- •Глава 2
- •Глава 1
- •Глава 2
- •§ 1. Психофизические шкалы
- •§ 2. Нольмерное шкалирование
- •§ 3. Одномерное шкалирование
- •§ 4. Модель шкалирования Терстоуна
- •§ 5. Многомерный анализ сложных стимулов
- •§ 6. Многомерное шкалирование
- •Часть I локализация точки на шкале (нольмерное шкалирование)
- •Глава 1. Методы измерения порогов
- •§ 1. Метод минимальных изменений
- •§ 2. Метод средней ошибки
- •§ 3. Метод постоянных раздражителей
- •Результаты эксперимента по определению пространственного порога тактильного восприятия
- •Методические рекомендации по выполнению учебных заданий по теме
- •Литература
- •Требования к оформлению отчета по учебному заданию
- •Глава 2. Методы обнаружения сигнала
- •§ 1. Общие понятия
- •§ 2. Метод “Да-Нет”
- •Исходы эксперимента по обнаружению сигнала
- •§ 3. Метод двухальтернативного вынужденного выбора (2авв)
- •§ 4. Метод оценки
- •Теоретические результаты эксперимента с использованием метода оценки
- •Способ расчета p(h) и p(fa) по полученным данным в методе мо
- •Обработка результатов
- •Обсуждение результатов
- •Литература
- •Дополнительные сведения о критериях принятия решения
- •Краткое описание программы yes_no.Exe
- •Часть II одномерное шкалирование
- •Глава 1. Метод балльных оценок
- •§ 1. Графические шкалы
- •§ 2. Числовое шкалирование
- •§ 3. Шкалирование по стандартной шкале
- •§ 4. Проблемы, связанные с построением шкал балльных оценок
- •§ 5. Проблемы, связанные с обработкой полученных данных
- •Литература
- •Методические указания по выполнению учебных заданий по теме
- •Глава 2. Метод парных сравнений. Модель терстоуна
- •§ 1. Закон сравнительных суждений
- •§ 2. Процедура измерения
- •§ 3. Упрощенные варианты закона сравнительных суждений
- •§ 4. Процедура решения V варианта закона сравнительных оценок для полной матрицы
- •Матрица частот f
- •Матрица вероятностей p
- •Матрица z ‑ оценок
- •§ 5. Процедура решения V варианта закона сравнительных суждений для неполной матрицы исходных данных
- •Матрица вероятностей p
- •Матрица z — оценок
- •Литература
- •Глава 3. Методы прямой оценки
- •§ 1. Метод установления заданного отношения
- •Результаты оценки испытуемыми стимула как половины стандартного (по Харперу и Стивенсу, 1948)
- •§ 2. Метод оценки величины
- •Литература
- •Методические рекомендации по выполнению учебного задания по теме
- •Часть III многомерное шкалирование
- •Глава 1. Факторный анализ
- •Введение
- •§ 1. Область применения факторного анализа
- •§ 2. Исходные принципы и предположения
- •§ 3. Основные этапы факторного анализа
- •Использование различных методов факторизации для получения двухфакторного решения
- •§ 4. Дополнительные статистические показатели для оценки результатов факторного анализа
- •§ 5. Несколько замечаний по поводу конфирматорного фа
- •Методические рекомендации по выполнению учебного задания по теме «Факторный анализ»
- •Литература
- •Глава 2. Метрическое и неметрическое многомерное шкалирование
- •§ 1. Основные положения
- •§ 2. Исходные данные. Матрица сходств и различий
- •§ 3. Построение пространственной модели стимулов
- •§ 4. Построение метрической модели
- •§ 5. О развитии моделей многомерного шкалирования
- •Литература
- •Методические рекомендации по выполнению учебного задания по теме
- •Методика
- •Обработка результатов
§ 4. Дополнительные статистические показатели для оценки результатов факторного анализа
В начале предыдущего параграфа мы отмечали, что вычислительные алгоритмы ФА основываются на ряде математических допущений о характере эмпирических данных, подвергаемых ФА. Остановимся на ряде статистических показателей, которые помогают исследователю оценить степень соответствия данных этим допущениям.
Как правило, в любой программе по ФА предусмотрен расчет показателей описательной статистики по матрице смешения. Например в статистических системах “Stadia” и SPSS для каждой переменной вычисляются общее количество наблюдений, среднее арифметическое значение и среднее квадратичное отклонение (см. табл. 3). Эти достаточно простые показатели позволяют быстро сравнить между собой все анализируемые переменные, и уже на уровне анализа исходных данных попытаться найти возможные ошибки, связанные либо с проведенными измерениями, либо с вводом данных в компьютер. Например, если при сборе данных использовалась 7-балльная шкала, то наверное вас насторожит среднее значение по какой-то переменной, равное 0.87, или резко отличающаяся от других величина среднего квадратичного отклонения.
Коэффициент сферичности Бартлета используется для оценки “хорошести” корреляционной матрицы. Если этот коэффициент достаточно большой, а соответствующий ему уровень значимости мал (например, меньше 0.05 или 0.01), то это свидетельствует о надежности вычисления корреляционной матрицы. При высоком уровне значимости исследователю стоит задуматься об адекватности использования ФА с полученными данными.
Кроме того, для оценки надежности вычислений элементов корреляционной матрицы и возможности ее описания с помощью ФА во многих статистических программах применяется так называемая мера адекватности выборки Кайзера—Мейера—Олкина(КМО). По мнению Г. Кайзера (1974), значения КМО около 0.9 оцениваются как “изумительные”, 0.8 — “достойные похвалы”, 0.7 — “средние”, 0.6 — “посредственные”, 0.5 — “плохие”, а ниже 0.5 — “неприемлемые”. Для оценки надежности вклада в корреляционную матрицу каждой переменной в отдельности также используют меру выборочной адекватности (например, коэффициент MSAi в системе SPSS). Вышеприведенные характеристики Г. Кайзера вполне справедливы и для оценки этих величин тоже. Исследование надежности каждой переменной позволяет исключить из расчетов одну или несколько переменных, и тем самым повысить результативность ФА.
Таблица 3
Данные описательной статистики для 9 переменных
Работая с различными данными, Г. Кайзер установил, что величина данного коэффициента адекватности повышается при: а) увеличении количества переменных, б) возрастании числа наблюдений каждой переменной, в) уменьшении числа общих факторов и г) увеличении абсолютных значений коэффициентов корреляций. По сути дела данный автор выделил те условия, при которых повышается адекватность данных, а следовательно, и информативность ФА.