Классификация статистических методов анализа эмпирических данных.

Статистические методы — методы анализа статистических данных.

Выделяют методы прикладной статистики, которые могут применяться во всех областях научных исследований и любых отраслях народного хозяйства, и другие статистические методы, применимость которых ограничена той или иной сферой.

Эмпирические данные - то есть данные полученные опытным путем.

Обычно процесс эмпирического исследования включает следующие этапы:

   1. Определение предмета и объекта исследования, постановка его цели и задач;

   2. Планирование исследования и выдвижение рабочих гипотез;

          * Выборка для эмпирического исследования;

          * Выбор методов и методик.

   3. Проведение исследования, направленного на сбор эмпирического материала;

   4. Обработка эмпирических данных;

   5. Обсуждение и интерпретация данных;

   6. Формулировка выводов, подтверждающих или опровергающих гипотезы.

Сбор эмпирического материала представляет собой ответственную часть исследования. Организационная работа и практическое проведение методик изучения требуют от исследователя ряда особых умений. Необходимо предусмотреть, чтобы объект исследования был доступен для практического контакта с ним в условиях, необходимых для изучения. Важно правильно спланировать время, место и обстоятельства экспериментальной работы, скорректировать их в зависимости от реальных условий. Испытуемые не должны быть озабочены срочными делами и чрезмерным дефицитом времени для выполнения задания. Их не должны отвлекать посторонние раздражители. Для успеха исследовательской работы на данном этапе обязательно практическое владение соответствующей техникой сбора эмпирических данных, детальное знание методов и методик, которые используется.

Обработка эмпирических данных исследования делится обычно на несколько этапов:

Первичная обработка данных

    * Составление таблиц

    * Преобразование формы информации

    * Проверка данных.

Статистический анализ данных

    * Анализ первичных статистик

    * Оценка достоверности отличий

    * Нормирование данных

    * Корреляционный анализ

    * Факторный анализ

Использование методов математической статистики при обработке первичных эмпирических данных необходимо для повышения достоверности выводов научного исследования. При этом не рекомендуется ограничиваться использованием таких показателей, как средние арифметические и проценты. Они чаще всего не дают достаточных оснований для обоснованных выводов из эмпирических данных.

Выбор метода статистического анализа полученных эмпирических данных — очень важная и ответственная часть исследования. И делать это лучше до того, как получены данные. При планировании исследования необходимо заранее продумать, какие эмпирические показатели будут регистрироваться, с помощью каких методов будут обрабатываться, и какие выводы при разных результатах обработки можно будет сделать.

При выборе статистического критерия нужно, прежде всего, идентифицировать тип переменных (признаков) и шкалу измерения, которая использовалась при измерении показателей и других переменных — например, возраст, состав семьи, уровень образования. В качестве переменных могут выступать любые показатели, которые можно сравнивать друг с другом (то есть измерять). Следует иметь в виду, что в исследованиях могут широко использоваться номинативные и порядковые шкалы: вербальные и невербальные поведенческие реакции пол, уровень образования — все это может рассматриваться в качестве переменных. Главное — иметь четкие и ясные критерии их отнесения к тому или иному типу в зависимости от поставленных гипотез и задач.

При выборе статистического критерия нужно ориентироваться также на тип распределения данных, который получился в исследовании. Параметрические критерии используются в том случае, когда распределение полученных данных рассматривается как нормальное. Нормальное распределение с большей вероятностью (но не обязательно) получается при выборках более 100 испытуемых (может получиться и при меньшем количестве, а может не получиться и при большем). При использовании параметрических критериев необходима проверка нормальности распределения.

Для непараметрических критериев тип распределения данных не имеет значения. При небольших объемах выборки испытуемых целесообразно выбрать непараметрические критерии, которые дают большую достоверность выводам, независимо от того, получено ли в исследовании нормальное распределение данных. В некоторых случаях статистически обоснованные выводы могут быть сделаны даже при выборках в 5—10 испытуемых.

Во многих исследованиях осуществляется поиск различий в измеряемых показателях у испытуемых, имеющих те или иные особенности. При обработке соответствующих данных могут использоваться критерии для выявления различий в уровне исследуемого признака или в его распределении. Для определения значимости различий в проявлении признака в исследованиях часто используются такие показатели, как парный критерий Вилкоксона, U-критерий Манна—Уитни, критерий х-квадрат (х2), точный критерий Фишера, биномиальный критерий.

Во многих исследованиях осуществляется поиск взаимосвязи исследуемых показателей у одних и тех же испытуемых. Для обработки соответствующих данных могут использоваться коэффициенты корреляции. Связь величин друг с другом и их зависимость часто характеризуется коэффициентом линейной корреляции Пирсона и коэффициентом ранговой корреляции Спирмена.

Структура данных (и соответственно структура изучаемой реальности), а также их взаимосвязь выявляется факторным анализом.

Во многих исследованиях интерес представляет анализ изменчивости признака под влиянием каких-либо контролируемых факторов, или, другими словами, оценка влияния разных факторов на изучаемый признак. Для математической обработки данных в таких задачах может использоваться U-критерий Манна—Уитни, критерий Краскела—Уоллиса, Т-критерий Вилкоксона, критерий ?2 Фридмана. Однако для исследования влияния, а тем более взаимовлияния нескольких факторов на изучаемый параметр полезнее может оказаться дисперсионный анализ. Исследователь исходит из предположения, что одни переменные могут рассматриваться как причины, а другие как следствия. Переменные первого рода считаются факторами, а переменные второго рода — результативными признаками. В этом отличие дисперсионного анализа от корреляционного, в котором предполагается, что изменения одного признака просто связаны с определенными изменениями другого.

Во многих исследованиях выявляется значимость изменений (сдвига) каких-либо параметров и проявлений за определенный промежуток времени, в определенных условиях (например, в условиях коррекционного воздействия). Формирующие эксперименты в практической психологии решают именно эту задачу. Для обработки соответствующих данных могут использоваться коэффициенты для оценки достоверности сдвига в значениях исследуемого признака. Для этого часто применяются критерии знаков, Т-критерий Вилкоксона.

Важно обратить внимание на ограничения, которые имеет каждый критерий. Если один критерий не подходит для анализа имеющихся данных, всегда можно найти какой-либо другой, возможно, изменив тип представления самих данных. Прежде чем проводить статистический анализ эмпирических данных, полезно проверить, существуют ли критические значения, соответствующие количеству и типу ваших данных. В противном случае вас может ждать разочарование, когда ваши подсчеты окажутся напрасными по причине отсутствия в таблице критических значений при объеме выборки, которая у вас была.

После знакомства с процедурой вычисления критерия можно проводить «ручную» обработку данных или воспользоваться статистической программой персонального компьютера. Для компьютерной обработки наиболее популярны программы SPSS и Statistica.

Использование статистических программ в компьютерной обработке на несколько порядков ускоряет обработку материала и предоставляет в распоряжение исследователя такие методы анализа, которые в ручной обработке не могут быть реализованы. Однако в полной мере эти преимущества могут быть использованы, если исследователь имеет необходимый уровень подготовки в этой области. Обычно, чем мощнее компьютерная программ (чем более широкие у неё возможности), тем больше времени она требует для освоения. Таким образом, затрачивать время на её изучение при редких обращениях к мощному статистическому аппарату не совсем эффективно. Очень часто использование таких программ для решения даже несложных задач также требует определённой суммы умений.

Для того, чтобы избежать лишних сложностей и временных затрат, гораздо эффективнее обратиться к профессионалам. Они качественно и профессионально проведут весь необходимый математико-статистический анализ данных вашего исследования: анализ первичных статистик, оценку достоверности различий, нормирование данных, корреляционный и факторный анализ и т.п.

После проведения необходимого статистического анализа данных нужно соотнести полученные результаты с изначально поставленной гипотезой, с теоретическими обоснованиями авторов, которые исследовали данную тематику и предыдущими исследователями. Сформулировать выводы и проинтерпретировать полученные результаты.