Обработка на компьютере. Для обработки воспользуемся данными примера 18.3

Для обработки воспользуемся данными примера 18.3. Исходные данные (Data Editor) представляют собой нижние треугольники матриц попарных раз­личий между 5 объектами (табл. 18.4). Для реализации программы INDSCAL необходимо, чтобы матрицы для разных субъектов находились друг под другом. В нашем примере вторая матрица расположена под первой.

1. Выбираем Analyze > Scale > Multidimensional Scaling (ALSCAL)...

Примечание. Если данные представляют собой оценки объектов по ряду признаков каждым из экспертов (испытуемых), а не матрицы различий, то вме­сто программы ALSCAL лучше воспользоваться программой PROXSCAL,

2. В открывшемся окне диалога переносим из левого в правое верхнее окно (Variables) переменные, необходимые для шкалирования (vl, v2, v3, v4, v5). Убеждаемся, что в поле Distances (Расстояния) точкой отмечено Data are distances (Данные — расстояния), а нажав кнопку Shape... (Уточнить), убеж­даемся, что матрица данных Square symmetric (Симметричная квадратная). Нажимаем Continue.

3. Нажимаем кнопку Model... (Модель...) и задаем параметры модели шка­лирования. Для данной модели главный параметр — Scaling model (Модель шкалирования). Вместо заданной по умолчанию Euclidean distance (Евклидо­во расстояние) задаем Individual differences Euclidean distance (Евклидово рас­стояние индивидуальных различий). В отношении остальных установок руководствуемся теми же соображениями, что и при реализации модели не­метрического шкалирования.

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 5 объектов, поэтому вряд ли потребуется более двух шкал. Задаем Dimensions (Шкалы) > Minimum: 2 (Минимум), Maximum: 2 (Максимум). Параметры Level of measurement (Уровень измерения) можно не менять и ос­тавить принятые по умолчанию Ordinal (Порядковый): их изменение практи­чески не меняет результаты. Разве что можно поставить флажок Untie tied observation ( Корректировать связанные наблюдения) — для устранения влия­ния связей (повторов) в рангах.

Убеждаемся, что установлено Conditionality: Matrix (Условие подгонки: вся матрица).

После задания всех параметров модели нажимаем Continue.

4. В основном окне диалога нажимаем Options (Опции) для задания пара­метров обработки и вывода результатов. В появившемся окне диалога внизу в поле Display (Вывод) отмечаем флажком Group plots (Графики для всей груп­пы) — для графического отображения объектов в координатах шкал. В поле Criteria (Критерий) указаны критерии для итераций по подгонке модели: S-stress convergence: 0, 001 (Величина сходимости s-стресса), Minimum s-stress value: 0, 005 (Минимальная величина s-стресса), Maximum iterations: 30 (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.

5. Основные результаты МШ индивидуальных различий.

A) «История» итераций:

Iteration S-stress Improvement

(Итерация) (s-стресс) (Улучшение)

0.00096

1.00074

Iterations stopped because S-stress is less than.005000

(Итерации остановлены, поскольку s-стресс меньше, чем 0, 005.)

B) Величины стресса и RSQ для каждой матрицы отдельно:

Величина стресса и RSQ для всех матриц:

Averaged (rms) over matrices Stress =.00070 RSQ = 1.00000

Эти величины свидетельствуют об отличной общей подгонке результатов, в том числе — для каждой матрицы отдельно. Следовательно, можно приступать к интерпретации результатов.

С) Координаты стимулов и субъективные веса для каждой матрицы:

D) График конфигурации стимулов в осях шкал:

Е) Конфигурация субъективных весов в осях шкал:

При МШ индивидуальных различий интерпретируются две группы резуль­татов: а) общее для группы испытуемых координатное представление срав­ниваемых объектов (общие точки зрения); б) субъективные (индивидуальные) веса общих точек зрения для каждого субъекта. На отрицательном полюсе первой шкалы расположена концепция М. Вертгеймера, затем, по мере воз­растания значений шкалы: Э. Торндайк, Э. Титченер, В. Вундт, И. Сеченов. Очевидно, что эта шкала отражает временные представления студентов о последовательности появления концепций: чем меньше значения по этой шкале, тем позже появилась концепция. Вторая шкала отражает, скорее, со­держательные представления студентов о концепциях: на положительном ее полюсе располагаются концепции, выражающие объективный подход к ана­лизу поведения (И. М. Сеченов, Э. Торндайк); на отрицательном полюсе — интроспективный подход к анализу сознания (В. Вундт, Э. Титченер).

Индивидуальные веса шкал показывают различия испытуемых по тому, только каждый из них разделяет общие (групповые) точки зрения. Для студента 1 преимущественное значение имеет содержательная характеристика концепций (шкала 2) и в меньшей степени — последовательность их появления (шкала 1). Студент 2 учитывает в большей степени последовательность появления концепций и почти полностью игнорирует их содержательное своеобразие.