![]() Главная страница Случайная страница КАТЕГОРИИ: АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Обработка на компьютере. Для обработки воспользуемся данными примера 18.5
Для обработки воспользуемся данными примера 18.5. Исходные данные (Data Editor) содержатся в таблице, строки которой соответствуют субъектам а столбцы — объектам предпочтений (в соответствии с таблицей 18.6). 1. Выбираем Analyze > Scale > Multidimensional Scaling (ALSCAL)... 2. В открывшемся окне диалога переносим из левого в правое верхнее окно (Variables) переменные, необходимые для шкалирования (vl, v2, v3, v4, v5 v6). Убеждаемся, что в поле Distances (Расстояния) точкой отмечено Data are distances (Данные — расстояния). 3. Необходимо задать тип матрицы различий. Нажав кнопку Shape... (Уточнить) вместо принятой по умолчанию Square symmetric (Симметричная квадратная), отмечаем Rectangular (Прямоугольная). Указываем число строк, которое должно соответствовать численности экспертов (испытуемых): Number of rows: 4 (Количество строк). Нажимаем Continue. 4. Нажимаем кнопку Model... (Модель...) и задаем параметры модели шкалирования. Для данной модели главный параметр Conditionality (Условие подгонки). Вместо заданного по умолчанию Matrix (Вся матрица) задаем Row (По строке). Убеждаемся, что в поле Scaling model (Модель шкалирования) отмечено Euclidean distance (Евклидово расстояние). Если в строках часто встречаются одинаковые ранги, то отмечаем флажком Untie tied observation (Корректировать связанные наблюдения) —для устранения влияния связей (повторов) в рангах. Следующим параметром является количество шкал. Обычно следует получить результаты для нескольких шкал и выбрать наилучшее из них — по величинам стресса и по отчетливости интерпретации. В данном случае у нас всего 6 объектов, поэтому вряд ли потребуется более двух шкал. Задаем Dimensions (Шкалы) Minimum: 2, Maximum: 2. После задания всех параметров модели нажимаем Continue. 5. В основном окне диалога нажимаем Options (Опции) для задания параметров обработки и вывода результатов. В появившемся окне диалога внизу в поле Display (Выводить) отмечаем флажком Group plots (Графики для всей группы) — для графического отображения объектов в координатах шкал. В поле Criteria (Критерии) указаны критерии для итераций по подгонке модели: S-stress convergence: 0, 001 (Величина сходимости S-стресса), Minimums-stress value: 0, 005 (Минимальная величина s-стресса), Maximum iterations: 3 0 (Максимальное количество итераций). Эти величины можно не менять. В отношении этих величин руководствуемся теми же соображениями, что и при реализации модели неметрического шкалирования. После задания всех параметров обработки и вывода результатов нажимаем Continue. Нажимаем ОК и получаем результаты. 6. Основные результаты МШ предпочтений. А) «История» итераций, величины стресса и RSQ: Iteration history for the 2 dimensional solution (История итераций для 2-шкального решения.) Young's S-stress formula 2 is use (Применена формула 2 s-стресса Юнга.)
Iterations stopped because S-stress improvement is less than.001000 (Итерации остановлены, поскольку улучшение s-стресса меньше, чем 0, 001.) В) Величины стресса и RSQ для каждой строки отдельно: Stress values are Kruskal's stress formula 2. (Величина стресса вычислена по формуле 2 Краскала.)
Величина стресса и RSQ для всех матриц: For matrix (Для всей матрицы) Stress =.029 RSQ =.999. История итераций показывает, что минимальная величина достигнута на втором шаге, что, на самом деле, встречается очень редко. Обычно при большем количестве объектов проблемой является слишком большая величина стресса. Окончательная величина стресса (по формуле 2 Краскала) и величина RSQ свидетельствуют о высоком соответствии исходным данным всего решения. Величины для каждой строки отдельно показывают высокое соответствие исходным данным и результатов для каждого эксперта. С) Координаты объектов (Column) и идеальных точек (Row) в осях шкал:
D) График конфигурации объектов и идеальных точек в осях шкал: Результаты анализа позволяют достаточно определенно интерпретировать основания предпочтений по координатам объектов. Шкала 1 интерпретируется как дихотомия побуждений (3. Фрейд, А. Адлер) и познания (М. Верт-геймер). Шкала 2 противопоставляет концепции, рассматривающие личностные свойства (Р. Кеттелл, Г. Айзенк) и ситуативные условия (К. Левин) в качестве основных причин поведения. Координаты идеальных точек позволяют идентифицировать индивидуальные субъективные предпочтения. Так, эксперт 1 предпочитает когнитивные концепции, а эксперт 2 — психоанализ.
|