- •1.Психология и математика.
- •2. Генеральная совокупность и выборка.
- •3. Измерение. Шкалы измерения.
- •4. Таблицы и графики.
- •Статистические ряды
- •5. Первичные описательные статистики.
- •6. Нормальный закон распределения и его применение.
- •7. Статистические гипотезы и критерии.
- •8. Статистическое решение и вероятность ошибки.
- •Билет 10 Классификация задач и методов их решения
- •Билет 11 Параметрический критерий различий и сдвигов: т - Критерий Стьюдента
- •Билет 12 Непараметрические методы. Поиск критерия, адекватного задаче исследования.
- •Билет 14 оценка достоверности сдвига в значениях исследуемого признака
- •Билет 15 Выявление различий в распределении признака.
- •Билет 16 Многофункциональные статистические критерии
- •18Вопрос: Регрессионный анализ.
- •19Вопрос:Дисперсионный анализ.
- •20. Назначеные и классификация многомерных методов.
- •22.Дискриминантный анализ.
- •24. Кластерный анализ.
- •25. Моделирование психических процессов и поведения.
- •Детерминированные модели. Модели рефлексии.
- •«Формула человека» в.Лефевра.
- •Модели теории графов и геометрическое моделирование.
- •Кластерный анализ (ка).
- •Многомерное шкалирование (мш).
- •Стохастические модели. Вероятностные модели. Модели с латентными переменными.
- •Модели факторного анализа (фа).
- •Метод главных компонент.
- •Конфирматорный факторный анализ.
- •Модель латентных классов.
- •Модели научения.
- •Модели принятия решения.
- •Теория принятия решений.
- •Теория полезности.
- •Теория игр.
- •Динамическое программирование. Модели целенаправленного поведения.
- •Модели научения.
- •Модели интеллекта.
- •Перцептронные модели.
- •Моделирование естественного языка.
- •Нетрадиционные методы моделирования. Моделирование на «размытых» множествах.
- •Синергетика в психологии.
- •26. Теории искусственного интеллекта
Конфирматорный факторный анализ.
Все описанные выше модели ФА относятся к эксплораторному(поисковому) ФА. Настоящим переворотом в ФА было изобретениеконфирматорного(подтверждающего) анализа – КФА.
Основной принцип КФА: в качестве гипотезы формируется структура ожидаемой матрицы факторных нагрузок (весов), которая затем накладывается на заданную корреляционную матрицу. Гипотеза подвергается статистической проверке, и постепенно исследователь приходит к соответствующей экспериментальным данным матрице нагрузок, не прибегая к вращению факторов.
Однако гипотеза должна основываться на серьёзном анализе природы изучаемых переменных и лежащих в их основе факторов. Часто для этого проводится предварительный эксплораторный ФА. В качестве математического аппарата в данной модели используется моделирование с помощью линейных структурных уравнений.
Данный подход предполагает априорное формулирование гипотез относительно количества латентных и измеряемых переменных, а также их взаимосвязи. Можно выделить следующие этапы:
Составляется диаграмма путей, представляющих собой графы, в которых присутствуют измеряемые и латентные переменные, соединённые стрелками (направлены в сторону влияний);
Строятся системы уравнений множественной регрессии; их количество соответствует количеству зависимых переменных;
Проверяется соответствие предложенной модели (системы уравнений) эмпирическим данным;
Осуществляется перебор моделей на данных одной выборки.
Метод КФА позволяет оценить валидность тестов (конструктную, дискриминантную, конвергентную). Использование множества индикаторов для каждого латентного конструкта даёт возможность представить степень, с которой каждая переменная объясняет латентную переменную. Остаточная дисперсия обусловлена случайными флуктуациями. С помощью параметров измерительной модели определяется внутренняя согласованность теста, по которой можно говорить об уровне надёжности измерения. В программе LISRELнадёжность измеряемых переменных представляется в виде множественных корреляций этих переменных с латентными конструктами (P.Bentler, 1982, 1992;D.Cole, 1987). Моделирование с помощью латентно-структурных уравнений позволяет также проводить анализ данных лонгитюдного исследования с множественными индикаторами (K.Joreskog, 1979, 1988).
Модель латентных классов.
Все модели латентных структур предполагают локальную независимость характеристик. То есть, для данной латентной характеристики наблюдаемые переменные независимы в смысле теории вероятностей.
В основе модели лежит формула Бэйеса (с учётом экспериментальных данных) их апостериорной плотности распределения. Априорно задаются две латентные характеристики: количество классов (K)и соответствующее им относительное число испытуемых в классе –P(k), а также параметр, позволяющий устанавливать степень вероятности определённого ответа наi-й вопрос при условии, что испытуемый относится кk-му классу –r(k). Априорное задание этих латентных характеристик соответствует гипотезе исследователя, либо задаётся стандартными способами.
Вероятность появления i-го профиля
.
По формуле Бэйеса вычисляется апостериорная (с учётом реальных профилей ответов на вопросы теста) вероятность принадлежности к классу kпри условии, что испытуемый имеетi-паттерн ответов:
.
Для каждого класса строится наиболее вероятный профиль ответов его представителей.
Данный метод полезен при адаптации существующих новых опросников и их разработке, а также для анализа результатов исследования. (J.Rost, 1988; Т.Савченко, 1995). При адаптации опросников метод латентно-структурного анализа (LSA) позволяет выделить вопросы теста, которые не соответствуют предложенной модели и подлежат замене или переформулированию. МетодLSAиспользуется также для проведения типологизации по множественному критерию.