К отработке задания по методу констант
Выполнение всех пунктов = 8 баллов за содержание, включая корректное употребление терминов и наличие всех оговоренных таблиц, рисунков и приложений + 1 бал за стилистику и оформление. Дополнительное выполнение пунктов (можно не всех, но попробовать), выделенных фоном цвета смородинового мороженого еще 1 балл.
Перечисленные ниже пункты отчета можно менять местами, объединять, комбинировать на свое усмотрение. Главное соблюсти целостность и логичность повествования.
1. Какие величины можно измерить с помощью метода констант? Насколько часто используется данный метод в психологических исследованиях? (найти ссылку на любую статью, где применялся)
2. В чем суть данного метода? Каковы его преимущества по сравнению с методом ММИ? Какие имеются ограничения? В какой мере при использовании данного метода учитываются несенсорные факторы (в процедуре, при анализе данных)?
3. Что измерялось конкретно в данной работе? Какая психофизическая характеристика? Какая психологическая характеристика? (найти ссылку на статью по теме)
4. Процедура: описать важные действия экспериментатора, описать действия испытуемого (инструкция), важные условия, которые должны быть соблюдены.
5. Описать стимуляцию и особенности ее предъявления.
6. Описать показатели, которые мы получаем в результате измерения (сырые показатели работы испытуемого). В качестве приложения предоставить файл xls c протоколом из psychopy и промежуточными преобразованиями (таблица с подсчетами частот).
7. Перечислить показатели, которые мы планируем получить как характеристики психофизической и психологической величины, измерению которой посвящена текущая работа.
8. Провести оценку показателей из пункта 7 (двумя разными способами — претендентам на 9 и 10 баллов,) (способы будут рассмотрены ниже).
9. Объяснить способы (из пункта 8) расчета показателей (указанных в пункте 7).
10. предоставить все расчеты (показателей из пункта 7). Результаты можно оформить в виде таблицы. Везде с указанием единицы измерения.
11. Обсудить результаты.
1. Сравнить данный метод с методом минимальных изменений. Оба разработаны в рамках пороговой теории. Что удобнее, точнее с точки зрения исследователя, легче – с точки зрения испытуемого? Почему мы можем использовать вероятности ответов для измерения порога?
2. проанализировать влияние способа обработки данных на пороговые показатели (порог). Какие есть соображения относительно использования той или иной системы расчетов? Поискать в учебнике. (на 9 и 10 баллов)
12. Сделать вывод о возможности использовать данный метод.
Два способа вычисления пороговых показателей
Способы описаны в учебнике. Я буду ссылаться на страницы, поэтому пдф учебника прикрепляю в письме. Здесь уточняется техническая сторона вычислений.
Предваряющее слово: на стр. 36. описание смысла психометрической функции,
«К сожалению, математически корректное решение задачи подгонки экспериментальных точек под соответствующую им наилучшим образом S- образную кривую является непростым.» (стр.42)
Способ 1. Способ линейной интерполяции
Параметры психометрической кривой и пороговые показатели на стр. 38 и немного на стр. 39.
Его можно выполнить графически, но мы не будем (можно написать в отчете соображение о том, почему не будем). А вот саму психометрическую функцию представить на рисунке обязательно. Это может быть график, построенный в xls (вроде все умеют) или в SPSS. Можно начертить «от руки» но непременно аккуратно и с достаточным разрешением (если вы чертите от руки, то фото вставляете в файл с отчетом). Сам график должен быть сглажен, т. е. не ломаная, а плавная линия (в xls это можно).
Алгоритмы А и Б на выбор.
А Расчеты производятся по формулам: страница 43, формулы (17), (18), (19). И не забыть вычислить остальное, т. е. весь набор пороговых показателей, что и в методе ММИ.
Б Если на занятии в классе вы уже сделали в SPSS подгонку вашей интегральной психометрической функции под линейную функцию и по уравнению прямой вычислили показатели, то оставляйте этот вариант расчетов для способа 1.
Способ 2. способ нормальной интерполяции
читаем стр. 44, 46-47.
Начнем. Пункт первый: камень преткновения — это перевод значений вероятности (P) в единицы стандартного отклонения (δ), которые называются Z-оценки.
Мы имеем семь значений вероятности ответа определенной категории (в зависимости от вашей инструкции — кто-то выявлял более пологие линии, кто-то более вертикальные). Для каждого значения вероятности существует соответствующее ему значение стандартного отклонения в нормальном распределении. Это значение, т. е. Z-оценку мы находим по таблице перевода (таблица находится в приложении 2 на стр. 310). Сначала в более левой колонке находим значение вероятности (p), затем в колонке справа от нее видим значение z.
Пункт второй.
Продолжим работу в программе статистической обработки данных SPSS. Создаем файл и заносим данные в две колонки: «Z-оценка» и «величина угла наклона» (назвать можно по своему).
 |
Важное уточнение: Если у вас есть значения вероятности равные 0 или 1, то прежде, чем переводить их в z-оценки, замените 0 на 0,01, а 1 на 0,995.
Строго говоря, только преобразовав нашу s-образную функцию в нормальные координаты, мы можем подгонять ее под линейный вид.
Этим и займемся с помощью SPSS.
Находим в меню «Анализ» → «Регрессия» → «Подгонка кривых»
Размещаем наши переменные в соответствующих окошках. Ставим галочки в окошках «Линейный», «включить в уравнение константу», «графики моделей». Нажимаем ОК.
Смотрим результаты в файле вывода.
Нас интересует таблица, в которой показаны характеристики для уравнения прямой — константа (свободный член уравнения прямой) и коэффициент (в этой таблице он обозначен b1).
Константу и коэффициент подставляем в уравнение прямой.
По данным из примера получается следующее уравнение:
y= 12,323*x+(-0,276),
где y — это z-оценка, x — это физическое измерение стимула.
Далее нам нужно вычислить PSE, Li, Lh. Как их найти читаем на странице 44-45 (один абзац переходящий с 44 на 45) и смотрим рисунки 7 и 8 на стр. 45 и 46. И самый верхний абзац на стр 48.
вспоминаем алгебру и вычисляем все недостающие показатели.
Дополнительно можно оценить насколько качественны наши данные. А это будет в случае действительно нормального распределения ответов. Если это так, то наши эмпирические точки выстроятся в прямую и подгонка будет идеальной. (график подгонки мы заказали и он будет в файле вывода). Оценить степень подгонки можно по параметру «значимость» все из той же таблицы. Если значимость (принято записывать р=..., или р‹....) меньше, чем 0,05, то эмпирическое распределение не отличимо от прямой.