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.