КАК РАЗНОВИДНОСТИ КВАЗИЭКСПЕРИМЕНТА

(продолжение)

Планирование корреляционного исследования

При корреляционном исследовании все измеряемые переменные – зависимые. Корреляционное исследование разбивается на серию независимых друг от друга измерений: каждый испытуемый Р в группе тестируется (измеряется). В общем виде план такого исследования описывается как Р х О (испытуемые х измерения (=операции), реализация его дает исходную матрицу смешения.

Обработку данных этой матрицы можно вести, коррелируя 1) строки исходной матрицы или 2) ее столбцы. Коррелируя между собой строки, мы сопоставляем друг с другом испытуемых; эти корреляции интерпретируются как коэффициенты сходства-различия людей между собой. Разумеется, Р-корреляции можно вычислять лишь в том случае, если данные приведены к одной шкальной раз­мерности, в частности с помощью Z-преобразования.

Коррелируя между собой столбцы, мы проверяем гипотезу о связи измеряемых переменных (признаков, свойств, черт). В этом случае их размерность не имеет никакого значения. Такое исследование называется структурным, так как в итоге мы получаем матрицу корреляций измеренных переменных, которая выявляет структуру связей между ними.

В исследовательской практике часто возникает задача выявить временные корреляции параметров или же обнаружить изменение структуры корреляций параметров во времени. Примером таких исследований являются лонгитюды. План лонгитюдного исследования представляет собой серию отдельных замеров одной или нескольких переменных через определенные промежутки времени. Результаты этих замеров исследователь коррелирует между собой.

Рассмотрим основные типы корреляционного исследования.

1. Сравнение двух групп (условно корреляционное исследование). Применяется для установления сходства или различия двух естественных или рандомизированных групп по выраженности того или иного психологического свойства или состояния. Отличаются ли мужчины и женщины по уровню экстраверсии? Для этого надо провести измерение экстраверсии в группах с помощью теста Айзенка. Средние результаты сравниваются с помощью t-критерия Стьюдента (при необходимости сравниваются дисперсии показателя экстраверсии по критерию F).

Сопоставление 2 групп содержит в себе источники рядаартефактов, характерных для корреляционного исследования. Если мы работаем с естественными группами, то проблемами становятся 1) разновременность тестирования групп (и внутри групп) и 2) перемешивание групп в ходе исследования (если исследователь задался целью сравнить две учебные группы по уровню успеваемости, он должен позаботиться о том, чтобы не произошло их «перемешивания» в ходе исследования).

2. Исследование одной группы в разных условиях. Примером может слу­жить изменение уровня тревожности детей при переходе из детского сада в 1-й класс школы: группа одна и та же, а условия различные.

Почему это корреляционное исследование? – Потому что здесь мы не управляем уровнем независимой переменной, а лишь констатируем изменение поведения индивида в новых условиях. Схема этого плана: A0₁ ВО₂ где А и В – разные условия.

Главные артефакты этого плана – кумуляция эффектов последовательности, тестирования и естественного развития (временной фактор).

Обработка данных сводится к оценке сходства между результатами тестирования в условиях А и В. (Для контроля эффекта последовательности можно произвести контрбалансировку и перейти к корреляционному плану для двух групп: АО₁ ВО₂ –ВО₃ АО₄ В этом случае мы можем рассматривать условия А и В как воздействия).

3. Лонгитюдное корреляционное исследование. Воздействующей пе­ременной считается время. Яв­ляется аналогом плана тестирования одной группы в разных условиях. Только усло­вия считаются константными. Результатом любого временного исследования (в том числе и лонгитюдного) является построение временного тренда измеряемых пере­менных, которые могут быть аналитически описаны теми или иными функциональ­ными зависимостями.

Лонгитюдное корреляционное исследование строится по плану временных се­рий с тестированием группы через заданные промежутки времени. Помимо эффектов обучения, последовательности и т. д. в лонгитюдном исследовании следует учи­тывать эффект выбывания: не всех испытуемых, первоначально принимавших учас­тие в эксперименте, удается обследовать через какое-то определенное время. Воз­можно взаимодействие эффектов выбывания и тестирования (отказ от участия в последующем обследовании) и т. д.

4. Корреляционное исследование попарно эквивалентных групп. Этот план ис­пользуется при исследовании близнецов методом внутрипарных корреляций. Близнецы разбиваются на две группы: в каждой — один близнец из пары. У близнецов обеих групп измеряют интересующие исследователя психические признаки. Затем вычисляется корреляция между признаками (0-корреляция) или близнецами (Р-корреляция). Существует множество более слож­ных вариантов планов психогенетических исследований близнецов.

Основные артефакты, которые возникают в ходе корреляционных исследовании – это эффекты: последовательности (симметричный или асимметричный перенос), научения, фоновых воздействий, «естественного» развития, взаимодействия процедуры тестирования и состава группы. Последний эффект проявляется при ис­следовании неоднородной группы: так интроверты хуже сдают экзамены, чем экст­раверты, «тревожные» хуже справляются со скоростными тестами интеллекта. Пример. Необходимо было выявить, как влияет вид задания на успешность выполнения сменяющих одна другую задач. По предположению, для испытуемых не безразлично, в какой последовательности им даются тесты. Были выбраны задания на креативность (из теста Торренса) и на общий интеллект (из теста Айзенка). Задачи давались испытуемым в случайном порядке. Оказалось, что если задание на креативность выполняется первым, то скорость и точность реше­ния задачи на интеллект снижается. Обратного эффекта не наблюдалось. Не вдава­ясь в объяснения этого явления (это сложная проблема), заметим, что здесь мы столкнулись с классическим эффектом асимметричного переноса.

Многомерный анализ

Двумерный анализ направлен на исследование взаимосвязей между любыми двумя переменными. С помощью многомерного анализа изучаются взаимосвязи более чем двух переменных (часто количество переменных заметно превышает две). До сих пор мы рассматривали случаи двумерного анализа, за исключением примера с частичной корреляцией, в котором оценивалось влияние третьей переменной на взаимосвязь между двумя другими. Далее коротко познакомимся с двумя распространенными процедурами многомерного анализа – множественной регрессией и факторным анализом.

Множественная регрессия

В случае простой регрессии рассматриваются две переменные: предикторная и критериальная. Если оценки SAT (Американский школьный тест проверки способностей – предикторная переменная) коррелируют со средним баллом первокурсников, то их можно использовать для предсказания академической успеваемости. Однако, такой феномен, как «успеваемость в колледже» не так прост, как кажется. Оценки теста SAT могут говорить о будущей высокой успеваемости, но как быть с такими факторами влияния на успеваемость, как «мотивация», «высокие школьные оценки» или «уклонение от занятий физикой»?

Множественная регрессия помогает решить проблему использования более чем одной предикторной переменной. В исследовании, проводимом методом множественной регрессии, применяется одна критериальная, а также две или более предикторных переменных. Такой анализ позволяет не только выяснить, что на основании этих двух или более переменных можно предсказать определенный критерий, но также определить относительную предсказательную силу этих переменных. Эта сила отображается в формуле множественной регрессии для исходных данных, которая представляет собой расширенный вариант формулы простой регрессии:

Простая регрессия: Y = а + bХ. Множественная регрессия: Y= а + b₁Х ₁ + b₂ X₂ +...+ b_nХn, где каждый X - это отдельная предикторная переменная, Y – это критериальная переменная, а величина показателей b отражает относительную важность каждой предикторной переменной. Этот показатель называют «весом регрессии». В результате анализа по методу множественной регрессии получают множественный коэффициент корреляции (R) и множественный коэффициент детерминации (R²). R – это корреляция между объединенными предикторными переменными и критерием, a R² – показатель степени изменчивости критериальной переменной, вызванной объединенными предикторными переменными. Для обозначения многомерных R и R² используются большие буквы – тем самым их можно отличить от двумерных пирсонова г и r². Однако их интерпретации весьма схожи. И R, и г обозначают силу корреляции, a R² и г² – долю изменчивости, общей для нескольких переменных.

Преимущество анализа методом множественной регрессии заключается в том, что при объединении влияния нескольких предикторных переменных (особенно если они не слишком сильно коррелируют друг с другом) возможность сделать верные предположения заметно увеличивается в сравнении с обычным регрессионным анализом. Высокие школьные оценки уже сами по себе говорят о будущей хорошей успеваемости в колледже, так же как и оценки теста SAT, но на основании двух этих показателей можно делать предсказания с большей уверенностью. Чтобы получить представление о том, в каких исследованиях применяют анализ методом множественной регрессии, рассмотрим следующие примеры.

1. Исследование, предсказывающее развитие эмпатии (сопереживания) на основании двух аспектов событий раннего детства: студенты, сопереживающие другим людям, обычно имели в детстве стрессовые переживания, что сделало их более чувствительными к переживаниям других. Тяжесть полученной в детстве травмы, как признак развития будущей эмпатии, имеет больший вес, чем общее число травматических событий.

2. Исследование, предсказывающее развитие восприимчивости к простуде на основании негативных событий жизни, воспринимаемого стресса и отрицательных эмоций. Можно подумать, что простуда развивается потому, что человек провел какое-то время слишком близко от непрерывно чихавшего человека. Однако специальное исследование показало, что простудные заболевания можно предсказать на основании трех факторов, связанных со стрессом. Чаще всего простужаются те студенты, которые: а) в недавнее время пережили стрессовое событие, б) чувствуют, что к ним предъявляются завышенные требования, и в) описывают свой общий эмоциональный фон как негативный.

Факторный анализ

Вторая многомерная процедура – это факторный анализ. В ходе факторного анализа определяются значения большого количества переменных, находится корреляция между ними, а затем выявляется группы переменных, образующие «факторы».

Поясним эту идею на простом примере. Предположим, школьникам даны следующие задания: словарный тест (СЛ); тест на понимание прочитанного (ПП); тест на аналогии (например, доктор связан с пациентом, как адвокат с _ ) (АН); тест по геометрии (ГЕОМ); тест на решение головоломок (РГ); тест на вращение фигур (ВФ).

Для всех возможных пар тестов можно вычислить г Пирсона, в результате получится матрица корреляции:

Видно, что некоторые значения корреляции образуют группы. Все корреляции между словарем, пониманием прочитанного и аналогиями довольно высоки. Это верно и для геометрии, головоломок и вращения фигур. Корреляции между тестами, принадлежащими к разным группам, практически равны нулю. Это говорит о том, что эти тесты направлены на исследование двух существенно различающихся умственных способностей, или «факторов». Мы можем обозначить их как «беглость речи» и «пространственные навыки».

Факторный анализ — это сложный статистический метод, с помощью которого из набора взаимных корреляций выделяются отдельные факторы. При анализе данной матрицы без сомнения будут выделены те же два фактора. В ходе анализа также определяются «факторные нагрузки», представляющие собой корреляции между каждым из тестов и каждым из выделенных факторов. В приведенном выше примере первые три теста будут иметь «высокую нагрузку» на фактор 1 (беглость речи), а вторые три – «высокую нагрузку» на фактор 2 (пространственные навыки). Конечно, в реальном исследовании корреляции никогда не группируются так четко, как в данном примере, и полученные результаты нередко приводят исследователей к бурным дискуссиям по поводу того, действительно ли обнаружены различные факторы. Также возникают расхождения в том, как правильно называть факторы, ведь факторный анализ сам по себе лишь выявляет факторы, а как их назвать — это решают сами исследователи.

Факторный анализ применялся в одном из самых долгих психологических споров – является ли интеллект единым свойством человека. Чарльз Спирмен – основоположник факторного анализа (начало XX в.), – считал, что все тесты интеллекта имеют одинаковую нагрузку на один фактор, который он назвал фактором общего интеллекта, или g (от англ, general). Более того, по его мнению, каждый тест должен давать высокую нагрузку на второй фактор, включающий навык, проверяемый данным тестом (например, математические способности). Эти факторы второго порядка, или «особые», он обозначил как s (от англ, special). Согласно его «двухфакторной» теории, выполнение тестов интеллекта напрямую зависит от общего интеллекта человека (g) и его особых навыков (s). Спирмен считал, что g наследуется, а различные s-факторы приобретаются в процессе обучения.

Другие исследователи, и в том числе Льюис Терстоун, считали, что интеллект состоит из множества факторов, и отвергали существование общего фактора g. По результатам факторного анализа Терстоун сделал вывод, что существуют семь различных факторов, которые он назвал «первичными умственными способностями»: понимание речи, беглость речи, навыки счета, пространственные навыки, память, скорость восприятия и способность к рассуждениям.

Вопрос о том, является ли интеллект единым целым, продолжает ставить в тупик ученых, занимающихся его измерением, и его обсуждение не входит в нашу задачу. Для нас важно, что факторный анализ может привести к различным результатам. Это связано с тем, что а) существует несколько разновидностей факторного анализа, по-разному оценивающих, насколько высокой должна быть корреляция для выявления отдельных факторов, и б) в различных исследованиях этой проблемы используются различные тесты интеллекта. Поэтому исследователи, использующие различные подходы и тесты, получают самые разные результаты. Говоря коротко, так же, как и остальные статистические методы, факторный анализ — это лишь инструмент, и он не может сам по себе решать такие теоретические вопросы, как природа интеллекта.

Итак, корреляционные процедуры играют заметную роль в современных психологических исследованиях. Очень часто в них возникает необходимость, если экспериментальные процедуры использовать невозможно. Кроме того, разработка сложных многомерных процедур упростила решение вопроса о причинах и следствиях по сравнению с прошлым, когда большинств корреляционных процедур были двумерными по своей природе.

Лекция 17