Многомерное шкалирование в психологии

Введение
1. Задачи многомерного шкалирования и их решение
2. Схема процедуры многомерного шкалирования
3. Подходы к многомерному шкалированию
4. Исследование субъективного восприятия
5. Пример использования метода многомерного шкалирования при выявлении различий и сходств субъективных оценок.
Заключение
Список использованной литературы

Метод многомерного шкалированияможет содержать от2 до 9 шкал. Если признаков не много, как в данном примере, только 5 писателей, то много шкал не потребуется. Поэтому выбираем все параметры по умолчанию. Необходимо поставить галочку на порядковой шкале, выбрать переменные и настройки (Рис.8.).Рис..8. Выбор параметров многомерного шкалированияВ окне вывода появится следующий результат (Рис.9.)Рис.9. РезультатВ результате представлена идеальная подгонка результатов для каждой из двух матриц - для каждого субъекта. Далее выводятся веса (Рис.10).Рис.10 Таблица весовТеперь необходимо их правильно интерпретировать. Не всегда интерпретация полученногорезультата является однозначной, это определяется целью исследования. По результату видно, что оба субъекта, отличают Куприна от Лермонтова и Пушкина. Но по какому критерию берутся эти различия? Во второй шкале Пушкин и Толстой стоят с отрицательным знаком, а Лермонтов и Некрасов с положительным, так у субъектов имеется некоторый критерий, по которому они находят общее в творчестве Пушкина и Толстого и это общее не похоже на общеев творчестве Лермонтова и НекрасоваВ окне результата, отображаются индивидуальные веса (Рис. 11)Рис.11. Индивидуальные весаЭти веса показывают разницу в том, каким образом каждый субъект разделяет общую точку зрения.Видно, что вторая шкала показываеткакое-то глубокое понимание творчества писателей. Первый субъект имеет вес 0,94 которыйсоответствует второй шкале. Предполагается, что для него важнынекоторые глубокие закономерности. Касательно второго субъекта, обращаем внимание на то, что первая шакала может описывать различияи в творчестве писателей, иво времени их рождения. Лермонтов и Пушкин в один и тот же период, Куприн родился позже. Предполагается, что для второго субъекта первая шкала имеет самый большой вес, так как он учел временные различия, а не литературные.Но это только одна из интерпретаций. Многомерное шкалирование является сложным методом.Результат многомерного шкалирования носят качественный характер. Ещё одним примером многомерного шкалирования является изучение субъективного предпочтения людей напримере тех же писателей -какие писателибольше по душе.Изучая субъективные предпочтения лучше пользоваться прямоугольной матрицей.Рис.12. Задание параметров матрицыЗадаемчисло строк равное 4 т.к. в этом примере - 4 испытуемыхРис 13. Определение параметров моделиНа рис. 13 показан выбор параметров модели. Галочка ставится на развязывать связанные ранги, в том случае если много испытуемых. В окне вывода величиныS-стреса и RSQ для каждой шкалы располагаются отдельно (Рис. 14).Рис.15. Величины S-стресса для каждой шкалыРезультат работы метода многомерного шкалирования приведен на рисунке 16.Рис.16. Таблица весовСубъектыотдают свои предпочтениятаким писателям как Пушкин и Куприн с одной стороны, и Лермонтову с другой, так как он имеет противоположный знак.Вторая шкала показывает, что субъектам нравятсяТолстой и Некрасов, и Достоевский, с другой стороны.Видно, чтосубъекты противопоставляют писателей.Первый субъект предпочел Лермонтова, а четвертый Достоевского. Наглядно предпочтениеможно увидеть,используя график конфигурации стимулов (Рис.17).Рис.17. График конфигурации стимуловРассмотрев три примера можно сделать вывод о том, что метод многомерного шкалирования прекрасно выделит сходства и различия субъективных оценок, что удобно использовать в различных психологических тестированиях для выявления как явных, так и скрытых закономерностей, и зависимостей. ЗаключениеМетод многомерного шкалирования предназначен для проведения исследования структур данных, отражающих особенности субъекта. С помощью таких данных можно выявлять признаки, которые лежат в основе сходства и различия стимулов, и строить модели принятия решений о таком сходстве. Важно отметить, что метод многомерного шкалирования работает в тех случаях, при которых сходства и различия среди стимулов анализируемого объекта возникают с одной зависимостью. Если сравнивая одну пару стимулов субъекты берут за основу одну систему признаков, а сравнивая другую пару — другую систему, в этом случае метод многомерного шкалированияне дает хороших результатов.Помимо этого, исход будет сильно зависеть от предлагаемых наборов стимулов. Одинаковые стимулы, включаемые в различныемножества, могут описываться различнымипризнаками. Это происходит из-за того, чторазницасреди стимулов одного множества можетописываться расхождением по одному фактору, а разницасреди стимулов другого множества — расхождением по другому фактору. Например, при предъявлении испытуемому стимулов одной формы, но различных цветов, он обратит внимание только на цвет. Если же при этом изменять стимулы и по форме, то испытуемый заметит и изменения формы. Еще раз важно подчеркнуть, что при помощипроцедур многомерного шкалирования выявляются лишь те признаки, которые подчеркивают различия исследуемого набора данных, но не выявляютсяпризнаки, по которым данные похожи.Списокиспользованнойлитературы1. Anderson A. J. В. Numeric examination of multivariate soil samples.—Math. Geol, 1971, v. 3, N 1, р. 1-15.2. Carroll J. D., Chang J. J. Analysis of individual differences in multidimentional scaling via an N-way generalisation of «Eckart — Young» decomposition.— Psychometri-ka. 1970, v. 35, N 3, р. 283-321.3. Frumkina R. M., Andrukovich P. F., Terekhina A. Ju. Computational methods in the Analysis of Verbal Behaviour.— In: Computational and mathematical linguistics, Firence, 1976.4. Guttman L. A general nonmetric technique for finding the smallest coordinate space for a configuration of points.— Psychometrica, 1968, v. 33, N 4, p. 469-506.5. Johnson R. M. Pairwise nonmetric multidimensional scaling.—Psychometrika, 1973, v. 38, N 1, р. 11-18.6. Kruskal J. В. Multidimensional scaling by optimizing goodness of fit to a nonmetric hypothesis.—Psychometrika, 1964, v. 29, N 1-2, p. 1-27, 115-129.7. Sammon J. W. A nonlinear mapping for data structure analysis. IEEE Trans. Computers, 1969, v. 18, N 5, р. 401-409.8. Shepard R. M. The analysis of proximities: multidimensional scaling with an unknown distance function.—Psychometrika, 1962, v. 27, N 2-3, p. 125-139, 219-246.9. Torgerson W. S. Multidimensional scaling: I Theory and method. Psychometrika, 1952, v. 17, N 3, р. 401-419.10. Герганов Е. Н., Терехина Л. Ю., Фрумкина Р. Х Анализ восприятия звуковых стимулов индивидами-носителями разных фонетических систем.— В сб. Вопросы кибернетики: экспертные оценки, АН СССР. Научный совет по комплексной проблеме «Кибернетика». M., 1979, с. 180-189.11. Терехина А. Ю. Методы многомерного шкалирования и визуализации данных. Автоматика и телемеханика, № 7, 1973, с. 86-94.12. Терехина А. Ю. О двух задачах индивидуального многомерного шкалирования, Автоматика и телемеханика, № 4, 1974, с. 135-142.13. Терехина А. Ю. Многомерный анализ субъективных данных о сходствах или различиях. Препринт, ВНИИСИ, M., 1978.14. Психологический журнал, Том 4, №1. — 1983. — С.76-88