План Введение. Основные понятия математической статистики. Статистическая обработка результатов психологопедагогических исследований. Использованная литература. Методы математической статистики план
![]()
|
Методы математической статистики ПЛАН: Введение. Основные понятия математической статистики. Статистическая обработка результатов психолого-педагогических исследований. Использованная литература. Методы математической статистики ПЛАН: Введение. Основные понятия математической статистики. Статистическая обработка результатов психолого-педагогических исследований. Использованная литература. Методы математической статистики ПЛАН: Введение. Основные понятия математической статистики. Статистическая обработка результатов психолого-педагогических исследований. Использованная литература. Введение. Применение математики к другим наукам имеет смысл только в единении с глубокой теорией конкретного явления. Об этом важно помнить, чтобы не сбиваться на простую игру в формулы, за которой не стоит никакого реального содержания. Академик Ю.А. Митропольский Теоретические методы исследования в психологии и педагогике дают возможность раскрыть качественные характеристики изучаемых явлений. Эти характеристики будут полнее и глубже, если накопленный эмпирический материал подвергнуть количественной обработке. Однако, проблема количественных измерений в рамках психолого-педагогических исследований очень сложна. Эта сложность заключается прежде всего в субъективно-причинном многообразии педагогической деятельности и ее результатов, в самом объекте измерения, находящимся в состоянии непрерывного движения и изменения. Вместе с тем введение в исследование количественных показателей сегодня является необходимым и обязательным компонентом получения объективных данных о результатах педагогического труда. Как правило, эти данные могут быть получены как путем прямого или опосредованного измерения различных составляющих педагогического процесса, так и посредством количественной оценки соответствующих параметров адекватно построенной его математической модели. С этой целью при исследовании проблем психологии и педагогики применяются методы математической статистики. С их помощью решаются различные задачи: обработка фактического материала, получение новых, дополнительных данных, обоснование научной организации исследования и другие. 2. Основные понятия математической статистики Исключительно важную роль в анализе многих психолого-педагогических явлений играют средние величины, представляющие собой обобщенную характеристику качественно однородной совокупности по определенному количественному признаку. Нельзя, например, вычислить среднюю специальность или среднюю национальность студентов вуза, так как это качественно разнородные явления. Зато можно и нужно определить в среднем числовую характеристику их успеваемости (средний балл), эффективности методических систем и приемов и т. д. В психолого-педагогических исследованиях обычно применяются различные виды средних величин: средняя арифметическая, средняя геометрическая, медиана, мода и другие. Наиболее распространенными являются средняя арифметическая, медиана и мода. Средняя арифметическая применяется в тех случаях, когда между определяющим свойством и данным признаком имеется прямо пропорциональная зависимость (например, при улучшении показателей работы учебной группы улучшаются показатели работы каждого ее члена). Средняя арифметическая представляет собой частное от деления суммы величин на их число и вычисляется по формуле: ![]() где Х - средняя арифметическая; X1, X2, Х3 ... Хn - результаты отдельных наблюдений (приемов, действий), n - количество наблюдений (приемов, действий), - сумма результатов всех наблюдений (приемов, действий). Медианой (Ме) называется мера среднего положения, характеризующая значение признака на упорядоченной (построенной по признаку возрастания или убывания) шкале, которое соответствует середине исследуемой совокупности. Медиана может быть определена для порядковых и количественных признаков. Место расположения этого значения определяется по формуле: Место медианы = (n + 1) / 2 Например. По результатам исследования установлено, что: – на “отлично” учатся – 5 человек из участвующих в эксперименте; – на “хорошо” учатся – 18 человек; – на “удовлетворительно” – 22 человека; – на “неудовлетворительно” – 6 человек. Так как всего в эксперименте принимало участие N = 54 человека, то середина выборки равна ![]() ![]() Мода (Мо) – наиболее часто встречающееся типичное значение признака среди других значений. Она соответствует классу с максимальной частотой. Этот класс называется модальным значением. Например. Если на вопрос анкеты: “укажите степень владения иностранным языком”, ответы распределились: 1 – владею свободно – 25 2 – владею в достаточной степени для общения – 54 3 – владею, но испытываю трудности при общении – 253 4 – понимаю с трудом – 173 5 – не владею – 28 Очевидно, что наиболее типичным значением здесь является – “владею, но испытываю трудности при общении”, которое и будет модальным. Таким образом, мода равна – 253. Важное значение при использовании в психолого-педагогическом исследовании математических методов уделяется расчету дисперсии и среднеквадратических (стандартных) отклонений. Дисперсия равна среднему квадрату отклонений значения варианты от среднего значения. Она выступает как одна из характеристик индивидуальных результатов разброса значений исследуемой переменной (например, оценок учащихся) вокруг среднего значения. Вычисление дисперсии осуществляется путем определения: отклонения от среднего значения; квадрата указанного отклонения; суммы квадратов отклонения и среднего значения квадрата отклонения (см. табл. 6.1). Значение дисперсии используется в различных статистических расчетах, но не имеет непосредственного наблюдаемого характера. Величиной, непосредственно связанной с содержанием наблюдаемой переменной, является среднее квадратическое отклонение. Таблица 6.1 Пример вычисления дисперсии
Среднее квадратичное отклонение подтверждает типичность и показательность средней арифметической, отражает меру колебания численных значений признаков, из которых выводится средняя величина. Оно равно корню квадратному из дисперсии и определяется по формуле: ![]() где: – средняя квадратическая. При малом числе наблюдения (действий) – менее 100 – в значении формулы следует ставить не “N”, а “N – 1”. Средняя арифметическая и средняя квадратическая являются основными характеристиками полученных результатов в ходе исследования. Они позволяют обобщить данные, сравнить их, установить преимущества одной психолого-педагогической системы (программы) над другой. Среднее квадратическое (стандартное) отклонение широко применяется как мера разброса для различных характеристик. Оценивая результаты исследования важно определить рассеивание случайной величины около среднего значения. Это рассеивание описывается с помощью закона Гауса (закона нормального распределения вероятности случайной величины). Суть закона заключается в том, что при измерении некоторого признака в данной совокупности элементов всегда имеют место отклонения в обе стороны от нормы вследствие множества неконтролируемых причин, при этом, чем больше отклонения, тем реже они встречаются. При дальнейшей обработке данных могут быть выявлены: коэффициент вариации (устойчивости) исследуемого явления, представляющий собой процентное отношение среднеквадратического отклонения к средней арифметической; мера косости, показывающая, в какую сторону направлено преимущественное число отклонений; мера крутости, которая показывает степень скопления значений случайной величины около среднего и др. Все эти статистические данные помогают более полно выявить признаки изучаемых явлений. Меры связи между переменными. Связи (зависимости) между двумя и более переменными в статистике называют корреляцией. Она оценивается с помощью значения коэффициента корреляции, который является мерой степени и величины этой связи. Коэффициентов корреляции много. Рассмотрим лишь часть из них, которые учитывают наличие линейной связи между переменными. Их выбор зависит от шкал измерения переменных, зависимость между которыми необходимо оценить. Наиболее часто в психологии и педагогике применяются коэффициенты Пирсона и Спирмена. Рассмотрим вычисление значений коэффициентов корреляции на конкретных примерах. Пример 1. Пусть две сравниваемые переменные X (семейное положение) и Y (исключение из университета) измеряются в дихотомической шкале (частный случай шкалы наименований). Для определения связи используем коэффициент Пирсона. В тех случаях, когда нет необходимости подсчитывать частоту появления различных значений переменных X и Y, удобно проводить вычисления коэффициента корреляции с помощью таблицы сопряженности (см. табл. 6.2, 6.3, 6.4), показывающей количество совместных появлений пар значений по двум переменным (признакам). А – количество случаев, когда переменная X имеет значение равное нулю, и, одновременно переменная Y имеет значение равное единице; В – количество случаев, когда переменные X и Y имеют одновременно значения, равные единице; С – количество случаев, когда переменные X и Y имеют одновременно значения равные нулю; D – количество случаев, когда переменная X имеет значение, равное единице, и, одновременно, переменная Y имеет значение, равное нулю. Таблица 6.2 Общая таблица сопряженности
В общем виде формула коэффициента корреляции Пирсона для дихотомических данных имеет вид ![]() Таблица 6.3 Пример данных в дихотомической шкале
Таблица 6.4 Таблица сопряженности для данных из таблицы 6.3
Подставим в формулу данные из таблицы сопряженности (см. табл. 6.4), соответствующей рассматриваемому примеру: ![]() Таким образом, коэффициент корреляции Пирсона для выбранного примера равен 0,32, то есть зависимость между семейным положением студентов и фактами исключения из университета незначительная. Пример 2. Если обе переменные измеряются в шкалах порядка, то в качестве меры связи используется коэффициент ранговой корреляции Спирмена (Rs). Он вычисляется по формуле ![]() где Rs – коэффициент ранговой корреляции Спирмена; Di – разность рангов сравниваемых объектов; N – количество сравниваемых объектов. Значение коэффициента Спирмена изменяется в пределах от –1 да + 1. В первом случае между анализируемыми переменными существует однозначная, но противоположено направленная связь (с увеличением значений одной уменьшается значения другой). Во втором – с ростом значений одной переменной пропорционально возрастает значение второй переменной. Если величина Rs равна нулю или имеет значение, близкое к нему, то значимая связь между переменными отсутствует. В качестве примера вычисления коэффициента Спирмена используем данные из таблицы 6.5. Таблица 6.5 |