36. Статистические характеристики тесноты связи: эмпирическое корреляционное отношение, линейный коэффициент корреляции, коэффициент детерминации.

Межгрупповая и общая дисперсии помогают определить, на сколько сильно результат педагогического эксперимента (или любого другого опыта) обусловлен принадлежностью испытуемого к той или иной группе. Для этого используетсякоэффициент детерминации   .

         Рассмотрим пример. Пусть оценки, полученные на ЕГЭ по математике выпускниками классов с разными профилями, описаны в следующей таблице.

Профиль класса (группа)	Средний балл в группе, xi	Численность группы (чел.), ni	Дисперсия в группе, Di
Общеобразовательный	62	23	10,15
Гуманитарный	59	25	9,81
Естественно-географический	71	18	12,3
Физико-математический	75	30	8,6

 

Определим, в какой степени успешность сдачи ЕГЭ зависит от принадлежности учащегося к той или иной группе. Для этого сначала найдем средний балл за экзамен для всей совокупности испытуемых:

Найдем межгрупповую дисперсию:

Далее следует определить внутригрупповую дисперсию:

Определим общую дисперсию:Dв=Dвнгр+Dмежгр=9,98+45,66=55,64. Следовательно:     .

         Полученный коэффициент детерминации показывает, что успешность сдачи ЕГЭ в данном опыте на 82% обусловлена принадлежностью учащегося к той или иной группе.

         Используют также эмпирическое корреляционное отношение, получаемое извлечением квадратного корня из коэффициента детерминации.

         В рассмотренном примере  . Чем ближе значение корреляционного соотношения к единице, тем более тесную связь мы наблюдаем. Соответственно, в данном случае было показано наличие тесной связи между успешностью сдачи ЕГЭ и принадлежностью учащегося к той или иной группе обучаемых.

         Общая дисперсия помогает численно оценить, как сильно отличаются варианты выборки друг от друга. Межгрупповая дисперсия помогает выявить степень различия между группами данной выборки. Однако, в педагогических исследованиях зачастую не требуется численная оценка параметра, но при этом важно знать, существенно ли отличаются испытуемые (или группы испытуемых) друг от друга по тому или иному признаку. Ответ на такой вопрос даёт коэффициент вариации.

Расчет линейного коэффициента корреляции Пирсона:    Линейный коэффициент корреляции принимает значения от –1 до +1.  Связи между признаками могут быть слабыми и сильными (тесными). Их критерии оцениваются по шкале Чеддока:  0.1 < rxy < 0.3: слабая;  0.3 < rxy < 0.5: умеренная;  0.5 < rxy < 0.7: заметная;  0.7 < rxy < 0.9: высокая;  0.9 < rxy < 1: весьма высокая; 

37. Методы изучения связи альтернативных признаков. Коэффициенты ассоциации, контингенции и взаимной сопряженности. Анализ и интерпретация.

В статистической практике могут встречаться такие случаи, когда качества факторных и результативных признаков не могут быть выражены численно. Поэтому для измерения тесноты зависимости необходимо использовать другие показатели. Для этих целей используются так называемые  непараметрические методы.

Наибольшее распространение имеют  ранговые коэффициенты корреляции, в основу которых положен принцип нумерации значений статистического ряда. При использовании коэффициентов корреляции рангов коррелируются не сами значения показателей х и у, а только номера их мест, которые они занимают в каждом ряду значений. В этом случае номер каждой отдельной единицы будет ее рангом.

Коэффициенты корреляции, основанные на использовании ранжированного метода, были предложены  К. Спирмэном и  М. Кендэлом.

Коэффициент корреляции рангов Спирмэна (р) основан на рассмотрении разности рангов значений результативного и факторного признаков и может быть рассчитан по формуле

 (8.9)

где d = N_x - N_y , т.е. разность рангов каждой пары значений х и у; n - число наблюдений.

Ранговый коэффициент корреляции Кендэла ( ) можно определить по формуле

 (8.10)

где S = P + Q.

К непараметрическим методам исследования можно отнести  коэффициент ассоциации К_ас и  коэффициент контингенции К_кон , которые используются, если, например, необходимо исследовать тесноту зависимости между качественными признаками, каждый из которых представлен в виде альтернативных признаков.

Для определения этих коэффициентов создается расчетная таблица (таблица «четырех полей»), где статистическое сказуемое схематически представлено в следующем виде:

Признаки	А (да)	А (нет)	Итого
В (да)	a	b	a + b
В (нет)	с	d	c + d
Итого	a + c	b + d	n

Здесь а, b, c, d - частоты взаимного сочетания (комбинации) двух альтернативных признаков  ; n - общая сумма частот.

Коэффициент ассоциации можно расcчитать по формуле

 (8.11)

Коэффициент контингенции рассчитывается по формуле

 (8.12)

Нужно иметь в виду, что для одних и тех же данных коэффициент контингенции (изменяется от -1 до +1) всегда меньше коэффициента ассоциации.

Если необходимо оценить тесноту связи между альтернативными признаками, которые могут принимать любое число вариантов значений, применяется  коэффициент взаимной сопряженности  Пирсона (К_П ).

Для исследования такого рода связи первичную статистическую информацию располагают в форме таблицы:

Признаки	A	B	C	Итого
D	m11	m12	m13	∑m1j
E	m21	m22	m23	∑m2j
F	m31	m32	m33	∑m3j
Итого	∑mj1	∑mj2	∑mj3	П

Здесь m_ij - частоты взаимного сочетания двух атрибутивных признаков; П - число пар наблюдений.

Коэффициент взаимной сопряженности Пирсона определяется по формуле

 (8.13)

где   - показатель средней квадратической сопряженности:

Коэффициент взаимной сопряженности изменяется от 0 до 1.

Наконец, следует упомянуть  коэффициент  Фехнера, характеризующий элементарную степень тесноты связи, который целесообразно использовать для установления факта наличия связи, когда существует небольшой объем исходной информации. Данный коэффициент определяется по формуле

 (8.14)

где n_a - количество совпадений знаков отклонений индивидуальных величин от их средней арифметической; n_b- соответственно количество несовпадений.

Коэффициент Фехнера может изменяться в пределах -1,0   К_ф    +1,0.