Что подразумевает качественный метод обработки данных. Количественный и качественный анализ данных, полученных в ходе исследования

психологический исследование метод

Методы обработки экспериментальных данных разделяют на количественные и качественные.

К первым относится математико-статистическая обработка, ко вторым - описание типичных проявлений или исключений из общего правила.

К математико-статистической обработке следует отнести все процедуры перевода качественных данных в количественные показатели: экспертная оценка по шкале, рейтинг, нормирование, а также все формы статистического анализа - корреляционный, регрессионный, факторный, дисперсионный, кластерный и т.д.

Рассмотрим некоторые из них.

Метод экспертных оценок - формализованная процедура сбора, анализа и интерпретации независимых суждений достаточного количества экспертов о степени выраженности каждого из подлежащих оценке психологических качеств или явлений. Его широко применяют в психологии личности. При этом, экспертные оценки наиболее целесообразно проводить не в виде описания качественных проявлений свойств (это гораздо эффективнее сделать в последующей беседе с экспертами), а в виде количественной оценки степени того или иного свойства или элемента поведения.

Факторный метод - он представляет собой систему моделей и методов для преобразования исходного набора признаков к более простой и содержательной форме. Он базируется на предположении, что наблюдаемое поведение испытуемого может быть объяснено с помощью небольшого числа скрытых характеристик, называемых факторами.

При использовании этого метода обобщение данных представляет собой группировку испытуемых по степени их близости в пространстве измеряемых признаков, то есть выделяются группы похожих испытуемых.

Существуют два основных варианта постановки задачи:

Группировка испытуемых на незаданные группы;

Группировка испытуемых на заданные группы.

Задача группировки испытуемых на незаданные группы. Этот вариант задачи формулируется следующим образом: имеется многомерное психологическое описание выборки испытуемых и требуется осуществить их разделение на однородные группы, то есть такое разделение, при котором в составе выделенных групп оказались бы испытуемые, похожие по психологическим характеристикам. Такая постановка задачи группировки испытуемых соответствует интуитивным представлениям о типе личности.

Для решения этой задачи используется кластерный анализ, который разработан в рамках математической теории распознавания образов.

Задача группировки испытуемых на заданные группы. При решении этой задачи предполагается, что имеются результаты многомерного психологического обследования нескольких групп испытуемых и о каждом испытуемом заранее известно, к какой группе он принадлежит. Задача заключается в том, чтобы найти правило разбиения испытуемых на заданные группы по психологическим характеристикам.

Кластерный метод - метод автоматической классификации, предназначенный для анализа структуры взаимного расположения испытуемых в S пространстве измеряемых признаков. Он позволяет производить объективную классификацию испытуемых по большому набору признаков и основывается на гипотезе «компактности». Если представить каждого испытуемого в виде точки в многомерном пространстве признаков, то естественно предположить, что геометрическая близость точек в этом пространстве указывает на схожесть соответствующих испытуемых. Методы кластерного анализа (автоматической классификации) дают возможность получать сокращенное описание распределения испытуемых путем выделения их скоплений в пространстве исследуемых признаков Психология. Учебник / под ред. В.Н. Дружинина - М.: ЮНИТИ, 2009. С. 101. .

Обработка данных направлена на решение следующих задач:

1) упорядочивание исходного материала, преобразование множества данных в целостную систему сведений, на основе которой возможно дальнейшее описание и объяснение изучаемых объекта и предмета;

2) обнаружение и ликвидация ошибок, недочетов, пробелов в сведени­ях; 3) выявление скрытых от непосредственного восприятия тенденций, закономерностей и связей; 4) обнаружение новых фактов, которые не ожидались и не были замечены в ходе эмпирического процесса; 5) вы­яснение уровня достоверности, надежности и точности собранных дан­ных и получение на их базе научно обоснованных результатов.

Обработка данных имеет количественный и качественный аспек­ты. Количественная обработка есть манипуляция с измеренными ха­рактеристиками изучаемого объекта (объектов), с его «объективизиро­ванными» во внешнем проявлении свойствами. Качественная обра­ботка - это способ предварительного проникновения в сущность объекта путем выявления его неизмеряемых свойств на базе количе­ственных данных.

Количественная обработка направлена в основном на формальное, внешнее изучение объекта, качественная - преимущественно на со­держательное, внутреннее его изучение. В количественном исследова­нии доминирует аналитическая составляющая познания, что отражено и в названиях количественных методов обработки эмпирического ма­териала, которые содержат категорию «анализ»: корреляционный ана­лиз, факторный анализ и т. д. Основным итогом количественной обра­ботки является упорядоченная совокупность «внешних» показателей объекта (объектов). Реализуется количественная обработка с помощью математико-статистических методов.

В качественной обработке доминирует синтетическая составляю­щая познания, причем в этом синтезе превалирует компонент объеди­нения и в меньшей степени присутствует компонент обобщения. Обоб­щение - прерогатива следующего этапа исследовательского процес­са- интерпретационного. В фазе качественной обработки данных главное заключается не в раскрытии сущности изучаемого явления, а пока лишь в соответствующем представлении сведений о нем, обеспе­чивающем дальнейшее его теоретическое изучение. Обычно результа­том качественной обработки является интегрированное представление о множестве свойств объекта или множестве объектов в форме класси­фикаций и типологий. Качественная обработка в значительной мере апеллирует к методам логики.

Противопоставление друг другу качественной и количественной обработок (а, следовательно, и соответствующих методов) довольно условно. Они составляют органичное целое. Количественный анализ без последующей качественной обработки бессмыслен, так как сам по себе он не в состоянии превратить эмпирические данные в систему зна­ний. А качественное изучение объекта без базовых количественных данных в научном познании - немыслимо. Без количественных дан­ных качественное познание - это чисто умозрительная процедура, не свойственная современной науке. В философии категории «качество» и «количество», как известно, объединяются в категории «мера». Един­ство количественного и качественного осмысления эмпирического ма­териала наглядно проступает во многих методах обработки данных: факторный и таксономический анализы, шкалирование, классифика­ция и др. Но поскольку традиционно в науке принято деление на коли­чественные и качественные характеристики, количественные и каче­ственные методы, количественные и качественные описания, примем количественные и качественные аспекты обработки данных как само­стоятельные фазы одного исследовательского этапа, которым соответ­ствуют определенные количественные и качественные методы.

Качественная обработка естественным образом выливается в опи­сание и объяснение изучаемых явлений, что составляет уже следую­щий уровень их изучения, осуществляемый на стадии интерпретации результатов. Количественная же обработка полностью относится к эта­пу обработки данных.

3.1. Первичная и вторичная количественная обработка

Процесс количественной обработки данных имеет две фазы: первичную и вторичную.

Первичная количественная обработка нацелена на упорядочивание информации об объекте и предмете изучения, полученной на эмпирическом этапе исследования. К основным методам первичной обработки относятся: табулирование, построение диаграмм, гистограмм (ступенчатая диаграмма), полигонов распределения (соединяются прямыми отрезками верхние точки центральных осей всех участков гистограммы) и кривых распределения (полигон распределения, но плавные кривые линии). Диаграммы отражают дискретное распределение, остальные графические формы – непрерывное.

Вторичная количественная обработказаключается главным образом в статистическом анализе итогов первичной обработки. Здесь важно получить ответы на три главных вопроса.

1. Какое значение наиболее характерно для выборки?

Для решения этого вопроса вычисляются т.н. «меры центральной тенденции». Это величины, являющиеся обобщающими, и к ним относят: среднее арифметическое, медиану, моду, среднее геометрическое и среднее гармоническое. В психологии обычно используют первые три.

Среднее арифметическое (оценка математического ожидания) вычисляется по формуле:

где x i – каждое наблюдаемое значение признака, i – индекс, указывающий на порядковый номер данного значения признака;

n – количество наблюдений.

Медиана (Ме)– это точка на измерительной шкале, выше и ниже которой находится ровно по 50% величин ряда (наблюдений). Её определяют по срединному рангу по формуле:

Т.е., чтобы вычислить медиану, необходимо проранжировать ряд значений (наблюдений). Полученное значение медианы может не соответствовать значению ряда, а находится между двумя соседними значениями, тогда вычисляется среднее арифметическое этих значений.

Например, имеем ряд 3-5-6-7-9-10-11-12. Проранжировав его, имеем 1-2-3-4-5-6-7-8. Ранговая медиана в этом ряду: Ме=8+1/2=4,5. Этому рангу соответствует середина между членами первоначального ряда, имеющими ранги 4 и 5. Следовательно, медиана этого ряда равна 8 (7+9/2). Следует отметить, что величины 8 в ряду нет, но таково значение медианы этого ряда.

Мода (Мо) – это значение, наиболее часто встречающееся в выборке. Пример: 2, 6, 6, 8, 9, 9, 9, 10; Мо=9.

Если все значения в группе встречаются одинаково часто, то считается, что моды нет. Если два соседних значения имеют одинаковую частоту и они больше частоты любого другого значения, мода есть среднее этих двух значений (например: 1, 2, 2, 2, 4, 4, 4, 5, 5, 7; Мо=3). Если то же самое относится к двум несмежным значениям, то существует две моды, а группа значений признака является бимодальной (пример: 0, 1, 1, 1, 2, 3, 4, 4, 4, 7; Мо=1 и 4).

Обычно среднее арифметическое применяется при стремлении к наибольшей точности, и когда впоследствии нужно будет вычислять стандартное отклонение. Медиана – когда в значениях признака есть нетипичные данные (например: 1, 3, 5, 7, 9, 26, 13). Мода – когда не нужна высокая точность, но важна быстрота определения меры центральной тенденции.

2. Велик ли разброс данных относительно среднего значения?

Для ответа на этот вопрос применяются меры изменчивости (рассеивания, разброса). Они позволяют судить о степени однородности полученного множества, о его компактности, и косвенно – о надёжности получаемых результатов. Наиболее используемые в психологических исследованиях: размах, среднее отклонение, дисперсия, стандартное отклонение, квартильное отклонение.

Размах (Р) – это интервал между максимальным и минимальным значениями признака. Определяется легко, но чувствителен к случайностям, особенно при малом числе данных. Пример: (0, 2, 3, 5, 8; Р=8); (-0,2, 1,0, 1,4, 2,0; Р=2,2)

Среднее отклонение (МД) – это среднее арифметическое разницы (по модулю) между каждым значением в выборке и её средним:

где d=│X­M│; где М – среднее выборки; Х – конкретное значение; N – число значений.

Множество всех конкретных отклонений от среднего характеризует изменчивость данных, но, если их не взять по модулю, то их сумма будет равна нулю, и мы не получим информации об их изменчивости. МД показывает степень скученности данных вокруг среднего (иногда вместо М берут Ме или Мо).

Дисперсия (Д) (от лат. – рассыпанный).

Д=∑d 2 /(N-1) или σ х 2 =∑(х i -х ср) 2 *(m i / N-1),

где m i – количество появлений значений х i при N наблюдениях.

Для больших выборок (N≥30) в знаменателе просто N.

Стандартное отклонение или среднее квадратичное отклонение. В психологии принято обозначать эту величину σ (сигма):

σ = √∑(x i – x) 2 /n-1

Коэффициент ковариации является относительной характеристикой рассеивания и рассчитывается по формуле:

V= (σ х / х ср)*100%

Квартильное отклонение (Q). На практике нам часто важно узнать не точку, а интервал значений, следовательно, ось накопленной частоты (если все значения разместить на оси) разбивается на равное количество интервалов. Это S-образная кривая (ось накопленной частоты), где М – генеральная средняя. Функция этой кривой выглядит символически следующим образом:

F(Х) = (1/σ√2π*)∫((-(t-µ) 2)/ 2σ 2)dt

Точки на оси накопленной частоты, делящие её в установленной пропорции, называются квантилями (отсюда название квантильной стандартизации тестов). Среди квантилей выделяют квартили, квинтили, децили, процентили. Например, 3 квартиля (Q 1 , Q 2 , Q 3) делят выборку на 4 равные части (кварты) таким образом, что 25% испытуемых ниже Q 1 , 50% ниже Q 2 , 75% ниже Q 3 , 99 процентилей делят выборку на 100 равных частей (процентов) и т.д.

Квартиль первая вычисляется по формуле: Q 1 =(R 1 +R n/2)/2, т.е. полусумма первого и последнего рангов первой – левой от медианы - половины ряда;

Квартиль третья: Q 3 =(R n/2 +R n)/2, т.е. полусумма первого и последнего рангов второй – правой от медианы – середины ряда.

Полученным значениям рангов соответствуют определённые величины в исходном ряду данных. Для характеристики Распределения вычисляется среднее квартильное отклонение:

Q=(Х 1 (Q 3)-Х 2 (Q 1))/2,

где Х 1 и Х 2 – значения ряда, соответствующие третьей и первой квартили.

Понятно, что при симметричном распределении Q 2 и Ме будут совпадать. А вообще точка на оси, соответствующая Q 2 определяется после отделения 50% всех значений выборки.

3. Существует ли взаимосвязь между отдельными данными в имеющейся совокупности и каковы характер и сила этих связей?

Для решения этого вопроса необходимо вычислить меры связи (корреляции). Меры связи выявляют соотношения между двумя переменными. Эти связи вычисляют с помощью коэффициентов корреляции.

Коэффициент корреляции Карла Пирсона вычисляется путём нормирования ковариации переменных на произведение их среднеквадратических отклонений:

r xy =(∑(x ср -x i)(y ср -y yi)/√∑(x ср -x i) 2 ∑(y ср -y yi) 2 .

Значение коэффициента может варьировать от -1 до +1.

Коэффициент ранговой корреляции Чарльза Эдварда Спирмена:

r s =1-6*∑d 2 /(N(N 2 -1))

Его полученное значение необходимо сравнить с табличным (в справочниках, учебниках по статистике, специальных изданиях и др.).

3.2. Виды количественного анализа данных

Статистический анализ данных, входящий в процедуру обработки результатов исследования включает в себя, кроме указанного, следующее.

1. Дисперсионный анализ (ДА). В отличие от корреляционного, может выявлять зависимость между двумя, тремя и т.д. переменными. Изменения изучаемого признака могут быть вызваны как несколькими переменными, так и их взаимодействием, что может выявить ДА.

2. Факторный анализ. Позволяет снизить размерность пространства данных, т.е. обоснованно уменьшить количество измеряемых признаков за счёт их объединения в некоторые совокупности (факторы). Основой анализа является матрица корреляций, т.е. таблицы коэффициентов корреляции каждого признака со всеми остальными. В зависимости от числа факторов в корреляционной матрице различают:

Однофакторный (по Спирмену);

Бифакторный (по Холзингеру);

Многофакторный (по Терстону.

Весьма сложный математический и логический аппараты факторного анализа часто затрудняют выбор адекватного задачам исследования варианта метода.

3. Регрессионный анализ. Метод позволяет изучать зависимость среднего значения одной величины от вариации другой (других) величины. Специфика метода заключается в том, что хотя бы одна из рассматриваемых величин носит случайный характер. Тогда описание зависимости распадается на две задачи: 1) выявление общего вида зависимости и 2) уточнение путём вычисления оценок параметров зависимости. Решение первой задачи – дело мастерства и интуиции исследователя, т.к. стандартных методов её решения не существует. Решение же второй задачи по сути представляет собой нахождение аппроксимирующей кривой. Чаще всего эта аппроксимация осуществляется с помощью математического метода наименьших квадратов.

Идея этого метода принадлежит Фрэнсису Гальтону, заметившему, что у очень высоких родителей дети были несколько меньше ростом, а у очень маленьких родителей – дети более рослые. Эту закономерность он назвал регрессией.

4. Таксономический анализ. Это математический приём группировки данных в классы (таксоны, кластеры) таким образом, чтобы объекты, входящие в один класс, были более однородны по какому-либо признаку по сравнению с объектами, входящими в другие классы. В итоге появляется возможность определить в той или иной метрике расстояние между изучаемыми объектами и дать упорядоченное описание их взаимоотношений на количественном уровне. В силу недостаточной проработанности критериев эффективности и допустимости кластерных процедур данный метод рассматривается как дополнительный или дополняется другими методами, в частности, факторным анализом.

Общее представление об обработке данных

Обработка данных психологических исследований – от­дельный раздел экспериментальной психологии, тесно свя­занный с математической статистикой и логикой. Обработ­ка данных направлена на решение следующих задач:

Упорядочивание полученного материала;

Обнаружение и ликвидация ошибок, недочетов, пробе­лов в сведениях;

Выявление скрытых от непосредственного восприятия тенденций, закономерностей и связей;

Обнаружение новых фактов, которые не ожидались и не были замечены в ходе эмпирического процесса;

Выяснение уровня достоверности, надежности и точно­сти собранных данных и получение на их базе научно обос­нованных результатов.

Количественная обработка – это работа с измерен­ными характеристиками изучаемого объекта, его «объекти­вированными» свойствами. Она направлена в основном на формаль­ное, внешнее изучение объекта, качественная – преимуществен­но на содержательное, внутреннее его изучение. В количественном исследовании доминирует аналитическая составляющая позна­ния, что отражено и в названиях количественных методов обра­ботки эмпирического материала: корреляционный анализ, фак­торный анализ и т.д. Реализуется количественная обработка с помощью математико-статистических методов.

Качественная обработка пред­ставляет собой способ проникновения в сущность объекта путем выявления его неизмеряемых свойств. При такой обработке преобладают синтетические способы познания. Обобщение проводится на следующем этапе исследовательского процесса – интерпретационном. При качественной обработке данных главное заключается в соответствующем представлении сведений об изучаемом яв­лении, обеспечивающем дальнейшее его теоретическое изуче­ние. Обычно результатом качественной обработки является интегрированное представление о множестве свойств объек­та или множестве объектов в форме классификаций и типо­логий. Качественная обработка в значительной мере апелли­рует к методам логики.

Противопоставление друг другу качественной и количест­венной обработки довольно условно. Количественный анализ без последующей качественной обработки бессмыслен; так как сам по себе не приводит к приращению знаний, а качествен­ное изучение объекта без базовых количественных данных в на­учном познании невозможно. Без количественных данных на­учное познание – чисто умозрительная процедура. Единство количественной и качественной обработки на­глядно представлено во многих методах обработки данных: факторном и таксономическом анализе, шкалировании, классификации и др. Наиболее распространены такие прие­мы количественной обработки, как классификация, типологизация, систематизация, периодизация, казуистика. Качественная обработка естественным образом вылива­ется в описание и объяснение изучаемых явлений, что состав­ляет уже следующий уровень их изучения, осуществляемый на стадии интерпретации результатов. Количественная же обработка полностью относится к этапу обработки данных.

Классификации – это распределение множества объектов по группам (классам) в зависимости от их общих признаков. Сведение в классы может производиться как по наличию обобщающего признака, так и по его отсутствию.

Типологизация – группировка объектов по наиболее существенным для них системам признаков. В основе такой группировки лежит понимание типа как единицы расчленения изучаемой реальности и конкретной идеальной модели объектов действительности. В результате проведения типологизации получают типологию , т.е. совокупность типов . Существует два принципиальных подхода к пониманию и описанию типа: 1) тип как среднее (предельно обобщенное); 2) тип как крайнее (предельно своеобразное).

Систематизация – это упорядочивание объектов внутри классов, классов между собой и множества классов с другими множествами классов. Такое структурирование элементов внутри систем разных уровней (объектов в классах, классов в их множестве и т.д.) и сопряжение этих систем с другими одноуровневыми системами, что позволяет получать системы более высокого уровня организации и обобщенности. На практике это позволяет получить многоуровневые классификации.

Периодизация – хронологическое упорядочивание существования изучаемого объекта (явления). Заключается в разделении жизненного цикла объекта на существенное этапы (периоды).

Интерпретация данных.

Анализ и описание полученных результатов осуществляется в рамках таких подходов как генетический, структурный, функциональный, комплексный, системный.

Генетический метод – это способ исследования и объяснения явлений, основанный на анализе их развития, как в онтогенетическом, так и филогенетическом планах. При этом требуется установление: 1) начальных условий возникновения явления; 2) главных этапов и 3) основных тенденций его развития. Цель метода – выявление связи изучаемых явлений во времени, прослеживание перехода от низших форм к высшим.

Структурный метод – направление, ориентированное на выявление и описание структуры объектов (явлений). Для него характерно: углубленное внимание к описанию актуального состояния объектов; выявление внутренне присущих им вневременных свойств; интерес не к изолированным фактам, а к отношениям между ними. В итоге получается система взаимосвязей между элементами объекта на различных уровнях его организации.

Обычно при структурном подходе не акцентируется соотношение в объекте частей и целого, а также динамика выявленных структур.

Функциональный метод – ориентирован на выявление и изучение функций объектов (явлений). Неоднозначность трактовки в науке понятия «функция» затрудняет определение данного подхода, а также идентификацию с ним тех или иных направлений психологических исследований. Вместе с тем функцию можно определить как проявление свойств объектов в определенной системе отношений, а свойства есть проявление качества объекта при его взаимодействии с другими объектами.

Таким образом, функциональный подход акцентирует внимание на связях изучаемого объекта со средой. Он исходит из принципа саморегуляции и поддержания равновесия объектов действительности (в том числе психики и ее носителей).

Комплексный метод представляет собой направление, рассматривающее объект исследования как совокупность компонентов, подлежащих изучению с помощью соответствующей совокупности методов. компоненты могут быть относительно однородными частями целого, так и его разнородными сторонами, характеризующими изучаемый объект в разных аспектах. Часто комплексный подход предполагает изучение сложного объекта с позиции разных наук, т.е. организацию междисциплинарного исследования.

Системный метод – это методологическое направление в изучении реальности, рассматривающее любой ее фрагмент как систему. Система представляет собой некоторую целостность, взаимодействующую с окружающей средой и состоящую из множества элементов, находящихся между собой в некоторых отношениях и связях. Организация этих связей между элементами называется структурой. Элемент – это мельчайшая часть системы, сохраняющая ее свойства в пределах данной системы.

Свойства элементов определяются их положением в структуре и, в свою очередь, определяют свойства системы. Но свойства системы не сводятся к сумме свойств элементов. Система как целое синтезирует (объединяет и обобщает) свойства частей и элементов, в результате чего она обладает свойствами более высокого уровня организации, которые во взаимодействии с другими системами могут представать как ее функции. Любая система может рассматриваться, с одной стороны, как объединение более простых (мелких) подсистем со своими свойствами и функциями, а с ругой стороны, как подсистема более сложной системы.

Системные исследования осуществляются с помощью системных анализа и синтеза. В процесса анализа система выделяется из среды, определяются ее состав, структура, функции, интегральные характеристики и свойства, системообразующие факторы, взаимосвязи со средой. В процессе синтеза создается модель реальной системы, определяется полнота ее состава и структур, закономерности ее развития и поведения.

Описание объектов как систем, т.е. системные описания, выполняют те же функции, что и любые другие научные описания: объяснительную и прогнозирующую, а кроме того, выполняют функцию интеграции знаний об объектах.