Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/h77455/data/www/psyoffice.ru/engine/init.php on line 69 Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/h77455/data/www/psyoffice.ru/engine/init.php on line 69 Warning: strtotime(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/h77455/data/www/psyoffice.ru/engine/modules/news/biglibraryinfo/biglibraryinfo_news.php on line 55 Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/h77455/data/www/psyoffice.ru/engine/modules/news/biglibraryinfo/biglibraryinfo_news.php on line 56 Warning: strtotime(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/h77455/data/www/psyoffice.ru/engine/modules/news/biglibraryinfo/biglibraryinfo_news.php on line 58 Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/h77455/data/www/psyoffice.ru/engine/modules/news/biglibraryinfo/biglibraryinfo_news.php on line 59
|
Бодалев А.А. » Основы психодиагностики, немедицинской психотерапии и психологического конконсультированияцент, тем выше трудность. Кривая распределения тестовых баллов отражает свойства пунктов, из которых составлен тест. Если кривая имеет правостороннюю асим- метрию, то значит в тесте преобладают трудные задания; если кривая имеет левостороннюю асимметрию, то значит большинство пунктов в тестер-легкие (слабые) (рис. 2). Тесты типа а) плохо дифференцируют испытуемых с низким уров- нем способностей: все эти испытуемые получают примерно одинаковый низкий балл. Тесты типа б), наоборот, хуже дифференцируют испытуе- мых с высоким уровнем способностей. Если пункты обладают оптимальным уровнем трудности (силы), то кривая распределения зависит от того, насколько пункты однородны. Если пункты разнородны (исход по одному пункту не предопределя- ет исход по другому), то мы получаем тест в виде последовательности независимых испытаний Бернулли. Как известно из математической статистики, при достаточно большом количестве независимых испыта- ний с двумя разновероятными исходами кривая биномиального распре- деления (кривая суммарного балла) автоматически по закону боль- ших чисел приближается к кривой нормального распределения (цент- ральная предельная теорема Муавра - Лапласа). Если тест содержит такие разнородные задания примерно равного уровня трудности (имен- но такие задания и подбираются для измерения интегральных свойств
ПраИмторанняп патжчтельнм ассчиеприя
kTX
Рис. 2. Графики, иллюстрирующие асимметрию распределения тестовых баллов
Рис. 3. Графики, иллюстрирующие положительный (а) и отрицательный (а, б) эксцесс распределения тесто- ,вых баллов
личности - с широкой областью применения), то нормальность рас- пределения суммарных баллов возникает автоматически - как арте- факт самой процедуры подсчета суммарных баллов. При этом, конеч-
<Ли.-вопросы>-это вопросы, содержащие высказывания, с которыми испытуе- мый должен либо согласиться, либо не согласиться.
55
STR.56 но, форма кривой распределения баллов не позволяет говорить о ре- альной форме распределения измеряемого свойства, каким оно являет- ся само по себе - в широкой популяции испытуемых. Нормальность распределения есть артефакт, прямое следствие направленного отбора пунктов с заданными свойствами. Если подбираются пункты, тесно положительно коррелирующие между собой (испытания не являются статистически независимыми), то в распределении баллов возникает отрицательный эксцесс (рис. 3, а). Максимальных величин отрицательный эксцесс достигает по мере воз- растания вогнутости вершины распределения - до образования двух вершин - двух мод (с <провалом> между ними - рис. 3, б). Бимо- дальная конфигурация распределения баллов указывает на то, что вы- борка испытуемых разделилась на две категории (с плавными пере- ходами между ними): одни справились с большинством заданий (со- гласились с большинством <ли-вопросов>), другие - не справились. Такая конфигурация распределения свидетельствует о том, что в ос- нове пунктов лежит какой-то один оощий им всем признак; соответс- твующий определенному свойству испытуемых: если у испытуемых есть это свойство (способность, умение, знание), то они справляются с большинством пунктов, если нет этого свойства - то не справляются, В некоторых редких ситуациях пункты могут отрицательно коррелиро- вать друг с другом. В этом случае на кривой возникает положитель- ный эксцесс (рис. 3, в): вся масса эмпирических точек скучивается вблизи среднего значения. Такое возможно в двух случаях: когда ключ составлен неверно - объединены при подсчете отрицательно связан- ные признаки, которые обусловливают взаимоуничтожение баллов; во- вторых, когда испытуемые применяют, разгадав направленность опрос- ника, специальную тактику <медианного балла> - искусственно ба- лансируют ответы <за> и <против> одного из полюсов измеряемого ка- чества. Итак, когда в качестве единственного эталона измерения психоди- агностами рассматривается сам тест, то в качестве меры измеряемого свойства выступает местоположение балла на кривой распределения. Применяется процентильная шкала. В качестве универсальной меры, пригодной для разных (по своей качественной направленности и ко- личеству пунктов) тестов, используется <процентильная мера>. 77/70- центиль - процент испытуемых из выборки стандартизации, которые получили равный илц более низкий балл, чем балл данного испытуе- мого. Таким образом, в качестве источника данной меры выступает нормативная выборка (выборка стандартизации), на которой построе- но нормативное распределении тестовых баллов. Процентильные шка- лы лежат в основе всех традиционных шкал, применяемых в тестоло- гии (Т-очки ММР1, баллы IQ, стены 16 PF я др.). Подчеркнем, что с точки зрения теории измерений процентильные шкалы относятся к порядковым шкалам: они дают информацию, у ко- го из испытуемых сильнее выражено измеряемое свойство, но ничего не позволяют говорить о том, насколько или во сколько раз сильнее. Для того, чтобы строить на базе таких шкал количественный прогноз, нужно повысить уровень измерения (популярное изложение представ- лений о теории измерений GM.I в книге: Клигер С. А. и др., 1978). Пе- реход к шкалам интервалов производят либо на базе эмпирического распределения, л,ибо на базе произвольной модели теоретического рас- пределения. В абсолютном большинстве случаев в роли такой теоре- тической модели оказывается модель нормального распределения (хо- тя в общем случае может быть использована любая модель).
STR.57 В целом кроме статистических, процентильных шкал следует отли- чать нередко используемые в дифференциальной психсметрике еще 2 вида шкал (и соответственно 2 вида тестовых норм). Это, во-первых, то, что можно условно назвать <абсолютными тестовыми нормами> - в роли шкалы для вынесения диагноза выступает сама шкала <сырых> очков, во-вторых, <критериальные> тестовые нормы, применение таких норм можно считать оправданным в двух случаях: 1) когда сама те- стовая <сырая> шкала имеет практический смысл (например, студент, изучающий иностранный язык, должен знать как можно больше слрв этого языка, и сырой показатель лексического теста имеет практиче- ский смысл); 2) когда применяются <критериальные> тестовые нормы: сырой балл по тесту в результате эмпирических исследований связыва- ется с заданной вероятностью успешности какой-то практической дея- тельности (вероятность успеха <критериальной> деятельности, какой .для упомянутого выше примера может быть синхронный перевод мо- нолога в течение 30 минут). Процентильная нормализация шкалы. Выше показано, что нор- мальность распределения достигается искусственным подбором пунк- тов теста с заданными статистическими свойствами. Опишем еще ряд процедур, которые также широко используются для искусственной нор- мализации. 1. Нормализация пунктов. Ключ для данного пункта корректирует- ся на базе нормальной модели. Если среди нормативной выборки с дан- ным заданием справились только 16% испытуемых, то данному пункту на интервальной шкале <трудности> (при условии априорного приня- тия нормальной модели с параметрами М=0 и (т=1) соответствует значение +1 (см. графическую иллюстрацию - Анастази А., 1982, с. 181). Если справились 75% испытуемых, то балл .пункта на сигма- шкале равен -0,67. В результате суммирования по пунктам баллов, скорректированных нормализацией, суммарные баллы лучше приближа- ются к нормальному распределению. 2. Нормализация распределения суммарных баллов (или интерваль- ная нормализация). В этом случае по таблице нормального распределе- ния (нормального интеграла) произ- водится переход от процентильной шкалы к сигма-шкале: используется <функция, обратная интегральной, - от ординаты производится переход к абсциссе нормального распределения. На рис. 4 дается условная графичес- кая иллюстрация этого перехода (кри- вая, обратная традиционной S-образ- ной интегральной кривой нормального распределения). Приведем пример интервальной нормализации в табл. 1. Пусть строка Х содержит сырые очки (не нормализованные) по тесту, полу- ченные простым подсчетом правильных ответов. В. строке Р - часто- ты встречаемости сырых баллов в выборке из 62 испытуемых. В стро- ке F - кумулятивные частоты: Fi=T Рц. В строке F - кумуля- процентильные ранги: 57
/, испытуемых
Рис. 4. График, иллюстрирующий преобразование процентильной шка- лы (по оси X) в нормализованную сигма-шкалу (по оси У)
тивные баллы: F"i=--Fi--Pi. В строке РЯ
STR.58 PR{==Fi-].00/n. В строке (т даются нормализованные баллы, получен ные из соответствующих процентильных рангов по таблицам, сг-оценки часто называются в зарубежной литературе также z-оценками. Трудность, которую встречают начинающие при использовании №-
Т а б л и ц а 1
Y345678910 Р21813810641п=б2 F220334151576162 F111.26,53746545961,5 PR1,617,742,759,774,287,195,299,22 = 100 о-2,1-0,9-0,20,20,61,11,72,4M=0 ст=1 тервальной нормализации, состоит в том, что обычные статистические таблицы не приспособлены для психометрики: нужно отыскивать зна- чение процентильного ранга внутри таблицы, а соответствующую сиг- ма-оценку - с краю. Для облегчения ориентации приведем фрагмент- таблицы соответствий PR, о и стенов (табл. 2):
Таблица2
PR99959085807570655055 о2,331,641,281,040,840,680,520,390,250,13 стен101098876,56,566 PR50454035302520151051 о0,0-0,13-0,25-0,39-0,52-0,68-0,84-1,04-1,28-1,64-2,33 стен5,5554,544332. 11 В обычных таблицах из соображений симметрии даны лишь значе- ния для PR>50. ДляР<50 соответствующие значения находятся из. тех же таблиц с учетом (т=-Ч"-(1-PR/lOO). Например, для PR==3 мы находим I- PR/iOO=l- 0,35=0,65, затем - по табл. 4"-=Q,39 и берем эту величину с отрицательным знаком -0,39. Для нормализации удобно пользоваться графическим методом (нормальной бумагой,. стандартной -образной кривой и т. п.). В результате нормализации интервалы между исходными <сыры- ми> баллами переоцениваются в соответствии с нормальной моделью- В отличие от процентильной шкалы нормальная шкала придает боль- ший вес (в дифференциации испытуемых) краям распределения: раз- личия между испытуемыми, набравшими 95 и 90 процентилей, оцени- ваются как более высокие, чем различия между испытуемыми, набрав- шими 65 и 60 процентилей. В применении к шкалам оценок (<рейтинговым шкалам>) метод нормализации интервалов называется <методом последовательных ин- тервалов> (Клигер С. А. и др., 1978, с. 75-81). В результате применения процедуры нормализации исследователь- психометрист получает для нормативной выборки таблицу перевод> <сырых очков> в нормализованные баллы. Эти таблицы часто выпол- няются графически: деления сырых очков наносятся на числовой оси с неравными интервалами, так что эмпирическое распределение час- тот максимально близко приближается к нормальной форме. Пример> такой графической нормализации - профильные листы ММР1 (Ана- стази А., 1982, с. 129). Так как нормальное распределение описывается всего двумя пара-
STR.59 метрами - средним М (мерой положения) и средним квадратическим (или стандартным) отклонением (т (мерой рассеяния), то диагностиче- ские нормы в случае нормализованных шкал описываются в единицах отклонений от среднего по выборке; например, заключают, что испы- туемый А показал результат, превышающий средний балл на две сиг- мы, испытуемый В - результат, оказавшийся ниже среднего балла на одну сигму и т.п. На процентильной шкале этому соответствуют про- центильные ранги 95 и 16 соответственно. Переход к нормальному распределению создает очень удобные ус- ловия для количественных операций с диагностической шкалой: как <со шкалой интервалов с ней можно производить операции линейного преобразования (умножение и сложение), можно описывать диагно- стические нормы в компактной форме (в единицах отклонений), мож- но применять линейный коэффициент корреляции Пирсона, критерии для проверки статистических гипотез, построенные в применении к нормальному распределению, т. е. весь аппарат традиционной <гаус- совой> статистики (основанной на гауссовом нормальном распреде- лении) . Неправомерность онтологизации нормального закона. В традици- онной психометрике нормальное распределение выступает в роли ин- струментального понятия, облегчающего оперирование с данными. Но это не означает, что можно забывать об искусственном происхож- дении нормального распределения. Традиции западной тестологии, ос- нованные еще Ф. Гальтоном, предполагают однородность теоретических представлений психометрики и биометрики. Точно так же как проис- хождение нормального распределения при исследовании вариативно- >сти биологических характеристик человеческого (животного) организ- ма связывается с наличием взаимодействия постоянного фактора ге- нотипа и изменчивых случайных факторов фенотипа, так и происхож- дение межиндивидуальных психологических различий связывается с генетическим кодом, якобы предопределяющим положение индивида <а оси нормальной кривой. В действительности же нет никаких основа- ний приписывать появление нормальной кривой, часто получаемой с помощью специальных статистических непростых процедур, действию механизма наследственности. В тех случаях, когда на большой выборке нам удается получить нормальное распределение без каких-либо искусственных способству- ющих этому мер, это опять-таки не означает вмешательства генетики. Закон нормального распределения воспроизводится всякий раз, когда на измеряемое свойство (на формирование определенного уровня спо- собностей индивида) действует множество разных по силе и направ- ленности факторов независимых друг от друга. История прижизнен- ных средовых воздействий, которые испытывает на себе субъект, так- же подобна последовательности независимых событий: одни факторы действуют в благоприятном направлении, другие - в неблагоприят- ном, а в результате взаимопогашение их влияний происходит чаще, чем тенденциозное однонаправленное сочетание (большинство благоприят- ных или большинство неблагоприятных), т. е. возникает нормальное распределение. Массовые исследования показывают, что введение конт- роля над одним из средовых популяционных факторов (уровень обра- зования родителей, например) приводит к расслоению кривой нормаль- ного распределения: выборочные кривые оказываются смещенными относительно друг друга (Анастази А., 1982, с. 201). Эти результаты служат ярким подтверждением социокультурного происхождения ста- тистических диагностических норм, что одновременно служит основа-
59
STR.60 нием для серьезных предосторожностей при переносе норм, получен- ных на одной популяции, на другие популяции. Однородными мож- но считать только те популяции, по отношению к которым действует одинаковый механизм выборки: и в ситуации создания (стандартиза- ции) теста, 1И в ситуации его диагностического применения. Здесь при- ходится учитывать и такие <нюансы> выборочного механизма, как феномен <нормальных добровольцев>. Если выборку стандартизации формировать на студентах, добровольно согласившихся участвовать в тестировании, а применение теста планируется на сплошных выбор- ках (в административном порядке), то это грозит определенными ошибками в диагностических суждениях, так как психологический портрет <добровольца> в существенных чертах отличается от портрета испытуемого, соглашающегося на тестирование только под админист- ративным давлением (Шихирев П. Н., 1979, с. 181). Подсчет параметров и оценка типа распределения. Для описания выборочного распределения, как правило, используются следующие из- вестные параметры: 1. Среднее арифметическое:
п
-- S--У"
=i /=i
где Xi - балл f-того испытуемого; у;-значение ;-того по порядку возрастания балла; pj - частота встречаемого /-того балла; п - количество испытуемых в выборке (объем); m - количество градаций шкалы (количество баллов). 2. Среднее квадратическое (стандартное) отклонение:
s=--
х-х)" __-,/2-(S/n
(3.1.2) Категория: Библиотека » Психодиагностика Другие новости по теме: --- Код для вставки на сайт или в блог: Код для вставки в форум (BBCode): Прямая ссылка на эту публикацию:
|
|