Глава 5

МЕТОДЫ КОМПЬЮТЕРНОЙ ОБРАБОТКИ И СРАВНЕНИЯ РЕШЕТОК

Никогда еще машина не могла абстрагировать или обобщать. Эти процессы не подчиняются рациональным канонам и не сводятся к преобразованию символов, несмотря на то что в ряде случаев эти процедуры весьма полезны. ЭВМ способна, например, ликвидировать из­быточность данных в матрице. Сжатие матрицы в этом случае иногда ошибочно принимается за абстрагирова­ние, так как, казалось бы, большая совокупность данных сводится к сравнительно небольшому числу символов. Однако ЭВМ не обобщает, а всего лишь экономит символы, хотя, конечно, следует признать, что немногословность способствует более ясному мыш­лению. Тем не менее ликвидация языкового хаоса не означает абстрагирования, а экономия не порождает теоретического мышления. Бритва Оккама' — хирургический инструмент, а не творческий метод.

Дж. Келли (105, 290)

Компьютерная обработка

Статистические игры с решетками привлекают вни­мание многих несостоявшихся математиков, работа­ющих ныне в психологии. Программы становятся все сложнее: зачастую невозможно обнаружить никакой связи между машинной распечаткой результатов и действиями испытуемого при заполнении решетки. Мы не призываем к примитивизму и упрощению обработки, а лишь хотим предостеречь исследователей, склонных входить в азарт игры с числами: им следует помнить, что множество интересных сведений можно почерпнуть при непосредственном изучении «сырого» материала решеток (см. главу 4).

Сам Келли лелеял мысль о разработке и применении сложных статистических процедур для анализа реше­ток. В первом томе «Психологии личных конструктов» он в общих чертах наметил непараметрический метод факторного анализа. Первая программа компьютерной

¹ «Бритвой Оккама» называют один из принципов научного объяснения, выдвинутый средневековым английским философом-схоластом У. Оккамом. Согласно этому принципу, «сущности не следует умножать без нужды».— Прим. ред.

123

обработки была написана Фейджером (58) и позднее доработана Келли (107). Следующий значительный шаг был сделан Слейтером, описавшим в 1964 году свой метод «главных компонент»' для анализа ранговых решеток, причем как решеток со сходными элементами и конструктами, так и с различными элементами или конструктами. Представив психологическое простран­ство в виде гиперсферы, он нашел возможность числен­ного выражения взаимодействия между элементами и конструктами ранговой и оценочной решеток. В течение ряда лет недоступность его программ, находившихся под финансовым контролем Совета по медицинским исследованиям, лишала психологов возможности дви­гаться вперед. Были, конечно, и исключения. Банни-стер разработал программу раздельной кластеризации конструктов и элементов. Другие исследователи исполь­зовали модификацию кластерного анализа Мак-Квитти (139). Равенетт (167) разработал метод «двустороннего» анализа, проводимого без помощи ЭВМ и позволяюще­го «вычитать» влияние специфических элементов внут­ри каждого кластера конструктов.

Уилсон (222) поставила следующую проблему: «Иде­альный способ исследования связей между конструкта­ми и элементами требует одновременной стандартиза­ции строк и столбцов. Поэтому, хотя программа Слей-тера и представляет собой попытку обнаружения свя­зей между конструктами и элементами, она искажает эти связи, так как нормализуются лишь конструкты, а не элементы. Для выявления подлинных связей необхо­димо стандартизировать как столбцы, так и строки, однако, по утверждению Кеттела (45), метод получения единственного решения при одновременной стандарти­зации строк и столбцов еще не разработан. Это очень интересная статистическая проблема, имеющая боль­шое значение и для анализа решеток».

На сегодняшний день есть лишь несколько методов компьютерной обработки импликативных решеток. К ним относится модификация метода факторного анали­за Келли. При использовании этого метода исследова­тель сталкивается с извечной проблемой сравнения данных типа «пропуск — галочка»: и галочкам, и пропу-

¹ Метод главных компонент — один из наиболее распространен­ных методов факторного анализа. Не требует никаких априорных предположений о структуре данных. Позволяет получить однознач­ное решение. Выделяемые факторы (главные компоненты) ортогональ­ны (не коррелируют друг с другом) и упорядочены по величине, так что первая главная компонента объясняет максимальное количество дисперсии данных и т. д.— Прим. ред.

124

скам приписывается одинаковое значение, что вновь приводит к вопросу о неравномерности распределения элементов по полюсам конструктов.

Для преодоления этих трудностей была разработана программа подсчета биноминальной вероятности совпа­дения и несовпадения галочек в парах строк и столбцов биполярной импликативной решетки (66). Однако, как стало ясно сейчас, и это далеко не лучший способ обработки. В настоящее время разрабатывается совер­шенно новый подход к анализу данных импликативных решеток, базирующийся на модели субъективной веро­ятности. С помощью этой модели строится матрица сходства конструктов, подвергающаяся затем кластер­ному анализу по одному из существующих алгоритмов.

Для тех, кто интересуется статистикой и хотел бы расширить свои познания в области компьютерной обработки решеток, мы включили в эту главу общее обсуждение этой проблемы, в значительной степени заимствованное из работы Уилсон (222), где она подчерк кивает, что существуют две большие группы методов анализа ранговых и оценочных решеток.

Метрический факторный анализ¹

Главное преимущество методов этого типа заключа­ется в их доступности: в Великобритании и США они включены в коммерческие статистические пакеты прог­рамм (например, СПСН, или Статистический пакет программ для социальных наук, 154). СПСН включает в себя пять различных методов факторного анализа.

Анализ методом главных компонент (МГК). Он не накладывает ограничений на анализируемые данные (чего нельзя сказать про другие четыре метода). По существу, это анализ общей дисперсии данных, позво­ляющий обрабатывать столбцы и строки раздельно. Получаемые главные компоненты можно вращать при помощи алгоритмов, основанных на одном из трех критериев (варимакс, эквимакс и облимакс)². В итоге обработки строится факторное пространство.

¹ Более подробные и специальные сведения о различных алгорит­ мах факторного анализа читатель может найти, например, в книге Харман Г. Современный факторный анализ.— М.: Статистика, 1972.—■ Прим. ред.

² Различные типы «вращения» факторов. Методы «вращения» разработаны для получения более простой и интерпретируемой факторной модели. В основе каждого метода лежит некоторый критерий, который оптимизируется в процессе поиска решения. Например, метод варимакс-вращения построен на критерии максими­ зации дисперсии факторных нагрузок на каждый фактор. В результа-

125

Остальные методы базируются на общей факторной модели, предполагающей, что каждая из факторизу-емых переменных имеет как общую, так и специфиче­скую компоненту, а интерес представляет только общая дисперсия.

Анализ методом главных факторов (МГФ) — наиболее широко используемый метод. Уилсон указы­вает, что он представляет собой разновидность более общего факторного анализа, рекомендуемого Руммелом (176), ему не присущи те допущения, которые лежат в основе общего факторного анализа, и он обладает дополнительным преимуществом: позволяет проверить лежащее в основе традиционной факторной модели предположение о том, что значение имеет только общая часть дисперсии конструктов. Одним из резуль­татов обработки является матрица ковариаций, обрат­ная матрице факторного отображения. Внедиагональ-ные элементы этой матрицы имеют значения, близкие к нулю, что увеличивает доверие исследователя к валид-ности окончательного решения, так как подтверждает, что в большую часть общей дисперсии вносят вклад все конструкты. Уилсон считает необходимым отметить, что решения, получаемые при помощи факторного анализа, как правило, обладают размерностью N/2. Это означает, что факторов примерно в два раза меньше, чем переменных. Если оказывается, что факторов слишком много для экономичного описания данных, в конечном решении число факторов можно уменьшить, а затем подвергнуть их вращению.

В основе двух оставшихся методов лежат как предположения, имплицитно присущие общей фактор­ной модели, так и некоторые дополнительные допуще­ния.

В основе Рэо-анализа лежит предположение о том, что факторизуемые переменные (конструкты) охваты­вают всю совокупность переменных, а элементы пред­ставляют собой выборку из общей популяции элемен­тов.

При проведении же Альфа-анализа предполагается, что включенные элементы представляют собой целую популяцию, а переменные — выборку из совокупности переменных. В этом случае решение можно распростра-

те этого метода ищется решение, при котором каждая переменная имеет максимальную нагрузку по одному из варимакс-факторов и минимальные нагрузки по другим факторам. Этот метод позволяет также получить ортогональное решение (некоррелирующие между собой факторы). Другие методы, как, например, облимакс, позволяют получить косоугольное решение, то есть решение, состоящее из коррелирующих факторов.— Прим. ред.

126

нить на всю совокупность конструктов. Уилсон утвер­ждает, что выбор техники должен определяться целью исследования. Обсуждение описанных выше методов можно найти также в работах Ная и его коллег (154).

Уилсон делает еще два замечания относительно программ факторного анализа, включенных в СПСН. Во-первых, они позволяют проводить факторный ана­лиз как матрицы корреляций, так и матрицы ковари-аций. Обе матрицы строятся на основе «сырых» дан­ных, однако факторные решения, получаемые методом главных компонент и методом главных факторов, отли­чаются друг от друга. Этого нельзя сказать о Рэо- и Альфа-анализах, а также о модификации факторного анализа Харриса (82). Получаемые при помощи этих трех методов решения для матриц корреляций и ковари-аций пропорциональны и, следовательно, значимо кор­релируют между собой, что, по мнению Уилсон, снима­ет проблему, с которой сталкиваются исследователи при использовании как метода главных компонент, так и метода главных факторов,— какую матрицу выбрать для факторизации.

Второе замечание Уилсон касается отношения числа элементов к числу факторизуемых конструктов и свя­занной с этим проблемы репрезентативности конструк­тов. В целом можно сказать, что при факторизации матрицы корреляций надежность решения в некоторой степени зависит от стабильности коэффициентов корре­ляции. Стабильность возрастает по мере увеличения количества элементов, между которыми подсчитывает-ся корреляция. Поэтому Уилсон советует там, где это возможно, использовать число элементов, в три раза превышающее число конструктов. Кроме того, размер­ность конечного решения можно случайно или искус­ственно ограничить неправильным выбором конструк­тов, то есть нарушив требование репрезентативности конструктов. Если выявляются или задаются конструк­ты лишь двух типов, то можно с полным основанием ожидать двухфакторного решения.

В работе Уилсон рассматриваются решения, опти­мальные с точки зрения статистики, но не с точки зрения психологии. Баннистер и Мэир (21) при работе с ранговой решеткой, в которой в качестве элементов использовались люди, обнаружили, что при увеличении числа элементов от 10 до 15 значительно уменьшается структурированность материала решетки.

127

Неметрические методы

В эту группу входят методы многомерного шкалиро­вания (195)'. В то время как метрические методы предполагают наличие линейной зависимости между факторами и переменными, техники многомерного шка­лирования предполагают только сохранение монотонно­сти конечного решения и анализируемой матрицы. Так, например, в ранговой и оценочной решетках порядко­вые отношения между конструктами в их связи с конкретным элементом (то есть по какому конструкту элемент оценивается наиболее высоко, по какому — вторым и т. п.) сохраняются в конечном решении, однако на основе этого решения ничего нельзя сказать о том, насколько выше элемент был оценен по данному конструкту, чем по другому. Уилсон отмечает, что в тех областях, где измерение преимущественно прово­дится по шкалам порядка или даже шкалам наименова­ния, меньший акцент на линейные связи становится преимуществом многомерного анализа неметрического типа. Но у этого метода есть и недостатки. Наиболее существенный практический недостаток заключается в том, что существует слишком мало коммерческих пакетов программ, доступных пользователям. Хотя неметрические методы развиваются уже давно (47), они далеко не так распространены, как метрические методы.

Наиболее исчерпывающая классификация неметри­ческих моделей, программ машинной обработки и спо­собов организации данных приводится в работе Шепар­да (194). Уилсон, однако, считает, что список Шепарда далеко не полон, а количество разработок растет «с устрашающей скоростью».

В работе Уилсон рассматривается также имплика-тивная модель Хейза (84), имеющая прямое отношение к импликативным решеткам. В качестве первичных данных в ней используются условные вероятности. Модель позволяет получить матрицу расстояний, кото­рая затем анализируется неметрическими методами. Преимущество модели Хейза, по мнению Уилсон, со­стоит в том, что она дает возможность обрабатывать асимметричные условные вероятности и определять веса (или значимости) полюсов конструктов. В соответ­ствии с этой комбинированной характеристикой кон­структы, наиболее тесно связанные с измерениями

¹ Подробнее об этом см.: Шепард Р. Н. Многомерное шкалиро­вание и безразмерное представление различий.— Психологический журнал, 1980, т. 1, № 4, с. 72—83.— Прим. ред.

128

получаемого решения,— это центральные конструкты, обладающие наибольшим весом. Они имплицируют большое число других конструктов, в то время как их имплицируют очень немногие конструкты. Уилсон под­черкивает, что определение центральных конструктов очень близко к представлению Хинкла о суперординат-ности (88). Она считает, что мера расстояния Хейза вместе с техникой неметрического многомерного шкали­рования является, по-видимому, первым валидным средством для определения размерности импликатив-ных решеток.

Описание других программ компьютерной обработки и методов статистического анализа можно найти в работах Ландфилда (114), Франселлы (66), Уилкокса (220), Гертина (79).

Сравнение решеток

Сравнение решеток различных типов

Репертуарным решеткам посвящено довольно много исследований, так как цели их разработок весьма разнообразны. При этом, однако, лишь немногочислен­ные работы посвящены сравнению решеток различных типов. Круг вопросов здесь таков: нацелены ли они на исследование одних и тех же образований? Насколько согласуются между собой данные, получаемые с по­мощью решеток различных типов?

Поиску ответа, например, на последний вопрос посвящена одна из работ Франселлы (63). При сравне­нии ранговой и оценочной решеток одного и того же испытуемого обнаружилось существенное расхождение результатов в ориентации конструктов в пространствах двух главных компонент.

В более позднем исследовании (69) коэффициент корреляции между этими двумя методами оказался равным 0,76. Эксперименты как в первой, так и во второй работе проводились на одном испытуемом. Причем, поскольку один из конструктов обнаружил межтестовую корреляцию «—0,47», ясно, что остальные конструкты, несмотря на различие используемых мето­дов, должны действительно сильно коррелировать меж­ду собой.

В 1967 году Мэир и Бойд сравнили результаты, полученные с помощью ранговой решетки и метода разбиения пополам (145). Надо сказать, что и до этого существовали доказательства сходства данных, получа­емых при помощи этих методов. Так, обследуя больных

5-492

129

с нарушениями мышления, Баннистер показал согласо­ванность результатов метода разбиения пополам (12) и обычной ранговой решетки (20).

Мэир и Бойд проводили свое исследование на 24 молодых правонарушителях, которые заполняли ре­шетки двух типов, одну сразу вслед за другой. Проце­дура повторялась, через две недели. В качестве элемен­тов использовались фотографии: 20 штук в методе разбиения пополам и 10 — в ранговой решетке. В каждом случае проводилось сопоставление конструктов похож на меня, похож на отца, похож: на мать с остальными 15 конструктами, а также сравнение связей между конструктами разных решеток. Ниже приводят­ся средние коэффициенты корреляции для трех кон­структов (по обоим типам решеток): 0,5 для конструкта похож: на меня (диапазон от —0,76 до 0,82); 0,57 для конструкта похож: на отца (диапазон от —0,64 до 0,91); 0,48 для конструкта похож: на мать (диапазон от —0,36 до 0,84). Эти средние значения значимы по крайней мере на уровне р<0,05 (для N=19). Означает ли такой широкий диапазон значений корреляций, что конструкт похож: на меня имеет для некоторых испытуемых противоположный смысл при работе с ранговой решет­кой и при методе разбиения пополам? Если это так, то в чем субъективная разница этих двух методов? Если можно было бы показать, что у испытуемых с отрица­тельным коэффициентом корреляции для конструкта похож на меня (—0,76) отрицательны и коэффициенты корреляции по другим конструктам, а у испытуемых с высоким коэффициентом корреляции по одному кон­структу высоки коэффициенты корреляций и по другим конструктам, то это приблизило бы нас к пониманию воспринимаемых испытуемым различий. Было бы еще лучше, если бы у этих испытуемых оказались высоки­ми коэффициенты корреляции и в тест-ритесте для обоих типов решеток. В результате проведенного иссле­дования Мэир и Бойд пришли к выводу, что применя­емые методы не взаимозаменяемы.

Хонесс (93) сравнил ранговую решетку с биполярной импликативной решеткой. В качестве испытуемых в эксперименте участвовали дети (средний возраст— 12,8 года), которым предлагались конструкты, получен­ные при анализе некоторых из составленных ими рассказов. В качестве элементов снова использовались фотографии. Первая группа детей сначала заполняла ранговую решетку, а затем, через неделю,— импликативную, через 4 недели — вновь ранговую. Вто­рая группа детей заполняла решетки в следующей

130

последовательности: импликативная, ранговая, импли-кативная. Корреляция между двумя методами внутри групп оказалась равной 0,50. Этот результат очень похож на результат, полученный Мэиром и Бойдом, однако статистически гораздо более значим (N=41).

Хонесс приводит и другие данные. Например, для импликативной решетки корреляция тест-ритест ока­залась значительно больше, чем для ранговой (0,82 и 0,66). Если исключить наименее стабильный конструкт, то эта корреляция достигнет соответственно 0,89 и 0,75. Импликативная решетка позволяет, по-видимому, полу­чить конструкты с более выраженной биполярностью: критерий биполярности Хонесса для конструктов ранго­вой решетки оказался равным 28,8%, а для конструктов импликативной решетки — 56,9%.

Келсолл и Стронгмен (108) сравнили импликативную решетку с решеткой, в которой использовались данные типа «пропуск — галочка». Оказалось, что паттерн кон­структов в целом очень сходен (р<0,001), однако и в этом случае наблюдается значительный индивидуаль­ный разброс.

Таким образом, различные типы решеток нельзя считать идентичными: различаются и восприятие зада­ния, и результаты. Ответить на вопрос, почему при помощи решеток разных типов мы получаем различные результаты, можно только путем тщательного исследо­вания задания, предлагаемого испытуемому. В этом случае мы, несомненно, узнаем что-то новое и о природе психологического измерения в целом.

Сравнение решеток одного типа

Если нас интересует паттерн связей между кон­структами, то оценить степень стабильности идентич­ных решеток, заполненных различными испытуемыми или одним и тем же испытуемым в различное время,— задача несложная.

Изучая нарушения мышления при шизофрении, Бан-нистер разработал статистический метод определения степени стабильности связей между конструктами в идентичных решетках. Если при первом исследовании второй конструкт связан высокой положительной кор­реляцией с конструктами 3, 4 и 5, то останутся ли эти связи такими же и при повторном исследовании? В табл. 19 показано, каким образом можно сравнить результаты двух исследований.

Сначала надо проранжировать коэффициенты корре­ляции между всеми парами конструктов, начиная с

5*

131

Таблица 19

Вычисление показателей согласованности корреляций между конструк­тами для ранговой решетки, заполненной одним испытуемым в ходе двух тестирований

Первое исследование			Второе исследование
конструкт	р	ранг	Р	ранг	Л	d!
1	2	3	4	5	6	7
1—2	0,86	2	0,80	6	4	16
1—3	0,58	12	0,61	11	1	1
1—4	-0,74	36	-0,73	36	0	0
1—5	0,42	21	0,44	18	3	9
1—6	0,54	13,5	0,59	12	1,5	2,25
1—7	0,64	11	0,70	8,5	2,5	6,25
1—8	0,44	19,5	0,42	19,5	0	0
1—9	0,32	22	0,40	21,5	0,5	0,25
2—3	0,48	15	0,52	14	1	1
2—4	-0,64	33	-0,63	33	0	0
2—5	0,13	26	0,20	25	1	1
2—6	0,44	19,5	0,42	19,5	0	0
2—7	0,31	23	0,35	24	1	1
2—8	0,14	25	0,17	27	2	4
2—9	0,03	28	0,05	28	0	0
3—4	-0,73	35	-0,70	35	0	0
3—5	0,10	27	0,18	26	1	1
3—6	0,81	4	0,85	4	0	0
3—7	0,46	16,5	0,43	17	0,5	0,25
3—8	0,26	24	0,37	23	1	1
3—9	0,45	18	0,40	21,5	3,5	12,25
4—5	-0,46	31	-0,50	31	0	0
4—6	-0,70	34	-0,68	34	0	0
4—7	-0,52	32	-0,49	30	2	4
4—8	-0,41	30	-0,52	32	2	4
4—9	-0,40	29	-0,39	29	0	0
5—6	0,46	16,5	0,51	15,5	1	1
5—7	0,71	9	0,81	5	4	16
5—8	0,88	1	0,92	1,5	0,5	0,25
5—9	0,69	10	0,67	10	0	0
6—7	0,72	8	0,51	15,5	7,5	56,25
6—8	0,54	13,5	0,58	13	0,5	0,25
6—9	0,77	6	0,92	1,5	4,5	20,25
7—8	0,74	7	0,86	3	4	16
7—9	0,85	3	0,70	8,5	5,5	30,25
8—9 62d2 п3 — п	0,78 1251 —0 оз 46620	5	0,79 Р=0,97	7	2	4 2d2 = 208,50

самой высокой положительной корреляции и кончая самой высокой отрицательной корреляцией. Результаты ранжирования коэффициентов корреляции ранговой ре­шетки приведены в табл. 7 (см. с. 72). Сходным обра­зом надо проранжировать коэффициенты корреляции, полученные при повторном тестировании, а затем под-

132

считать коэффициент ранговой корреляции Спирмена между полученными ранжировками.

Эта же процедура применима к баллам совпадения или данным оценочной решетки. Надо проранжировать пары, начиная с тех, между которыми существует самая высокая положительная корреляция, и кончая теми, между которыми существует самая высокая отрицательная корреляция.

Существуют и другие способы определения согласо­ванности результатов ранговых или оценочных реше­ток. Можно, например, рассчитать степень стабильно­сти взаимного расположения элементов. Связь между конструктами может оставаться неизменной (мера сог­ласованности Баннистера высока), однако элементы будут оцениваться по этим конструктам иначе. Человек продолжает считать некоторые качества желательны­ми, а другие нежелательными, однако он может изме­нить свое мнение о людях, обладающих или не облада­ющих данными качествами. Согласованность элементов определяется следующим образом: элементы ранжиру­ются по первому конструкту сначала при первом исследовании, затем при повторном. После этого под-считывается коэффициент корреляции между их ранга­ми при первом и втором исследовании. В табл. 20 приведены данные о согласованности элементов и сог­ласованности структуры связей конструктов.

Таблица 20

Согласованность ранжировок элементов по каждому конструкту и согласованность структуры связей между конструктами при заполнении двух идентичных решеток одним и тем же испытуемым — членом психотерапевтической группы (65)

		Согласованность
Конструкт	Согласованность	структуры связей
	элементов	конструкта
1	-0.52	0,96
2	-0,43	0,83
3	0,29	0,63
4	-0,31	0,79
5	-0,24	0,86
6	-0,69	0,96
7	-0,36	0,39
8	0,81	0,48
9	0,55	0,61
10	0,02	0,82
11	0,29	0,78
12	-0,71	0,91
13	-0,57	0,60
14	-0,52	0,70
15	-0,24	0,80
16	-0,07	0,91

133

Как следует из анализа таблицы, связи между конструктами данного испытуемого остаются неизмен­ными, однако он в некоторых случаях изменил свое мнение о людях (элементах) на противоположное.

Если при сравнении решеток вы столкнетесь с необходимостью доказать изменение представлений ис­пытуемого, например, в ходе лечения, то можно ис­пользовать метод подсчета согласованности Баннистера или же, в случае компьютерной обработки, программу COIN Слейтера, которая «дает возможность получить почти те же самые результаты, что и метод Баннисте­ра» (201, 45).

Можно проанализировать распределение элементов и подсчитать корреляции между ранжировками по каждому конструкту в первом и втором исследовании. Более сложный анализ можно провести, заполнив матрицу различий между элементами. Для этого ранг или оценку элемента в первой решетке надо вычесть из ранга или оценки этого элемента во второй решетке, обработав матрицу при помощи стандартного варианта метода главных компонент. Для этой цели Слеитером была разработана программа DELTA (199). В дополне­ние к обычным данным, получаемым в результате применения стандартных процедур компьютерной обра­ботки, эта программа определяет изменения элементов и конструктов и выявляет корреляции между первой и второй решетками в целом.

Слейтер разработал еще целый ряд методов компь­ютерной обработки для анализа отношений между несколькими (более чем двумя) решетками, а также для сопоставления двух решеток с различными элементами или различными конструктами (202).

Комментарий

В известном смысле развитие компьютерных мето­дов анализа оказало неблагоприятное влияние на разви­тие метода решеток: некоторые психологи стали счи­тать, что техника решеток является научной процеду­рой не потому, что действительно позволяет проник­нуть во внутренний мир испытуемого, а потому, что обеспечивает нас распечатками результатов. Стремле­ние к псевдоточности заставляет исследователей пре­дать забвению основные правила статистики. Напри­мер, корреляция, полученная на небольшой выборке и равная 0,2, по всей видимости, возникла случайно. Однако даже в том случае, когда выборка настолько

134

многочисленна, что эта корреляция достигает знамени­того уровня значимости р<0,05, психологическая значи­мость связей, объясняющих всего лишь 4% дисперсии¹, остается небольшой.

Дабы не быть обвиненными в пуританстве, спешим добавить, что мы полностью поддерживаем многомер­ные методы анализа. Как утверждал еще Келли, «понятийная решетка... является (следовательно) спосо­бом доматематической репрезентации индивидуального психологического пространства, и она строится таким образом, что позволяет подвергнуть это пространство математическому анализу. Как видим, по своей природе она многомерна» (102, 304).

Именно поэтому каждый исследователь должен ознакомиться и хотя бы на интуитивном уровне постичь те сложные процедуры, которые так компетентно выполняет ЭВМ.

¹ Процент дисперсии, приходящейся на коэффициент корреляции, вычисляется как «коэффициент корреляции в квадрате, умноженный на 100%».— Прим. ред.