_Новиков А.М., Методология научного исследования

рованных показателей и графиков. Перечислим некоторые из них.

Табл. 10

Задачи анализа экспериментальных данных

Для результатов измерений в шкале отношений (см. опи- сание шкал измерений выше) показатели описательной стати- стики можно разбить на несколько групп:

-показатели положения описывают положение экспери- ментальных данных на числовой оси. Примеры таких данных

–максимальный и минимальный элементы выборки, среднее значение30, медиана31, мода32 и др.;

-показатели разброса описывают степень разброса дан-

ных относительно своего центра (среднего значения). К ним относятся: выборочная дисперсия33, разность между мини- мальным и максимальным элементами (размах, интервал

выборки) и др.

-показатели асимметрии: положение медианы относи-

тельно среднего (величина разности их значений) и др. - гистограмма34 и др.

Данные показатели используются для наглядного пред- ставления и первичного («визуального») анализа результатов

измерений характеристик экспериментальной и контрольной группы.

2. Изучение сходства/различий (сравнение двух выбо-

рок). Например, требуется установить, достоверно ли разли-

чие конечных состояний экспериментальной и контрольной

30Имеется в виду среднее арифметическое значение.

31Медианой называется значение исследуемого признака, справа и слева

от которого находится одинаковое число упорядоченных элементов выборки. Если объем выборки – четное число, то медианой является среднее арифметическое двух центральных членов.

32Модой называется такое значение измеренного признака, которым обладает максимальное число элементов выборки, то есть значение, которое встречается в выборке наиболее часто.

33Выборочная дисперсия рассчитывается как средняя сумма квадратов разностей между элементами выборки и средним значением. Дисперсия

характеризует степень разброса элементов выборки вокруг среднего значения.

34Гистограммой называется графическое изображение зависимости частоты попадания элементов выборки от соответствующего интерва- ла группировки (диапазона значений показателя).

группы в эксперименте (см. выше). Или, например, задача заключается в установлении совпадений или различий харак- теристик двух выборок (например, требуется установить, что средние значения доходов населения в двух регионах (или

средние значения производительности труда в двух отраслях народного хозяйства и т.д.) совпадают или различаются). Для этого формулируются статистические гипотезы:

-гипотеза об отсутствии различий (так называемая нуле-

вая гипотеза);

-гипотеза о значимости (достоверности) различий (так называемая альтернативная гипотеза).

Для принятия решения о том, какую из гипотез (нулевую

или альтернативную) следует принять, используют решаю- щие правила – статистические критерии35. То есть, на осно- вании информации о результатах наблюдений (характеристи- ках членов экспериментальной и контрольной группы) по известным формулам (см., например, [65, 86]) вычисляется число, называемое эмпирическим значением критерия. Это число сравнивается с известным (например, заданным таб- лично в соответствующих книгах по математической стати- стике [65, 86]) эталонным числом, называемым критическим значением критерия.

Критические значения приводятся, как правило, для не- скольких уровней значимости. Уровнем значимости называ- ется вероятность ошибки, заключающейся в непринятии нулевой гипотезы, когда она верна, то есть вероятность того, что различия сочтены существенными, а они на самом деле случайны.

Обычно используют уровни значимости (обозначаемые α), равные вероятности 0,05, или 0,01, или 0,001. Или, пере- водя в проценты, выборки не различаются с вероятностями 5 %, 1 %, 0,1 %. Соответственно, вероятности того, что вы-

35 Заметим, что в математической статистике исторически сложилось называть статистическими критериями не только решающие правила, но и методы расчета определенного числа (используемого в решающих правилах), а также само это число.

борки различаются составят 0,95, 0,99, 0,999, или в процентах

– 95 %, 99 % и 99,9 %. В экономических, педагогических, психологических, медико-биологических экспериментальных исследованиях обычно ограничиваются значением 0,05, то есть допускается не более чем 5 %-ая возможность ошибки

(95 % уровень достоверности различий). В естественных,

технических науках чаще требуются уровни достоверности различий 99 % или 99,9 %.

Если полученное исследователем эмпирическое значение критерия оказывается меньше или равно критическому, то принимается нулевая гипотеза – считается, что на заданном уровне значимости (то есть при том значении α, для которого рассчитано критическое значение критерия) характеристики экспериментальной и контрольной групп совпадают. В про- тивном случае, если эмпирическое значение критерия оказы- вается строго больше критического, то нулевая гипотеза отвергается и принимается альтернативная гипотеза – харак- теристики экспериментальной и контрольной группы счита- ются различными с достоверностью различий 1 – α. Напри- мер, если α = 0,05 и принята альтернативная гипотеза, то достоверность различий равна 0,95 или 95%.

Другими словами, чем меньше эмпирическое значение критерия (чем левее оно находится от критического значе- ния), тем больше степень совпадения характеристик сравни- ваемых объектов. И наоборот, чем больше эмпирическое значение критерия (чем правее оно находится от критическо- го значения), тем сильнее различаются характеристики срав- ниваемых объектов.

Итак, если мы ограничимся уровнем значимости α = 0,05, то, если эмпирическое значение критерия оказывается мень- ше или равно критическому, то можно сделать вывод, что «характеристики экспериментальной и контрольной групп совпадают на уровне значимости 0,05». Если эмпирическое значение критерия оказывается строго больше критического, то можно сделать вывод, что «достоверность различий харак-

теристик экспериментальной и контрольной групп равна

95%».

Приведем алгоритм выбора статистического критерия

(см. Табл. 11). Во-первых, необходимо определить какая шкала измерений используется – отношений, порядковая или номинальная (см. выше).

Табл. 11

Алгоритм выбора статистического критерия

Для шкалы отношений целесообразно использовать кри- терий Крамера-Уэлча. Если число различающихся между собой значений36 в сравниваемых выборках велико (более десяти)37, то возможно использование критерия Вилкоксона- Манна-Уитни. Более подробные рекомендации по выбору критериев в том или ином конкретном случае, а также описа- ние этих критериев можно найти в [55, 65, 86]).

Для порядковой шкалы целесообразно использовать кри- терий Вилкоксона-Манна-Уитни, возможно также использо- вание критерия χ2.

Для номинальной шкалы следует использовать критерий

χ2.

Для дихотомической шкалы (номинальной шкалы с дву- мя возможными значениями) следует использовать критерий Фишера.

36Например, выборка (1, 2, 2, 2, 1, 1, 2, 1, 1, 1) содержит всего два раз- личных значения – единицу и двойку. В то же время, например, выборка (2, 0, 1, 5, 8, 4, 2, 7, 3, 9) того же объема (десять элементов) содержит десять различных значений.

37Понятно, что приводимые границы числа различающихся между собой значений (10) примерны, приблизительны.

3. Исследование зависимостей. Следующим шагом по-

сле изучения сходства/различий является установление факта наличия/отсутствия зависимости между показателями и ко- личественное описание этих зависимостей. Для этих целей используются, соответственно, корреляционный и дисперси-

онный анализ, а также регрессионный анализ [55, 86]. Корреляционный анализ. Корреляция (Correlation) – связь

между двумя или более переменными (в последнем случае корреляция называется множественной). Цель корреляцион- ного анализа – установление наличия или отсутствия этой связи, то есть установление факта зависимости каких-либо явлений, процессов друг от друга или их независимости.

В случае, когда имеются две переменные, значения кото- рых измерены в шкале отношений38, используется коэффици-

ент линейной корреляции Пирсона r, который принимает значения от -1 до +1 (нулевое его значение свидетельствует об отсутствии корреляции39) – см. Рис. 16, на котором каждая точка соответствует отдельному объекту, описываемому двумя переменным – x и y. Термин «линейный» свидетельст- вует о том, что исследуется наличие линейной связи между переменными – если r(x, y) = 1, то одна переменная линейно зависит от другой (и, естественно, наоборот), то есть сущест- вуют константы a и b, причем a > 0, такие что y = a x + b.

На Рис. 16а) и в) изображены ситуации, когда все экспе- риментальные точки лежат на прямой (абсолютное значение коэффициента линейной корреляции равно единице). В си- туации, изображенной на рисунке Рис. 16б), однозначно провести прямую через экспериментальные точки невозмож- но (коэффициент линейной корреляции равен нулю).

38Единицы измерений при этом не важны – например, масса тела мо- жет быть измерена в граммах, килограммах, тоннах – они не влияют на значение коэффициента корреляции.

39Корректно говоря, этот факт справедлив в случае, если анализируемая

пара переменных описывается двумерным нормальным распределением (см. подробности, например, в [65]).

Рис. 16. Величины коэффициента линейной корреляции

в различных ситуациях

Если экспериментальные точки сгруппированы около не- которой прямой – см. Рис. 16г) и д), то коэффициент линей- ной корреляции принимает значения, отличные от нуля, при- чем чем «ближе» точки к прямой, тем выше абсолютное значение коэффициента линейной корреляции. То есть, чем выше абсолютное значение коэффициента Пирсона, тем

сильнее исследуемые переменные линейно связаны между собой.

Для данных, измеренных в порядковой шкале, следует

использовать коэффициент ранговой корреляции Спирмена

(он может применяться и для данных, измеренных в интер- вальной шкале, так как является непараметрическим и улав- ливает тенденцию – изменения переменных в одном направ- лении), который обозначается s и определяется сравнением

различаются (насколько велика дисперсия) значения другой (или других) переменной, называемой зависимой переменной.

Дисперсионный анализ как раз и дает возможность сравнить отношение дисперсии зависимой переменной (межгрупповой дисперсии) с дисперсией внутри групп объектов, характери- зуемых одними и теми же значениями независимой перемен-

ной (внутригрупповой дисперсией).

Другими словами, дисперсионный анализ «работает» следующим образом. Выдвигается гипотеза о наличии зави- симости между переменными: например, между возрастом и уровнем образования сотрудников некоторой организации. Выделяются группы элементов выборки (сотрудников) с одинаковыми значениями независимой переменной – возрас- та, то есть сотрудников одного возраста (или принадлежащих выделенному возрастному диапазону). Если гипотеза о зави- симости уровня образования от возраста верна, то значения зависимой переменной (уровня образования) внутри каждой такой группы должны различаться не очень сильно (внутри- групповая дисперсия уровня образования должна быть мала). Напротив, значения зависимой переменной для различаю-

щихся по возрасту групп сотрудников должны различаться сильно (межгрупповая дисперсия уровня образования должна быть велика). То есть, переменные зависимы, если отношение межгрупповой дисперсии к внутригрупповой велико. Если же

гипотеза о наличии зависимости между переменными не верна, то это отношение должно быть мало.

Регрессионный анализ. Если корреляционный и диспер- сионный анализ дают ответ на вопрос, существует ли взаимо- связь между переменными, то регрессионный анализ предна- значен для того, чтобы найти «явный вид» функциональной зависимости между переменными. Для этого предполагается, что зависимая переменная (иногда называемая откликом) определяется известной функцией (иногда говорят – моде- лью), зависящей от зависимой переменной или переменных (иногда называемых факторами) и некоторого параметра. Требуется найти такие значения этого параметра, чтобы по-