- •Змістовий модуль 1. Впорядкування статистичних даних
- •Тема1. Вимірювання в психології
- •Тема 2. Сортування ранжування та розподіл частот
- •Тема 3. .Міри центральної тенденції та варіативності
- •Змістовий модуль 2. Перевірка статистичних гіпотез
- •Тема 4. Статистичні висновки і оцінювання та перевірка гіпотез
- •Тема 5. Перевірка гіпотез про рівність середніх двох ген. Сукупностей
- •Тема 6. Форми розподілу та виявлення відмінностей в розподілі ознаки
- •Змістовий модуль 3. Виявлення залежностей між ознаками
- •Тема 7. Однофакторний дисперсійний аналіз
- •Тема 8. Багатофакторний дисперсійний аналіз
- •Плани-конспекти лекційних занять
- •Література:
- •Конспект лекції Вступ
- •Задачі математичної обробки даних.
- •Основні типи шкал вимірювання психологічних ознак. Шкала найменувань
- •Порядкова шкала
- •Стандартизовані інтервальні шкали.
- •Висновки
- •Література:
- •Конспект лекції
- •Міри центральної тенденції.
- •2. Міри мінливості.
- •Література:
- •Конспект лекції
- •Класифікація задач ммп.
- •Одновимірне шкалювання
- •Методи бальних оцінок
- •Метод суб’єктивно рівних інтервалів
- •Багатовимірне шкалювання
- •Факторний аналіз
- •Література:
- •Література:
- •Завдання для самостійної підготовки Завдання №1 (2год.)
- •Тема 1.1.Задачі математичної обробки даних. Основні типи шкал вимірювання психологічних ознак. Стандартизовані інтервальні шкали
- •Завдання №2 (4год.)
- •Тема 1.2. Числові характеристики шкал вимірювання
- •Завдання №3 (4год.)
- •Тема 1.3. Класифікація задач та методів їхнього розв’язування
- •Завдання №4 (2год.)
- •Тема 2.1. Статистичні гіпотези та критерії їхньої перевірки
- •Завдання №5 (2год.)
- •Тема 2.2. Порівняння двох дисперсій нормальних генеральних сукупностей. Порівняння двох середніх нормальних генеральних сукупностей (незалежні вибірки).
- •Завдання №6 (2год.)
- •Тема 2.3. Порівняння двох середніх нормальних генеральних сукупностей з невідомими дисперсіями
- •Завдання №7 (2год.)
- •Тема 2.4. Перевірка нормальності розподілу шляхом порівняння емпіричних значень асиметрії й ексцесу з критичними значеннями
- •Завдання №8 (2год.)
- •Тема 3.1. Виявлення відмінностей у рівні досліджуваної ознаки
- •Завдання №9 (2год.)
- •Тема 3.2. Оцінка істотності зрушень в значеннях досліджуваної ознаки
- •Завдання №10 (2год.)
- •Тема 3.3. Виявлення відмінностей в розподілі досліджуваної ознаки
- •Завдання №11 (2год.)
- •Тема 3.4. Перевірка нормальності розподілу за допомогою критерію Пірсона і критерію Колмогорова-Смирнова
- •Завдання №12 (2год.)
- •Тема 3.5. Багатофункціональні статистичні критерії. Критерій Фішера
- •Завдання №13 (2год.)
- •Тема 4.1. Обґрунтування задачі дослідження залежності між ознаками
- •Завдання №14 (4год.)
- •Тема 4.2. Лінійна регресійна залежність
- •Завдання №15 (4год.)
- •Тема 4.3. Метод рангової кореляції. Коефіцієнти Спірмена та Кендалла
- •Тестові завдання з дисципліни “Математична статистика”
- •Основна література:
- •Додаткова література:
Метод суб’єктивно рівних інтервалів
Метод суб’єктивно рівних інтервалів дає можливість побудувати інтервальну шкалу, яка називається шкалою Терстоуна (Thurstone). Перша така шкала була побудована й описана Терстоуном (1929) і призначалася для дослідження відношення респондентів до церкви як соціального інституту.
За технікою конструювання ця шкала є досить складною.
Багатовимірне шкалювання
Об’єкт, який оцінюється за багатьма суттєвими для нього ознаками (ще кажуть: характеристиками, змінними) і йому одночасно присвоюється кілька значень, можна розглядати як багатовимірний.
Одержавши експериментальні дані про кожен окремий багатовимірний (і не тільки багатовимірний) об’єкт сукупності чи про окремі ознаки об’єктів, важко зробити висновки про всю сукупність і про її структуру. Якщо ж знайти числові характеристики всієї сукупності як єдиного цілого, то зрозуміти її структуру також неможливо.
Під час класифікації елементи спостереження зараховуються до певних класів так, що відмінності між елементами одного класу менші, ніж відмінності між елементами різних класів.
Для розв’язання задачі класифікації треба розробити правила віднесення елементів спостереження до того чи іншого класу. Ці правила визначають ознаки, за якими проводиться класифікація, а також ті значення ознак, які відділяють один клас від іншого.
До методів багатовимірної класифікації належать такі часто використовувані методи багатовимірного статистичного аналізу, як факторний аналіз, який дає можливість об’єднати ознаки в невелику кількість груп шляхом виділення факторів, кластерний і дискримінантний аналізи, які об’єднують об’єкти в невелику кількість однорідних груп.
У результаті проведення багатовимірної класифікації будується багатовимірна шкала, яка визначає взаємозв’язок зразу кількох психологічних ознак, тобто задає цілісний психологічний простір. У цьому просторі об’єкти, які сильно відрізняються один від одного, будуть розміщуватися на далекій відстані, а подібні — поряд.
Факторний аналіз
Факторний аналіз — один з методів багатовимірного статистичного аналізу даних і психологічного шкалювання, який служить для класифікації ознак (у цьому випадку факторний аналіз ще називають R-технікою)
Метод факторного аналізу спочатку було розроблено в психометриці, але тепер він широко застосовується для обробки даних в найрізноманітніших сферах досліджень (у соціології, політології, економіці, статистиці та ін.).
У факторному аналізі основним є припущення про те, що значення ознак, які спостерігаються, зумовлені змінами деяких прихованих властивостей досліджуваних об’єктів.
Суть методу факторного аналізу полягає в скороченні вимірності результатів дослідження шляхом обґрунтованої заміни великої кількості ознак, які описують об’єкт, меншою кількістю комплексних характеристик — факторів.
Висновки
Кластерний аналіз (ще кажуть: автокласифікація, таксономія, Q-техніка) — це метод багатовимірної класифікації, який належить до методів розпізнавання образів і служить для класифікації об’єктів. Як і факторний аналіз, це не один конкретний метод. Кластерний аналіз — це група обчислювальних процедур класифікації, у яких використовують різні алгоритми залежно від типу даних і завдань класифікації.
Кластерний аналіз використовують для розбиття досліджуваної сукупності об’єктів, які мають кілька спільних ознак, на задану чи невідому невелику кількість порівняно однорідних груп— кластерів (ще кажуть: класів, таксонів).
При розбитті сукупності на кластери, як правило, враховують такі вимоги: розподіл об’єктів за кластерами має бути досить рівномірним, об’єкти різних кластерів мають бути віддаленими один від одного, а в середині кластеру — тісно пов’язаними між собою.
Класифікація об’єктів проводиться з врахуванням подібності кількісних значень ознак — відстаней або зв’язків між об’єктами.
ТЕМА №_6. “ Форми розподілу та виявлення відмінностей в розподілі ознаки”
Вступ
1. Статистичні гіпотези.
2. Критерії перевірки гіпотез.
Висновки
