УМК МПс-100 Стат. мет. в психологии Мединцева И.П

ФГБОУ ВПО «Российская академия народного хозяйства и
государственной службы при Президенте Российской Федерации»
ВОЛГОГРАДСКИЙ ФИЛИАЛ
Кафедра Информационных систем и математического моделирования
И. П. Мединцева
канд. пед. наук, доцент
СТАТИСТИЧЕСКИЕ МЕТОДЫ В ПСИХОЛОГИИ
УЧЕБНО-МЕТОДИЧЕСКИЙ КОМПЛЕКС
030300 – ПСИХОЛОГИЯ (магистратура)
Рассмотрено и утверждено на заседании
кафедры
Протокол № ____ от «___» ___________ 2011 г.
Заведующий кафедрой ИСиММ
_______________ О.А. Астафурова
Волгоград 2011
Содержание
РАЗДЕЛ 1. РАБОЧАЯ ПРОГРАММА УЧЕБНОЙ ДИСЦИПЛИНЫ ................................... 3
1.1. ТРЕБОВАНИЯ ГОСУДАРСТВЕННОГО ОБРАЗОВАТЕЛЬНОГО СТАНДАРТА И
ДИДАКТИЧЕСКИЕ ЕДИНИЦЫ ПО УЧЕБНОЙ ДИСЦИПЛИНЕ «СТАТИСТИЧЕСКИЕ МЕТОДЫ В
ПСИХОЛОГИИ» .................................................................................................................................. 3
1.2. ЦЕЛИ И ЗАДАЧИ УЧЕБНОЙ ДИСЦИПЛИНЫ .................................................................................... 3
1.3. ТРЕБОВАНИЯ К УРОВНЮ ОСВОЕНИЯ ДИСЦИПЛИНЫ .................................................................... 3
1.4. ПРИНАДЛЕЖНОСТЬ ДИСЦИПЛИНЫ К УЧЕБНОМУ ЦИКЛУ И МЕЖДИСЦИПЛИНАРНЫЕ СВЯЗИ ....... 4
1.5. ТЕМАТИЧЕСКИЙ ПЛАН КУРСА «СТАТИСТИЧЕСКИЕ МЕТОДЫ В ПСИХОЛОГИИ» (72/38 Ч) НА
2011-2012 УЧ.ГОД ДЛЯ МАГИСТРАНТОВ МПС100 ............................................................................. 4
1.6. УЧЕБНО-МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ УЧЕБНОЙ ДИСЦИПЛИНЫ.............................................. 5
РАЗДЕЛ 2. МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ ПО ИЗУЧЕНИЮ УЧЕБНОЙ
ДИСЦИПЛИНЫ ДЛЯ СТУДЕНТОВ ........................................................................................ 17
2.1. РЕКОМЕНДАЦИИ ПО ИСПОЛЬЗОВАНИЮ МАТЕРИАЛОВ УЧЕБНО-МЕТОДИЧЕСКОГО КОМПЛЕКСА17
2.2. ПОЖЕЛАНИЯ К ИЗУЧЕНИЮ ОТДЕЛЬНЫХ ТЕМ КУРСА ................................................................. 18
2.3. РЕКОМЕНДАЦИИ ПО РАБОТЕ С ЛИТЕРАТУРОЙ ........................................................................... 18
2.4. РАЗЪЯСНЕНИЯ ПО ПОВОДУ РАБОТЫ С ТЕСТОВОЙ СИСТЕМОЙ КУРСА И ПРАКТИЧЕСКИМИ
ЗАДАЧАМИ ........................................................................................................................................ 18
2.5. СОВЕТЫ ПО ПОДГОТОВКЕ К ЗАЧЕТУ .......................................................................................... 18
РАЗДЕЛ 3. МАТЕРИАЛЫ ТЕСТОВОЙ СИСТЕМЫ ИЛИ ПРАКТИКУМ ПО
РЕШЕНИЮ ЗАДАЧ ПО ТЕМАМ ЛЕКЦИЙ ........................................................................... 19
РАЗДЕЛ 4. СЛОВАРЬ ОСНОВНЫХ ТЕРМИНОВ (ГЛОССАРИЙ) ................................... 32
РАЗДЕЛ 5. МЕТОДИЧЕСКИЕ УКАЗАНИЯ ДЛЯ ВЫПОЛНЕНИЯ КОНТРОЛЬНЫХ,
КУРСОВЫХ И ВЫПУСКНЫХ КВАЛИФИКАЦИОННЫХ РАБОТ ................................. 39
РАЗДЕЛ 6. ДАННЫЕ О МУЛЬТИМЕДИЙНЫХ ЛЕКЦИЯХ .............................................. 39
2
РАЗДЕЛ 1. РАБОЧАЯ ПРОГРАММА УЧЕБНОЙ ДИСЦИПЛИНЫ
1.1. Требования государственного образовательного стандарта и дидактические
единицы по учебной дисциплине «Статистические методы в психологии»
(нет)
1.2. Цели и задачи учебной дисциплины
Целью дисциплины «Статистические методы в психологии» является изучение
основных методов анализа экспериментальных данных психологического исследования,
получение необходимых практических навыков по применению статистических методов в
психологии.
Задачами курса являются:
– формирование умения обрабатывать результаты экспериментальных исследований с
помощью различных математических методов;
– формирование
умений
самостоятельно
анализировать
и
интерпретировать
полученные результаты;
– освоение теоретических сведений по применению программы SPSS для анализа
данных;
– получение практических навыков работы по обработке данных на компьютере с
помощью программы SPSS.
1.3. Требования к уровню освоения дисциплины
В результате изучения предмета «Статистические методы в психологии» магистрант
должен знать основные статистические методы и современные компьютерные технологии,
применяемые при решении профессиональных психологических задач.
Магистрант, прошедший курс обучения, должен уметь самостоятельно планировать,
осуществлять, рефлексировать и статистически обрабатывать результаты исследования;
использовать компьютерные технологии для решения различных профессиональных задач.
Магистрант
должен
владеть
критериями
и
приемами
выбора
адекватного
математического обеспечения научно-исследовательской работы.
Магистрант,
прошедший
курс
обучения,
должен
обладать
следующими
общекультурными компетенциями (ОК):
способностью и готовностью к выбору адекватного математического обеспечения
научно-исследовательской работы (ОК-9).
Магистрант,
прошедший
курс
обучения,
профессиональными компетенциями (ПК):
3
должен
обладать
следующими
в
научно-исследовательской
планированию
и
проведению
деятельности
способностью
прикладного исследования в
и
готовностью
определенной
к
области
применения психологии (ПК-7);
в
проектно-инновационной
деятельности
способностью
и
готовностью
к
проведению психологических исследований на основе применения общепрофессиональных
знаний и умений с целью выявления возможностей использования инновационных
психологических технологий в различных сферах жизнедеятельности (ПК-23).
1.4. Принадлежность дисциплины к учебному циклу и междисциплинарные связи
Дисциплина «Статистические методы в психологии» входит в профессиональный
учебный цикл. Освоение дисциплины базируется на знаниях, полученных при изучении
математики, математической статистики, информационных технологий в психологии, в свою
очередь статистические методы в психологии являются базой для изучения специальных
дисциплин,
которые
предусмотрены
учебными
планами
направления
подготовки
«Психология».
1.5. Тематический план курса «Статистические методы в психологии» (72/38 ч)
на 2011-2012 уч.год для магистрантов МПс100
Количество часов (в акад. часах и/или кредитах)
Наименование тем
Лекции
Практические Сам. работа Всего часов
занятия
по теме
Очная форма обучения
1. Основные понятия, используемые в
математической обработке психологических
данных. Измерительные шкалы. Признаки и
переменные
2. Одномерная статистика. Статистические
гипотезы
3. Меры связи психологических переменных
4. Методы обработки психологических
данных
5. Обработка данных на компьютере
Итого по курсу:
КСР
Всего часов
Форма контроля
4
1
1
4
6
1
1
4
6
2
8
2
10
4
8
8
26
2
14
10
24
8
28
20
66
6
72
(2 ЗЕТ)
Зачет
1.6. Учебно-методическое обеспечение учебной дисциплины
Лекции
Лекция 1. Основные понятия, используемые в математической обработке
психологических
данных.
Измерительные
шкалы.
Признаки
и
переменные.
Одномерная статистика. Статистические гипотезы
Признаки и переменные. Измерение в психологии. Шкалы измерения: шкала
наименований, порядковая шкала, интервальная шкала, шкала отношений. Особенности
представления психологических данных.
Случайные величины. Описательные статистики. Меры центральной тенденции.
Меры изменчивости. Характеристики диапазона распределения. Характеристики формы
распределения. Стандартная ошибка. Распределение признака. Параметры распределения.
Основные распределения. Биномиальное распределение, распределение Пуассона,
нормальное распределение. Параметры нормального распределения: математическое
ожидание,
стандартное
отклонение.
2
распределение.
Распределение
Стьюдента.
Распределение Фишера и некоторые другие распределения. Гистограммы распределений.
Одномерная
статистика.
Статистические
гипотезы.
Нулевая,
альтернативная
гипотезы. Направленные, ненаправленные гипотезы.
Основные понятия: измерение, шкалы измерений, случайная величина, описательные
статистики, распределение, параметры распределения, гипотеза, критерий, уровень
значимости.
Лекция 2. Меры связи психологических переменных
Ковариация и корреляция. Коэффициенты корреляции Пирсона, Спирмена. Другие
меры связи.
Основные понятия: ковариация, корреляция, коэффициент корреляции.
Лекция 3. Методы обработки психологических данных
Корреляционно-регрессионный анализ. Множественная регрессия.
Дисперсионный анализ. Назначение и общие понятия дисперсионного анализа.
Основные
варианты
дисперсионного
анализа:
однофакторный,
многофакторный,
с
повторениями и многомерный дисперсионный анализ.
Основные
понятия:
корреляция,
регрессия,
множественная
регрессия,
дисперсионный анализ, фактор, градации фактора.
Лекция 4. Методы обработки психологических данных
Факторный анализ. Назначение. Идеи и проблемы метода. Последовательность
факторного анализа.
5
Основные понятия: корреляционная матрица, фактор, извлечение факторов,
вращение факторов.
Лекция 5. Методы обработки психологических данных
Многомерное шкалирование. Назначение. Меры различия. Неметрическая модель.
Модель индивидуальных различий. Модель субъективных предпочтений.
Основные понятия: шкалирование, меры различия.
Лекция 6. Методы обработки психологических данных
Кластерный анализ. Назначение. Сравнение кластерного и факторного анализов.
Этапы кластерного анализа.
Основные понятия: кластер, дендрограмма.
Лекция 7. Обработка данных на компьютере
Анализ данных на компьютере. Математико-статистическая обработка результатов
исследования с использованием компьютерных пакетов Statistica, SPSS. Возможности и
ограничения конкретных компьютерных методов обработки данных. Стандарты обработки
данных. Представление результатов анализа.
Основные понятия: файл данных, переменные, тип переменной, управление данными.
Семинарские занятия
Семинар 1. Основные понятия, используемые в математической обработке
психологических
данных.
Измерительные
шкалы.
Признаки
и
переменные.
Одномерная статистика. Статистические гипотезы
Случайные величины. Описательные статистики. Меры центральной тенденции.
Меры изменчивости. Характеристики диапазона распределения. Характеристики формы
распределения. Стандартная ошибка. Распределение признака. Параметры распределения.
Основные распределения. Биномиальное распределение, распределение Пуассона,
нормальное распределение. Параметры нормального распределения: математическое
ожидание,
стандартное
отклонение.
2
распределение.
Распределение
Стьюдента.
Распределение Фишера и некоторые другие распределения. Гистограммы распределений.
Литература:
1. Наследов А.Д. SPSS: Компьютерный анализ данных в психологии и социальных
науках. – СПб.: Питер, 2007.
2. Наследов А.Д. Математические методы психологического исследования. Анализ и
интерпретация данных. – СПб.: Речь, 2007.
Семинар 2. Меры связи психологических переменных
Ковариация и корреляция. Коэффициенты корреляции Пирсона, Спирмена. Другие
меры связи. Коэффициент корреляции . Точечный бисериальный коэффициент корреляции
6
rpb. Бисериальный коэффициент корреляции rbis. Тау Кендалла, . Бисериальная ранговая
корреляция rrb. Статистическая значимость коэффициентов корреляции. Измерение
нелинейных связей. Корреляционное отношение 2.
Литература:
1. Наследов А.Д. SPSS: Компьютерный анализ данных в психологии и социальных
науках. – СПб.: Питер, 2007.
2. Наследов А.Д. Математические методы психологического исследования. Анализ и
интерпретация данных. – СПб.: Речь, 2007.
Семинар 3. Методы обработки психологических данных
Параметрические методы обработки данных. Сравнение дисперсий двух выборок по
F-критерию Фишера. t-критерий Стьюдента для одной выборки. t-критерий Стьюдента для
независимых выборок. t-критерий Стьюдента для зависимых выборок.
Непараметрические методы обработки данных. Сравнение двух и более независимых
выборок. Сравнение двух и более зависимых выборок.
Литература:
1. Наследов А.Д. SPSS: Компьютерный анализ данных в психологии и социальных
науках. – СПб.: Питер, 2007.
2. Наследов А.Д. Математические методы психологического исследования. Анализ и
интерпретация данных. – СПб.: Речь, 2007.
Семинар 4. Методы обработки психологических данных
Дисперсионный анализ. Назначение и общие понятия дисперсионного анализа.
Основные
варианты
дисперсионного
анализа:
однофакторный,
многофакторный,
с
повторениями и многомерный дисперсионный анализ.
Семинар 5. Методы обработки психологических данных
Факторный анализ. Назначение. Идеи и проблемы метода. Последовательность
факторного анализа.
Литература:
1. Наследов А.Д. SPSS: Компьютерный анализ данных в психологии и социальных
науках. – СПб.: Питер, 2007.
2. Наследов А.Д. Математические методы психологического исследования. Анализ и
интерпретация данных. – СПб.: Речь, 2007.
Семинар 6. Методы обработки психологических данных
Многомерное шкалирование. Назначение. Меры различия. Неметрическая модель.
Модель индивидуальных различий. Модель субъективных предпочтений.
Литература:
7
1. Наследов А.Д. SPSS: Компьютерный анализ данных в психологии и социальных
науках. – СПб.: Питер, 2007.
2. Наследов А.Д. Математические методы психологического исследования. Анализ и
интерпретация данных. – СПб.: Речь, 2007.
Семинар 7. Методы обработки психологических данных
Кластерный анализ. Назначение. Сравнение кластерного и факторного анализов.
Этапы кластерного анализа.
Литература:
1. Наследов А.Д. SPSS: Компьютерный анализ данных в психологии и социальных
науках. – СПб.: Питер, 2007.
2. Наследов А.Д. Математические методы психологического исследования. Анализ и
интерпретация данных. – СПб.: Речь, 2007.
Семинар 8-9. Обработка данных на компьютере
Анализ данных на компьютере. Математико-статистическая обработка результатов
исследования с использованием пакета SPSS.
Литература:
1. Наследов А.Д. SPSS: Компьютерный анализ данных в психологии и социальных
науках. – СПб.: Питер, 2007.
2. Наследов А.Д. Математические методы психологического исследования. Анализ и
интерпретация данных. – СПб.: Речь, 2007.
3. Тюрин Ю.Н., Макаров А.А. Анализ данных на компьютере. М.: Форум, 2008.
Семинар 10-12. Обработка данных на компьютере
Анализ данных на компьютере. Математико-статистическая обработка результатов
исследования с использованием пакета Statistica.
Литература:
1. Боровиков В.П., Г.И. Ивченко. Прогнозирование в системе STATISTICA в среде
Windows. – М.: Финансы и статистика, 2006.
2. Клюева И.А. Методы и приемы анализа данных средствами пакета STATISTICA. –
Волгоград: Изд-во ФГОУ ВПО ВАГС, 2008.
3. Тюрин Ю.Н., Макаров А.А. Анализ данных на компьютере. М.: Форум, 2008.
Организация самостоятельной работы студентов (СРС)
№
п/п
Тема
1
Дискриминантный
анализ
Вопросы, выносимые на Содержание
СРС
СРС
1. Назначение
дискриминантного
8
УМ, СК
Форма
Учебноконтроля методическое
СРС
обеспечение
КО, Б, ОБС
ОЛ 3, 4
ДЛ 2
2
Все темы
дисциплины,
рассматриваемые
на семинарах
анализа.
2. Математикостатистические идеи
метода.
3. Исходные данные
для дискриминантного
анализа.
4. Основные
результаты
дискриминантного
анализа.
5. Обработка данных на
компьютере.
В соответствии с
планами семинаров
СМ, УМ
Б, КО, ОБС
ОЛ 1-4,
ДЛ 1-5
Обозначения:
УМ – изучение учебного материала;
СК – изучение учебного материала и составление конспекта;
Б – беседа индивидуальная или с группой;
КО – контрольный опрос;
ОБС – обсуждение на занятиях результатов;
ОЛ – основная литература, ДЛ – дополнительная литература.
Вопросы к зачету
1. Шкалы измерения: шкала наименований, порядковая шкала, интервальная шкала,
шкала отношений.
2. Описательные статистики.
3. Основные распределения. Биномиальное распределение, распределение Пуассона.
Нормальное распределение. 2 распределение. Распределение Стьюдента. Распределение
Фишера.
4. Меры связи психологических переменных. Ковариация и корреляция.
5. Статистические гипотезы. Нулевая, альтернативная гипотезы. Направленные,
ненаправленные гипотезы.
6. Параметрические методы обработки данных.
7. Непараметрические методы обработки данных.
8. Дисперсионный анализ. Назначение и общие понятия дисперсионного анализа.
Основные
варианты
дисперсионного
анализа:
однофакторный,
многофакторный,
с
повторениями и многомерный дисперсионный анализ.
9. Факторный анализ. Назначение. Идеи и проблемы метода. Последовательность
факторного анализа.
10. Многомерное шкалирование. Назначение. Меры различия. Неметрическая модель.
9
Модель индивидуальных различий. Модель субъективных предпочтений.
11. Кластерный анализ. Назначение. Сравнение кластерного и факторного анализов.
Этапы кластерного анализа.
12. Анализ данных на компьютере. Статистические пакеты Statistica, SPSS.
Список рекомендуемой литературы
Основная литература:
1. Дубина И. Н. Математико-статистические методы в эмпирических социальноэкономических исследованиях: учеб. пособие. – М.: Финансы и статистика; ИНФРА-М, 2010.
2. Клюева И.А. Методы и приемы анализа данных средствами пакета STATISTICA. –
Волгоград: Изд-во ФГОУ ВПО ВАГС, 2008.
3. Наследов А.Д. SPSS: Компьютерный анализ данных в психологии и социальных
науках. – СПб.: Питер, 2007.
4. Наследов А.Д. Математические методы психологического исследования. Анализ и
интерпретация данных. – СПб.: Речь, 2007.
Дополнительная литература:
1. Боровиков В.П., Г.И. Ивченко. Прогнозирование в системе STATISTICA в среде
Windows. – М.: Финансы и статистика, 2006.
2. Наследов А.Д. SPSS 19. Профессиональный статистический анализ данных. СПб.:
Питер, 2011.
3. Сидоренко Е.В. Методы математической обработки в психологии. – СПб.: Речь, 2010.
4. Суходольский Г.В. Математические методы в психологии. Харьков: Изд-во
Гуманитарный Центр, 2006.
5. Тюрин Ю.Н., Макаров А.А. Анализ данных на компьютере. М.: Форум, 2008.
Материалы текущего, промежуточного и итогового контроля
Вопросы для проведения внутрисеместровой аттестации
1. Таблица исходных данных, таблицы распределения частот, графики распределения
частот, таблицы сопряженности.
2. Первичные описательные статистики: меры центральной тенденции (мода, медиана,
среднее), меры изменчивости (дисперсия, стандартное отклонение, асимметрия, эксцесс).
3. Понятие корреляции. Графики двумерного рассеивания. Вычисление парных
корреляций
(коэффициент
линейной
корреляции
Пирсона,
коэффициент
ранговой
корреляции Спирмена, тау Кендалла).
4. Дисперсионный
анализ.
Назначение
и
общие
понятия.
дисперсионный анализ. Многофакторный дисперсионный анализ.
10
Однофакторный
Вариант контрольной работы для осуществления промежуточного контроля
уровня знаний студентов (аттестации)
1. В четырех группах испытуемых, по 17 человек в каждой, проводилось изучение
времени реакции на звуковой стимул. Интенсивность стимула составила 40, 60, 80 и 100 дБ,
причем в каждой группе предъявлялись стимулы только одной интенсивности. С помощью
ANOVA проверить гипотезу о том, что среднее время реакции уменьшается по мере
увеличения громкости звука. Исходные данные представлены в таблице:
Группа 1 (40 дБ)
Группа 2 (60 дБ)
Группа 3 (80 дБ)
Группа 4 (100 дБ)
304 268 272 262 272 264
256 269 202
178 181 183 180
160 157 167
283 265 286 257 285 247
250 245 187
186 190 167 180
167 187 156
279 275 268 254 251 261
250 228 156
183 167 176 159
171 155 158
245 253 235 260 257 214
242 222 186
192 168 176 163
161 157 150
192
158
246
234
2. 20 школьникам были даны тесты на наглядно-образное (t1) и вербальное мышление
(t2). Измерялось среднее время решения заданий теста в секундах. Выяснить, существует ли
взаимосвязь между временем решения этих задач, рассчитав коэффициент корреляции
Пирсона.
t1
19 32 33 44
28 35 39 39 44 44 24 37 29 40 42 32 48 42 33 47
t2
17 7
27 31 20 17 35 43 10 28 13 43 45 24 45 26 16 26
17 28
3. Два преподавателя оценили знания 12 студентов по стобалльной системе и
выставили им следующие оценки:
Оценки 1-го преп. 98 94 88 80 76 70 63 61 60 58 56 51
Оценки 2-го преп. 99 91 93 74 78 65 64 66 52 53 48 62
Найти коэффициент ранговой корреляции Спирмена между оценками двух
преподавателей.
Итоговый тест по дисциплине
1. Мерой рассеяния является:
а) Мода;
б) Медиана;
в) Среднее;
г) Дисперсия.
2. Какой метод предназначен для описания зависимости одной переменной от других
переменных в виде уравнения:
11
а) регрессионный анализ;
б) корреляционный анализ;
в) факторный анализ;
г) дисперсионный анализ.
3. Коэффициент корреляции является:
а) мерой центральной тенденции;
б) мерой изменчивости;
в) мерой рассеяния;
г) мерой связи.
4. Какое из перечисленных значений не может принимать коэффициент корреляции r:
а) –1;
б) 0;
в) 1,25;
г) 0,895.
5. Непараметрические критерии не включают в формулу расчета:
а) ранги;
б) средние;
в) частоты;
г) объем выборки.
6. Дисперсионный анализ служит:
а) для выявления различий в распределении признака;
б) для изучения изменений признака под влиянием контролируемых факторов;
в) для выявления степени согласованности изменений;
г) для выявления сдвига значений исследуемого признака.
7. Факторы – это:
а) постоянные величины;
б) независимые переменные;
в) зависимые переменные;
г) результативные признаки.
8. Примером зависимой выборки является:
а) Исследование тревожности у девушек и юношей
б) Измерение уровня тревожности до и после тренинга
в) Сравнение среднего балла отметок учащихся двух 6-х классов
г) Исследование показателей невербального интеллекта у студентов-физиков и
студентов-психологов
12
9. В основе измерений, разработки тестовых шкал, методов проверки гипотез
лежит:
а) Равномерное распределение
б) Показательное распределение
в) Нормальный закон распределения
г) Распределение Пуассона
10. Какой коэффициент корреляции применяется, если х и у измерены в шкалах
порядка?
a) Пирсона
б) Кендалла
в) ранговый бисериальный
г) точечный бисериальный
11. С помощью какого критерия можно проверить различие в уровне признака между
тремя выборками в случае несоответствия распределения значений выборок нормальному
закону:
a) Колмогорова- Смирнова
б) Манна-Уитни
в) Краскалла-Уоллиса
г) Розенбаума
12. Цель методов кластерного анализа:
а) разбить множество объектов на классы по какой-либо переменной
б) классифицировать объекты по множеству переменных
в) построить пространство признаков объектов
13. Что из перечисленного является именем переменной в SPSS:
а) уровень_тревожности
б) ур_трев.
в) тревожность
г) ур_трев
14. Выберите файл данных, созданный в SPSS:
а) анкета.sav
б) анкета.spo
в) анкета.xls
г) анкета.doc
15. Команды меню Transform (Преобразование) используются для:
а) открытия и сохранения файлов
13
б) для редактирования данных (копирования, вставки, замены и т.д.)
в) для модифицирования введенных и создания новых данных на основе
существующих
г) изменения представления информации на экране
16. Вкладка Variable View редактора данных SPSS предназначена для:
а) создания структуры файла данных
б) редактирования данных
в) ввода значений в создаваемый файл данных
г) создания диаграмм
17. Для задания комментария к имени переменной используется параметр:
а) Name
б) Label
в) Type
г) Values
18. Переменная «Хобби» имеет три уровня: 1–спорт, 2–компьютер, 3–искусство.
Какой параметр позволяет управлять наименованиями уровней (категорий) этой
переменной:
а) Label
б) Name
в) Type
г) Values
19. Для количественных типов данных, допускающих арифметические операции,
выбирается шкала:
а) для данного типа данных нет соответствующей шкалы
б) Scale (Метрическая)
в) Ordinal (Порядковая)
г) Nominal (Номинативная)
20. К описательным статистикам не относятся:
а) Среднее значение, мода, медиана
14
б) Дисперсия, стандартное отклонение
в) Столбиковые диаграммы, гистограммы
г) Минимум, максимум, размах
21. На четырех разных выборках проверялась гипотеза о связи креативности и
тревожности. При расчете в SPSS корреляций Пирсона были получены следующие
результаты для каждой выборки. В каком случае обнаружена статистически значимая
связь между креативностью и тревожностью:
а) r = 0,270; p = 0,11
б) r = 0,411; p = 0,04
в) r = 0,285; p = 0,08
г) r = 0,310; p = 0,09
22. Вариант t-критерия – Independent-Samples T Test (t-критерий для независимых
выборок) – позволит сравнить:
а) степень удовлетворенности жизнью холостяков и женатых
б) результаты первого и последнего экзаменов группы студентов
в) значения уровня тревожности до и после тренинга
г) время, показанное бегунами во время соревнования, с нормативной величиной
23. На рисунке представлены результаты однофакторного дисперсионного анализа.
Какой показатель позволит сделать вывод о статистической значимости различий:
Between Groups
Within Groups
Total
Sum of Squares
82,969
613,781
696,750
df Mean Square
2 41,484
97 6,328
99
F
Sig.
6,556 ,002
а) F
б) df
в) Sig.
г) Mean Square
24.
С
помощью
какого
анализа
было
получено
уравнение
y  5,3147  1,0328 x1  1,1676 x2  1,2569 x3 , связывающее переменную y с x1, x2 и x3:
а) корреляционный анализ
б) дисперсионный анализ
в) регрессионный анализ
г) факторный анализ
25. Результаты анализа данных в SPSS:
а) отображаются в специальном окне вывода
б) отображаются в окне редактора данных на вкладке Data View
15
в) отображаются в окне редактора синтаксиса
г) отображаются в окне редактора данных на вкладке Variable View
26. Окно редактора данных представляет собой электронную таблицу, в которой:
а) столбцы отражают переменные, строки – объекты
б) столбцы отражают переменные, строки – переменные
в) столбцы отражают объекты, строки – объекты
г) столбцы отражают объекты, строки – переменные
27. Наглядное представление о связи двух переменных дает:
а) круговая диаграмма
б) Парето-диаграмма
в) гистограмма
г) диаграмма рассеивания
28. После выполнения какой команды создается специальная переменная filter_$ (см.
рисунок):
а) Data (Данные)–Sort Cases (Сортировка объектов)
б) Data (Данные)–Select Cases (Выбор объектов)
в) Data (Данные)–Merge Files (Слияние файлов)
г) Data (Данные)–Insert Case (Вставка объекта)
29. В диалоговых окнах всех процедур обработки в SPSS кнопкой, возвращающей
параметры к значениям по умолчанию, является:
а) Cancel
б) Reset
в) Paste
г) Help
30. Какой параметр позволяет задать максимальное количество знаков, которое
может иметь значение переменной, включая дробную часть:
а) Decimal (Дробная часть)
б) Columns (Столбцы)
16
в) Width (Ширина)
г) Values (Значения)
31. Группирующей переменной не является:
а) пол
б) увлечение
в) вуз
г) оценка
Метод,
32.
который
используется
при
обработке
больших
массивов
экспериментальных данных с целью сокращения числа переменных и определения структуры
взаимосвязей между переменными:
а) метод контрастов
б) дисперсионный анализ
в) факторный анализ
г) дискриминантный анализ
РАЗДЕЛ 2. МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ ПО ИЗУЧЕНИЮ УЧЕБНОЙ
ДИСЦИПЛИНЫ ДЛЯ СТУДЕНТОВ
2.1. Рекомендации по использованию материалов учебно-методического комплекса
Учебно-методический
подготовки
«Психология»
комплекс
факультета
предназначен
для
магистрантов
направления
государственно-муниципального
управления.
Исследование в психологии предполагает получение результатов – обычно в виде чисел.
Психологу необходимо умение организовать их, обработать и проинтерпретировать, что
невозможно без применения математических методов и современных компьютерных
программ.
Учебно-методический комплекс может использоваться как ориентир, с помощью
которого можно самостоятельно освоить компьютерную технологию обработки данных.
Учебно-методический комплекс принесет максимальную пользу, если при работе с ним
придерживаться следующей последовательности действий:

ознакомьтесь с тематическим планом, рубриками «Лекции» и «Семинары», чтобы
составить общее представление о тематике предстоящей работы;

изучите материал
по
учебникам,
указанным в списке рекомендованной
литературы;

выполните практические работы для закрепления полученных знаний.
17
2.2. Пожелания к изучению отдельных тем курса
При изучении таких пунктов темы «Методы обработки психологических данных», как
«Факторный анализ», «Многомерное шкалирование», «Кластерный анализ» особое внимание
следует обратить на назначение и математико-статистические идеи, сходство и различие
этих
методов,
пошаговые
алгоритмы
компьютерной
обработки,
представление
и
интерпретацию результатов, терминологию, используемую при выводе.
2.3. Рекомендации по работе с литературой
При изучении курса учебной дисциплины особое внимание следует обратить на
следующие литературные источники, в которых раскрывается назначение математикостатистических методов:
– Наследов А.Д. Математические методы психологического исследования. Анализ и
интерпретация данных. – СПб.: Речь, 2007.
– Сидоренко Е.В. Методы математической обработки в психологии. – СПб.: Речь,
2010.
К основным (базовым) литературным источникам, описывающим пошаговые
инструкции анализа данных психологических и социальных исследований в программах
SPSS, STATISTICA относятся:
– Клюева И.А. Методы и приемы анализа данных средствами пакета STATISTICA. –
Волгоград: Изд-во ВАГС, 2008;
– Наследов А.Д. SPSS: Компьютерный анализ данных в психологии и социальных
науках. – СПб.: Питер, 2007.
2.4. Разъяснения по поводу работы с тестовой системой курса и практическими
задачами
В разделе 1 настоящего комплекса приведен итоговый тест. Главная задача
тестирования – оценить уровень знаний студентов. Тестовые задания даны в закрытой
форме, т.е. каждый вопрос содержит несколько готовых вариантов ответов, из которых
правильным является только один.
Практикум по теме «Обработка данных на компьютере» состоит из работ, каждая
работа посвящена изучению новых команд программ SPSS, STATISTICA в процессе
выполнения заданий. В работе можно выделить логические части: «задание», где
описывается условие задания; «технология работы», где показывается, как выполнить это
задание на компьютере, используя статистические программы.
2.5. Советы по подготовке к зачету
При подготовке к зачету внимательно изучите рекомендованную литературу,
повторите
учебный
материал
по конспекту, рассмотрите примеры с пошаговым
18
применением методов, выполните упражнения и задания; с помощью программ SPSS,
STATISTICA самостоятельно проведите обработку данных, применив к ним подходящий
метод, проинтерпретируйте результаты по аналогии с примерами. Полезно воспользоваться
альтернативными методами и сравнить полученные с их помощью результаты.
РАЗДЕЛ 3. МАТЕРИАЛЫ ТЕСТОВОЙ СИСТЕМЫ ИЛИ ПРАКТИКУМ ПО
РЕШЕНИЮ ЗАДАЧ ПО ТЕМАМ ЛЕКЦИЙ
Практические задания к теме «Основные понятия, используемые в математической
обработке психологических данных»
1. В рабочей зоне производились замеры концентрации вредного вещества. Получен
ряд значений (в мг/м3): 12, 16, 15, 14, 10, 20, 16, 14, 18, 14, 15, 17, 23, 16. Необходимо
определить основные выборочные характеристики.
2. Найти среднее значение, медиану, стандартное отклонение результатов бега на
дистанцию 100 м у группы студентов (с): 12,8; 13,2; 13,0; 12,9; 13,5; 13,1.
3. Определите выборочную асимметрию и эксцесс для данных измерений роста групп
студенток: 164, 160, 157, 166, 162, 160, 161, 159, 160, 163, 170, 171.
4. Найти наиболее популярный туристический маршрут из четырех реализуемых
фирмой, если за неделю последовательно были реализованы следующие маршруты: 1, 3, 3, 2,
1, 1, 4, 4, 2, 4, 1, 3, 2, 4, 1, 4, 4, 3, 1, 2, 3, 4, 1, 1, 3.
5. Какова вероятность того, что трое из четырех новорожденных будут мальчиками?
6. Какова вероятность того, что восемь из десяти студентов, сдающих зачет, получат
«незачет».
7. Построить график нормальной функции распределения f(x) при x, меняющемся от
19,8 до 28,8 с шагом 0,5, a = 24,3 и  = 1,5.
8. Построить график нормальной функции плотности распределения f(x) при x,
меняющемся от 20 до 40 с шагом 1 при  =3.
9. По заданному варианту выборочной совокупности измерений случайной величины
Х:
 Вычислить точечные оценки для математического ожидания, среднеквадратического
отклонения, коэффициентов асимметрии и эксцесса.
 Составить интервальный статистический ряд распределения относительных частот и
построить гистограмму и полигон относительных частот.
 Найти эмпирическую функцию распределения и построить ее график и график
кумулятивной кривой.
19
 Исходя из общих представлений о механизме образования случайной величины X, а
также по виду гистограммы и полигона относительных частот и вычисленным
числовым характеристикам, выдвинуть гипотезу о виде распределения СВ X; записать
плотность распределения вероятностей и функцию распределения для выдвинутого
гипотетического закона, заменяя параметры закона вычисленными для них оценками.
 По
критерию
2
согласия
Пирсона
проверить
соответствие
выборочного
распределения гипотетическому закону для уровня значимости  = 0,05.
 Вычислить
интервальные
оценки
для
математического
ожидания
и
среднеквадратического отклонения соответствующие доверительным вероятностям
 = 0,95 и  = 0,99.
151
176
181
165
174
169
158
174
Результаты обследования роста студентов
168 170 188 158 170 146 162 166
176 182 162 173 166 173 166 162
164 166 183 172 174 166 154 167
178 164 167 176 153 167 173 165
168 171 162 177 185 170 178 171
153 169 166 175 172 189 163 160
162 170 160 175 166 157 167 153
180 168 173 181 162 159 164 172
180
169
158
170
172
173
164
193
Практические задания к теме «Меры связи психологических переменных»
1. Построить диаграмму корреляционной зависимости между показателями веса и
роста в группе студентов.
2. Построить диаграмму корреляционной зависимости между показателями субтестов
«Исключение изображений» и «Аналогии».
3. В группе студентов объемом 15 человек исследовали силу связи между уровнем
интеллекта и средними показателями школьной успеваемости. Выяснилось, что r = 0,65 при
p = 0,04. Как можно проинтерпретировать полученный результат?
4. Провести корреляционный анализ показателей субтестов «Числовые ряды» и
«Умозаключения».
5. Двум студентам (А и Б) было предложено проранжировать свои терминальные
ценности (по методике ценностных ориентаций Рокича). Насколько у данных студентов
совпадают цели-ценности? Вычислить коэффициент корреляции Спирмена. Определить
уровень статистической значимости коэффициента.
А
2
14
5
7
13
1
4
6
16
15
12
17
11
8
3
18
10
9
Б
8
18
12
4
14
1
6
5
17
11
10
16
13
9
3
15
8
7
6. Знания 10 студентов проверены по двум тестами А и В. Результаты оказались
следующими:
20
Тест А 95 90 86 84 75 70 62 60 57 50
Тест В 92 93 83 80 55 60 45 72 62 70
Найти коэффициент корреляции Кендалла между оценками по двум тестам.
7. Психолог проверяет гипотезу о том, существуют ли гендерные различия в
показателях
интеллекта.
Найти
бисериальный
коэффициент
корреляции.
Данные
обследования 15 подростков разного пола по методике Айзенка приведены в таблице:
№
1
2
3
Пол 1
0
1
IQ
102 110 86
4
1
90
5
6
0
1
120 78
7
0
95
8
9
10
0
1
1
103 105 93
11
1
123
12
0
89
13
1
109
14
1
100
15
0
105
8. Психолог проверяет гипотезу о том, существуют ли гендерные различия в
вербальных способностях. Найти рангово-бисериальный коэффициент корреляции. Для
решения данной задачи 15 подростков разного пола были проранжированы учителем
литературы по степени выраженности вербальных способностей. Полученные данные
представлены в таблице:
№
1
Пол
1
Ранги
1
вербальных
способностей
2
0
10
3
1
6
4
1
9
5
0
15
6
1
7
7
0
8
8
0
13
9
1
4
10
1
3
11
1
5
12
0
11
13
1
12
14
1
2
15
0
14
9. Определить корреляционное отношение между возрастом и свободным временем
инженерно-технических
работников
в
выборочной
совокупности
по
данным,
представленным в таблице:
№ ИТР
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Возраст лет, xi
23
23
23
25
25
27
27
29
29
29
33
33
37
37
40
40
Свободное время за неделю, часы, yi
50
46
48
22
46
47
25
20
31
42
31
27
54
45
52
38
Практические задания к теме «Методы обработки психологических данных»
21
1. Провести однофакторный дисперсионный анализ с целью выяснить, зависит ли
уровень удовлетворенности профессией у учителей от длительности работы в данной сфере
деятельности. Данные приведены в таблице.
Стаж
профессией
удовлетворенности
Показатели степени
до 5 лет 6-10 лет 11-15 лет
5
8
6
3
9
5
6
10
9
4
9
7
7
5
8
5
7
2. Провести двухфакторный дисперсионный анализ с целью выяснить, зависит ли
уровень удовлетворенности профессией у учителей от пола и длительности работы в данной
сфере деятельности. Данные показателей степени удовлетворенности профессией приведены
в таблице.
Стаж
мужчины
женщины
Педагоги-
Педагоги-
до 5 лет 6-10 лет 11-15 лет
5
8
6
3
9
5
6
10
9
4
9
7
7
5
8
5
10
9
8
9
8
4
9
8
4
8
10
7
9
7
3. Предположим, что исследователь измерил на выборке из 50 испытуемых 5
показателей интеллекта: счет в уме, продолжение числовых рядов, осведомленность,
словарный запас, установление сходства. В результате проведения факторного анализа была
получена матрица корреляций (все показатели статистические значимо взаимосвязаны на
уровне 0,05, кроме показателя №4 с №1 и 2) и факторные нагрузки после вращения:
№
1
2
Показатели
Счет в уме
Числовые ряды
1
1,00
0,88
2
1,00
22
3
4
5
3
4
5
Осведомленность
Словарный запас
Сходство
0,33
0,23
0,42
0,32
0,24
0,35
1,00
0,58
0,58
1,00
0,54
1,00
Исходные переменные
Факторные
нагрузки
Ф1
Ф2
1
0,97
0,20
2
0,86
0,20
3
0,18
0,76
4
0,09
0,74
5
0,26
0,69
Проинтерпретировать полученные результаты.
4. Исследовалась структура представлений студента о многомерных методах,
применяемых в психологии. Студенту было предложено сравнить попарно по степени
различия пять методов: множественный регрессионный анализ (МРА), дискриминантный
анализ (ДА), кластерный анализ (КА), факторный анализ (ФА) и многомерное шкалирование
(МШ). При сравнении было предложено использовать 5-балльную шкалу (1 – очень похожи,
5 – совсем разные). Результаты сравнения приведены в таблице:
Методы МРА ДА КА ФА МШ
МРА
0
ДА
2
0
КА
5
2
0
ФА
2
3
5
0
МШ
5
5
3
3
0
Используя матрицу попарных различий провести многомерное шкалирование.
5. С помощью кластерного анализа выяснить, каких учеников можно объединить в
однородные группы. Исходные данные приведены в таблице.
Учащийся Осведомленность Средний IQ Средняя отметка
1
12
10,3
3,93
2
10
10,7
4,27
3
11
10
3,87
4
14
11,6
4,57
5
12
9,27
4,14
6
10
10,5
4,93
7
9
7
3,71
6. У 8 подростков психолог сравнивает баллы по третьему субтесту теста Векслера (x)
и оценки по алгебре (y). По данным, приведенным в таблице, построить линейную
регрессионную модель y на х и х на y. Выяснить, будет ли повышение успешности решения
субтеста Векслера на 1 балл влиять на повышение оценок по алгебре. Выяснить, на сколько
баллов повысится успешность решения третьего субтеста Векслера, если оценки по алгебре
повысятся на 1 балл.
23
x 8 8 10 10 14 16 18 18
y 2 3 4
5
5
4
3
4
7. 10 менеджеров оценивались по методике экспертных оценок психологических
характеристик личности по пятибалльной системе. Психолога интересуют три вопроса: в
какой степени тактичность (Х) одновременно связана с требовательностью (Y) и
критичностью (Z); в какой степени требовательность одновременно связана с тактичностью
и критичностью; в какой степени критичность одновременно связана с тактичностью и
требовательностью. Построить множественные линейные регрессионные модели. Результаты
исследования представлены в виде таблицы:
X
Y
Z
70
18
36
60
17
29
70
22
40
46
10
12
58
16
31
69
18
32
32
9
13
62
18
35
46
15
30
62
22
36
8. Подобрать нелинейную регрессионную модель, адекватную экспериментальным
данным, приведенным в задаче 6.
Практические задания к теме «Обработка данных на компьютере» (SPSS)
Задание 1
1. Запустить программу SPSS.
2. Перейти в редактор данных, определить в соответствии с таблицей структуру файла
данных, который будет содержать информацию об учащихся трех классов:
Переменная
Описание
№
Идентификационный номер уч-ся
Пол
Пол ученика (1–жен, 2–муж)
Класс
Класс, в котором учится школьник (1 – «А», 2 – «Б», 3 – «В»)
Вуз
Предполагаемый для поступления вуз (1–гуманитарный; 2–экономический; 3–
технический; 4–естественнонаучный)
Хобби
Внешкольные увлечения (1–спорт; 2–компьютер; 3–искусство)
Тест1
Показатель теста «Счет в уме»
Тест2
Показатель теста «Числовые ряды»
Тест3
Показатель теста «Словарный запас»
24
Переменная
Описание
Тест4
Показатель теста «Осведомленность»
Тест5
Показатель теста «Кратковременная вербальная память»
Отметка1
Средний балл отметок за 10-й класс
Отметка2
Средний балл отметок за 11-й класс
Определить тип всех переменных как Числовой. Для переменных Отметка1 и
Отметка2 отведите 2 знака после запятой, для остальных переменных – 0. Создать метки
для переменных Тест1–Тест5, Отметка1, Отметка2 в соответствии с описанием. Задать
метки значений для переменных Пол, Вуз, Класс, Хобби в соответствии с описанием. Задать
выравнивание по правому краю. Ввести данные для 10 учащихся. Сохранить файл под
именем школа.sav.
Задание 2
1. Запустите программу SPSS. Откройте для работы файл ex01.sav.
2. С помощью команды Анализ – Описательные статистики – Описательные
статистики для переменных тест1 – тест5 вычислите среднее значение, стандартное
отклонение, максимум и минимум, используя кнопку Параметры. Проанализируйте и
сохраните результаты вывода в виде файла оп_стат1.spo.
3. Для переменных тест1 – тест5 вычислите, используя кнопку Параметры, сумму,
среднее значение, дисперсию, эксцесс, асимметрию; выводимые результаты отсортируйте по
вычисленным средним значениям в порядке возрастания. Проанализируйте и сохраните
результаты вывода в виде файла оп_стат2.spo.
4. С помощью команды Анализ–Описательные статистики–Частоты для переменных
тест1 – тест5 вычислите, используя кнопку Статистики, размах, моду и медиану.
Проанализируйте и сохраните результаты вывода в виде файла оп_стат3.spo.
5. С помощью команды Анализ–Описательные статистики – Таблицы сопряженности
создайте таблицу сопряженности полхоббикласс (пол – Cтроки, хобби – Столбцы, класс –
Слой 1 из 1). Проанализируйте и сохраните результат вывода в виде файла табл1.spo.
6. Создайте таблицу сопряженности полхобби, в ячейки которой включите
наблюдаемые и ожидаемые частоты, процент от суммы и нестандартизированный остаток,
т.е. разность между наблюдаемой и ожидаемой частотами (пол – Cтроки, хобби – Столбцы;
щелкните
по
кнопке
Ячейки
и
установите
флажки
Ожидаемые,
Всего
и
Нестандартизированные; щелкните по кнопке Продолжить, затем – по кнопке Ok.
Проанализируйте и сохраните результат вывода в виде файла табл2.spo.
7. Создайте таблицу сопряженности полхобби только для двух из трех градаций
переменной хобби: спорт и искусство; в меню Данные выберите команду Выбор объектов,
25
установите переключатель Если удовлетворяет условию; щелкните по кнопке Если, задайте
необходимое условие хобби  2. Проанализируйте и сохраните результат вывода в виде
файла табл4.spo.
Задание 3
1. Откройте файл данных ex01.sav. В меню Анализ выберите команду Корреляция
Двумерная. Создайте корреляционную матрицу для значений переменных тест1, ..., тест5,
для чего дважды щелкните на переменной тест1, чтобы переместить ее в список
Переменные. Повторите предыдущее действие для переменных тест2, ..., тест5. Щелкните
на кнопке ОК, чтобы открыть окно вывода.
Задание 4
1. Откройте файл данных ex01.sav.
2. В меню Анализ выберите команду Сравнение средних – Средние. Вычислить
средние значения отметок для учащихся каждого из трех классов. Для этого: щелкните
сначала на переменной отметка2, чтобы выделить ее, а затем — на верхней кнопке со
стрелкой, чтобы переместить переменную в список Зависимые переменные. Щелкните
сначала на переменной класс, чтобы выделить ее, а затем — на нижней кнопке со стрелкой,
чтобы переместить переменную в список Независимые переменные. Щелкните на кнопке
ОК, чтобы открыть окно вывода.
3. Вычислить средние значения и стандартные отклонения для переменных отметка 1 и
отметка2 с использованием таблицы сопряженности класспол.
Задание 5
1. Откройте для работы файл ex01.sav.
2. Сравните между собой средние значения переменной тест1 для каждой из выборок
по уровням переменной хобби. В меню Анализ выберите команду Сравнение средних –
Однофакторный дисперсионный анализ: тест1 – Зависимые переменные, хобби – Фактор.
Проанализируйте результаты.
Задание 6
В меню Анализ выберите команду Общие линейные модели – Одномерный анализ.
Переместите переменную отметка2 в поле Зависимая переменная. Переместите переменную
пол в список Постоянные факторы. Повторите предыдущее действие для переменной хобби.
Щелкните на кнопке Параметры. Установите флажки Описательные статистики и Оценка
величины эффекта, а затем щелкните на кнопке Продолжить. Щелкните на кнопке ОК.
Построить
график
средних
значений,
позволяющий
интерпретировать
взаимодействие факторов пол и класс. Щелкните на кнопке Графики. Перенесите
переменную хобби в поле Горизонтальная ось. Перенесите переменную пол в поле Отдельные
26
линии. Подтвердите правильность введенных параметров щелчком на кнопке Добавление —
в нижнем поле появится строка хобби*пол, обозначающая тип графика средних.
Задание 7
1. Для работы используется файл данных help.sav. Проведите множественный
регрессионный анализ с участием зависимой переменной помощь и пяти предикторов
симпатия, проблема, эмпатия, польза, агрессия.
В меню Анализ выберите команду Регрессия – Линейная регрессия. Переместите
переменную помощь в поле Зависимая переменная. Переместите переменную симпатия в
список Независимые переменные. Повторите предыдущее действие для переменных
проблема, эмпатия, польза и агрессия. В раскрывающемся списке Метод выберите пункт
Прямой. Щелкните на кнопке ОК. Проанализируйте результаты.
Задание 8
1. Откройте файл TestIQ.sav.
2. Проведите факторный анализ с параметрами по умолчанию и вращением по методу
Варимакс. В меню Анализ выберите команду Сокращение данных – Факторный анализ.
Переместите переменные и1 – и11 в список Переменные. Щелкните на кнопке Вращение. В
группе Метод установите переключатель Варимакс. Проанализируйте результаты.
3. Проведите факторный анализ, включив в вывод одномерные описательные
статистики, коэффициенты корреляции, применив критерии многомерной нормальности и
адекватности выборки. Для извлечения факторов использовать метод главных компонентов,
а для отображения — график собственных значений. Вращение факторов провести методом
Варимакс, отобразить факторную структуру после вращения, отсортировать переменные по
величине их нагрузок по факторам.
Задание 9
1. Пример иллюстрирует практическую реализацию двухмерного шкалирования для
заданной матрицы различий.

Откройте файл mds1.sav.

В меню Анализ выберите команду Шкалирование – Многомерное шкалирование.

Переместить переменные с1 – с12 в список Переменные.

Щелкните на кнопке Форма. Установите переключатель Квадратная асимметричная и
щелкните на кнопке Продолжить.

Щелкните на кнопке Модель. В группе Условие установите переключатель Строка и
щелкните на кнопке Продолжить.
27

Щелкните на кнопке Параметры. Установите флажок Групповые Диаграммы и
щелкните на кнопке Продолжить. Щелкните на кнопке ОК, чтобы открыть окно
вывода.

Проанализируйте результаты вывода.
2. Пример демонстрирует двухмерное шкалирование квадратной симметричной
матрицы различий, которую SPSS создает при задании переменных из файла данных.
Данные матрицы различий имеют интервальный тип.

Откройте файл данных mds2.sav.

В меню Анализ выберите команду Шкалирование – Многомерное шкалирование.

Переместите переменные тест1 – тест5 в список Переменные.

В группе Расстояния установите переключатель Вычислить расстояния по данным и
щелкните на кнопке Мера. В группе Создание матрицы расстояний установите
переключатель Между объектами и щелкните на кнопке Продолжить. Щелкните на
кнопке Модель.

В группе Уровень измерения установите переключатель Интервальный и щелкните на
кнопке Продолжить.

Щелкните на кнопке Параметры. Установите флажок Групповые диаграммы и
щелкните на кнопке Продолжить. Щелкните на кнопке ОК, чтобы открыть окно
вывода.

Проанализируйте результаты вывода.
3. Пример двухмерного шкалирования с использованием квадратных симметричных
матриц и модели индивидуальных различий.

Откройте файл данных mds3.sav.

В меню Анализ выберите команду Шкалирование – Многомерное шкалирование.

Переместите переменные mra – mds в список Переменные.

Щелкните на кнопке Модель. В группе Уровень измерения установите переключатель
Отношение, а в группе Модель шкалирования — переключатель Индивидуальные

различия. Евклидово расстояние, после чего щелкните на кнопке Продолжить.
Щелкните на кнопке Параметры. Установите флажок Групповые диаграммы и
щелкните на кнопке Продолжить.

Щелкните на кнопке ОК, чтобы открыть окно вывода.

Проанализируйте результаты вывода.
Задание 10
1. Откройте файл данных cars.sav.
2. В меню Анализ выберите команду Классификация – Иерархическая кластеризация.
28
3. Щелкните сначала на переменной марка, чтобы выделить ее, а затем — на нижней
кнопке со стрелкой, чтобы переместить переменную в поле Различать объекты по. Нажмите
кнопку мыши на переменной цена и, не отпуская кнопки, перетащите указатель на
переменную пробег, затем кнопку мыши отпустите. В результате окажутся выделенными все
оставшиеся в списке переменные. Щелкните на верхней кнопке со стрелкой, чтобы
переместить выделенные переменные в список Переменные.
4. Щелкните
на
кнопке
Диаграммы.
Установите
флажок
Дендрограмма
и
переключатель Нет в группе Диаграмма накопления. Щелкните на кнопке Продолжить.
Щелкните на кнопке Метод.
5. В списке Метод кластеризации оставьте выбранным пункт Межгрупповое
связывание, в списке Стандартизация выберите пункт z-шкала и щелкните на кнопке
Продолжить.
6. Щелкните на кнопке Сохранить, установите переключатель Заданное число
кластеров, введите в расположенное рядом поле значение 3 и щелкните на кнопке
Продолжить. Щелкните на кнопке ОК, чтобы открыть окно вывода.
7. Откройте файл TestIQ.sav. В меню Анализ выберите команду Классификация –
Иерархическая кластеризация.
8. В группе Кластеризация установите переключатель Переменные. Нажмите кнопку
мыши на переменной и1 и, не отпуская кнопки, перетащите указатель на переменную и11,
затем кнопку мыши отпустите. В результате окажутся выделенными все 11 переменных и1,
и2,..., и11. Щелкните на верхней кнопке со стрелкой, чтобы переместить выделенные
переменные в список Переменные.
9. Щелкните
на
кнопке
Диаграммы.
Установите
флажок
Дендрограмма
и
переключатель Нет в группе Диаграмма накопления. Щелкните на кнопке Продолжить.
10. Щелкните на кнопке Метод, в списке Интервал выберите пункт Корреляция
Пирсона, а в группе Преобразование значений установите флажок Абсолютные значения.
Щелкните на кнопке Продолжить, чтобы вернуться в диалоговое окно Иерархический
кластерный анализ.
11. Щелкните на кнопке ОК, чтобы открыть окно вывода.
Практические задания к теме «Обработка данных на компьютере» (STATISTICA)
Задание 1
1. Запустите программу STATISTICA.
2. Откройте для работы файл пример01.sta.
29
3. Cоздайте новую переменную тест_ср (средний балл результатов тестирования
каждого учащегося) с помощью команды Вставка-Добавить переменные. Выражение для
новой переменной: (тест1+тест2+тест3+тест4+тест5)/5.
4. Скопируйте значения переменной отметка2 в новую переменную ранг_о2. С
помощью команды Данные–Ранжировать проранжируйте переменную ранг_о2, присвоив
ранг 1 наибольшему значению.
5. С помощью команды Данные–Сортировка упорядочите данные файла по убыванию
значения переменной отметка1. Произведите сортировку учащихся по классам, полу и
отметке2.
6. С помощью команды Анализ–Основные статистики и таблицы – Таблицы частот
вычислите частоты для переменных пол, класс и вуз. Сохраните результаты вывода в виде
файлов частоты.
7. С помощью команды Анализ–Основные статистики и таблицы – Таблицы частот
постройте столбиковые диаграммы для частот переменных пол, класс, вуз. Сохраните
результаты вывода в виде файлов диаграммы.
8. Для переменных отметка1, отметка2 постройте гистограмму распределения
частот с нормальной кривой, вычислите среднее значение, стандартное отклонение,
асимметрию и эксцесс распределения. Сохраните результаты вывода в виде файлов.
Задание 2
1. С помощью команды Анализ – Основные статистики – Описательные статистики
для переменных тест1 – тест5 вычислите среднее значение, стандартное отклонение,
максимум и минимум. Проанализируйте и сохраните результаты вывода в виде файла
оп_стат1.
2. Для переменных тест1 – тест5 вычислите сумму, среднее значение, дисперсию,
эксцесс, асимметрию; результаты отсортируйте по вычисленным средним значениям в
порядке возрастания. Проанализируйте и сохраните результаты вывода в виде файла
оп_стат2.
3. Для переменных
тест1 –
тест5 вычислите размах, моду и медиану.
Проанализируйте и сохраните результаты вывода в виде файла оп_стат3.
4. С помощью команды Анализ – Основные статистики и таблицы – Таблицы
сопряженности создайте таблицу сопряженности полхоббикласс. Проанализируйте и
сохраните результат вывода в виде файла табл1.
5. Создайте таблицу сопряженности полхобби, в ячейки которой включите
ожидаемые частоты, процент от общего числа, процент по строке, по столбцу.
Проанализируйте и сохраните результат вывода в виде файла табл2.
30
6. Создайте таблицу сопряженности полхобби, в ячейки которой включите
наблюдаемые и ожидаемые частоты, примените критерий 2. Проанализируйте и сохраните
результат вывода в виде файла табл3.
7. Создайте таблицу сопряженности полхобби только для двух из трех градаций
переменной хобби: спорт и искусство и установите флажки Ожидаемые. Проанализируйте и
сохраните результат вывода в виде файла табл4.
Задание 3
С помощью команды Анализ – Множественная регрессия в системе STATISTICA по
данным файла help.sta проведите множественный регрессионный анализ с участием
зависимой переменной помощь и пяти предикторов симпатия, проблема, эмпатия, польза,
агрессия.
Задание 4
1. С помощью команды Анализ – Углубленные методы анализа – Компоненты
дисперсии и смешанные модели в системе STATISTICA определите, влияют ли возраст и
стаж работы конкретных специалистов на среднюю производительность труда. В таблице
приводятся результаты статистических исследований:
Возраст
Стаж работы
35-40 лет
40-45 лет
45-50
От 1 до 4 лет
19
20
20
20
22
19
20
20
23
25
18
19
20
21
23
От 4 до 7 лет
30
31
32
32
34
20
29
30
31
31
19
25
25
26
26
От 7 до 10 лет
35
35
39
40
41
36
40
41
42
45
24
24
24
25
25
От 10 до 15 лет
40
30
41
41
42
28
31
35
36
40
20
24
25
31
32
Свыше 15 лет
41
41
43
42
41
29
32
35
37
41
21
25
26
32
33
Задание 5
С помощью команды Анализ – Многомерный разведочный анализ – Факторный
анализ в системе STATISTICA по исходным данным файла testIQ.sta проведите факторный
анализ, получите матрицу парных коэффициентов корреляции, дайте интерпретацию
факторов матрице факторных нагрузок.
Задание 6
С помощью команды Анализ – Многомерный разведочный анализ – Кластерный
анализ в системе STATISTICA по исходным данным файла cars.sta проведите кластерный
анализ с построением дендрограммы.
31
РАЗДЕЛ 4. СЛОВАРЬ ОСНОВНЫХ ТЕРМИНОВ (ГЛОССАРИЙ)
F-критерий – в дисперсионном анализе отношение межгруппового среднего квадрата
к
внутригрупповому
среднему
квадрату.
Данная
величина
позволяет
сравнить
межгрупповую дисперсию с внутригрупповой дисперсией. В случае если первая окажется
значительно выше второй, это будет означать наличие значимого различия между группами.
Во множественном регрессионном анализе F-критерий позволяет определить значимость
множественной корреляции.
R – множественный коэффициент корреляции между зависимой переменной и двумя
или более независимыми переменными. Значение R лежит в пределах от 0 до 1 и
интерпретируется по аналогии с обычным (двухмерным) коэффициентом корреляции.
R2 – квадрат коэффициента множественной корреляции (коэффициент детерминации),
доля дисперсии зависимой переменной, обусловленная воздействием двух или более
независимых переменных.
S-стресс – в многомерном шкалировании мера степени соответствия модели исходной
матрице различий. Чем меньше это значение, тем лучше соответствие.
z-значения
–
стандартизованные
значения.
После
стандартизации
(или
z-
преобразования) значений переменной среднее равно 0, стандартное отклонение равно 1.
Асимметричная матрица – квадратная матрица, у которой хотя бы в одной паре
ячеек, симметрично расположенных относительно главной диагонали, значения различны.
Корреляционная матрица является типичным примером асимметричной матрицы.
Асимметрия – мера отклонения распределения от нормального, характеризующая
симметричность графика.
Взаимодействие – эффект совместного влияния на зависимую переменную двух и
более независимых переменных, который не сводится к их раздельному влиянию. В случае
двух независимых переменных проявляется в том, что эффект влияния одной из них
проявляется по-разному на разных уровнях другой переменной.
Внутригрупповая сумма квадратов – сумма квадратов отклонений наблюдаемых
значений от среднего для каждой группы.
Внутригрупповой многомерный дисперсионный анализ (MANOVA) – вид
дисперсионного анализа, в котором одна и та же группа объектов подвергается действию
каждого уровня независимой переменной.
Вращение – процедура, применяемая в факторном анализе для того, чтобы получить
более простую структуру факторов.
Выборка – подмножество объектов из некоторой генеральной совокупности,
выбранное для статистических выводов относительно свойств всей совокупности.
32
Гистограмма – столбиковая диаграмма для отображения распределения частот по
категориям (диапазонам значений) переменной. Горизонтальная ось графика соответствует
значениям переменной, а вертикальная — частотам.
Главный эффект – воздействие независимой переменной на зависимую переменную.
График собственных значений – диаграмма, позволяющая выбрать число факторов
в факторном анализе на основе критерия каменистой осыпи Р. Кеттелла.
Дендрограмма – диаграмма древовидной структуры, иллюстрирующая процесс
кластеризации в кластерном анализе.
Диаграмма последовательности слияния – графическая интерпретация пошаговой
процедуры кластеризации в кластерном анализе.
Диаграмма рассеивания – график для анализа связи между двумя переменными, на
котором каждый объект представляет собой точку. Положение точки задано парой значений
двух переменных для данного объекта.
Дискриминантный анализ – процедура создания формулы регрессии, на основе
которой производится разбиение объектов на группы, соответствующие категориям
зависимой переменной.
Дисперсионный анализ (ANOVA) – статистический анализ, устанавливающий
статистическую значимость различий между средними значениями для трех или более
выборок.
Дисперсия – характеристика выборочного распределения переменной, описывающая
разброс значений вокруг среднего и вычисляемая как отношение суммы квадратов
отклонений к объему выборки, уменьшенному на 1. Кроме того, дисперсия представляет
собой квадрат стандартного отклонения.
Доверительный интервал – диапазон, в котором находится большинство значений
выборки. Например, термин «доверительный интервал в 95 %» означает интервал, в который
любое случайное значение из выборки попадает с вероятностью 95 %.
Значимость (р-уровень) – мера случайности полученного результата, равная
вероятности того, что в генеральной совокупности этот результат (различия, связь)
отсутствует. Чем меньше эта вероятность (значение р-уровня), тем выше статистическая
значимость результата. Результат считается статистически достоверным (значимым), если руровень не превышает 0,05.
Измерение – приписывание числовых форм объектам или событиям в соответствии с
определенными правилами.
Интервальная шкала – шкала, классифицирующая по принципу «больше на
определенное количество единиц – меньше на определенное количество единиц».
33
Итерация – стадия процесса формирования регрессионного (дискриминантного)
уравнения, на которой происходит включение или исключение очередной переменной.
Процесс продолжается до тех пор, пока не перестанет удовлетворяться заданный в
процедуре критерий.
Категориальная (номинативная) переменная – переменная, каждое значение
которой указывает на принадлежность объекта к определенной группе (категории).
Категориальная переменная не является количественной; она разделяет все объекты на
непересекающиеся группы по определенному признаку (пол, хобби, класс и пр.), но не
позволяет сравнивать объекты по уровню выраженности этого признака.
Квадрат евклидового расстояния – мера, используемая по умолчанию в кластерном
анализе для определения расстояния между объектами и кластерами и вычисляемая как
сумма квадратов разностей между значениями переменных двух объектов.
Квадратная матрица – матрица, строки и столбцы которой соответствуют одной и
той же последовательности элементов (переменных или объектов).
Кластерный анализ – процедура, на основе заданного правила объединяющая
объекты или переменные в группы, называемые кластерами.
Количественная переменная – переменная, значения которой (в отличие от
категориальной) отражают уровень выраженности у объектов соответствующего признака в
метрической или порядковой шкале.
Корреляционная связь – согласованные изменения двух или большего количества
признаков (множественная корреляционная связь).
Корреляция – мера степени и направления связи между значениями двух
переменных.
Корреляция между формами – в анализе надежности половинного расщепления
приближенное значение надежности измерения в предположении, что обе половины
содержат одинаковое число пунктов.
Корреляция между элементами – в анализе надежности это описательная
информация о корреляциях каждого пункта с суммой всех остальных пунктов.
Коэффициент корреляции – мера связи двух переменных, обозначаемая символом r
и принимающая значения от -1 до +1.
Коэффициенты регрессии – В-коэффициенты, то есть множители при переменных,
входящих в состав регрессионного уравнения, а также константа.
Линия регрессии – прямая линия на графике двухмерного рассеивания, отражающая
наиболее точные прогнозируемые значения («линия наилучшего соответствия»).
Максимум – наибольшее наблюдаемое значение распределения переменной.
34
Матрица различий – матрица, каждое значение которой соответствует различию
между двумя объектами.
Медиана – значение переменной, делящее упорядоченное множество всех значений
выборки ровно пополам: у половины объектов выборки значения переменной больше, а у
другой половины меньше медианы.
Межгрупповая сумма квадратов – сумма квадратов разностей между главным
средним значением и средними значениями групп, умноженных на весовые коэффициенты,
равные числу объектов в соответствующих группах.
Метод главных компонентов – метод, применяемый SPSS по умолчанию в
факторном анализе для извлечения факторов.
Метод иерархического слияния – метод, используемый в кластерном анализе, при
выполнении которого объекты объединяются в кластеры по одному на каждом шаге до тех
пор, пока не будет образован единственный кластер, охватывающий все объекты.
Метрическая
переменная
–
количественная
переменная,
соответствующая
измерению признака в шкале интервалов или отношений. В отличие от ранговой
(порядковой) переменной, при сравнении объектов позволяет судить не только о том, больше
или меньше выражен признак, но и о том, насколько больше (меньше) он выражен.
Минимум – наименьшее наблюдаемое значение распределения переменной.
Многомерное шкалирование – метод, позволяющий на основе матрицы различий
между объектами построить одно-, двух- или трехмерное изображение, иллюстрирующее
удаленность этих объектов друг от друга.
Многомерные критерии значимости – в многомерном дисперсионном анализе
набор критериев, позволяющих определить влияние факторов и их взаимодействий на
совокупность зависимых переменных.
Многомерный
дисперсионный
анализ
(MANOVA).
Отличие
многомерного
дисперсионного анализа от одномерного (ANOVA) заключается в том, что число зависимых
переменных в нем может быть теоретически любым.
Многомерный дисперсионный анализ с повторными измерениями – вид
дисперсионного анализа, в котором одна и та же группа объектов подвергается действию
каждого уровня независимой переменной.
Многомерный
ковариационный
анализ
(MANCOVA)
–
многомерный
дисперсионный анализ с включением в анализ ковариат.
Множественный регрессионный анализ – метод, позволяющий спрогнозировать
значения зависимой переменной на основе известных значений независимых переменных.
Мода – наиболее часто повторяющееся значение распределения переменной.
35
Накопленная частота – суммарное число объектов, имеющих значение переменной,
не большее, чем указано.
Накопленный процент – процент объектов от общего числа, имеющих значение
переменной, не большее, чем указано.
Нелинейная
регрессия
–
процедура
вычисления
параметров
нелинейного
регрессионного уравнения.
Неортогональное вращение – процедура, используемая в факторном анализе,
допускающая результат, в котором угол между факторами отклоняется от прямого.
Непараметрические критерии – серия критериев, каждый из которых применяется
без
предварительных
допущений
относительно
нормальности
распределения.
Непараметрические критерии основаны на ранжировании, попарных сравнениях и других
средствах, не требующих нормальности распределения переменных.
Нормальное распределение – распределение частот (вероятностей), графически
представляемое в виде симметричной кривой, имеющий пик в центре и асимптотически
приближающееся к горизонтальной оси по краям. Идеальное нормальное распределение
характеризуется нулевыми значениями асимметрии и эксцесса.
Нулевая гипотеза – гипотеза об отсутствии различий.
Общая сумма квадратов – сумма квадратов отклонений всех значений от среднего
значения всего распределения.
Общность – в факторном анализе мера, характеризующая долю дисперсии
переменной, обусловленную воздействием всех факторов.
Ожидаемое значение – в регрессионном анализе термин «ожидаемое значение»
эквивалентен термину «прогнозируемое значение» и означает величину, получаемую для
каждого объекта в результате подстановки значений переменных для него в уравнение
регрессии.
Остаток – разность между наблюдаемым и ожидаемым значениями. Эта величина
относится к части дисперсии, которая не объясняется воздействием независимых
переменных.
Отклонение – расстояние и направление (отрицательное или положительное) между
средним и данным значениями.
Параметр – некоторая числовая характеристика генеральной совокупности.
Параметрические критерии – критерии, применяемые в предположении о
нормальном распределении переменных в генеральной совокупности.
Порядковая шкала – шкала, классифицирующая по принципу «больше – меньше».
36
Пошаговый выбор переменных – процедура, включающая и исключающая
переменные из дискриминантного или регрессионного уравнения в соответствии с
выбранными критериями.
Прямоугольная матрица – матрица, для которой строкам и столбцам соответствуют
разные последовательности элементов (объектов или переменных).
Размах – характеристика распределения, равная разности между минимумом и
максимумом распределения.
Ранговая (порядковая) переменная – количественная переменная, отражающая
измеренное качество на уровне порядка: в большей или меньшей степени оно выражено. В
отличие от метрической шкалы не позволяет судить о том, насколько больше или меньше
выражено качество, поэтому не допускает применения арифметических операций.
Распределение – статистическое понятие, обозначающее соотношение значений
признака и частот (вероятностей) их встречаемости. Распределение (вероятностей, частот)
может быть представлено в виде формулы для функции распределения вероятностей,
графика
распределения
частот
(гистограммы,
столбиковой
диаграммы),
таблицы
распределения частот.
Регрессионный анализ – инструмент статистики, позволяющий прогнозировать
значения зависимой переменной с помощью известных значений независимых переменных.
Регрессия – в множественном регрессионном анализе этим термином обозначается
статистика, отражающая влияние предикторов на зависимую переменную.
Симметричная матрица – квадратная матрица, для которой в каждой паре ячеек,
расположенных симметрично относительно главной диагонали, содержатся одинаковые
значения. Типичным примером симметричной матрицы является корреляционная матрица.
Собственное значение – в факторном анализе эта величина пропорциональна доле
дисперсии, обусловленной влиянием данного фактора; в дискриминантном анализе
отношение межгрупповой суммы квадратов к внутригрупповой сумме квадратов. Чем
больше собственное значение, тем выше точность дискриминантной функции.
Средний квадрат – отношение суммы квадратов к числу степеней свободы.
Стандартная ошибка – стандартное отклонение величины, получаемое в результате
ее многократного вычисления для случайных выборок. Как правило, стандартная ошибка
вычисляется для среднего значения распределения.
Стандартное отклонение – мера разброса значений распределения вокруг среднего.
Стандартное отклонение определяется как квадратный корень дисперсии.
Статистические гипотезы – предположения о свойствах и параметрах генеральной
совокупности.
37
Статистический критерий – правило, обеспечивающее принятие истинной и
отклонение ложной гипотезы с высокой вероятностью; метод расчета определенного числа,
само это число.
Столбиковая диаграмма – график распределения частот по категориям (значениям)
переменной. Каждый столбец на графике соответствует одному значению признака, а его
высота пропорциональна частоте встречаемости этого значения.
Стресс – в многомерном шкалировании мера соответствия модели исходной матрице
различий. Чем меньше значение стресса, тем лучше соответствие модели.
Сумма квадратов – стандартная мера разброса, представляющая собой сумму
квадратов отклонений всех значений величины от среднего значения.
Таблица распределения (частот) – таблица, устанавливающая соотношение между
категориями (значениями) признака и частотами их встречаемости.
Таблица сопряженности (кросстабуляции) – таблица совместного распределения
частот для двух категориальных или дискретных переменных; строки соответствуют
категориям (значениям) одной, а столбцы — другой переменной.
Уровень значимости – вероятность того, что различия сочли существенными, когда
они на самом деле случайны.
Фактор – в факторном анализе объединение нескольких переменных, чья взаимная
корреляция исчерпывает определенную долю общей дисперсии. После процедуры вращения
каждый фактор интерпретируется как некоторая общая причина взаимосвязи группы
переменных.
Факторный анализ – статистический метод, который используется при обработке
больших массивов экспериментальных с целью сокращения числа переменных и
определения структуры взаимосвязей между переменными.
Частота (абсолютная) – количество объектов в выборке, имеющих данное значение
признака.
Частота относительная – доля объектов в выборке, имеющих данное значение
признака; равна отношению абсолютной частоты к объему выборки.
Число степеней свободы (df) – количество возможных направлений изменчивости
статистического показателя, наряду с эмпирическим значением критерия служит для
определения р-уровня значимости.
Шкала наименований – шкала, классифицирующая по названию.
Шкала равных отношений – шкала, классифицирующая объекты пропорционально
степени выраженности измеряемого свойства.
38
Эксцесс – мера «сглаженности» («островершинности» или «плосковершинности»)
распределения. Если значение эксцесса близко к 0, это означает, что форма распределения
близка к нормальному виду.
РАЗДЕЛ 5. МЕТОДИЧЕСКИЕ УКАЗАНИЯ ДЛЯ ВЫПОЛНЕНИЯ КОНТРОЛЬНЫХ,
КУРСОВЫХ И ВЫПУСКНЫХ КВАЛИФИКАЦИОННЫХ РАБОТ
Выполнение контрольных, курсовых, выпускных квалификационных работ не
предусмотрено планом.
РАЗДЕЛ 6. ДАННЫЕ О МУЛЬТИМЕДИЙНЫХ ЛЕКЦИЯХ
(не предусмотрены)
Разработаны мультимедийные лекции:
№ п/п
Наименование
2.
Основные понятия, используемые в математической обработке психологических
данных. Измерительные шкалы. Признаки и переменные
Статистические гипотезы
3.
Меры связи психологических переменных
4.
Методы обработки психологических данных
1.
39