Статистическая психология. Методы математической статистики в психологии

Слово «статистика» часто ассоциируется со словом «математика», и это пугает студентов, связывающих это понятие со сложными формулами, требующими высокого уровня абстрагирования.

Однако, как говорит Мак-Коннелл, статистика - это прежде всего способ мышления, и для ее применения нужно лишь иметь немного здравого смысла и знать основы математики. В нашей повседневной жизни мы, сами о том не догадываясь, постоянно занимаемся статистикой. Хотим ли мы спланировать бюджет, рассчитать потребление бензина автомашиной, оценить усилия, которые потребуются для усвоения какого-то курса, с учетом полученных до сих пор отметок, предусмотреть вероятность хорошей и плохой погоды по метеорологической сводке или вообще оценить, как повлияет то или иное событие на наше личное или совместное будущее, — нам постоянно приходится отбирать, классифицировать и упорядочивать информацию, связывать ее с другими данными так, чтобы можно было сделать выводы, позволяющие принять верное решение.

Все эти виды деятельности мало отличаются от тех операций, которые лежат в основе научного исследования и состоят в синтезе данных, полученных на различных группах объектов в том или ином эксперименте, в их сравнении с целью выяснить черты различия между ними, в их сопоставлении с целью выявить показатели, изменяющиеся в одном направлении, и, наконец, в предсказании определенных фактов на основании тех выводов, к которым приводят полученные результаты. Именно в этом заключается цель статистики в науках вообще, особенно в гуманитарных. В последних нет ничего абсолютно достоверного, и без статистики выводы в большинстве случаев были бы чисто интуитивными и не могли бы составлять солидную основу для интерпретации данных, полученных в других исследованиях.

Для того чтобы оценить огромные преимущества, которые может дать статистика, мы попробуем проследить за ходом расшифровки и обработки данных, полученных в эксперименте. Тем самым, исходя из конкретных результатов и тех вопросов, которые они ставят перед исследователем, мы сможем разобраться в различных методиках и несложных способах их применения. Однако, перед тем как приступить к этой работе, нам будет полезно рассмотреть в самых общих чертах три главных раздела статистики.

1. Описательная статистика , как следует из названия, позволяет описывать, подытоживать и воспроизводить в виде таблиц или графиков

данные того или иного распределения , вычислять среднее для данного распределения и его размах и дисперсию .

2. Задача индуктивной статистики - проверка того, можно ли распространить результаты, полученные на данной выборке , на всю популяцию , из которой взята эта выборка. Иными словами, правила этого раздела статистики позволяют выяснить, до какой степени можно путем индукции обобщить на большее число объектов ту или иную закономерность, обнаруженную при изучении их ограниченной группы в ходе какого-либо наблюдения или эксперимента. Таким образом, при помощи индуктивной статистики делают какие-то выводы и обобщения, исходя из данных, полученных при изучении выборки.

3. Наконец, измерение корреляции позволяет узнать, насколько связаны между собой две переменные, с тем чтобы можно было предсказывать возможные значения одной из них, если мы знаем другую.

Существуют две разновидности статистических методов или тестов, позволяющих делать обобщение или вычислять степень корреляции. Первая разновидность - это наиболее широко применяемые параметрические методы , в которых используются такие параметры, как среднее значение или дисперсия данных. Вторая разновидность - это непараметрические методы , оказывающие неоценимую услугу в том случае, когда исследователь имеет дело с очень малыми выборками или с качественными данными; эти методы очень просты с точки зрения как расчетов, так и применения. Когда мы познакомимся с различными способами описания данных и перейдем к их статистическому анализу, мы рассмотрим обе эти разновидности.

Как уже говорилось, для того чтобы попытаться разобраться в этих различных областях статистики, мы попробуем ответить на те вопросы, которые возникают в связи с результатами того или иного исследования. В качестве примера мы возьмем один эксперимент, а именно - изучение влияния потребления марихуаны на глазодвигательную координацию и на время реакции. Методика, используемая в этом гипотетическом эксперименте, а также результаты, которые мы могли бы в нем получить, представлены ниже.

При желании вы можете заменить какие-то конкретные детали этого эксперимента на другие - например, потребление марихуаны на потребление алкоголя или лишение сна, - или, что еще лучше, подставить вместо этих гипотетических данных те, которые вы действительно получили в вашем собственном исследовании. В любом случае вам придется принять «правила нашей игры» и выполнять те расчеты, которые здесь от вас потребуются; только при этом условии до вас «дойдет» существо предмета, если это уже не случилось с вами раньше.

Важное примечание. В разделах, посвященных описательной и индуктивной статистике, мы будем рассматривать только те данные эксперимента, которые имеют отношение к зависимой переменной «поражаемые мишени». Что касается такого показателя, как время реакции, то мы обратимся к нему только в разделе о вычислении корреляции. Однако само собой разумеется, что уже с самого начала значения этого показателя надо обрабатывать так же, как и переменную «поражаемые мишени». Мы предоставляем читателю заняться этим самостоятельно с помощью карандаша и бумаги.

Некоторые основные понятия. Популяция и выборка

Одна из задач статистики состоит в том, чтобы анализировать данные, полученные на части популяции, с целью сделать выводы относительно популяции в целом.

Популяция в статистике не обязательно означает какую-либо группу людей или естественное сообщество; этот термин относится ко всем существам или предметам, образующим общую изучаемую совокупность, будь то атомы или студенты, посещающие то или иное кафе.

Выборка - этонебольшое количество элементов, отобранных с помощью научных методов так, чтобы она была репрезентативной, т.е. отражала популяцию в целом.

(В отечественной литературе более распространены термины соответственно «генеральная совокупность» и «выборочная совокупность». - Прим. перев. )

Данные и их разновидности

Данные в статистике - это основные элементы, подлежащие анализу. Данными могут быть какие-то количественные результаты, свойства, присущие определенным членам популяции, место в той или иной последовательности - в общем любая информация, которая может быть классифицирована или разбита на категории с целью обработки.

Не следует смешивать «данные» с теми «значениями», которые эти данные могут принимать. Для того чтобы всегда различать их, Шатийон (Chatillon, 1977) рекомендует запомнить следующую фразу: «Данные часто принимают одни и те же значения» (так, если мы возьмем, например, шесть данных - 8, 13, 10, 8, 10 и 5, то они принимают лишь четыре разных значения - 5, 8, 10 и 13).

Построение распределения - это разделение первичных данных, полученных на выборке, на классы или категории с целью получить обобщенную упорядоченную картину, позволяющую их анализировать.

Существуют три типа данных:

1. Количественные данные , получаемые при измерениях (например, данные о весе, размерах, температуре, времени, результатах тестирования и т. п.). Их можно распределить по шкале с равными интервалами.

2. Порядковые данные , соответствующие местам этих элементов в последовательности, полученной при их расположении в возрастающем порядке (1-й, ..., 7-й, ..., 100-й, ...; А, Б, В. ...).

3. Качественные данные , представляющие собой какие-то свойства элементов выборки или популяции. Их нельзя измерить, и единственной их количественной оценкой служит частота встречаемости (число лиц с голубыми или с зелеными глазами, курильщиков и не курильщиков, утомленных и отдохнувших, сильных и слабых и т.п.).

Из всех этих типов данных только количественные данные можно анализировать с помощью методов, в основе которых лежат параметры (такие, например, как средняя арифметическая). Но даже к количественным данным такие методы можно применить лишь в том случае, если число этих данных достаточно, чтобы проявилось нормальное распределение. Итак, для использования параметрических методов в принципе необходимы три условия: данные должны быть количественными, их число должно быть достаточным, а их распределение - нормальным. Во всех остальных случаях всегда рекомендуется использовать непараметрические методы.

Многомерные статистические методы среди множества возможных вероятностно-статистических моделей позволяют обоснованно выбрать ту, которая наилучшим образом соответствует исходным статистическим данным, характеризующим реальное поведение исследуемой совокупности объектов, оценить надежность и точность выводов, сделанных на основании ограниченного статистического материала. В пособии рассмотрены следующие методы многомерного статистического анализа: регрессионный анализ, факторный анализ, дискриминантный анализ. Излагается структура пакета прикладных программ «Statistica», а также реализация в данном пакете изложенных методов многомерного статистического анализа.

Год выпуска : 2007
Автор : Буреева Н.Н.
Жанр : Учебное пособие
Издательство : Нижний Новгород

Метки ,

В учебном пособии рассматриваются возможности использования пакета прикладных программ (ППП) STATISTICA для реализации статистических методов анализа эмпирических распределений и проведения выборочного статистического наблюдения в объеме, достаточном для решения широкого круга практических задач. Рекомендуется студентам факультета экономики и менеджмента дневного и вечернего отделений, изучающих дисциплину «Статистика». Пособие может быть использовано студентами — дипломниками, аспирантами, научными и практическими работниками, столкнувшимися с необходимостью использования статистических методов обработки исходных данных. Пособие содержит сведения по ППП STATISTICA, не публиковавшиеся на русском языке.

Год выпуска : 2009
Автор : Куприенко Н.В., Пономарева О.А., Тихонов Д.В.
Жанр : Пособие
Издательство : СПб.: Изд-во Политехн. ун-та

Метки ,

Книга является первым шагом к знакомству с программой STATISTICA для статистического анализа данных в среде Windows STATISTICA (фирма-производитель StatSoft Inc, USA) занимает устойчиво лидирующее положение среди программ статистической обработки данных, имеет более 250 тысяч зарегистрированных пользователей в мире.

На простых, доступных каждому примерах (описательная статистика, регрессия, дискриминантный анализ и др.), взятых из различных сфер жизни, показаны возможности системы по обработке данных. В приложении даны краткие материалы по панели инструментов, языку STATISTICA BASIC и др. Книга адресована самому широкому кругу читателей, работающих на персональных компьютерах, и доступна школьникам старших классов.

Метки ,

Фирменное руководство к программе STATISTICA 6. Очень большое и подробное. Полезно как справочник. Можно использовать как учебник. При серьезной работе с программой STATISTICA руководство нужно иметь.
Том I: Основные соглашения и статистики I
Том II: Графика
Том III: Статистики II
Подробности в файле с оглавлением.

Метки ,

Руководство содержит полное описание системы STATISTICA®.
Руководство состоит из пяти томов:
Том I: СОГЛАШЕНИЯ И СТАТИСТИКИ I
Том II: ГРАФИКА
Том III: СТАТИСТИКИ II
Том IV: ПРОМЫШЛЕННЫЕ СТАТИСТИКИ
Том V: ЯЗЫКИ: BASIC и SCL
В раздаче представлены три первых тома.

Метки ,

Изложены нейросетевые методы анализа данных, основанные на использовании пакета Statistica Neural Networks (фирма производитель StatSoft), полностью адаптированного для русского пользователя. Даны основы теории нейронных сетей; большое внимание уделено решению практических задач, всесторонне рассмотрена методология и технология проведения исследований с помощью пакета Statistica Neural Networks — мощного инструмента анализа и прогнозирования данных, имеющего широкие применения в бизнесе, промышленности, управлении, финансах. Книга содержит множество примеров анализа данных, практические рекомендации по проведению анализа, прогнозирования, классификации, распознавания образов, управления производственными процессами с помощью нейронных сетей.

Для широкого круга читателей, занимающихся исследованиями в банковской сфере, промышленности, экономике, бизнесе, геологоразведке, управлении, транспорте и других областях.

Метки ,

Книга посвящена теории и практике изучения основ математической статистики и педагогическим проблемам, возникающим в процессе обучения. Обещан опыт применения информационных технологий в изучении данной дисциплины.

Издание может быть полезно студентам, аспирантам и преподавателям медицинских колледжей и вузов.

Метки ,

В книге освещены наиболее важные элементы теории вероятностей, основные понятия математической статистики, некоторые разделы планирования экспериментов и прикладного статистического анализа в среде шестой версии программы Statistica. Большое количество примеров способствует более эффективному восприятию материала, развитию и приобретению навыков работы с ППП Statistica.
Издание обладает практической значимостью, поскольку необходимо для поддержки учебного процесса и научно-исследовательских работ в вузе на уровне, соответствующем современным информационным технологиям, обеспечивает более полное и эффективное усвоение студентами знаний в области прикладного статистического анализа данных, что способствует повышению качества образовательного процесса в высшей школе.

Адресуется студентам, аспирантам, научным работникам, преподавателям медицинских вузов, биологических факультетов. Будет полезна и интересна представителям других естественнонаучных и технических специальностей.

Метки ,

В данном учебном пособии описана русская версия программы STATISTICA.

Помимо общих принципов работы в системе и оценивания статистических характеристик показателей в пособии подробно рассмотрены этапы проведения корреляционного, регрессионного и дисперсионного анализов, многомерных классификаций. Описание сопровождается пошаговыми инструкциями и наглядными примерами, что делает изложенный материал доступным и для недостаточно подготовленных пользователей.

Учебное пособие предназначено для студентов, аспирантов и научных работников, интересующихся, статистическими компьютерными исследованиями.

Метки ,

Содержит описание практических методов и приемов прогнозирования в системе STATISTICA в среде Windows и изложение теоретических основ, дополненное разнообразными практическими примерами. Во втором издании (1-е изд. — 1999 г.) существенно переработана часть 1. Заново созданы и описаны все диалоговые окна, которые относятся к прогнозированию в современной версии STATISTICA 6.0, показана автоматизация решений с помощью языка STATISTICA Visual Basic. В части 2 изложены основы статистической теории прогнозирования.

Для студентов, аналитиков, маркетологов, экономистов, актуариев, финансистов, научных работников, использующих методы прогнозирования в повседневной деятельности.

Метки ,

Книга является учебно-методическим пособием по теории вероятностей, статистическим методам и исследованию операций. Приведены необходимые теоретические сведения и подробно рассматривается решение задач прикладной статистики с использованием пакета Statistica. Излагаются основы симплекс-метода и рассматривается решение задач исследования операций средствами пакета Excel. Приводятся варианты заданий и методические разработки по основным разделам статистики и исследования операций.

Книга адресуется всем, кому необходимо применять статистические методы в своей деятельности, преподавателям и студентам, изучающим статистику и методы исследования операций.

Математические методы в психологии используются для обработки данных исследований и установления закономерностей между изучаемыми явлениями. Даже простейшее исследование не обходится без математической обработки данных.

Обработка данных может осуществляться вручную, а может - с применением специального программного обеспечения. Итоговый результат может выглядеть как таблица; методы в психологии позволяют и графически отображать полученные данные. Для разных (количественных, качественных и порядковых) применяются разные инструменты оценки.

Математические методы в психологии включают в себя как позволяющие установить числовые зависимости, так и методы статистической обработки. Остановимся подробнее на наиболее распространенных из них.

Для того чтобы измерить данные, прежде всего, необходимо определиться со шкалой измерений. И здесь используются такие математические методы в психологии, как регистрация и шкалирование , заключающиеся в выражении исследуемых явлений в числовых показателях. Выделяют несколько типов шкал. Однако для математической обработки пригодны лишь некоторые из них. Это, главным образом, количественная шкала, которая позволяет измерять степень выраженности конкретных свойств у исследуемых объектов и в числовом отношении выражать разницу между ними. Простейший пример - измерение коэффициента интеллекта. Количественная шкала позволяет проводить операцию ранжирования данных (см. далее). При ранжировании данные из количественной шкалы переводятся в номинальную (например, низкое, среднее или высокое значение показателя), при этом обратный переход уже невозможен.

Ранжирование - это распределение данных в порядке убывания (возрастания) признака, который оценивается. При этом используется количественная шкала. Каждому значению присваивается определенный ранг (показателю с минимальным значением - ранг 1, следующему значению - ранг 2, и так далее), после чего становится возможным перевод значений из количественной шкалы в номинальную. Например, измеряемый показатель - уровень тревожности. Было протестировано 100 человек, полученные результаты проранжированы, и исследователь видит, сколько человек имеют низкий (высокий или средний) показатель. Однако такой способ представления данных влечет за собой частичную утрату информации по каждому респонденту.

Корреляционный анализ - это установление взаимосвязи между явлениями. При этом измеряется, как изменится одного показателя при изменении показателя, во взаимосвязи с которым он находится. Корреляция рассматривается в двух аспектах: по силе и по направлению. Она может быть положительной (при возрастании одного показателя возрастает и второй) и отрицательной (при возрастании первого второй показатель убывает: например, чем выше уровень тревожности у индивида, тем меньше вероятность, что он займет лидирующее положение в группе). Зависимость может быть линейной, или, что бывает чаще, выражаться кривой. Связи, которые помогают установить могут быть неочевидны на первый взгляд, если применяются иные методы математической обработки в психологии. В этом его главное достоинство. К недостаткам можно отнести большую трудоемкость в связи с необходимостью использования немалого числа формул и тщательных вычислений.

Факторный анализ - это еще один который позволяет прогнозировать вероятное влияние различных факторов на исследуемый процесс. При этом все факторы воздействия изначально принимаются как имеющие равное значение, а степень их влияния вычисляется математически. Такой анализ позволяет установить общую причину изменчивости нескольких явлений сразу.

Для отображения полученных данных могут применяться методы табулирования (создания таблиц) и графического построения (диаграммы и графики, которые не только дают наглядное представление о полученных результатах, но и позволяют прогнозировать ход процесса).

Главным условиями, при которых вышеперечисленные математические методы в психологии обеспечивают достоверность исследования, являются наличие достаточной выборки, точность измерений и правильность производимых вычислений.

Статистика в психологии (statistics in psychology)

Первое применение С. в психологии часто связывают с именем сэра Фрэнсиса Гальтона. В психологии под «статистикой» понимается применение количественных мер и методов для описания и анализа результатов психол. исслед. Психологии как науке С. необходима. Регистрация, описание и анализ количественных данных позволяют проводить обоснованные сравнения, опирающиеся на объективные критерии. Применяемая в психологии С. обычно состоит из двух разделов: описательной (дескриптивной) статистики и теории статистического вывода.

Описательная статистика.

Описательная С. включает в себя методы орг-ции, суммирования и описания данных. Дескриптивные показатели позволяют быстро и эффективно представлять большие совокупности данных. К наиболее часто используемым описательным методам относятся частотные распределения, меры центральной тенденции и меры относительного положения. Регрессия и корреляции применяются для описания связей между переменными.

Частотнее распределение показывает, сколько раз каждый качественный или количественный показатель (либо интервал таких показателей) встречается в массиве данных. Кроме того, нередко приводятся относительные частоты - процент ответов каждого типа. Частотное распределение обеспечивает быстрое проникновение в структуру данных, к-рого было бы трудно достичь, работая непосредственно с первичными данными. Для наглядного представления частотных данных часто используются разнообразные виды графиков.

Меры центральной тенденции - это итоговые С., описывающие то, что яв-ся типичным для распределения. Мода определяется как наиболее часто встречающееся наблюдение (значение, категория и т. д.). Медиана - это значение, к-рое делит распределение пополам, так что одна его половина включает все значения выше медианы, а другая - все значения ниже медианы. Среднее вычисляется как среднее арифметическое всех наблюденных значений. Какая из мер - мода, медиана или среднее - будет лучше всего описывать распределение, зависит от его формы. Если распределение симметричное и унимодальное (имеющее одну моду), среднее медиана и мода будут просто совпадать. На среднее особенно влияют «выбросы», сдвигая его величину в сторону крайних значений распределения, что делает среднее арифметическое наименее полезной мерой сильно скошенных (асимметричных) распределений.

Др. полезными описательными характеристиками распределений служат меры изменчивости, т. е. того, в какой степени различаются значения переменной в вариационном ряду. Два распределения могут иметь одинаковые средние, медианы и моды, но существенно различаться по степени изменчивости значений. Изменчивость оценивается двумя С.: дисперсией и стандартным отклонением.

Меры относительного положения включают в себя процентили и нормированные оценки, используемые для описания местоположения конкретного значения переменной относительно остальных ее значений, входящих в данное распределение. Велковиц с соавторами определяют процентиль как «число, показывающее процент случаев в определенной референтной группе с равными или меньшими оценками». Т. о., процентиль дает более точную информ., чем просто сообщение о том, что в данном распределении некое значение переменной попадает выше или ниже среднего, медианы или моды.

Нормированные оценки (обычно называемые z-оценками) выражают отклонение от среднего в единицах стандартного отклонения (σ). Нормированные оценки полезны тем, что их можно интерпретировать относительно стандартизованного нормального распределения (z-распределения) - симметричной колоколообразной кривой с известными свойствами: средним, равным 0, и стандартным отклонением, равным 1. Так как z-оценка имеет знак (+ или -), она сразу показывает, лежит ли наблюденное значение переменной выше или ниже среднего (m). А поскольку нормированная оценка выражает значения переменной в единицах стандартного отклонения, она показывает, насколько редким яв-ся каждое значение: примерно 34% всех значений попадает в интервал от т до т + 1σ и 34% - в интервал от т до т - 1σ; по 14% - в интервалы от т + 1σ до т + 2σ и от т - 1σ до т - 2σ; и по 2% - в интервалы от т + 2σ до т + 3σ и от т - 2σ до т - 3σ.

Связи между переменными. Регрессия и корреляция относятся к тем способам, к-рые чаще всего используются для описания связей между переменными. Два разных измерения, полученных по каждому элементу выборки, можно отобразить в виде точек в декартовой системе координат (х, у) - диаграммы рассеяния, являющейся графическим представлением связи между этими измерениями. Часто эти точки образуют почти прямую линию, свидетельствующую о линейной связи между переменными. Для получения линии регрессии - мат. уравнения линии наилучшего соответствия множеству точек диаграммы рассеяния - используются численные методы. После выведения линии регрессии появляется возможность предсказывать значения одной переменной по известным значениям другой и, к тому же, оценивать точность предсказания.

Коэффициент корреляции (r) - это количественный показатель тесноты линейной связи между двумя переменными. Методики вычисления коэффициентов корреляции исключают проблему сравнения разных единиц измерения переменных. Значения r изменяются в пределах от -1 до +1. Знак отражает направление связи. Отрицательная корреляция означает наличие обратной зависимости, когда с увеличением значений одной переменной значения др. переменной уменьшаются. Положительная корреляция свидетельствует о прямой зависимости, когда при увеличении значений одной переменной увеличиваются значения др. переменной. Абсолютная величина r показывает силу (тесноту) связи: r = ±1 означает прямолинейную зависимость, а r = 0 указывает на отсутствие линейной связи. Величина r2 показывает процент дисперсии одной переменной, к-рый можно объяснить вариацией др. переменной. Психологи используют r2, чтобы оценить полезность конкретной меры для предсказания.

Коэффициент корреляции Пирсона (r) предназначен для интервальных данных, полученных в отношении предположительно нормально распределенных переменных. Для обработки др. типов данных имеется целый ряд др. корреляционных мер, напр. точечно-бисериальный коэффициент корреляции, коэффициент j и коэффициент ранговой корреляции (r) Спирмена. Корреляции часто используются в психологии как источник информ. для формулирования гипотез эксперим. исслед. Множественная регрессия, факторный анализ и каноническая корреляция образуют родственную группу более современных методов, ставших доступными практикам благодаря прогрессу в области вычислительной техники. Эти методы позволяют анализировать связи между большим числом переменных.

Теория статистического вывода

Этот раздел С. включает систему методов получения выводов о больших группах (фактически, генеральных совокупностях) на основе наблюдений, проведенных в группах меньшего размера, называемых выборками. В психологии статистический вывод служит двум главным целям: 1) оценить параметры генеральной совокупности по выборочным статистикам; 2) оценить шансы получения определенного паттерна результатов исследования при заданных характеристиках выборочных данных.

Среднее является наиболее часто оцениваемым параметром генеральной совокупности. В силу самого способа вычисления стандартной ошибки, выборки большего объема обычно дают меньшие стандартные ошибки, что делает статистики, вычисленные по большим выборкам, несколько более точными оценками параметров генеральной совокупности. Пользуясь стандартной ошибкой среднего и нормированными (стандартизованными) распределениями вероятностей (такими как t-распределение), можно построить доверительные интервалы - области значений с известными шансами попадания в них истинного генерального среднего.

Оценивание результатов исследования. Теорию статистического вывода можно использовать для оценки вероятности того, что частные выборки принадлежат известной генеральной совокупности. Процесс статистического вывода начинается с формулирования нулевой гипотезы (H0), состоящей в предположении, что выборочные статистики получены из определенной совокупности. Нулевая гипотеза сохраняется или отвергается в зависимости от того, насколько вероятным яв-ся полученный результат. Если наблюдаемые различия велики относительно величины изменчивости выборочных данных, исследователь обычно отвергает нулевую гипотезу и делает вывод о крайне малых шансах того, что наблюдаемые различия обязаны своим происхождением случаю: результат является статистически значимым. Вычисляемые критериальные статистики с известными распределениями вероятностей выражают отношение между наблюдаемыми различиями и изменчивостью (вариабельностью).

Параметрические статистики. Параметрические С. могут использоваться в тех случаях, когда удовлетворяются два требования: 1) в отношении изучаемой переменной известно или, по крайней мере, можно предположить, что она имеет нормальное распределение; 2) данные представляют собой интервальные измерения или измерения отношений.

Если среднее и стандартное отклонение генеральной совокупности известно (хотя бы предположительно), можно определить точное значение вероятности получения наблюдаемого различия между известным генеральным параметром и выборочной статистикой. Нормированное отклонение (z-оценку) можно найти путем сравнения со стандартизованной нормальной кривой (называемой также z-распределением).

Поскольку исследователи часто работают с малыми выборками и поскольку параметры генеральной совокупности редко известны, стандартизованные t-распределения Стьюдента обычно используются чаще нормального распределения. Точная форма t-распределения варьирует в зависимости от объема выборки (точнее, от числа степеней свободы, т. е. числа значений, к-рые можно свободно изменять в данной выборке). Семейство t-распределений можно использовать для проверки нулевой гипотезы, состоящей в том, что две выборки были извлечены из одной и той же совокупности. Такая нулевая гипотеза типична для исследований с двумя группами испытуемых, напр. эксперим. и контрольной.

Когда в исслед. задействовано больше двух групп, можно применить дисперсионный анализ (F-критерий). F - это универсальный критерий, оценивающий различия между всеми возможными парами исследуемых групп одновременно. При этом сравниваются величины дисперсии внутри групп и между группами. Существует множество post hoc методик выявления парного источника значимости F-критерия.

Непараметрические статистики. Когда не удается соблюсти требования адекватного применения параметрических критериев или когда собираемые данные являются порядковыми (ранговыми) или номинальными (категориальными), используют непараметрические методы. Эти методы параллельны параметрическим в том, что касается их применения и назначения. Непараметрические альтернативы t-критерию включают U-критерий Манна-Уитни, критерий Уилкоксона (W) и критерий с2 для номинальных данных. К непараметрическим альтернативам дисперсионного анализа относятся критерии Краскела - Уоллеса, Фридмана и с2. Логика применения каждого непараметрического критерия остается той же самой: соответствующая нулевая гипотеза отвергается в том случае, если расчетное значение критериальной статистики выходит за пределы заданной критической области (т. е. оказывается менее вероятным, чем предполагалось).

Так как все статистические выводы основаны на оценках вероятности, возможны два ошибочных исхода: ошибки I рода, при к-рых отвергается истинная нулевая гипотеза, и ошибки II рода, при к-рых сохраняется ложная нулевая гипотеза. Первые имеют следствием ошибочное подтверждение гипотезы исслед., а последние - неспособность распознать статистически значимый результат.

См. также Дисперсионный анализ, Меры центральной тенденции, Факторный анализ, Измерение, Методы многомерного анализа, Проверка нулевой гипотезы, Вероятность, Статистический вывод

А. Майерс

Смотреть что такое "Статистика в психологии (statistics in psychology)" в других словарях:

Содержание 1 Биомедицина и науки о жизни (Biomedical and Life Sciences) 2 З … Википедия

Эта статья содержит незавершённый перевод с иностранного языка. Вы можете помочь проекту, переведя её до конца. Если вы знаете, на каком языке написан фрагмент, укажите его в этом шаблоне … Википедия