Планирования исследования

-σ до +σ = 68.26%; -2σ до + 2σ = 95.46%; -Зσ до + Зσ = 99.74%.

7. Для неединичных  нормальных кривых (М ≠ 0, σ ≠ 1) закономерность по площадям сохраняется. Разница – в сотых долях.

Вариации  нормального распределения

  Представленные  ниже вариации относятся не только к нормальному распределению, но к любому. Однако для наглядности  мы их приводим здесь.

1. Асимметрия –  неодинаковость распределения относительно  центрального значения.

Рис. 6. Графики асимметричного распределения

Асимметрия –  третий показатель, описывающий распределение  наряду с мерами центральной тенденции  и изменчивостью. Эксцесс – показатель, характеризующий скорость нарастания концентрации данных к центральному значению. На графиках это выражается «островершинностью» или «плосковершинностью».

Эксцесс – четвертый  основной показатель распределения. 3. Бимодальность – распределение с двумя классами данных в выборке. Об этом эффекте уже говорилось при рассмотрении моды (Мо). На графике это выражается «двувершинностью».

4.6.3.6. Некоторые методы  статистического  анализа данных при вторичной обработке

  Внедрение в  научные исследования вычислительной техники позволяет быстро и точно  определять любые количественные характеристики любых массивов данных. Разработаны  различные программы для ЭВМ, по которым можно проводить соответствующий  статистический анализ практически  любых выборок. Из массы статистических приемов в психологии наибольшее распространение получили следующие.

Комплексное вычисление статистик

По стандартным  программам производится вычисление различных  совокупностей статистик. Как основных, представленных нами выше, так и  дополнительных, не включенных в наш  обзор. Иногда получением этих характеристик исследователь и ограничивается. Чаще же совокупность этих статистик представляет собой лишь блок, входящий в более широкое множество показателей изучаемой выборки, получаемое по более сложным программам. В том числе по программам, реализующим приводимые ниже методы статистического анализа.

Корреляционный анализ

Сводится к вычислению коэффициентов корреляции в самых  разнообразных соотношениях между  переменными. Соотношения задаются исследователем, а переменные равнозначны, т. е. что являются причиной, а что  следствием, установить через корреляцию невозможно. Кроме тесноты и направленности связей' метод позволяет установить форму связи (линейность, нелинейность) [27, 124]. Надо заметить, что нелинейные связи не поддаются анализу общепринятыми  в психологии математическими и  статистическими методами. Данные, относящиеся к нелинейным зонам (например, в точках разрыва связей, в местах скачкообразных изменений), характеризуют через содержательные описания, воздерживаясь от формально-количественного  их представления; [84, с. 17–23]. Иногда для  описания нелинейных явлений в психологии удается применить непараметрические  математико-статистические методы и  модели. Например, используется математическая теория катастроф [294, с. 523–525].

Дисперсионный анализ

В отличие от корреляционного  анализа этот метод позволяет  выявлять не только взаимосвязь, но и  зависимости между переменными, т. е. влияние различных факторов на исследуемый признак. Это влияние  оценивается через дисперсионные  отношения. Изменение изучаемого признака (вариативность) может быть вызвано  действием отдельных известных  исследователю факторов, их взаимодействием  и воздействиями неизвестных  факторов. Дисперсионный анализ позволяет  обнаружить и оценить вклад каждого  из этих влияний на общую вариативность  исследуемого признака. Метод позволяет  быстро сузить поле влияющих на изучаемое  явление условий, выделив наиболее существенные из них. Таким образом, дисперсионный анализ – это «исследование влияния переменных факторов на изучаемую переменную по дисперсиям» [364, с. 340]. В зависимости от числа влияющих переменных различают одно-, двух-, многофакторный анализ, а в зависимости от характера этих переменных – анализ с постоянными, случайными или смешанными эффектами [87, 364, 407]. Дисперсионный анализ широко применяется при планировании эксперимента.

Факторный анализ

Метод позволяет  снизить размерность пространства данных, т. е. обоснованно уменьшить  количество измеряемых признаков (переменных) за счет их объединения в некоторые  совокупности, выступающие как целостные  единицы, характеризующие изучаемый  объект. Эти составные единицы  и называют в данном случае факторами, от которых надо отличать факторы  дисперсионного анализа, представляющие собой отдельные признаки (переменные). Считается, что именно совокупность признаков в определенных комбинациях  может характеризовать психическое  явление или закономерность его  развития, тогда как по отдельности  или в других комбинациях эти  признаки не дают информации. Как правило, факторы не видны на глаз, скрыты от непосредственного наблюдения. Особенно продуктивен факторный анализ в  предварительных исследованиях, когда  необходимо выделить в первом приближении  скрытые закономерности в исследуемой  области. Основой анализа является матрица корреляций, т. е. таблицы  коэффициентов корреляции каждого  признака со всеми остальными (принцип  «все со всеми»). В зависимости от числа факторов в корреляционной матрице различают однофакторный (по Спирмену), бифакторный (по Холзингеру) и многофакторный (по Тёрстону) анализы. По характеру .связи между факторами метод делится на анализ с ортогональными (независимыми) и с облическими (зависимыми) факторами. Существуют и иные разновидности метода [35, 134, 199, 269, 394]. Весьма сложный математический и логический аппараты факторного анализа часто затрудняют выбор адекватного задачам исследования варианта метода. Тем не менее популярность его в научном мире растет с каждым годом.

Регрессионный анализ

Метод позволяет  изучать зависимость среднего значения одной величины от вариаций другой (других) величины. Специфика метода заключается в том, что рассматриваемые  величины (или хотя бы одна из них) носят  случайный характер. Тогда описание зависимости распадается на две задачи: 1) выявление общего вида зависимости и 2) уточнение этого вида путем вычисления оценок параметров зависимости. Для решения первой задачи стандартных методов не существует и здесь производится визуальный анализ корреляционной матрицы в сочетании с качественным анализом природы исследуемых величин (переменных). Это требует от исследователя высокой квалификации и эрудиции. Вторая задача, по сути, есть нахождение аппроксимирующей кривой. Чаще всего эта аппроксимация осуществляется с помощью математического метода наименьших квадратов [45, 116, 124]. Идея метода принадлежит Ф. Гальтону, заметившему, что у очень высоких родителей дети были несколько меньше ростом, а у очень маленьких родителей – дети более рослые. Эту закономерность он и назвал регрессией.

4.7. Интерпретация результатов

4.7.1. Интерпретация как  теоретическая обработка  эмпирической информации

За количественной и качественной обработкой данных следует  решающая фаза научного исследования – интерпретация результатов. Часто  эту фазу называют теоретической  обработкой, подчеркивая ее отличие  от эмпирической статистической обработки. Эта фаза – наиболее захватывающий  этап исследования, на котором особенно ярко проявляется творческий характер научного процесса.

Теоретическая обработка  выполняет две главные функции: 1) преобразование статистически подготовленных данных («вторичных данных», результатов) в эмпирические знания и 2) получение на их базе теоретических знаний. Таким образом, на этом этапе особенно рельефно проявляется единство и взаимосвязь эмпирических и теоретических знаний.

На стадии выдвижения гипотез научная мысль направлена от теории к объекту исследования, на стадии интерпретации – от объекта (фактов) к теории. Эмпирические данные делают возможными вначале только высказывания о существовании или отсутствии признака (факта), о степени его  выраженности, частоте появления  и т. п. Цель дальнейшего теоретического проникновения в информационный материал состоит в том, чтобы, исходя из выдвинутых гипотез, научно обработать отдельные данные или их совокупность так, чтобы можно было: 1) определить отношения между данными и  гипотезами; 2) произвести проверку исходных гипотез; 3) уточнить, расширить, модифицировать и т. д. имеющиеся гипотезы и развить  их до уровня теоретических высказываний; 4) гипотетическое объяснение проблемы довести до уровня решения этой проблемы.

Если статистическая обработка охватывает количественный аспект психологических явлений, то интерпретация делает видимым и  их качественный аспект.

Чаще всего под  интерпретацией понимают две процедуры: объяснение и обобщение. Так, В. Феттер пишет: «Содержание и цель процесса теоретической обработки эмпирических данных заключается в том, чтобы объяснить значение отдельных результатов, объединить их в обобщающие высказывания, свести в одну систему» [376, с. 501]. И с этим нельзя не согласиться. Однако представляется, что пределы теоретической обработки и соответственно интерпретационного этапа исследования следует несколько расширить.

Объяснить и обобщить что-либо невозможно, не имея полноценного описания этого самого чего-либо. На этапе обработки данных производится лишь самое предварительное описание. Количественная обработка дает описание не столько самого объекта (или предмета) изучения, сколько описание совокупности данных о нем на специфическом  языке количественных параметров. Качественная обработка дает предварительное  схематическое описание объекта  как совокупности его свойств  или как представителя той  или иной группы сходных объектов. Далее требуется дать предельно  полное описание изучаемого явления  на естественном языке с использованием при необходимости специальной  терминологии и специфической символики (математической, логической, графической  и т. п.). В принципе подобное описание может быть самостоятельной целью  исследования (об этом уже говорилось), и тогда на нем может завершиться  исследовательский цикл. Особенно весомы системные описания, которые уже сами по себе могут выполнять объяснительную и предсказательную функции [80]. Но чаще все-таки описание является лишь предтечей последующих теоретических действий. Важность описания в полном цикле научного исследования подчеркивается тем, что некоторые ученые выделяют его как самостоятельный отдельный этап наряду с этапами эксперимента, обработки данных, объяснения и др. [255]. Но вместе с тем без элементарных описаний (пусть даже чисто номинативного характера) не обходится практически ни один этап исследовательского процесса от постановки проблемы до выводов.

В связи с такой  двойственностью положения этого  компонента научного исследования наиболее логичным будет специальное выделение  фазы полномасштабного завершающего описания, но не на эмпирическом уровне изучения объекта, а на уровне его теоретического осмысления. Тогда наиболее приемлемым решением будет включение фазы описания в интерпретационный этап исследования. Такое решение тем более логично, что в науке устоялось мнение о единстве описания и объяснения действительности. При этом считается, что в философском плане описание дает представление о форме объекта, а объяснение раскрывает его содержание, описание соотносится с философской категорией «явление», а объяснение – с «сущностью» [204, 255].

Раздвинуть границы  интерпретационного этапа необходимо и в другом направлении: в сторону выводов. В состав этапа целесообразно включить процесс экстраполяции состояний, поведения или свойств изучаемого объекта. Если эта экстраполяция направлена в будущее, то речь идет о прогнозе и предсказании, основанных на причинных связях и объяснениях. Если же экстраполяция направлена в прошлое, – это ретрогноз, ретросказание, основанное на следственных связях и объяснениях.

Дополнив таким  образом стадию интерпретации, мы не упустим основных элементов теоретической  обработки эмпирического материала, обеспечивающих выполнение важнейших функций науки: описательной, объяснительной и прогнозирующей. Не умаляя роли ни одного из этих элементов, объяснение и обобщение все же следует признать ключевыми звеньями в общей цепи теоретических познавательных действий.

4.7.2. Объяснение результатов

4.7.2.1. Общее представление  об объяснении

Итак, обработка данных приводит лишь к констатации некоторых фактов, касающихся изучаемого объекта. Описание дает констатирующее представление об объекте в целом. Далее следует найти объяснение обнаруженным фактам и раскрыть сущность объекта. Именно в выяснении сущности объекта заключается смысл объяснения [121, 204, 255, 270], хотя немалое число ученых (особенно позитивистского направления) считают, что объяснение – это сведение непривычного к привычному, незнакомого к знакомому. Близко к такому видению объяснения и определение, данное одним из авторитетов психологической науки П. Фрессом: «Дать объяснение – это значит в каждом конкретном случае определить, не является ли установленный тип отношений частным случаем известного и уже более или менее проверенного более общего закона» [388, с. 151].

Объяснения психологическим  явлениям могут быть разные, но при этом важно не впасть в часто встречающуюся ошибку – принять какую-нибудь частную причину за главную. Вариантом такого заблуждения является единственное объяснение, если возможны и другие. А в психологии такие возможности – скорее правило, нежели исключение. Например, объяснить механизм памяти нельзя только через биохимические теории (на уровне нервной клетки), только через нейрофизиологические (на уровне нейронных групп) или только через психологические (на уровне ассоциативных связей между образами и понятиями). Все три системы объяснения являются адекватными, но ни одна из них не является достаточной. Памятуя о принципах дополнительности и соответствия, принять следует все три объяснения в комплексе.