Распределением признака называется закономерность встречаемости разных его значений (Плохинский Н.А. 1970)

В психологических исследованиях чаще всего ссылаются на нормальное распределение.

Нормальное распределение характеризуется тем, что крайние значения признака в нем встречаются достаточно редко, а значения близкие к средней величине – часто. График нормального распределения представляет собой колоколообразную кривую.

Способы оценки нормальности распределения:

⇨ Графический

Самый простой графический способ проверки характера распределения данных — построение гистограммы. Если гистограмма имеет колоколообразный симметричный вид, можно сделать заключение о том, что анализируемая переменная имеет примерно нормальное распределение. Однако при интерпретации гистограмм следует соблюдать осторожность, поскольку их внешний вид может сильно зависеть как от числа наблюдений, так и от шага, выбранного для разбиения данных на классы.

⇨ Оценка описательных статистик (Аналитический способ)

 это статистические методы обработки данных, их систематизации, наглядного представления в виде таблиц и графиков, а также количественное описание данных с помощью системы статистических показателей.

При описательном анализе данных качественную информацию представляют в виде частотных таблиц, таблиц сопряженности и графиков. Количественную информацию обобщают также с помощью графиков и системы статистических показателей: показателей среднего уровня (среднее значение, мода, медиана), процентилей, показателей вариации (размах вариации, межквартильный размах, дисперсия, стандартное отклонение, коэффициент вариации и др.), показателей формы распределения (асимметрия и эксцесс). При исследовании данных интерес представляют точечные и интервальные оценки статистических показателей.

Методы описательного анализа данных позволяют не только исследовать данные, но и выбрать метод дальнейшего углубленного их анализа (методы аналитической статистики), например, методы для проверки статистических гипотез, моделирования взаимосвязи.

⇨ Критерий Колмогорова- Смирнова

проверяет гипотезу о различии распределений двух количественных переменных (эмпирического и теоретического)

Если уровень значимости выше, чем 0,05, то это значит, что распределение данных является нормальным, и для обработки данных подходят параметрические методы. Если же этот показатель меньше либо равен 0,05, то эмпирическое распределение отличается от нормального, и для основной обработки необходимо использовать непараметрические методы.

40. Параметрические и непараметрические критерии статистического анализа данных.

В зависимости от проверяемой нулевой гипотезы статистические критерии делятся на группы,

Наряду с нулевой гипотезой, которая принимается или отвергается по результату анализа выборки, статистические критерии могут опираться на дополнительные предположения, которые априори предпологаются выполненными.

· Параметрические критерии предполагают, что выборка порождена распределением из заданного параметрического семейства. В частности, существует много критериев, предназначенных для анализа выборок из нормального распределения. Преимущество этих критериев в том, что они более мощные. Если выборка действительно удовлетворяет дополнительным предположениям, то параметрические критерии дают более точные результаты. Однако если выборка им не удовлетворяет, то вероятность ошибок (как I, так и II рода) может резко возрасти. Прежде чем применять такие критерии, необходимо убедиться, что выборка удовлетворяет дополнительным предположениям. Гипотезы о виде распределения проверяются с помощью критериев согласия.

· Непараметрические критерии не опираются на дополнительные предположения о распределении. В частности, к этому типу критериев относится большинство ранговых критериев.

Критерии согласия

Критерии согласия проверяют, согласуется ли заданная выборка с заданным фиксированным распределением, с заданным параметрическим семейством распределений, или с другой выборкой.

·Критерий Колмогорова-Смирнова

·Критерий хи-квадрат (Пирсона)

·Критерий омега-квадрат (фон Мизеса)

Критерии сдвига

Специальный случай двухвыборочных критериев согласия. Проверяется гипотеза сдвига, согласно которой распределения двух выборок имеют одинаковую форму и отличаются только сдвигом на константу.

·Критерий Стьюдента

·Критерий Уилкоксона-Манна-Уитни

Критерии нормальности

Критерии нормальности — это выделенный частный случай критериев согласия. Нормально распределённые величины часто встречаются в прикладных задачах, что обусловлено действием закона больших чисел. Если про выборки заранее известно, что они подчиняются нормальному распределению, то к ним становится возможно применять более мощные параметрические критерии. Проверка нормальность часто выполняется на первом шаге анализа выборки, чтобы решить, использовать далее параметрические методы или непараметрические. В справочнике А. И. Кобзаря приведена сравнительная таблица мощности для 21 критерия нормальности.

·Критерий Шапиро-Уилка

·Критерий асимметрии и эксцесса

Критерии однородности

Критерии однородности предназначены для проверки нулевой гипотезы о том, что две выборки (или несколько) взяты из одного распределения, либо их распределения имеют одинаковые значения математического ожидания, дисперсии, или других параметров.

Критерии симметричности

Критерии симметричности позволяют проверить симметричность распределения.

·Одновыборочный критерий Уилкоксона и его модификации: критерий Антилла-Кёрстинга-Цуккини, критерий Бхаттачария-Гаствирса-Райта

·Критерий знаков

·Коэффициент асимметрии

41. Критерий хи-квадрат Пирсона. Возможности использования при обработке данных исследования.

Критерий Xи-квадрат применяется в двух целях;

1) для сопоставления эмпирического распределения признака с теоретическим - равномерным, нормальным или каким-то иным;

2) для сопоставления двух, трех или более эмпирических распределений одного и того же признака.

Критерий X2 отвечает на вопрос о том, с одинаковой ли частотой встречаются разные значения признака в эмпирическом и теоретическом распределениях или в двух и более эмпирических распределениях. Преимущество метода состоит в том, что он позволяет сопоставлять распределение признаков, представленных в любой шкале, начиная со шкал наименования. В самом простом случае альтернативного распределения "да - нет", "допустил брак - не допустил брак", "решил задачу - не решил задачу" и т. п. мы уже можем применить критерий Xи-квадрат.

Примеры применения:

1. Допустим, некий наблюдатель фиксирует количество пешеходов, выбравших правую или левую из двух симметричных дорожек на пути из точки А в точку Б.

Допустим, в результате 70 наблюдений установлено, что 51 человек выбрал правую дорожку и лишь 19 - левую. С помощь критерия X2 мы можем определить, отличается ли данное распределение выборов от равномерного распределения, при котором обе дорожки выбирались бы с одинаково частотой. Это вариант сопоставления полученного эмпирического распределения с теоретическим. Такая задач может стоять, например, в прикладных психологически исследованиях, связанны проектирование в архитектуре, системах сообщений и др.

2. Например, если в выборке из 50 человек 30 выбрало ответ (а), 15 человек - ответ (б) и 5 человек - ответ (в), то мы можем с помощь метода Х2 проверить, отличается ли это распределение от равномерного распределения или от распределения ответов в другой выборке, где ответ (а) выбрали 10 человек, ответ (б) - 25 человек, ответ (в) - 15 человек.

*При сопоставлении эмпирического распределения с теоретически определяем степень расхождения между эмпирическими и теоретическими частотами.

При сопоставлении двух эмпирических распределений мы определяем степень расхождения между эмпирическими частотами и теоретическими частотами, которые наблюдались бы в случае совпадения двух этих эмпирических распределений. 

Чем больше расхождение между двумя сопоставляемыми распределениями, тем больше эмпирическое значение у Х2.

42. Критерий Стьюдента (t-тест). Варианты, особенности применения.

Критерий Стьюдента (t-тест) - это статистический метод, который позволяет сравнивать средние значения двух выборок и на основе результатов теста делать заключение о том, различаются ли они друг от друга статистически или нет. Если Вы хотите узнать, отличается ли средний уровень продолжительности жизни в Вашем регионе от среднего уровня по стране; сравнить урожайность картофеля в разных районах; или изменяется ли кровяное давление до и после употребления нового лекарства, то t-тест может быть Вам полезен.

Для его проведения необходимо, чтобы данные выборок имели распределение близкое к нормальному (не было больших отклонений от нормы).

Перед применением критерия Стьюдента, необходимо выполнить тест на нормальность (например, тест Шапиро-Уилка)

Три основных типа t-теста:

Одновыборочный критерий Стьюдента:

Одновыборочный t-тест следует выбирать, если Вы сравниваете выборку с общеизвестным средним. Например, отличается ли средний возраст жителей Северо-Кавказского Федерального округа от общего по России. Существует мнение, что климат Кавказа и культурные особенности населяющих его народов способствуют продлению жизни. Для того, чтобы проверить эту гипотезу, мы возьмем данные РосСтата (таблицы среднего ожидаемого продолжительности жизни по регионам России) и применим одновыборочный критерий Стьюдента.

Двувыборочный для независимых выборок:

Двувыборочный t-тест используется, когда Вы сравниваете две независимые выборки. Допустим, мы хотим узнать, отличается ли урожайность картофеля на севере и на юге какого-либо региона. Для этого, мы собрали данные с 40 фермерских хозяйств: 20 из которых располагались на севере и сформировали выборку "North", а остальные 20 - на юге, сформировав выборку "South".

Двувыборочный для зависимых выборок:

Третий вид t-теста используется в том случае, если элементы выборок зависят друг от друга. Он идеально подходит для проверки повторяемости результатов эксперимента: если данные повтора статистически не отличаются от оригинала, то повторяемость данных высокая. Также двувыборочный критерий Стьюдента для зависимых выборок широко применяется в медицинских исследованиях при изучении эффекта лекарства на организм до и после приема.

43. Критерии Манна-Уитни и Уилкоксона. Различие, особенности применения.

применения.

 

Название критерия	Критерий U Манна-Уитни	Критерий Т Вилкоксона
Теоретическое описание	Непараметрический критерий, позволяющий проверить гипотезу о том, что значения двух совокупностей, из которых извлечены сравниваемые независимые выборки, отличаются друг от друга (когда имеются две выборки (например, мужчины и женщины), которые вы хотите сравнить относительно среднего значения некоторой изучаемой переменной)	Непараметрический критерий, позволяющий проверить гипотезу о том, что значения двух совокупностей, из которых извлечены сравниваемые зависимые выборки, отличаются друг от друга (Если вы хотите сравнить две переменные, относящиеся к одной и той же выборке (например, математические успехи студентов в начале и в конце семестра)
Примеры задач	• сравнение уровня готовности к обучению в школе детей, обучающихся по программе «Детство» и «Истоки»; • сравнение уровня рефлексивности у студентов-психологов 1 и 4 курса.	• сравнение степени субъективного ощущения одиночества у подростков, воспитывающихся в условиях детского дома до и после тренинга; • сравнение уровня самооценки у студентов 1 курса в первом и втором семестре.
Требования к выборке (объем)	• объем выборок должен быть не менее трех (пг п2 > 3); допускается существование всего двух наблюдений в одной из выборок, но при этом во второй их должно быть не менее пяти (л7 = 2, я, >5); • объем каждой из выборок не должен превышать 60 (это связано с ограниченностью таблиц критических значений).	1. Минимальное количество замеров 5 2. Максимальное количество замеров 50 (ограничение обусловлено использованием таблицы критических значений T-Вилкоксона, при расчете в SPSS ограничение отсутствует)
Распределение	не обязательно должно соответствовать нормальному виду. *На практике при объемах выборок, превышающих 20 наблюдений, целесообразнее применить иные методы (например. 0-критерий Фишера), поскольку при большом числе градаций уровня признака становится затруднительным ранжирование данных.	не обязательно должно соответствовать нормальному виду. * Эффективнее применять критерий, если разброс значений достаточно широк например от -30 до 30, если разброс значений не большой лучше применять G-критерий знаков (например от -3 до 3)

 

44. Однофакторный дисперсионный анализ (ANOVA). Возможности и ограничения применения при обработке данных исследования.

ANOVA (Analysis of Variance) служит для установления влияния отдельных факторов на изменчивость какого-либо признака, значение которого могут быть получены опытным путем в виде случайной величины Y.

ü в зависимости от числа оказывающих влияние факторов различают виды дисперсионного анализа однофакторный и многофакторный (двухфакторный и д.т.)

ü сущность дисперсионного анализа заключается в установлении роли отдельных факторов в изменчивости того или иного признака

ü дисперсионный анализ позволяет учесть и при необходимости исключить случайные факторы

ü если участвует сразу несколько факторов с уровнями, которые не учтены, то это приводит совершенно к случайному результату

Главная цель дисперсионного анализа: определение влияния разных условий на испытуемый признак или явление, это достигается путем разложения совокупной изменчивости (дисперсии) на отдельные компоненты, вызванные влиянием различных источников изменчивости

Различают три основные группы источников изменчивости:

1. систематическая изменчивость, вызываемая вариантами нашего опыта

2. систематическая изменчивость, вызванная колебанием условий опыта

3. случайная изменчивость, остаточная изменчивость, которая не включена в пункты (1) и (2) и вызвана вариантами опыта

Принцип аддитивности:  дисперсия, вызванная рядом независимых друг от друга источников изменчивости, равна сумме дисперсий, вызванной всеми источниками изменчивости, взятыми порознь

Ограничение корреляционного метода: приспособлен для парных сопоставлений

Возможности дисперсионного анализа: применяется к любому числу сопоставлений

45. Корреляционный анализ в психолого-педагогическом исследовании. Возможности и ограничения.

Корреляционный анализ – это проверка гипотез о связях между переменными с использованием коэффициентов корреляции, двумерной описательной статистики, количественной меры взаимосвязи (совместной изменчивости) двух переменных. Таким образом, это совокупность методов обнаружения корреляционной зависимости между случайными величинами или признаками.

Корреляционный анализ для двух случайных величин заключает в себе:

·построение корреляционного поля и составление корреляционной таблицы;

·вычисление выборочных коэффициентов корреляции и корреляционных отношений;

·проверку статистической гипотезы значимости связи.

Основное назначение корреляционного анализа – выявление связи между двумя или более изучаемыми переменными, которая рассматривается как совместное согласованное изменение двух исследуемых характеристик. Данная изменчивость обладает тремя основными характериcтиками: формой, направлением и силой.

По форме корреляционная связь может быть линейной или нелинейной. Более удобной для выявления и интерпретации корреляционной связи является линейная форма. Для линейной корреляционной связи можно выделить два основных направления: положительное («прямая связь») и отрицательное («обратная связь»).

Сила связи напрямую указывает, насколько ярко проявляется совместная изменчивость изучаемых переменных. В психологии функциональная взаимосвязь явлений эмпирически может быть выявлена только как вероятностная связь соответствующих признаков. Наглядное представление о характере вероятностной связи дает диаграмма рассеивания – график, оси которого соответствуют значениям двух переменных, а каждый испытуемый представляет собой точку.

В качестве числовой характеристики вероятностной связи используют коэффициенты корреляции, значения которых изменяются в диапазоне от –1 до +1. После проведения расчетов исследователь, как правило, отбирает только наиболее сильные корреляции, которые в дальнейшем интерпретируются (табл. 1).

Линейная и ранговая корреляция. Метод линейной корреляции (корреляции Пирсона) применяется для определения меры соответствия двух признаков, выраженных количественно, иными словами, - для численных величин. Это параметрический метод, который (как и прочие параметрические) требует соответствия распределения данного исследуемого признака закону нормального распределения. В отличие от этого метода, метод ранговой корреляции (корреляция Спирмена) применим к любым количественно измеренным или ранжированным данным. Этот метод способен, в отличие от других, измерять согласованность изменения разных признаков у одного испытуемого или выявлять совпадения индивидуальных ранговых показателей у двух испытуемых; или у испытуемого и усредненный показатель некой группы; или какие-либо показатели в сравнении двух групп.

Метод ранговой корреляции Спирмена позволяет определить силу и направление корреляционной связи между двумя признаками или двумя иерархиями признаков.

Для подсчета ранговой корреляции необходимо располагать двумя рядами значений, которые могут быть проранжированы. Такими рядами могут быть:

А) Два признака, измеренные в одной и той же группе переменных (наиболее часто в этом качестве выступает группа людей, которых принято тогда именовать испытуемыми или респондентами. Естественно, под переменными подразумеваются не сами люди, а данные ими ответы на те или иные вопросы.)

Б) две индивидуальные иерархии признаков, выявленные у двух испытуемых по одному и тому же набору признаков (скажем, по ответам на пункты анкеты или теста).

В) Две групповые иерархии признаков (например, соответствие каких-либо выборов, сделанных одной группой людей выборам другой группы).

Г) Индивидуальная и групповая иерархии признаков (например, сопоставление индивидуальной иерархии жизненных ценностей сотрудника усредненному мнению группы на этот же счет; сопоставление последовательности товаров, которые приобрели бы (в среднем) жители города А и города Б при условии получения премии, на которую заранее не рассчитывали.)

Ограничения метода ранговой корреляции. По каждой переменной должно быть представлено не менее 5 наблюдений. Верхняя граница выборки – меньше или равна 40. Коэффициент ранговой корреляции Спирмена rs при большом количестве одинаковых рангов по одной или обеим сопоставляемым переменным дает огрубленные значения. В идеале оба коррелируемых ряда должны представлять собой две последовательности несовпадающих значений. В случае несоблюдения такого условия вносится поправка на одинаковые ранги (будет дано ниже). Помимо этих ограничений, следует так же помнить об ограничениях корреляционного метода вообще – невозможность обнаружения причинной связи между явлениями.

Линейная корреляция.

Предположим, что мы располагаем выборкой данных о какой-то группе объектов. Пусть эти объекты обладают общими родовыми особенностями (примерно одинаковы). Пусть, к тому же, у каждого из объектов можно количественно измерить, как минимум, два каких-либо параметра. При этих обстоятельствах открывается возможность для подсчета линейной корреляции между двумя (или более) признаками, присущими этим объектам.

Например, такими выборками данных могут служить сведения о:

- группе людей, рост и вес тела которых мы измеряем;

- длине и ширине лепестка какого-нибудь цветка;

- длине ствола оружия и начальной скорости пули;

- величине IQ и времени решения учебной задачи;

- длине тела и длине хвоста крокодила или тигра (если найдется желающий их измерять),

и т.д.

Во всех этих примерах имеется возможность определить корреляцию, то есть – степень согласованности в изменении двух признаков. «Чем больше крокодил, тем длиннее ли его хвост?» «Решают ли люди с высоким коэффициентом интеллекта задачи такого-то типа быстрее, чем с низким и средним?»

Требования и ограничения.

Необходимо иметь в виду, что сопоставляемые характеристики должны быть, во-первых, внутренне присущи объектам и, во-вторых, быть количественно-измеряемыми. Ввиду того, что расчет линейной корреляции проводится с использованием средних значений и дисперсий, следует также помнить, что эта процедура относится к разряду параметрических методов и, соответственно, требует нормальности распределения признака. Подробней об этом будет сказано ниже. Также следует помнить, что никакая корреляция вообще не устанавливает зависимости одного обстоятельства от другого, а лишь является мерой совместной вариации двух величин. И, наконец, линейная корреляция потому и называется линейной, что способна дать ответ о взаимосвязи изменений того и иного свойства объекта только тогда, когда возрастание-убывание значения признака происходит по линейному закону (график – прямая линия).

 

Итак, подведем итоги: основное назначение корреляционного анализа – это выявление связи между переменными. Мерой связи являются коэффициенты корреляции, выбор которых напрямую зависит от типа шкалы, в которой измерены переменные, числа варьирующих признаков в сравниваемых переменных и распределения переменных. Наличие корреляции двух переменных еще не означает, что между ними существует причинная связь. Хотя корреляция прямо не указывает на причинную связь, она может быть ключом к разгадке причин. На ее основе можно сформировать гипотезы. В некоторых случаях отсутствие корреляции имеет более глубокое воздействие на гипотезу о причинной связи. Нулевая корреляция двух переменных может свидетельствовать, что никакого влияния одной переменной на другую не существует.

46. Графическое представление данных. Гистограмма, назначение, возможности использования.

Гистограмма, это способ представления статистических данных в графическом виде – в виде столбчатой диаграммы. Она отображает распределение отдельных измерений параметров изделия или процесса. Иногда ее называют частотным распределением, так как гистограмма показывает частоту появления измеренных значений параметров объекта.

Высота каждого столбца указывает на частоту появления значений параметров в выбранном диапазоне, а количество столбцов – на число выбранных диапазонов.

Важное преимущество гистограммы заключается в том, что она позволяет наглядно представить тенденции изменения измеряемых параметров качества объекта и зрительно оценить закон их распределения. Кроме того, гистограмма дает возможность быстро определить центр, разброс и форму распределения случайной величины. Строится гистограмма, как правило, для интервального изменения значений измеряемого параметра.

Порядок построения:

1. Собираются статистические данные – результаты измерений параметра объекта. Для того, чтобы гистограмма позволяла оценить вид распределения случайной величины предпочтительно иметь не менее тридцати результатов измерений.

2. Выявляется наибольшее и наименьшее значение показателя среди полученных результатов измерений.

3. Определяется ширина диапазона значений показателя – из наибольшего значения показателя вычитается наименьшее значение.

4. Выбирается надлежащее число интервалов в пределах которых необходимо сгруппировать результаты измерений.

5. Устанавливаются границы интервалов. Границы интервалов необходимо установить так, чтобы значения данных не попадали ни на одну из границ интервала. Например, если были выбраны интервалы с границами от 0,5 до 5,5 от 5,5 до 10,5 и т.д. то значение данных 5,5 будет попадать как в первый, так и во второй интервал. Чтобы избежать этой проблемы можно изменить интервалы от 0,51 до 5,50 от 5,51 до 10,50 и так далее, таким образом ни одно значение данных не попадет на границу интервала.

6. Подсчитывается число попаданий значений результатов измерений в каждый из интервалов.

7. Строится гистограмма – на оси абсцисс (горизонтальной оси) отмечаются интервалы, а на оси ординат (вертикальной оси) отмечается частота попаданий результатов измерений в каждый интервал. Интервалы можно устанавливать в натуральных единицах (если позволяет масштаб), т.е. в тех единицах, в которых проводились измерения, либо каждому интервалу можно присвоить порядковый номер и отмечать на оси абсцисс номера интервалов. В результате получается столбчатая диаграмма, представленная на рисунке ниже.

 

47. Графическое представление данных. Столбчатая диаграмма, назначение, возможности использования.

Столбчатая диаграмма — диаграмма, представленная прямоугольными зонами (столбцами), высоты или длины которых пропорциональны величинам, которые они отображают. Прямоугольные зоны могут быть расположены вертикально или горизонтально.

Столбчатая диаграмма отображает сравнение нескольких дискретных категорий. Одна её ось показывает сравниваемые категории, другая — измеримую величину. Иногда столбчатые диаграммы отображают несколько величин для каждой сравниваемой категории.

Столбчатые диаграммы обеспечивают визуальное представление категорических данных. Категорические данные — это данные, группированные в дискретные группы, как например, месяцы года, возрастные группы, размеры обуви, виды животных и т. п.

Гистограмма имеет дискретную область категорий и обычно масштабирована так, чтобы могли поместиться все данные. Когда нет естественного принципа упорядочения сравниваемых категорий, зоны на гистограмме могут быть размещены в любом порядке. Гистограммы, в которых категории расставлены в порядке убывания их значений, называются диаграммами Парето[4]

Столбчатые диаграммы также могут использоваться для более сложных сравнений данных. В группированной гистограмме у каждой категории есть два или более сравниваемых свойства, для каждой из которых есть своя зона диаграммы. Зоны, отображающие одни и те же свойства разных категорий, обозначены одним цветом[4].

Свойства категорий группированных гистограмм обычно идут в одной последовательности для каждой категории.

Стековая гистограмма отображает зоны, представляющие свойства одной категории, друг поверх друга для сравнения свойств в рамках одной категории. Стековая гистограмма не подходит в тех случаях, когда используются и отрицательные значения свойств. В таких случаях предпочтительнее группированная гистограмма.

 

48. Графическое представление данных. Диаграмма рассеяния, назначение, возможности использования.

Графический метод относят к методу агрегирования данных на этапе их первичного описательного анализа. График – это чертеж, показывающий соотношение данных с помощью геометрических образов и изобразительных средств. Графики позволяют представить статистические данные в наглядном виде.

Статистические графики можно разделить на два вида: диаграммы и статистические карты. Все диаграммы можно классифицировать в зависимости от задач статистического анализа на следующие виды: диаграммы сравнения, динамики, структуры и взаимосвязи. Диаграммы сравнения позволяют изображать статистические данные, характеризующие разные территории, объекты. Диаграммы структуры отображают структуру исследуемой совокупности данных или ее части. Диаграммы динамики позволяют анализировать развитие явлений во времени. Диаграммы взаимосвязи отражают зависимости между статистическими данными. Статистические карты служат для отображения статистических данных на географической территории.

При решении каждой из перечисленных статистических задач могут быть свои особенности построения графиков. Статистические пакеты для профессионального статистического анализа данных обладают расширенными возможностями для построения сотен модификаций основных видов диаграмм: столбиковых диаграмм, секторных диаграмм, гистограмм, линейных диаграмм, диаграмм-областей, диаграмм «ящиков» и других.

Графический метод может использоваться как дополнение к аналитическим методам, например, выявления различий в группах, анализа взаимосвязи. Графические средства дают особые преимущества и позволяют выявить закономерности, которые трудно поддаются количественному описанию и которые сложно обнаружить с помощью аналитических процедур.

Диаграмма рассеяния - Вид графического отображения данных, когда каждое наблюдение изображается точкой на координатной плоскости, где оси соответствуют переменным (X - горизонтальной, а Y - вертикальной оси).  Отображая переменную по каждой оси, график определяет, существует ли связь или корреляция между этими двумя переменными. Внутри графика могут располагаться линии или кривые, чтобы помочь пользователю в анализе данных, их можно нарисовать как можно ближе ко всем точкам, а также показать, как будут выглядеть все сгруппированные точки в одной линии — линии тренда.

Диаграмма рассеяния визуализирует зависимость между двумя переменными X и Y (например, весом и ростом пациента).

 

49. Основные этические принципы в психолого-педагогическом исследовании.

Этические требования, предъявляемые к исследователю, основываются на нормах морали, а не права, это свод моральных правил поведения, на базе которых строится деятельность и взаимоотношения людей в ходе психолого-педагогического исследования. Основные принципы, которыми необходимо руководствоваться следующие:

Принцип соблюдения тайны предполагает неразглашение результатов без персонального согласия на это испытуемого. Этот принцип, прежде всего, касается совершеннолетних людей. Если испытуемые – несовершеннолетние (дети до старшего школьного возраста, то на разглашение результатов обязательно требуется согласие родителей или заменяющих их лиц, несущих моральную и юридическую ответственность за детей). В случае психолого-педагогического исследования, где предполагается публичное обсуждение результатов, не рекомендуется указывать в публикациях точные имена и фамилии испытуемых.

Принцип научной обоснованности требует того, чтобы используемые в исследовании методы были, как минимум, валидными и надежными, то есть давали такие результаты, которым вполне можно доверять.

Исследователь осознает границы своей компетентности и ограниченность своих методов и не использует методики и техники, которые не удовлетворяют профессиональным стандартам, установленным в отдельных областях. Этот принцип требует, например, обратиться при необходимости за советом или консультацией к другим специалистам.

Принцип ненанесения ущерба предполагает, что результаты исследования ни в коем случае нельзя использовать во вред тому человеку, который в нем участвует.

Если возникает конфликт в группе испытуемых, исследователь заботится, прежде всего, о благоденствии участников исследования и только во вторую очередь считается с интересами своей собственной профессиональной задачи.

Исследователь, который просит, чтобы индивид предоставил ему информацию о своей личности в ходе интервьюирования, тестирования или оценивания, делает это только после того, как точно установлено, что испытуемый полностью осознает цели этих процедур, а также способы, которыми может быть использована информация.

Принцип объективности выводов требует, чтобы они были научно обоснованными, то есть вытекали из результатов тестирования, проведенного при помощи валидных и надежных методик, а не определялись и никак не зависели от субъективных установок тех, кто проводит тестирование или пользуется его итогами.

Ученый ведет свои исследования там, где его выводы полезны; он планирует свои исследования таким образом, чтобы свести к минимуму возможность неверного использования своих результатов; он публикует отчет о своей работе, не исключая из него такое объяснение данных, которое может не укладываться в общую интерпретацию.

Принцип эффективности предлагаемых рекомендаций предполагает, что такие рекомендации обязательно должны быть полезными для того человека, которому даются. Если родителям или учащимся сообщаются сами тестовые результаты, их сопровождают соответствующими средствами и указаниями для интерпретации.

Не разрешается, например, предлагать человеку такие практические рекомендации из результатов тестирования, которые для него бесполезны или могут привести к нежелательным, непредсказуемым последствиям. Таким образом, к исследователям предъявляются особые квалификационные требования. Основные из них - следующие: хорошая теоретическая подготовка, доскональное знание психодиагностических методик и правил их применения, наличие достаточного опыта практического использования соответствующих методик.

 

50. Выводы психолого-педагогического исследования. Надежность и обоснованность, степень генерализации (переносимости на генеральную совокупность).

После выполненного анализа принимают окончательное решение, которое формулируют как заключение, выводы или предложения. Необходимо кратко, четко, научно выделить то новое и существенное, что является результатом исследования, дать ему исчерпывающую оценку и определить пути дальнейших исследований.

Выводы рекомендуется формулировать возможно более тщательно, точно, не перегружая цифровыми данными и частностями и не пытаясь включить в них, помимо утверждений, еще и их обоснование - должно содержаться в предшествующем изложении.

Выводы должны быть немногочисленны (только самое важное!) и обоснованны. Они полезны не только тем, что облегчают читателю оценку и использование исследования. Самому исследователю они служат средством самопроверки. Обычно по одной теме не рекомендуется составлять много выводов (не более 5-10). Если же, помимо основных выводов, отвечающих поставленной цели исследования, можно сделать еще и другие, то их формулируют отдельно, чтобы не затемнить конкретный ответ на основную задачу темы.

Все выводы целесообразно разделить на две группы: научные и производственные.

Прежде чем делать выводы - краткое изложение полученных результатов, исследователю надо еще раз проверить завершенность каждой отдельной части работы и доказательность аргументации в масштабе всей работы в целом. Лишь после этого следует формулировать выводы по существу поставленной проблемы, по побочным вопросам, по вопросам практического значения и использования полученных результатов.