Учебно-методический комплекс по дисциплине «Математические методы в психологии»

Вид материалаУчебно-методический комплекс

Содержание


1. выписка из государственного образовательного стандарта
Математические методы в психологии
2. учебная программа
1.Разделы курса
1.Описательная статистика
2.ТЕОРИя СТАТИСТИЧЕСКОГО ВЫВОДА
3.КОРРЕЛЯЦИОННЫЙ и РЕГРЕССИОННЫЙ методы
4.Модели дисперсионного анализа
5. Модели факторного анализа
3. МЕТОДЫ КЛАссификации
2. Методы многомерного шкалирования
Тема 17. Стандарты представления результатов
2.2 тематический план лекционного курса и лабораторных работ для студентов дневного и заочного отделений
2.3 список рекомедуемой литературы
Суходольский Г.В. Математическая психология. СПб., 1997.
3. Организация самостоятельной работы студентов
Кол-во часов
Гусев А.Н., Измайлов Ч.А., Михалевская М.Б.
Гласс Дж., Стэнли Дж.
Наследов А.Д.
...
Полное содержание
Подобный материал:
  1   2   3


Институт психоанализа

Факультет психологии

Кафедра психологии личности и дифференциальной психологии


Утверждено

на заседании кафедры психологии личности

и дифференциальной психологии

от 23 октября 2009 г. протокол №1

Зав.кафедрой психологии личности и дифференциальной психологии

д.пс.н., профессор Нагибина Н.Л._____________


Учебно-методический комплекс по дисциплине

«Математические методы в психологии»


Автор:

доц., к. психол. наук

Т.Н.Савченко


Москва – 2009

Печатается по решению кафедры психологии личности и дифференциальной психологии


НОУ ВПО «Институт психоанализа»


Савченко Татьяна Николаевна. Математические методы в психологии. – М.: НОУ ВПО «Институт психоанализа», 31 с.


© НОУ ВПО «Институт психоанализа» 2009 г.

© Савченко Т.Н. 2009 г.


^ 1. ВЫПИСКА ИЗ ГОСУДАРСТВЕННОГО ОБРАЗОВАТЕЛЬНОГО СТАНДАРТА


Индекс

^ МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ПСИХОЛОГИИ

всего часов


ОПД.Ф.10

Измерение в психологии; типы шкал; представление данных; описательная статистика; меры связи; метрика; методы одномерной и многомерной прикладной статистики; многомерное шкалирование; многомерный анализ данных (факторный, кластерный); дисперсионный анализ; анализ данных на компьютере, статистические пакеты; приближенные вычисления; возможности и ограничения конкретных компьютерных методик обработки данных; стандарты обработки данных; нормативы представления результатов анализа данных в научной психологии; методы математического моделирования; модели индивидуального и группового поведения, моделирование когнитивных процессов и структур, проблема искусственного интеллекта.


120



^ 2. УЧЕБНАЯ ПРОГРАММА


Основная цель дисциплины «Математические методы в психологии» состоит в ознакомлении студентов с математической статистикой и математическими методами анализа данных, которые применяются в психологических исследованиях.

Задачи дисциплины «Математические методы в психологии»:
  • сформировать у студентов положительную мотивацию на использование современных математических и компьютерных методов в фундаментальных прикладных психологических исследованиях;
  • дать знания об основных математических понятиях статистики и их применении для представления и анализа результатов психологического исследования;
  • познакомить с основными современными методами анализа экспериментальных данных;
  • продемонстрировать возможность работы с различными пакетами прикладных программ, позволяющих анализировать данные экспериментальных исследований.

Знания, полученные в результате освоения данного курса, позволят правильно поставить задачу эмпирического исследования, проанализировать полученные результаты, подтвердить или опровергнуть выдвинутые гипотезы, а также выбрать подходящие методы анализа эмпирических данных и корректно их использовать.

Студенты получают навыки проведения теоретических выводов, использования математики при адаптации и конструировании тестов. Использование многомерного анализа позволяет выявить скрытые аспекты изучаемых проблем.

Изучаемые методы необходимы для освоения курсов психодиагностики и экспериментальной психологии, а также для выполнения курсовых и дипломных работ.

В результате изучения дисциплины студенты будут

знать:
  • общую схему эмпирического анализа;
  • основные практические проблемы проведения анализа эмпирического исследования (генерализация и реактивность);
  • основные понятия описательной статистики (уровни измерения и соответствующие им меры средней тенденции и разброса показателей вокруг среднего значения);
  • идеи основных статистических процедур, используемых для объяснительного и прогнозного анализа (корреляция и многомерные методы анализа);
  • базовые статистические показатели и сфере их применимости;
  • наиболее распространенные математические модели, применимые к акмеологии;
  • сферы применения, рассматриваемые в курсе компьютерных программ, технологию работы с эмпирическими данными на компьютере, основные особенности используемых программ;

уметь:
  • выработать общую линию анализа данных конкретного эмпирического исследования;
  • использовать те статистические показатели, которые можно применить в данном случае;
  • провести интерпретацию полученных в ходе анализа результатов;
  • оценить статистическую значимость полученных выводов;
  • осуществить адекватный своим психологическим задачам выбор компьютерной программы для обработки эмпирического массива.


2.1. Содержание курса.


Теоретический курс состоит из нескольких разделов, представляющих группы методов первичной статистки, теории статистического вывода, факторного анализа, кластерного анализа, методов многомерного шкалирования, латентно-структурного анализа. Практические занятия— это работа студентов с пакетами прикладных программ и проведение самостоятельных экспериментальных исследований с использованием математических методов анализа данных, а также – решение задач на освоение изучаемых методов.

^ 1.Разделы курса
  1. Описательная статистика
  2. Теория статистического вывода
  3. Корреляционный анализ и регрессионный анализ
  4. Дисперсионный анализ

5. Модели факторного анализа

7. Методы классификации

8. Методы многомерного шкалирования


2.Темы и краткое содержание


^ 1.ОПИСАТЕЛЬНАЯ СТАТИСТИКА


Тема 1. Прикладная статистика как самостоятельная дисциплина. Генеральная совокупность. Выборка.

Определение прикладной статистики, основные этапы статистической обработки данных, проверка однородности, статистической независимости. Связь с математической статистикой и теорией вероятности. Принципы группировки информации: качественные и количественные. Генеральная совокупность, выборка. Способы формирования выборки. Графические методы представления информации. График распределения. Гистограммы. Диаграммы и графы.

Способы представления данных. Табулирование данных: ранговый порядок, распределение частот и сгруппированных частот. Функция распределения и эмпирическая функция распределения.

Тема 2.Психологические измерения

Различные определения измерения. Материальные концептуальные шкалы. Приводятся различные классификации типов шкал, которые определяются природой измеряемой величины. Классификация К.Стивенса.

Рассматривается концепция измерений, основанная на подходе Заде, т.е. используются так называемые «лингвистические» переменные; отношения между переменными описываются с помощью «нечетких» («размытых») высказываний, а сложные отношения описываются нечеткими алгоритмами.


Тема 3. Меры центральной тенденции: мода, медиана, среднее

Определение моды. Использование моды: случаи отсутствия моды в группе, существования двух мод — бимодальности, большие и меньшие моды, наибольшая мода в группе.

Медиана: определение, вычисление для дискретных и непрерывных случайных величин.

Математическое ожидание, среднее: определение, вычисление, свойства. Примеры вычисления медианы, моды, математического ожидания и среднего.

Среднее, медиана и мода объединенных групп. Интерпретация моды, медианы и среднего. Выбор меры центральной тенденции: соображения, которые следует учитывать в процессе выбора, используя медиану, моду и среднее. Другие меры центральной тенденции: среднее, среднее геометрическое, среднее гармоническое, отношение средних и среднее отношение.


Тема 4. Меры изменчивости. Размах. Дисперсия. Стандартное отклонение

Использование для измерения вариаций оценок внутри группы размаха. Определение. Исключающий, включающий полу- и межквартильный размах, размах от 90-го до 10-го процентиля. Дисперсия, вычисление дисперсии. Свойства дисперсии. Теорема о дисперсии. Стандартное отклонение. Среднее отклонение. Стандартизирование данных. Асимметрия. Эксцесс.


Тема 5. Ковариация, коэффициент корреляции, меры связи для переменных, измеренных в различных шкалах

Вводятся понятия ковариации и коэффициента корреляции. Свойства коэффициента корреляции. Четыре типа шкал, их примеры. Измерение в дихотомических шкалах наименований, в шкалах порядка, в шкалах интервалов или отношений. Выводятся мера связи для переменных, измеренных в шкалах интервалов и отношений – коэффициент корреляции пирсона, для переменных, измеренных в шкалах порядка –коэффициент ранговой корреляции спирмена, для дихотомических переменных – коэффициент гилфорда. Бисериальный коэффициент корреляции. Интерпретация. Случай связанных рангов. Коэффициент тау Кендалла. Бисериальная ранговая корреляция. Множественная корреляция.


^ 2.ТЕОРИя СТАТИСТИЧЕСКОГО ВЫВОДА


Тема 6. Нормальное распределение. Распределения хи-квадрат, Фишера, Стьюдента

Закон нормального распределения, функция плотности вероятности. Свойства функции плотности вероятности. Единичное нормальной распределение. Стандартизация данных. Закон больших чисел. Нормальное распределение в психологических исследованиях и теории тестов. Распределение хи-квадрат и его свойства, связь с нормальным распределением. Распределение Фишера и его свойства. Распределение Стьюдента, его свойства. Связь распределний Фишера и Стьюдента.


Тема 7. Стастистический вывод: проверка гипотез

Два способа оценки параметров: точечный и интервальный. Рассматриваются различные методы: методы моментов, метод максимального правдоподобия.

Доверительный интервал, его свойства, интервальные оценки дисперсии в малой выборке. Рассматриваются методы построения интервальных оценок или доверительных интервалов для неизвестных параметров. Доверительный интервал для математического ожидания. Метод приближенного построения доверительных интервалов в случаях, когда число наблюдений велико. Примеры построения доверительных интервалов.

Принципы проверки статистических гипотез и принятие решений. Научная и статистическая гипотезы. Описание гипотез. Этапы проверки, метод Неймана—Пирсона. Сущность проверки гипотезы: формулирование правил принятия решений и оценка вероятностей того, что они приведут нас к ошибочным результатам. Ошибка первого рода. Уровень значимости. Ошибка второго рода, мощность. Критерии проверки статистических гипотез. Проверка соответствия наблюдаемых выборочных значений и предполагаемых закономерностей распределения случайной величины.


Тема 8. Некоторые параметрические методы вывода статистических гипотез

Представлены выводы наиболее распространенных статистик. Освещена методика проверки значимости статистик и построения доверительных интервалов во всех возможных случаях. Единая схема обсуждения свойств вывода любой статистики. Рассмотрена по этой схеме проверка гипотез о параметрах распределения: критерии проверки значимости различия средних значений и дисперсий двух нормально распределенных случайных величин для связанных и несвязанных выборок, критерии оценки значимости отличия коэффициента корреляции от нуля и др.


Тема 9 . Некоторые непараметрические критерии

и критерии для частных задач

В лекциях приводятся критерии сравнения двух эмпирических распределений и эмпирического распределения с теоретическим: критерий Пирсона, критерий Колмогорова-Смирнова. Критерии выявления различий между двумя выборками по уровню признака: Розенбаума, Манна-Уитни. Критерии оценки достоверности сдвига: критерий знаков, критерий Вилкоксона.


^ 3.КОРРЕЛЯЦИОННЫЙ и РЕГРЕССИОННЫЙ методы


Тема 10.Регрессионный анализ

Анализируются понятия регрессии и коэффициента корреляции. Взаимосвязь понятий коэффициент корреляции, коэффициент регрессии и коэффициент детерминации в случае линейной зависимости.

Этапы проведения регрессионного анализа. Регрессионный анализ как инструмент анализа прогнозирования экономических моделей. Простая и множественная регрессия. Линейная и нелинейная регрессия. Метод наименьших квадратов как способ аппроксимации данных. Методы построения (реконструирования) регрессионной зависимости по эмпирическим данным (стохастические величины). Линейная и нелинейная регрессионные зависимости. Оценка нелинейной взаимосвязи, индекс корреляции.


^ 4.МОДЕЛИ ДИСПЕРСИОННОГО АНАЛИЗА


Тема 11. Элементы дисперсионного анализа.

Структура данных, модель данных. Пять этапов ­ANOVA. Суть метода дисперсионного анализа. Теоретическо-вероятностная схема, лежащая в основе однофакторного анализа. Подробно разбирается метод дисперсионного анализа. Рассматривается классический параметрический вариант ANOVA. Непараметрические аналоги однофакторного дисперсионного анализа: метод Краскала-Уоллиса, метод Фридмана. Двухфакторный дисперсионный анализ.


^ 5. МОДЕЛИ ФАКТОРНОГО АНАЛИЗА


Тема 12. Факторный анализ. Основная модель.

Дается описание моделей с латентными переменными. Модель данных. Что значит задать модель. Модели, относящиеся к моделям с латентными переменными: дисперсионный анализ, регрессионный анализ, факторный анализ, многомерное шкалирование, кластерный анализ, латентно-структурный анализ.

Входные данные в методы ФА. Основная цель этих методов. Принципы, лежащие в основе факторного анализа. Интегральные, латентные факторы. Обобщенная математическая модель ФА. Основные этапы ФА

Модель линейного факторного анализа и нелинейного метода. Различные концепции факторного анализа. Эксплораторный и конфирматорный методы. Факторный анализ в узком и широком смысле. Модели факторного и компонентного анализа.


Тема 13. Компонентный анализ. Метод главных компонентов. Центроидный метод факторного анализа

Алгоритм метода главных компонент. Вычисление весов. Дается описание алгоритма данного метода. Факторные нагрузки, факторы. Роль собственных векторов и собственных значений. Определение размерности факторного пространства по собственным значениям, связь собственных векторов с главными компонентами. Критерий значимости.

Геометрическая модель центроидного метода ФА. Алгоритм данного метода. Графическая интерпретация работы метода факторного анализа. Центроидный метод и факторная дисперсия. Работа данного метода на примере семантического дифференциала. Фактор как смысловой инвариант содержания.

Приводится описание различных методов факторного анализа. Эксплораторный и конфирматорный анализ. Простая структура. Принципы. Поворот к простой структуре. Цель процедуры вращения. Выбор числа факторов для поворота. Способы «квартимак», «варимакс» . Методы, исключающие вращение. Интерпретация результатов.


^ 3. МЕТОДЫ КЛАссификации


Тема14. Метрики, расстояния. Методы кластерного анализа, их классификация. Иерархический метод кластерного анализа

Кластерный анализ (КА) как метод, позволяющий строить систему классификации исследованных объектов и переменных в виде «дерева» (дендрограммы) или же осуществлять разбиение объектов на заданное число классов, удаленных друг от друга. Понятие метрики, расстояния.

Классификация по различным параметрам. Типы кластеризации: исключающие—неисключающие, внутренние—внешние, агломеративные—дивизивные, монотетические—политетические; по мерам сходств и различий: коэффициент корреляции, евклидово расстояние, метрика Минковского и т.д. По стратегиям объединения: ближайшего соседа, дальнего, группового среднего.

Алгоритм иерархического агломеративного метода кластерного анализа. Структура данных. Метод. Алгоритм. Вычисление внутри- и межкластерных расстояний. Проблема нахождения естественного числа кластеров (оценки разбиения). Различные подходы. Изображение на одном графике дерева кластеризации и функции «связности».


Тема 15. Дендритный метод кластерного анализа.

Метод К-средних.

Понятие дендрита. Структура данных, алгоритм. Объединения 1-го и 2-го уровней. Представление в виде графа. Различные формы дендрита: розетка, цепочка и др. Критерии отделимости групп. Метод к-средних, алгоритм. Его достоинства и недостатки. Возможность построения усредненных профилей классов. Нахождение значимых различий между переменными различных классов, т.е. использование регрессионного анализа. Совместное использование методов иерархического КА и метода к-средних. Примеры использования метода КА: временных структур, анализ структуры ценностных ориентаций личности. Примеры совместного применения дендрита и КА исследовании малых групп.


^ 2. МЕТОДЫ МНОГОМЕРНОГО ШКАЛИРОВАНИЯ


Тема 16. Методы многомерного шкалирования

Определения пространства, расстояния и различия. Различные метрики, используемые в методах с латентными переменными. Метрики Минковского, Евклида, city-block и др. Аксиомы метрического пространства.

Суть методов многомерного шкалирования (МШ). Отличие от методов факторного анализа. Основные типы данных — мера близости. Классификация методов по двум основаниям: по типу данных, полученных в эксперименте: прямое субъективное шкалирование; модель предпочтений; модель индивидуального шкалирования и по процедуре реализации метода: метрическое шкалирование; неметрическое шкалирование; шкалирование в псевдоевклидовом пространстве; «нечеткое» шкалирование.

Модели индивидуального шкалирования и шкалирования предпочтений.


^ Тема 17. Стандарты представления результатов

анализа данных в психологии

Стандарты обработки данных – логичность, эмпирическая и теоретическая обоснованность и воспроизводимость. Нормативы представления результатов в психологии – в виде научного отчета или аналитической записки. Логика представления объяснительного научного отчета – от предварительной гипотезы, через ее эмпирическую проверку к формулировке содержательного вывода. Зависимые и независимые переменные. Особенности публикации результатов моделирования в психологии.


^ 2.2 ТЕМАТИЧЕСКИЙ ПЛАН ЛЕКЦИОННОГО КУРСА И ЛАБОРАТОРНЫХ РАБОТ ДЛЯ СТУДЕНТОВ ДНЕВНОГО И ЗАОЧНОГО ОТДЕЛЕНИЙ




Тема

Всего

Аудиторные занятия

Самостоятельная работа студентов

Лекции

Семинары







д/о

з/о

д/о

з/о

д/о

з/о

д/о

з/о

1.

Прикладная статистика как самостоятельная дисциплина. Генеральная совокупность, выборка.

6

6

1




2




3

6

2.

Психологические измерения

6

6

1




2




3

6

3.

Меры центральной тенденции:
мода, медиана, среднее

6

7

1




2

1

3

6

4.

Меры изменчивости. Размах. Дисперсия. Стандартные отклонения


6

7

1




2

1

3

6

5.

Ковариация, коэффициент корреляции, меры связи для переменных, измеренных в различных шкалах

6

7

1




2

1

3

6

6.

Нормальное распределение. Распределения хи-квадрат, Фишера, Стьюдента

6

7

1




2

1

3

6

7.

Стастистический вывод: проверка гипотез

6

6

1




2




3

6

8.

Некоторые параметрические методы вывода статистических гипотез

10

7

2

1

4

1

4

6

9.

Некоторые непараметрические критерии и критерии

6

7

1

1

2

1

3

6

10.

Регрессионный анализ

8

7

2

1

2




4

6

11.

Элементы дисперсионного анализа.

8

7

2




2

1

4

6

12.

Факторный анализ. Основная модель.

8

8

2

1

2




4

7

13.

Компонентный анализ. Метод главных компонентов. Центроидный метод факторного анализа

8

8

2




2




4

7

14.

Метрики, расстояние. Методы кластерного анализа, их классификация. Иерархический метод кластерного анализа

7

7

1




2




4

7

15.

Дендритный метод кластерного анализа. Метод К-средних.

8

8

2




2

1

4

7

16.

Методы многомерного шкалирования

8

8

2




2




4

7

17.

Стандарты представления результатов анализа в психологии

7

7

1




2




4

7




Итого:

120

120

24

4

36

8

60

108


^ 2.3 СПИСОК РЕКОМЕДУЕМОЙ ЛИТЕРАТУРЫ


1.3.1 Основной

  1. Боровиков В.П., Боровиков И.П. STATISTICA. Статистический анализ и обработка данных в среде WINDOWS. М., 1997.
  2. Гласс Дж., Стэнли Дж. Статистические методы в педагогике и психологии. - М.: Прогресс, 1976
  3. Глинский В.В., Ионин В.Г. Статистический анализ данных, М.: Филин, 1998
  4. Гмурман В.Е. Теория вероятности и математическая статистика, М.: Высшая школа, 1998
  5. Гусев А.Н., Измайлов Ч.А., Михалевская М.Б. Измерение в психологии. М., 1997.
  6. Ермолаев О.Ю. Математическая статистика для психологов, М.: Московский психолого-социальный институт изд. «Флинта», 2002
  7. Классификация и кластер. /Под ред. Дж.Вэн Рацзин. М.: Мир, 1980.
  8. Лоули Д., Максвелл А. Факторный анализ как статистический метод. М.: Мир, 1967.
  9. Марков В.Н. Математические методы в психологии. Учебное пособие. М., 2003.
  10. Многомерный статистический анализ в экономике. М.: Юнити, 1999
  11. Наследов А.Д. Математические методы психологического исследования. Анализ и интерпретация данных. СПб. Речь, 2006.
  12. Сидоренко Е.В. Методы математической обработки в психологии. СПб., 1996.
  13. Терехина А.Ю. Анализ данных методами многомерного шкалирования. Анализ данных на компьютере. М., 1995.
  14. Тюрин Ю.Н, Макаров А.А. Анализ данных на компьютере. М., 1995.



2.3.2 Дополнительный

  1. Анастази А., Урбина С. Психологическое тестирование. М., 2001.
  2. Артемьева Е.Ю., Мартынов Е.М. Вероятностные методы в психологии. М., 1975.
  3. Благуш П. Факторный анализ в обобщении. М.: Финансы и статистика, 1989.
  4. Берка К. Измерения: понятия, теории, проблемы. М., 1987.
  5. Ганзен В.А. Системные описания в психологии. Л., 1984.
  6. Дейвисон М.Л. Многомерное шкалирование: методы наглядного представления данных. М., 1998.
  7. Дюран Б., Оделл П. Кластерный анализ. М., 1977.
  8. Иберелла К. Факторный анализ. М., 1980.
  9. Кимбл Г. Как правильно пользоваться статистикой. М., 1982.
  10. Кокс Д., Снелл Э. Прикладная статистика: принципы и примеры. М., 1984.
  11. Конюхов Н.И., Шаккум М.Л. Акмеология и тестология. М., 1996.
  12. Крылов В.Ю. Методологические и теоретические проблемы математической психологии. М., 2000.
  13. Лагутин М.Б. Наглядная математическая статистика: Учебное пособие. М.: БИНОМ. Лаборатория знаний, 2007.
  14. Малиновский Л.К. Классификация объектов средствами дискриминантного анализа. М., 1979.
  15. Математические методы в исследованиях индивидуальной и групповой деятельности / под ред. В.Ю.Крылова. М., 1989.
  16. Мангейм Д.Б, Рич Р.К. Политология. Методы исследования. М., 1997.
  17. Пфанцагель И. Теория измерений. М., 1976.
  18. Построение экспертных систем. Под ред. Хейес-Рот Ф. и др. М., 1987.
  19. Представление и использование знаний. Под ред. Уэно Х, Исидзука М. М., 1989.
  20. Приобретение знаний. Под ред. Осуги С., Саэки Ю. М.,1990.
  21. Петренко В.Ф. Психосемантика сознания. М., 1988.
  22. Резник А.Д. Книга для тех, кто не любит статистику, но вынужден ею пользоваться. СПб. Речь, 2008.
  23. Синергетический подход к моделированию психологических систем / под ред. Т.Н. Савченко. М., 1998.