Навігація
Главная
Авторизация/Регистрация
 
Головна arrow Психологія arrow Загальнопсихологічний практикум

КОНТРОЛЬ POST FACTUM

Статистичний контроль на основі методів ковариационного аналізу можна розглядати як особливий різновид загального прийому непрямого контролю. Цей прийом, широко застосовуваний в квзіексперіментальних планах, отримав назву контролю post factum. Суть цього прийому полягає в тому, що отримані в експерименті результати групуються по різних підставах крім підстави, передбачуваного експериментальної гіпотезою, яка задає основну, базову змінну. Загальна схема такого контролю представлена на рис. 14.1.

Схема контролю post factum

Мал. 14.1. Схема контролю post factum

Припустимо, у нас є підстави припускати, що успішність встановлення вихователькою дитячого садка емоційного контакту з дитиною визначається рівнем її емоційного інтелекту. Для доказу цієї гіпотези ми можемо розділити всю потенційну вибірку наших випробовуваних на дві групи - з високим і низьким рівнем емоційного інтелекту. Потім ми можемо оцінити для кожної виховательки ефективність встановлення емоційного контакту

з дитиною і порівняти результати двох груп але цим пунктом класифікації.

Проблема тут, однак, полягає в тому, що при такому поділі ми опиняємося не в змозі зафіксувати інші індивідуальні показники, які також можуть виступати в якості предикторів успішності. До таких показників можна віднести рівень кваліфікації виховательки, стаж її роботи, вік, наявність або відсутність власних дітей і т.д.

Оцінивши відмінності між двома експериментальними групами, ми не зможемо бути до кінця впевненими в тому, що ці відмінності визначаються саме фактором емоційного інтелекту, а не будь-якими іншими факторами, пов'язаними з індивідуальними особливостями наших випробовуваних, їх побутовими або сімейними умовами та умовами праці. Необхідно довести, що інші змінні або зовсім не впливають на досліджувану нами залежну змінну, або їх вплив поступається впливу досліджуваної основний базисної змінної.

Щоб довести це, результати обох експериментальних груп об'єднуються, а потім відбувається розподіл всієї експериментальної вибірки з якої-небудь іншої змінної, яка виступає в якості аналога незалежної змінної - скажімо, за наявністю або відсутністю своїх дітей. Знову отримані групи порівнюються між собою. Потім ті ж дії здійснюють з іншого побічної змінної, і так до тих пір, поки список потенційних загроз внутрішньої валідності не буде вичерпаний. Якщо в ході такої процедури не буде виявлено суттєвих статистичних розбіжностей між групами або такі відмінності виявляться менш вираженими, ніж відмінності між групами, виділеними на основі експериментальної гіпотези, то досліджувана експериментальна гіпотеза може бути прийнята.

Зауважимо, що описаний вид контролю зазвичай застосовується, коли побічні змінні, що представляють загрозу внутрішньої валідності, виявляються заданими в шкалі найменувань. В іншому випадку переважними будуть виглядати процедури ковариационного або кореляційного / регресійного аналізу.

ОСОБЛИВОСТІ КАУЗАЛЬНОГО АНАЛІЗУ В КОРЕЛЯЦІЙНИХ ПЛАНАХ

У кореляційному дослідженні так само, як і справжній експериментальному дослідженні, буває важливо простежити не тільки зв'язок двох змінних один з одним, але також і те, яким чином одна з змінних може впливати па іншу. Метод, який дозволяє передбачити значення однієї змінної на основі оцінки значень іншої змінної за умови лінійності зв'язку між ними, називають лінійної регресією. Він передбачає дослідження попарних кореляцій між групою змінних, одна з яких розглядається в якості залежної змінної. Її називають критерієм. Всі інші змінні розглядаються в якості незалежних змінних. Їх називають предикторами.

Даний метод, по суті, вирішує на основі різних прийомів статистичного аналізу даних проблему третьої змінної. Вона полягає в тому, що, можливо, причиною змін двох корелюють змінних є третя змінна, також корелює з однією або обома досліджуваними змінними. Наприклад, кореляція між кількістю аварій на дорогах і рівнем води в природних водоймах може пояснюватися кількістю опадів. Тоді можна припускати, що опади призводять і до підвищення рівня води в водоймах, і до ускладнення дорожньої ситуації, яка, в свою чергу, веде до збільшення кількості аварій. Пояснення такого роду позначають як каузальні моделі.

Каузальні моделі реалізуються на практиці за допомогою методів структурного моделювання. Одним з таких методів є регресійний аналіз. Оскільки регресійний аналіз є похідним від кореляційного аналізу, який передбачає лінійність зв'язку між досліджуваними змінними, даний метод відносять до лінійного структурному моделюванню.

З іншого боку, регресійний аналіз являє собою одну з різновидів методу загальних лінійних моделей - GLM. Іншими варіантами цього методу є вже відомі нам методи факторного і дисперсійного аналізу. Суть методу полягає в тому, щоб представити залежну змінну (критерій) як лінійну комбінацію незалежних змінних (предикторів).

Формально для k незалежних змінних це можна виразити таким структурним рівнянням:

де В являють собою коефіцієнти лінійної регресії. Вони відображають вплив кожної з розглянутих незалежних змінних на залежну. Оскільки величина цих коефіцієнтів знаходиться в тісній залежності від масштабу шкал, в яких представлені предиктори, часто замість цих коефіцієнтів використовують їх стандартизовані варіанти. У цьому випадку рівняння лінійної регресії приймає наступний вигляд:

Мультивариативном регресійний аналіз дозволяє оцінити внесок дисперсії всіх незалежних змінних в загальну дисперсію залежною змінною, так само як і відокремити ефект кожної змінної. В цілому, він покликаний дати відповідь на наступні три питання.

1. Якою мірою всі незалежні змінні ( предиктори) пов'язані з досліджуваної нами залежною змінною Y?

Для відповіді на це питання обчислюють коефіцієнт детермінації R 2 . Він показує відсоток дисперсії критерію, спільної з дисперсією всіх незалежних змінних. Квадратний корінь від цієї величини називається множинним коефіцієнтом кореляції. Звернемо увагу, що ці коефіцієнти, на відміну від бі варіативного коефіцієнта кореляції, завжди виявляються позитивними, тобто змінюються в діапазоні від 0 до 1.

2. Яка частина дисперсії залежної змінної Y адитивно визначається кожної з досліджуваних нами залежних змінних?

Відповідь на це питання передбачає обчислення особливого виду кореляцій, що отримав назву кореляції частини, або часткової кореляції. Зводячи кожну кореляцію частини в квадрат, ми отримуємо відсоток загальної дисперсії критерію, яка визначена дисперсією даної незалежної змінної.

3. Якими виявляться коефіцієнти кореляції між залежною змінною і кожної з незалежних змінних в ситуації , коли всі інші змінні стають константами?

Для відповіді на це питання обчислюють ще один вид коефіцієнта кореляції - приватну кореляцію.

З приводу кожної з позначених статистик можна висунути конкретні статистичні гіпотези. Найчастіше висувають гіпотези про рівність цих параметрів у генеральній сукупності нулю. Таким чином, можна оцінити, якою мірою змінна, яку дослідник розглядає як аналог залежною змінною, дійсно визначається тією чи іншою незалежною змінною.

 
< Попередня   ЗМІСТ
 
Дисципліни
Агропромисловість
Аудит та Бухоблік
Банківська справа
БЖД
Географія
Документознавство
Екологія
Економіка
Етика та Естетика
Журналістика
Інвестування
Інформатика
Історія
Культурологія
Література
Логіка
Логістика
Маркетинг
Медицина
Нерухомість
Менеджмент
Педагогіка
Політологія
Політекономія
Право
Природознавство
Психологія
Релігієзнавство
Риторика
Соціологія
Статистика
Техніка
Страхова справа
Товарознавство
Туризм
Філософія
Фінанси
Пошук