Geum.ru

Учебно-методическое пособие Екатеринбург 2006 утверждаю декан психологического факультета Глотова Г. А

Вид материалаУчебно-методическое пособие
Распределение часов курса по темам и видам работ
Рекомендуемая литература
Примерный перчень вопросов к зачету
Подобный материал:
1   2   3   4   5   6   7

Так, на первом шаге объединяют­ся объекты 3 и 9, кластеру присваивается номер 3, далее этот кластер на шаге 3 объединяется с элементом 2, новому кластеру присваивается номер 2 и т. д. Следующая колонка Coefficients (Коэффициент) содержит значение расстоя­ния между кластерами, которые объединяются на данном шаге. Колонка Stage Cluster First Appears (Предыдущий шаг, на котором появлялся кластер) пока­зывает, на каком шаге до этого появлялся первый и второй из объединяемых кластеров. Последняя колонка Next Stage (Следующий шаг) показывает, на каком шаге снова появится кластер, образованный на этом шаге.

Попытаемся оценить оптимальное число классов по таблице последова­тельности агломерации. Видно, что первый резкий скачок расстояния меж­ду кластерами наблюдается при переходе от 6 к 7 шагу. Следовательно, оптимальное количество кластеров – то, которое получено на 6 или 7 шаге. Это количество равно численности объектов минус номер шага, то есть 10 – 6 (7) = 4 (3) – 4 или 3 кластера. Выбор того или иного решения будет зависеть уже от содержательных соображений. Так, в данном случае, если обратиться к рис. 1, то целесообразно выделять 4 кластера, то есть отделять кластеры (4, 6) – умеренные оценки и (5, 7) – высокие оценки увлекательности и полезности занятия.

В) Дендрограмма:


Dendrogram using Average Linkage (Between Groups)


Rescaled Distance Cluster Combine


C A S E 0 5 10 15 20 25

Label Num +---------+---------+---------+---------+---------+


3 

9 

2  

8  

10   

1  

5  

7  

4 

6 


ПРИЛОЖЕНИЕ


РАСПРЕДЕЛЕНИЕ ЧАСОВ КУРСА ПО ТЕМАМ И ВИДАМ РАБОТ



№
Наименование темы

Учебный план, часов

Аудиторные

занятия
Самостоятельная работа
Итого по

темам

Лекции
Практические

1
Измерения и шкалы
1
1
12
14

2
Математико-статистический метод предсказания (экстраполяции) в психологии: модель множественного регрессионного анализа
2
4
27
33

3
Математико-статистический метод анализа структуры психических явлений: факторно-аналитическая модель
2
4
27
33

4
Математико-статистический метод классификации в психологии: модель дискриминантного анализа
1
3
27
31

5
Математико-статистический метод классификации в психологии: варианты модели кластерного анализа
2
4
27
33




Итого
8
16
120
144



Форма итогового контроля – зачет


РЕКОМЕНДУЕМАЯ ЛИТЕРАТУРА

ОСНОВНАЯ
  1. Купер К. Индивидуальные различия. М., Аспект Пресс, 2000.
  2. Наследов Д. А. Математические методы психологического исследования. Анализ и интерпретация данных.СПб., Речь, 2006.
  3. Факторный, дискриминантный и кластерный анализ / Дж.-О. Ким, Ч.У. Мьюллер, У. Р. Клекка и др. М., 1989.

ДОПОЛНИТЕЛЬНАЯ
  1. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Кн. 1, М., 1986, Кн. 2, М., 1987.
  2. Иберла К. Факторный анализ.М., 1980.
  3. Мельников В. М., Ямпольский Л. Т. Введение в экспериментальную психологию личности. М., 1985.
  4. Митина О. В., Михайловская И. Б. Факторный анализ для психологов. М., 2001.



ПРИМЕРНЫЙ ПЕРЧЕНЬ ВОПРОСОВ К ЗАЧЕТУ:
  1. Математический и методический подход к измерению в психологии.
  2. Измерительные шкалы и способы определения того, в какой шкале представлен признак.
  3. Назначение и математико-статистические идеи метода множественного регрессионного анализа.
  4. Смысл основных показателей метода множественного регрессионного анализа.
  5. Использование какого-либо пакета прикладных программ для выполнения множественного регрессионного анализа.
  6. Задачи, решаемые с помощью дискриминантного анализа, математико-статистические идеи метода.
  7. Требования к исходным данным и основные показатели дискриминантного анализа.
  8. Использование какого-либо пакета прикладных программ для выполнения дискриминантного анализа.
  9. Назначение кластерного анализа и математико-статистические идеи, лежащие в его основе.
  10. Требования к исходным данным для кластерного анализа и основные показатели метода. Кластерный анализ результатов социометрии.
  11. Использование какого-либо пакета прикладных программ для выполнения кластерного анализа.
  12. Назначение и математико-статистические идеи факторного анализа.
  13. Требования к исходным данным для факторного анализа.
  14. Проблемы факторного анализа.
  15. Этапы факторного анализа.
  16. Использование какого-либо пакета прикладных программ для выполнения факторного анализа.
  17. Сравнительная характеристика факторного и кластерного анализа.




1 Переменными являлись шкалы тестов Кеттела, Фидлера и Розенцвейга

2 Во многих работах именно эти функции называются дискриминантными, но чтобы не путать их с каноническими дискриминантными функциями, мы будем называть их классифицирующими.