1. Корреляционный подход в психологических исследованиях.

Экспериментальный подход, исследователь не изучает к-л индивид различия между испытуемыми, они рассматриваются в качестве побочной переменной, исследователь сводит их к минимуму и пытается контролировать. Задача эксп подхода — показать, что некоторые факторы и переменные предсказуемым образом влияют на всех испытуемых. Исследователь управляет переменными, и управляя ими, он наблюдает результаты и оценивает причинно-следственные связи.

Разделы психологии, кот развиты с точки зрения эксп подхода: свера сенсорной психофизики, процессы памяти, внимания, воображения, мышления, понимания, мотивационная и эмоциональны схемы. В этих сферах есть возможность управлять переменными.

Но есть дифференциальная психология, психология личности, где индивидуальные особенности интересуют. Как особенности личности и ее окружение связаны между собой, на этот вопрос экспериментальная психология не дает ответы, факторами индивид особенностей управлять невозможно.

Корреляционный подход. Задача — исследовать взаимосвязи между естественными переменными с целью возможного предсказания поведения человека.

Исследователь в данном подходе только наблюдает и измеряет значения переменных, исследует взаимосвязи между ними. Вопрос о причинах поведения вторичен.

Существует 2 дисциплины научной психологии, с одной стороны — экспериментальная, а с другой — диагностическая. Корреляционная психология изучает гипотезы о связях.

Гипотезы о связях предполагают, что изменения одной переменной могут быть связаны с изменениями другой переменной. Например, есть ли связь между числом занятий, которые студент посетил, и какую оценку студент получил на экзамене. Оценка является следствием, но чего? Может быть причина высокой оценки — его мотивация, по которой он посещает занятия. Или человек ничего не понял, не стал ходить, и пришел сразу на экзамен.

В плане прогнозирования результата это может быть полезно. Например прогнозирование оценки студента в зависимости от посещаемости.

Второе, такие гипотезы не предполагают, что одна переменная является причинно-действующей, что она переменная является причиной другой переменной.

Корреляционный подход в широком смысле, это когда мы оцениваем связи между переменными, мы реализуем подход. Это эмпирический метод проверки псих гипотез, кот помогают устанавливать связи между переменными, уровни которых не устанавливаются экспериментатором, а лишь измеряются. Изначально в корреляционном подходе нет деления переменных на независимые и зависимые, так же нет понятий побочных и дополнительных переменных, все переменные рассматриваются на равных.

А уже в ходе стат обработки мы можем выделять отдельные переменные и рассматривать одни как независимые, а другие как зависимые.

В более узком смысле корреляционный подход предполагает использование определенных процедур стат анализа данных. Метод, который реализуется в данном подходе — корреляционный анализ. Производный регрессионный анализ и ковариационный анализ. Если исследователь использует эти методы, то он реализует корреляционный подход.

Примет корреляции связи между естественными переменными.

У нас группа испытуемых 15 человек.

испытуемые	Результат вербального теста Х	Результат арифметического теста У
1	5	12
2	8	15
3	7	14
4	9	18
5	10	19
6	8	18
7	6	14
8	6	17
9	10	20
10	9	17
11	7	15
12	7	16
13	9	16
14	6	13
15	9	16

У испыт 1 оба минимальных результата, а испытуемый 9 демонстрирует максимальный результат. Минимальное значение х соответствует минимальным значениям у, а максимальное значение х соответствует максимальному значению у.

Диаграмма рассеивания. Связывает значение по одной переменной и по другой. Результат каждого испытуемого можно представить на диаграмме. Теперь мы можем сказать, что у нас есть тенденция, при увеличении значения по вербальному тесту, увеличивается результат по математическому тесту. При этом с ростом числа х тенденция не меняется. Тенденция монотонная, а в эксперименте с крысами и током связь не монотонная. Наши точки выстраиваются вдоль прямой линии, вдоль которой точки располагаются. Наша связь не просто монотонная, а линейная. Если точки выстраиваются не вдоль прямой линии, то связь не линейная.

Если мы хотим выразить связь между двумя переменными при помощи корреляции, связь должна быть монотонной и линейной.

Ковариация — дисперсия 2 переменных. Ковариация не слишком удобна на практике. Если ковариация = 0, то это однозначно свидетельствует о том, что переменные не связаны. А если ковариация не 0, то из этого не следует, что переменные не связаны друг с другом. Но на практике мы имеем дело с оценкой ковариации, и они могут отличаться от 0, но на самом деле связь отсутствует. Ковариация зависит от размерности шкал, в которых выражена переменная. Например Х от 5 до 10, а У от 12 до 20.

если мы хотим оценить ковариацию между ростом и весом человека, то рост в 160 см, а вес в 160 кг аномален, нормальный вес 50, 60, 70. Но рост и вес можно выразить в граммах и миллиметрах. Меняя шкалы, мы будем получать новые значения ковариации.

В конце 19 века Карл Пирсон предложил способы нормирования ковариации. Величина ковариации рассчитывается не для самих переменных, а для их трансформации. Если наши перем в нормальном распределении, до данные трансформированы к z распределению. Если мы переведем любые значения в z единицы, то мы их стандартизируем. Среднее значение будет 0, те значения, что ниже будут отрицательны, те что выше — положительные. Z единицы универсальны.

r = SUM (Zх*Zy)/ (n-1), в числителе сумма моментов.

Варьируют между значением -1 до +1. если r = 0, статистический связи нет. Чем больше r отличается от 0, тем выше связь. + r — при увеличении значения одной переменной, имеет место тенденция к увеличению другой переменной. Чем больше занятий студент посещает, тем выше оценка.

• r, при увеличении значения одной переменной, имеет месть тенденция к уменьшению другой переменной. Чем больше студент занятий пропустил, тем ниже оценка на экзамене.

Знак указывает на характер связи, а чем больше отличие от 0, указывает на силу связи.

Если r = 1, то все данные ложатся на прямую линию, и значение одной переменной однозначно свидетельствуют о другой переменной. При + 1 r z значения одной переменной равны z значениям другой переменной.

Как правило 1 r свидетельствует о том, что одна переменная дублирует другую. Высокая надежность теста, но такое почти никогда не случается.

Помимо оценки связи, мы можем строить предсказания. Важно предсказать значение одной переменной по значению другой переменной. Проводим в середине семестра контрольную, и на основе данных предсказываем оценку за экзамен. Одна переменная независимая — предиктор, вторая переменная зависимая — критерий. По предиктору мы предсказываем значение критерия.

У = А + ВХ. Мы можем рассчитать значения А и В — коэффициенты линейной регрессии, метод простой линейной регрессии. Мы можем правильно провести прямую линию. Вариантов проведения прямой линии бесконечно много. Логика простой линейной регрессии — провести линию так, чтобы отклонения точек от этой линии гасили друг друга. Если посчитать все отклонения, то мы получим 0 значение. Но это невозможно. Используют метод наименьших квадратов. Минимизация не суммы отклонения, а квадратов отклонения. С помощью этого рассчитываются регрессии.

А — константа, ожидаемое значение зависимой переменной при условии, что предиктор = 0. в психологических исследованиях коэффициент вычисляется, но никак не интерпретируется.

В — наклон, показывает каким образом должна измениться зависимая переменная, при изменения независимой переменной на 1 единицу. В нашем контексте, если мы строим предсказания оценки на экзамене от числа посещенных занятий, сколько баллов дает на экзамене 1 посещенное занятие — это В.

Сложная или мультивариативная регрессия. Несколько переменных Х. У нас 10 переменных, и мы хотим предсказать показания для 1 переменной на основе 9. оценка на экзамене зависит не только от посещений, но и от интеллекта, мотивации....

Тогда уравнение У = В0 + В1Х1 + В2Х2 + ВкХк, где к — число независимых переменных.

Пошаговая регрессия, мы берем 10 переменных, а потом по 1 исключаем, наименее значимую, более значимую, и так далее, так мы находим переменную, значимую для наших предсказаний.

Проблема 3ей переменной. Интерпретация корреляции. Если мы обнаружили корреляцию между 2 переменными, то это не позволяет нам сделать вывод, что одна переменная является причиной другой. Как Х может влиять на У, так и У на Х. Пример, мы не можем сказать, что оценка на экзамене зависит от интеллекта.

Пример. Мы выясняем связи между активностью самостоятельностью ребенка и уровнем доминантности матери. Чем выше уровень доминантности матери, тем ниже уровень самостоятельности ребенка. Можно сказать, что доминантная мать подавляет ребенка и выступает в качестве пассивности ребенка. Но так же можно сказать, что пассивное поведение ребенка вынуждает мать быть доминантной. Эта проблема интерпретации коэф корреляции — пробелам направленности.

Но может существовать и 3я переменная, или совокупность переменных, кот являются причинами изменения как одной переменной, так и другой.

Х1 влияет на переменную Х2 и на Х3. Если мы вынесем Х1 за скобки и оценим связь между Х2 и Х3, мы обнаружим корреляцию. Но они могут быть не связаны между собой, а могут быть связаны с 1ой.

Или Х1 влияет на Х2, а Х2 влияет на Х3, тогда может быть, что Х1 не коррелирует с Х3, только коррелируют они друг с другом через Х2. Может быть и больше переменных, Х4.

Когда мы интерпретируем корреляции и ищем 3-и переменные, то мы строим модель, которая отражает возможные каузальные связи между переменными.

Благодаря этому методу, мы можем реализовать причинно-следственные связи. В корреляционных исследованиях используется непрямой или статистический контроль. Это приемы корреляционного и регрессионного анализа. Это Метод структурных линейных уравнений. Он реализуется и в особой разновидности факторного анализа — конфирматорный факторный анализ. Суть его в уменьшении размерности данных.

Факторный анализ бывает эксплораторным (разведочный), когда мы не знаем какие у нас переменные, мы просто берем переменные и вычисляем связи. Если у нас уже есть модель, которая говорит, что за переменной есть столько-то факторов, мы подтверждаем. Конфирматорный анализ. Использование этих методов помогает решить проблему причинности к корреляционных исследованиях.