Анализ данных в психологическом исследовании
Анализ данных в психологическом исследовании с применением компьютера включает выполнение ряда необходимых шагов:
Определение структуры данных.
Ввод данных в компьютер в соответствии с их структурой и требованиями программы.
Задание метода данных в соответствии с задачами исследователя.
Получение результата обработки данных.
Интерпретация результата обработки данных.
Шаги 1 и 5 не способна выполнить не одна компьютерная программа – их необходимо делать самому исследователю. Помощь компьютера (шаги 2 – 4) заключается в переходе от длинной последовательности расчетов к более компактной их последовательности. Исследователь вводит массив данных, который не недоступен осмыслению, но пригоден для компьютерной обработки (шаг 2). Затем исследователь дает программе команду на обработку данных в соответствии с задачей исследования и структурой данных (шаг 3). В итоге исследователь получает результат обработки (шаг 4) – тоже массив данных, но меньший, доступный осмыслению и содержательной интерпретации [4].
Основные виды статистического анализа, компьютерной обработки данных
· Частотный анализ. Любое научное психологическое исследование начинается с частотного анализа. Частотный анализ является самым примитивным видом статистической обработки данных. Данный вид анализа можно производить вручную, но это займет на порядок больше времени и сил, чем подсчет частот при помощи компьютера.
Частота – это количество объектов в выборке, имеющих данное значение признака. Так, например, в приложении 1 представлен пример частотного анализа по шкалам «пол», «возраст» и «семейное положение». Как видно из таблицы (столбец Frequency), выборку составило 6 респондентов женского пола и 3 респондента мужского пола. Из них 2 респондентам 29 лет, 3-м 30 лет, 2-м 34 года, 35 лет одному респонденту и 36 лет также одному респонденту. 5 из опрошенных человек состоят в браке, 4 человека разведены.
Также частотный анализ позволяет увидеть процентное соотношение данных групп респондентов (столбик Percent).
· Статистические критерии.
Множество задач психологического исследования предполагает те или иные сопоставления. Мы сопоставляем группы испытуемых по какому-либо признаку, чтобы выявить различия между ними по этому признаку. Мы сопоставляем то, что было «до» с тем, что стало «после» наших экспериментальных или любых иных воздействий, чтобы определить эффективность этих воздействий. Мы сопоставляем эмпирическое распределение значений признака с каким-либо теоретическим законом распределения или два эмпирических распределения между собой, с тем, чтобы доказать неслучайность выбора альтернатив или различия в форме распределений.
Мы, далее, можем сопоставлять два признака, измеренные на одной и той же выборке испытуемых, для того, чтобы установить степень согласованности их изменений, их сопряженность, корреляцию между ними.
Наконец, мы можем сопоставлять индивидуальные значения, полученные при разных комбинациях каких-либо существенных условий, с тем, чтобы выявить характер взаимодействия этих условий в их влиянии на индивидуальные значения признака.
· Коэффициент корреляции
Корреляция (или коэффициент корреляции – «r») – это статистический показатель вероятностной связи между двумя переменными. Выделяют положительную корреляцию, отсутствие корреляции и отрицательную корреляцию.
Так, положительная корреляция соответствует значениям 0 < r < 1. Положительную корреляцию следует интерпретировать следующим образом: если значения одной переменной возрастают, то значения другой переменной имеют тенденцию к возрастанию. Чем коэффициент корреляции ближе к 1, тем эта тенденция сильнее.
Примером значительной положительной корреляции может служить зависимость между ростом и возрастом человека. Приложение 2. Pearson Correlation = 0, 969.
Отсутствие корреляции (no correlation) определяется значением r = 0. Нулевой коэффициент корреляции говорит о том, что значения переменных никак не связаны друг с другом. Примером пары величин с нулевой корреляцией является рост человека и результат его IQ-теста.
Отрицательная корреляция соответствует значениям -1 < r < 0. Если значения одной переменной возрастают, то значения другой имеют тенденцию к убыванию. Чем коэффициент корреляции ближе к -1, тем сильнее эта тенденция. Пример отрицательной корреляции можно на взаимосвязи противоположных качеств в человеке. Например, чем выше у человека выражена тенденция к агрессивному поведению, тем ниже у него будет показатель по шкале пассивность [2].
Данная программа также указывает меры статистической достоверности результатов вычислений, что служит основой для интерпретации.
Значимость (р-уровень) – мера случайности полученного результата, равная тому, что в генеральной совокупности этот результат отсутствует. Чем меньше эта вероятность, тем выше статистическая значимость результата.
Если исследование показало, что уровень значимости (в таблице результатов уровень значимости обозначается «Sig. 2-tailed») (Приложение) корреляции не превышает 0,05, то это означает, что с вероятностью 5% и менее корреляция является случайной. Обычно это является основанием для вывода о статистической достоверности корреляции. В противном случае (p > 0,05) связь признается статистически недостоверной и не подлежит содержательной интерпретации.
Также данная программа позволяет производить ряд других статистических расчетов, таких как факторный, дисперсионный, кластерный анализ.