу, к Богу.

Седьмой фактор объясняет 10 % общей дисперсии и тесно связан с переменными, описывающими такие ассоциативные связи с творчеством, как «вдохновение», «обилие энергии», «экстатические переживания» (факторные нагрузки составляют 0,60, 0,60, 0,55 соответственно). Фактор достаточно тесно связан с переменной «сверхсознание» (факторная нагрузка – 0,55), переменной «интуиция» (факторная нагрузка – 0,50), переменной «удовольствие» (факторная нагрузка – 0,47). Седьмой фактор отражает восприятие студентами творчества как энергетийного, мифологического, насыщенного бытия, связывая воедино вдохновение, удовольствие, экстаз, обилие энергии.

Творчество сквозь эту призму ассоциаций здесь отождествлено с сакральным ритуалом, в значительной степени мифологизировано. Интерпретируя смысл этого фактора, можно назвать несколько актуальных тем. А.Ф. Лосев указывал на то, что миф есть наивысшая по своей конкретности, максимально интенсивная и в величайшей степени напряженная реальность. Это не выдумка, но наиболее яркая и самая подлинная реальность. Миф есть переживание чудесного. Согласно К. Армстронг, «самые глубокие и значимые мифы повествуют о предельных состояниях, вынуждая нас выйти за границы обыденного опыта»[4]. Связь  мифа и творчества  выявил в своей концепции священного и мирского Мирча Элиаде. Как писал этот интересный мыслитель, через исполнение космогонического мифа – первотворения, воспроизведение его через песнопения, танцы, символические рисунки происходит исцеление, восстановление изначальной гармонии. Став символически современником сотворения мифа, человек в ритуале погружается в состояние первоначального расцвета; в него проникают гигантские силы, которые in illo tempore сделали возможным сотворение мира[5]. Отождествление с творящими Космос силами дает омоложение, исцеление, возрождение. Подводя итог сказанному, мы можем интерпретировать смысл седьмого фактора (отражающего восприятие студентами творчества) как энергетийного, мифологического, насыщенного бытия.

Таким образом, в ходе факторного анализа нами было выявлено семь факторов.

Первый  – творчество ассоциируется с отношениями между людьми, проникнутыми добрыми и душевными чувствами.

Второй – диффузно отражает все негативные моменты творчества.

Третий  – творчество ассоциируется с престижностью, успешностью, принадлежностью к преуспевающей элите общества. 

Четвертый  – отражает ассоциирование с занятиями наукой, предпринимательством.

Пятый  – творчество ассоциируется с холистическим мировоззрением.

Шестой – отражает ассоциации творчества с «вертикальным направлением ввысь»: к сверхсознанию, к Духу, к Богу.

Седьмой  – отражает восприятие студентами творчества как энергетийного, мифологического, насыщенного бытия, связывая воедино вдохновение, обилие энергии, удовольствие, экстаз, сверхсознание, интуицию.

Как использовать выявленную нами факторную модель ассоциаций с творчеством?

В теоретико-познавательном плане модель показывает, что, с одной стороны, количество групп ассоциаций, с которыми студенты связывают творчество, ограничено. С другой – группы ассоциаций студентов с творчеством позволяют осмыслить значение творчества в мировоззрении современной студенческой молодежи как ключевое, «проникающее» практически во все сферы жизненной проблематики, актуальной для современных студентов. Ряд выявленных факторов открывает глубинное, мифологически  бессознательное восприятие творчества, подтверждая актуальность   смыслов, выявленных при анализе мифов Мирча Элиаде.

В практическом плане модель позволяет свести исходных двадцать шесть переменных до семи факторов, что делает более корректным применение кластерного, регрессионного и других видов анализа. Для многих видов анализа необходимо учитывать то, что несколько сильнокоррелирующих между собой переменных, практически являясь одной переменной, могут искажать результаты группового анализа.