Грамотное применение статистических методов обработки данных во многом зависит от четкого понимания исследователем того, в какой статистической шкале они представлены. Непонимание этого может привести к тому, что исследователь получит результаты, которые не отражают действительное положение вещей и сделает неправильные выводы. Именно поэтому понимание того, в какой шкале представлены статистические данные является одним из необходимых условий успешной и грамотной статистической обработки.

Итак, приступим к тому, чтобы разобраться, что же такое статистические шкалы.

Шкала (от лат. «скале» — лестница) – элемент счетной системы, посредством которого происходит отнесение исследуемого объекта к определенной группе объектов.

Статистические шкалы можно разделить на качественные и количественные. К качественным шкалам относится номинальная и порядковая шкалы. К количественным – интервальная шкала и шкала отношений.

Номинальная шкала – качественная шкала. Относится к самому элементарному типу измерения. В ней каждому оцениваемому объекту приписывается наименование или число.

Пример 1: Признак – пол. Цифрой «0» обозначаем женщин, цифрой «1» — мужчин. Очевидно, что расчет среднего арифметического не иимеет смысла.

Пример 2: Признак — Цвет волос: Цифрой «1» обозначаем брюнетов, цифрой «2» — шатенов, цифрой «3» – блондинов, цифрой «4» – людей, имеющих рыжий цвет волос.

Пример 3: Номера на футболках спортсменов.

Для области физической культуры и спорта использование номинальной шкалы очень важно, так как очень часто используется метод анкетного опроса . При этом результаты представлены в виде таблицы, в которой представлена абсолютная частота ответов на тот или иной вопрос (табл. 1).

Таблица 1

Оценка мужчинами и женщинами своего психического состояния

Психическое состояние	Мужчины	Женщины	Всего
Крайне неустойчивое	3	16	19
Неустойчивое	22	18	40
Устойчивое	32	9	41
Очень устойчивое	5	1	6
Всего	62	44	100

Порядковая шкала (ранговая) – качественная шкала, использующая свойство чисел отражать отношение «больше – меньше».

В порядковой шкале нельзя сказать насколько или во сколько одно значение больше другого, но можно сказать какое больше, какое меньше. Очень часто статистические данные, представленные в порядковой шкале, измеряются в баллах.

Интервальная шкала – количественная шкала. В этой шкале устанавливается единица измерения.

В интервальной шкале, например, измеряется температура (по Цельсию или по Фаренгейту).

Шкала отношений. Для признаков, измеренных в шкале отношений можно дополнительно сказать: во сколько одно значение больше другого. Шкала отношений в отличие от интервальной шкалы обладает точкой нулевого отсчета.

Примерами статистических данных, представленных в шкале отношений являются признаки: рост, вес, температура по Кельвину.

Более подробное эта тема рассмотрена в литературе, ссылки на которую приведены ниже.

ЛИТЕРАТУРА

1. Барникова, И.Э. / И.Э. Барникова; А.В. Самсонова; Национальный государственный университет физической культуры, спорта и здоровья им. П.Ф. Лесгафта, Санкт–Петербург. – СПб.: [Б.и.], 2017. – 103 с.
2. Гласс Дж., Стэнли Дж. Статистические методы в педагогике и психологии. М.: Прогресс. 1976.- 495 с.

794. Орлов А.И. Теория измерений как часть методов анализа данных: размышления над переводом статьи П.Ф. Веллемана и Л. Уилкинсона // Социология: методология, методы, математическое моделирование. 2012. № 35. С. 155-174.
А.И. Орлов

(Москва)
МЕСТО ТЕОРИИ ИЗМЕРЕНИЙ В МЕТОДАХ АНАЛИЗА ДАННЫХ 1

Согласно современной парадигме прикладной статистики, теория измерений является неотъемлемой частью методов анализа данных. По мнению П.Ф. Веллемана и Л. Уилкинсона , применение теории измерений «при выборе или для рекомендации тех или иных методов статистического анализа неуместно и зачастую приводит к ошибкам». В статье приведены краткие сведения о шкалах измерения и применении теории измерений при выборе средних величин с соответствии с шкалами измерения данных, а затем скрупулезно анализируются аргументы П.Ф. Веллемана и Л. Уилкинсона. Итог дискуссии: «теория измерений важна для интерпретации статистического анализа» . Дискуссия позволила уточнить ряд вопросов применения прикладной статистики (анализа данных): выявлена роль решаемой задачи и применяемой модели данных для установления типов шкал измерения этих данных; разделены области применения разведочного анализа и доказательной статистики.
Ключевые слова : теория измерений, анализ данных, прикладная статистика, шкалы измерения, допустимые преобразования, инвариантность выводов.
Методы анализа данных (другими словами, прикладная статистика, статистические методы) необходимы социологу для обработки результатов массовых обследований, а также для подведения итогов экспертных опросов . Эта научная область бурно развивается. Согласно новой парадигме прикладной статистики, теория измерений является неотъемлемой частью современных методов анализа данных . В наших учебниках (, и др.) рассказано о теории измерений и ее применении при выборе адекватных методов анализа данных.

Есть и другие мнения о целесообразности использования теории измерений при анализе социологических данных. Основная идея статьи П.Ф. Веллемана и Л. Уилкинсона выражена в ее названии. По их мнению, применение теории измерений «при выборе или для рекомендации тех или иных методов статистического анализа неуместно и зачастую приводит к ошибкам» .

Прежде чем разбирать аргументы П.Ф. Веллемана и Л. Уилкинсона, целесообразно привести краткие сведения о предмете дискуссии, в частности, определить используемые нами термины и сформулировать основные положения в стиле отечественной вероятностно-статистической школы, основоположником которой является А.Н. Колмогоров, превративший теорию вероятностей и математическую статистику в раздел математики. При этом уточняем изложение в и описываем применение теории измерений в теории средних величин, позволившее создать стройную и окончательную систему средних.
Основы теории измерений
Теория измерений исходит из того, что арифметические действия с используемыми в практической работе числами не всегда имеют смысл. Например, зачем складывать или умножать номера телефонов? Далее, не всегда выполнены привычные арифметические соотношения. Например, сумма знаний двух двоечников не равна знаниям «хорошиста», т.е. для оценок знаний 2+2 не равно 4. Приведенные примеры показывают, что практика использования чисел для описания результатов наблюдений (измерений, испытаний, анализов, опытов) заслуживает методологического анализа.

Основные шкалы измерения. Наиболее простой способ использования чисел - применение их для различения объектов. Например, телефонные номера нужны для того, чтобы отличать одного абонента от другого. При таком способе измерения используется только одно отношение между числами - равенство (два объекта описываются либо равными числами, либо различными). Соответствующую шкалу измерения называют шкалой наименований (при использовании термина на основе латыни - номинальной шкалой; иногда называют также классификационной шкалой). В этой шкале измерены штрих-коды товаров, номера паспортов, ИНН (индивидуальные номера налогоплательщиков) и многие иные величины, выраженные числами. С прикладной точки зрения шкала измерения - это способ приписывания чисел рассматриваемым объектам, соответствующий имеющимся между объектами отношениям.

Отметим, что числа могут быть приписаны объектам разными способами. Переход от одного способа к другому наблюдаем при замене паспортов или телефонных номеров. Каковы свойства допустимых преобразований? Для шкалы наименований естественно потребовать только взаимной однозначности. Другими словами, применив к результатам измерений взаимно-однозначное преобразование, получаем новую шкалу, столь же хорошо описывающую систему исходных объектов, как и прежняя шкала.

Шесть основных типов шкал измерения описаны в табл.1.
Таблица 1. Основные шкалы измерения.

Тип шкалы	Определение шкалы	Примеры	Группа допустимых преобразований
Шкалы качественных признаков
Наименований	Числа используют для различения объектов	Номера телефонов, паспортов, ИНН, штрих-коды	Все взаимно-однозначные преобразования
Порядковая	Числа используют для упорядочения объектов	Оценки экспертов, баллы ветров, отметки в школе, полезность, номера домов	Все строго возрастающие преобразования
Шкалы количественных признаков (описываются началом отсчета и единицей измерения)
Интервалов	Начало отсчета и единица измерения произвольны	Потенциальная энергия, положение точки, температура по шкалам Цельсия и Фаренгейта	Все линейные преобразования φ(x ) = ax + b , a и b произвольны, а >0
Отношений	Начало отсчета задано, единица измерения произвольна	Масса, длина, мощность, напряжение, сопротивление, температура по Кельвину, цены	Все подобные преобразования φ(x ) = ax , а произвольно, а >0
Разностей	Начало отсчета произвольно, единица измерения задана	Время	Все преобразования сдвига φ(x ) = x + b , b произвольно
Абсолютная	Начало отсчета и единица измерения заданы	Число людей в данном помещении	Только тождественное преобразование φ(x ) = x

Кроме перечисленных в табл.1, используют и иные типы шкал . Отметим, что в табл.1 выражение «единица измерения произвольна» означает, что она может быть выбрана по соглашению специалистов, но не вытекает из каких-либо фундаментальных соотношений. При измерении времени естественная единица измерения задается периодами обращения небесных тел. Начало отсчета при измерении длины задается длиной отрезка, у которого начало и конец совпадают, и т.д.

В настоящее время считается необходимым перед применением тех или иных алгоритмов анализа данных установить, в шкалах каких типов измерены рассматриваемые величины. При этом с течением времени тип шкалы измерения определенной величины может меняться. Например, температура сначала измерялась в порядковой шкале (теплее - холоднее). После изобретения термометров она стала измеряться в шкале интервалов (по шкалам Цельсия, Фаренгейта или Реомюра). Температура С по шкале Цельсия выражается через температуру F по шкале Фаренгейта с помощью линейного преобразования

С открытием абсолютного нуля температур стал возможным переход к шкале отношений (шкала Кельвина).

Требование инвариантности (адекватности) выводов. Выяснение типов используемых шкал необходимо для адекватного выбора методов анализа данных. Основополагающим требованием является независимость выводов от того, какой именно шкалой измерения воспользовался исследователь (среди всех шкал, переходящих друг в друга при допустимых преобразованиях). Например, если речь о длинах, то выводы не должны зависеть от того, измерены ли длины в метрах, аршинах, саженях, футах или дюймах.

Другими словами, выводы должны быть инвариантны относительно группы допустимых преобразований шкалы измерения. Только тогда их можно назвать адекватными, т.е. избавленными от субъективизма исследователя, выбирающего определенную шкалу из множества шкал заданного типа, связанных допустимыми преобразованиями.

Требование инвариантности выводов накладывает ограничения на множество возможных алгоритмов анализа данных. В качестве примера рассмотрим порядковую шкалу. Одни алгоритмы анализа данных позволяют получать адекватные выводы, другие - нет. Например, в задаче проверки однородности двух независимых выборок алгоритмы ранговой статистики (т.е. использующие только ранги результатов измерений) дают адекватные выводы, а статистики Крамера-Уэлча и Стьюдента - нет. Значит, для обработки данных, измеренных в порядковой шкале, критерии Смирнова и Вилкоксона можно использовать, а критерии Крамера-Уэлча и Стьюдента - нет.
Выбор средних величин в соответствии со шкалами измерения
Требование инвариантности является достаточно сильным. Из многих алгоритмов анализа статистических данных ему удовлетворяют лишь некоторые. Покажем это на примере сравнения средних величин.

Средние по Коши. Среди всех методов анализа данных важное место занимают алгоритмы усреднения. Еще в 1970-х годах удалось полностью выяснить, какими видами средних можно пользоваться при анализе данных, измеренных в тех или иных шкалах.

Пусть Х 1 , Х 2 ,…, Х n - выборка объема n . Наиболее общее понятие средней величины введено французским математиком первой половины ХIХ в. О. Коши. Средней величиной (по Коши) является любая функция f (X 1 , X 2 ,...,X n ) такая, что при всех возможных значениях аргументов значение этой функции не меньше, чем минимальное из чисел X 1 , X 2 ,...,X n , и не больше, чем максимальное из этих чисел. Средними по Коши являются среднее арифметическое, медиана, мода, среднее геометрическое, среднее гармоническое, среднее квадратическое.

Средние величины используются обычно для того, чтобы заменить совокупность чисел (выборку) одним числом, а затем сравнивать совокупности с помощью средних. Пусть, например, Y 1 , Y 2 ,...,Y n - совокупность оценок экспертов (или респондентов), «выставленных» одному объекту экспертизы, Z 1 , Z 2 ,...,Z n - второму. Как сравнивать эти совокупности? Самый простой способ - по средним значениям.

При допустимом преобразовании шкалы значение средней величины, очевидно, меняется. Но выводы о том, для какой совокупности среднее больше, а для какой - меньше, не должны меняться (в соответствии с требованием инвариантности выводов, принятом как основное требование в теории измерений). Сформулируем соответствующую математическую задачу поиска вида средних величин, результат сравнения которых устойчив относительно допустимых преобразований шкалы.

Пусть f (X 1 , X 2 ,...,X n ) - среднее по Коши. Пусть среднее по первой совокупности меньше среднего по второй совокупности:

f (Y 1 , Y 2 ,...,Y n ) (Z 1 , Z 2 ,...,Z n ).

Тогда согласно теории измерений для устойчивости результата сравнения средних необходимо, чтобы для любого допустимого преобразования g (из группы допустимых преобразований в соответствующей шкале) было справедливо также неравенство

f (g (Y 1), g (Y 2),...,g (Y n )) (Z 1), g (Z 2 ),...,g(Z n )),

т.е. среднее преобразованных значений из первой совокупности было меньше среднего преобразованных значений для второй совокупности. Причем сформулированное условие должно быть выполнено для любых двух совокупностей Y 1 , Y 2 ,...,Y n и Z 1 , Z 2 ,...,Z n. И, напомним, для любого допустимого преобразования. Средние величины, удовлетворяющие сформулированному условию, назовем допустимыми (в соответствующей шкале). Согласно теории измерений только допустимыми средними величинами можно пользоваться при анализе мнений экспертов и иных данных, измеренных в рассматриваемой шкале.

С помощью математической теории, развитой в монографии , удается описать вид допустимых средних величин в основных шкалах.

Средние величины в порядковой шкале. Рассмотрим обработку, для определенности, мнений экспертов, измеренных в порядковой шкале. Справедливо следующее утверждение.

Теорема 1. Из всех средних по Коши допустимыми средними в порядковой шкале являются только члены вариационного ряда (порядковые статистики).

Теорема 1, впервые полученная в статье , справедлива при условии, что среднее f (X 1 , X 2 ,...,X n ) является непрерывной (по совокупности переменных) и симметрической функцией. Последнее означает, что при перестановке аргументов значение функции f (X 1 , X 2 ,...,X n ) не меняется. Это условие является вполне естественным, ибо среднюю величину находим для совокупности (множества) чисел, а не для последовательности . Множество не меняется в зависимости от того, в какой последовательности мы перечисляем его элементы.

Согласно теореме 1 в качестве среднего для данных, измеренных в порядковой шкале, можно использовать, в частности, медиану (при нечетном объеме выборки). При четном же объеме следует применять один из двух центральных членов вариационного ряда - как их иногда называют, левую медиану или правую медиану. Моду тоже можно использовать - она всегда является членом вариационного ряда. Можно применять выборочные квартили, минимум и максимум, децили и т.п. Но никогда нельзя рассчитывать среднее арифметическое, среднее геометрическое и т.д.

Средние по Колмогорову. Естественная система аксиом (требований к средним величинам) приводит к так называемым ассоциативным средним. Их общий вид нашел в 1930 г. А.Н. Колмогоров . Теперь их называют «средними по Колмогорову».

Для чисел X 1 , X 2 ,...,X n средним по Колмогорову является

G {(F (X 1) + F (X 2) +...+ F (X n ))/n },

где F - строго монотонная функция (т.е. строго возрастающая или строго убывающая), G - функция, обратная к F . Среди средних по Колмогорову - много хорошо известных персонажей. Так, если F (x ) = x , то среднее по Колмогорову - это среднее арифметическое, если F (x ) = ln x , то среднее геометрическое, если F (x ) = 1/x , то среднее гармоническое, если F (x ) = x , то среднее квадратическое, и т.д. (в последних трех случаях усредняются положительные величины).

Среднее по Колмогорову - частный случай среднего по Коши. С другой стороны, такие популярные средние, как медиана и мода, нельзя представить в виде средних по Колмогорову. В статье впервые доказаны следующие утверждения.

Теорема 2. В шкале интервалов из всех средних по Колмогорову допустимым является только среднее арифметическое.

Таким образом, среднее геометрическое или среднее квадратическое температур (в шкале Цельсия), потенциальных энергий или координат точек не имеют смысла. В качестве среднего надо применять среднее арифметическое. А также можно использовать медиану или моду.

Теорема 3. В шкале отношений из всех средних по Колмогорову допустимыми являются только степенные средние с и среднее геометрическое.

Есть ли средние по Колмогорову, которыми нельзя пользоваться в шкале отношений? Конечно, есть. Например, с F (x ) = e 2 x .

Замечание 1. Среднее геометрическое является пределом степенных средних при .

Замечание 2. Теоремы 1 и 2 справедливы при выполнении некоторых внутриматематических условий регулярности. Доказательства теорем 1-3 приведены в монографии . Перенос на случай взвешенных средних дан в статье .

Аналогично средним величинам могут быть изучены и другие статистические характеристики - показатели разброса, связи, расстояния и др. (см., например, ). Нетрудно показать, например, что коэффициент корреляции не меняется при любом допустимом преобразовании в шкале интервалов, как и отношение дисперсий. Дисперсия не меняется в шкале разностей, коэффициент вариации - в шкале отношений, и т.д. В статье рассмотрены дальнейшие результаты о средних величинах.

Согласно рассматриваемому подходу сначала надо установить, в каких шкалах измерены социологические данные, а затем использовать только инвариантные относительно этих шкал алгоритмы обработки данных.

В статье теория измерений именуется «ограничения Стивенса», порядковая шкала названа ординальной, шкала отношений – относительной, нет понятия «группа допустимых преобразований», и т.п. Будем пользоваться устоявшимися в прикладной статистике терминами . В целом же позиция сторонников использования теории измерений при анализе данных описана в верно.

На русском языке имеется достаточно много публикаций по теории измерений, написанных строго, квалифицированными авторами. Поскольку мы не ставим целью дать здесь обзор по теории измерений, отошлем читателей к работам и имеющимся там ссылкам на литературные источники.
Первые размышления над переводом статьи П.Ф. Веллемана и Л. Уилкинсона
Эта статья написана в виде обзора различных публикаций, изложение идет на словесном уровне, строгие определения, формулы, таблицы, примеры почти отсутствуют. Поэтому приходится додумывать за авторов, что они хотели сказать. Не всегда удается придать точный смысл их высказываниям.

На с.173 выделено три направления критики:

1. Требование инвариантности выводов относительно допустимых преобразований шкал измерения «представляется опасным для анализа данных».

2. Подход на основе теории измерений «слишком строг, чтобы его можно было применять для реальных данных».

3. Этот подход «часто ведет к понижению уровня данных через их преобразования в ранги и последующее ненужное обращение к непараметрическим методам».

Начнем с разбора в общих терминах этих трех направлений критики.

1. Опасным для получения обоснованных выводов является, наоборот, отказ от требования инвариантности. Разве можно опираться на выводы, которые меняются при допустимом преобразовании шкалы?

Конечно, при первоначальном разведочном анализе данных можно их «прогнать» через весь арсенал имеющихся в программном продукте методов обработки – вдруг удастся что-нибудь интересное заметить? Полученные нестрогими методами «находки» необходимо затем проверить с помощью обоснованных процедур анализа данных .

Практика зачастую вынуждает использовать соображения теории измерений. Так, при проведении нашим научным коллективом опросов летного состава авиакомпании «Волга-Днепр» выяснилось, что пилотам легче сказать, какое событие встречается чаще, а какое реже, чем оценить число осуществлений событий на 1000 полетов. Проводить оценивание в абсолютной шкале (оценивать вероятности событий) пилоты не берутся, в то время как задачи сравнения событий по частоте встречаемости или оценки их по встречаемости условными баллами (значениями качественных признаков) не вызывают сложностей. Таким образом, полученные при опросах пилотов оценки измерены в порядковых шкалах.

2. При практической работе обычно вполне ясно, в каких шкалах измерены данные. Если попытаться навязать респондентам неправильную шкалу, их ответы будут произвольными, не отражающими истинных мнений, или же они могут попросту отказаться давать ответы, как это было в описанных выше опросах летного состава авиакомпании «Волга-Днепр».

Можно признать, что в отдельных редких случаях определение типа шкалы измерения данных требует специальных исследований.

3. Уже ко времени появления статьи П.Ф. Веллемана и Л. Уилкинсона (1993 г.) с помощью непараметрических методов можно было решать все те задачи анализа данных, для которых всё еще в отдельных работах используются параметрические методы. Согласно современной парадигме прикладной статистики , вместо параметрических методов, характерных для устаревшей парадигмы середины ХХ в., следует применять непараметрические методы.

Согласно современным взглядам, параметрические методы – это методы, основанные на вероятностно-статистических моделях, в которых распределения случайных величин принадлежат тому или иному из параметрических семейств – семейству нормальных, логарифмически-нормальных, гамма-распределений или иных, входящих в четырехпараметрическое семейство К. Пирсона, введенное им в начале ХХ в. Непараметрические методы исходят из распределений произвольного вида. «Преобразование в ранги» не обязательно при применении непараметрических методов. Оно соответствует случаю, когда данные измерены в порядковой шкале.

Как показали многочисленные исследования, почти все распределения реальных данных не принадлежат ни одному из известных параметрических семейств . Боязнь непараметрических методов не имеет рационального обоснования, она порождена предрассудками устаревшей парадигмы прикладной статистики середины ХХ в.

От анализа общих возражений против применения теории измерений при анализе социологических данных перейдем к рассмотрению конкретных примеров, приведенных П.Ф. Веллеманом и Л. Уилкинсоном. Чтобы не раздувать объем настоящей статьи, не будем повторять формулировки примеров, предполагая, что читатели имеют перед собой перевод их исходной статьи .

В критике Лорда выделим несколько составляющих. Во-первых, выбор типа шкалы может быть связан с решаемой задачей. Так, номера договоров предприятия служат прежде всего для того, чтобы различать эти договора (и связанные с ними действия), т.е. естественно принять, что они измерены в шкале наименований. Однако эти номера возрастают с течением времени (в соответствии с датами заключения договоров), поэтому в некоторых задачах принятия управленческих решений естественно считать, что они измерены в порядковой шкале. Во-вторых, при обработке порядковых данных с помощью алгоритмов, не являющимися инвариантными в порядковой шкале, может создаться впечатление, что получены обоснованные выводы. Лорд рассказывает о применении неравенства Чебышева (можно было использовать критерий Крамера-Уэлча ). Однако при применении той же процедуры анализа к данным, подвергнутым некоторому допустимому преобразованию в порядковой шкале, выводы будут прямо противоположными. Для обнаружения различия между двумя независимыми выборками следовало применить непараметрические критерии однородности, например, критерий Вилкоксона .

Бейкер, Хардик и Петринович, Боргатта и Боршштейн не хотят применять непараметрические методы, объяснений нет. Веллеман и Уилкинсон напрасно критикуют их за нежелание «связываться с проблемой робастности» . Робастные методы, т.е. устойчивые к малым отклонениям функций распределения данных, не позволяют справиться с произвольным допустимыми преобразованиями. Если же от робастности перейти к более общей системе понятий – к общей схеме устойчивости, то оказывается, что устойчивые к допустимым преобразованиям шкал методы анализа данных – это ранговые методы как частный случай непараметрических .

Гутман предлагает использовать «функцию потерь, выбранную для проверки качества модели» . Действительно, если задана функция потерь, то нет необходимости привлекать теорию измерений. Проблема в том, чтобы выбрать эту функцию, причем обоснованно. Ни с одним таким практиком за более чем 40 лет консультирования в области анализа данных мне встретиться не довелось. Тот, кто сможет выбрать функцию потерь, уже не практик, а квалифицированный специалист в области математической статистики.

По мнению Тьюки, «какое знание не основано на некоторой приблизительности» . Действительно, при первоначальном разведочном анализе одного взгляда на данные специалисту бывает достаточно для формулировки вывода. Однако и практики, и теоретики настаивают на том, чтобы интуитивные выводы были обоснованы строгими рассуждениями.
Дискуссия о статистиках и шкальных типах
Названный так раздел начинается словами: «Статистики отвергли запрет на методы, основанный на ограничениях, связанных с допустимыми преобразованиями». Это совершенно неверно. Статистики приняли этот запрет (см. обсуждения в ). Особенно ясно это сейчас, через 20 лет после написания статьи . В настоящее время сомнения остаются у некоторых из тех, кто не является профессионалом в области анализа данных, к тому же склонен к принятию простых решений и не хочет утруждать себя изучением теории измерений и непараметрической статистики. Такой настрой практиков вполне естественен и разумен, но не плодотворен. Современная прикладная статистика не является простой, для ее усвоения нужно приложить усилия и затратить время.

Приходится констатировать, что в статью включено большое количество категоричных утверждений, не подтвержденных аргументами и противоречащих практике анализа данных. На с.176 сказано: «Ключевой аргумент против использования предписания статистик на основе шкального типа гласит: это не работает!». Еще как работает – и на практике, и при развитии теории (в начальных разделах настоящей статьи показано, что теория измерений позволила придать теории средних законченный вид). На с.177 говорится, что «опыт показывает, что применение запрещенных статистик к данным приводит к научно значимым результатам, важным при принятии решений и ценным для дальнейших исследований». Примеров нет. Видимо, потому, что это утверждение неверно.

В часто используются термины без определений. Отечественного читателя может поразить заявление о «фундаментальной разнице между математикой и наукой» (с.176). В нашей стране согласно традиции и нормативным документам Минобразования и ВАК математика – одна из наук. Мы считаем, что статистические методы и анализ данных – это одно и то же. Именно поэтому наша крайняя книга называется «Статистические методы анализа данных» . Конечно, можно определить термины так, что математика не будет наукой, а анализ данных станет отличаться от математической статистики. Дискуссия о терминах – увлекательное занятие. Только в одной брошюре приведено около 200 определений термина «статистика». Однако ясно, что использование терминов без определений, как это сделано в , может только запутать читателя.
Различные виды данных
Нельзя не согласиться с Веллеманом и Уилкинсоном в том, что данные – это не всегда числа . Элементами выборок могут быть вектора, функции, различные виды объектов нечисловой природы – бинарные отношения, множества, нечеткие множества, интервалы и др. . Тем более это касается результатов расчетов, таких, как доли или набор точек на плоскости, полученных в результате многомерного шкалирования. Обратите внимание: при рассказе о применении теории измерений при анализе данных в начале этой статьи шла речь об инвариантности выводов, сделанных на основе обработки наборов чисел. Следовательно, теория измерений используется не во всех разделах прикладной статистики, а лишь при статистическом анализе числовых величин . Это замечание понадобится при дальнейшем разборе статьи .

Необходимо всегда различать разведочный статистический анализ, нацеленный на «интуитивное проникновение в закономерности массива данных» , и доказательную статистику, основанную на строгих рассуждениях. Именно к разведочному анализу относятся методы преобразования данных и многомерного шкалирования . При разведочном анализе соблюдать требования теории измерений не обязательно, а в доказательной статистике – наоборот.

В разделе «Хороший анализ данных не основан на допущениях о типе данных» Веллеман и Уилкинсон справедливо обращают внимание на важность правильного выбора статистической модели. В следующем разделе «Стивенсовские категории не описывают фиксированных свойств данных» речь фактически идет о том же: в ряде ситуаций «шкальный тип зависит от интерпретации данных или от наличия дополнительной информации» . Это утверждение совершенно верно, набор чисел сам по себе не дает возможности обосновать тип шкалы. Результат измерения равен 2911397 – какая шкала? Если это число из бухгалтерского отчета, то шкала отношений (переход от одной валюты к другой – подобное преобразование). Если же это число – из телефонного справочника, то номер телефона измерен в шкале наименований. На эту тему мы говорили ранее в связи с разбором работы Лорда . Итак, весьма важен выбор статистической модели, им определяются шкалы измерения данных.

В разделе «Категории Стивенса недостаточны для описания шкал данных» рассматриваются «многомерные шкалы». Что это такое – неясно, так как определений нет. Однако квазипрактический пример, заданный табл.1, достаточно понятен. Поскольку я пять лет проработал в медицинских учреждениях (в «кремлевской больнице» и в НИИ профессиональных заболеваний и гигиены труда АМН СССР), то отмечу, что число имеющихся у пациента симптомов нельзя рассматривать как показатель тяжести заболевания, поскольку подобное рассмотрение предполагает, что все симптомы равноценны по вкладу в тяжесть заболевания. Такого в медицине не бывает.

О чем идет речь в абзаце, посвященном работе Андерсона , остается неясным, поскольку определений используемых понятий нет.
Робастность, шкалы и анализ данных
В разделе «Статистические процедуры не могут классифицироваться по критериям Стивенса» Веллеман и Уилкинсон обсуждают обратную задачу (в терминологии ), в которой для заданной процедуры анализа данных требуется установить, в каких шкалах эта процедура дает инвариантные выводы. Действительно, нами доказано, что вывод о сравнении рассчитанных по двум выборкам значений линейной функции от порядковых статистик, заданной формулой (5) на с.185 , инвариантен в порядковой шкале, если только один весовой коэффициент отличен от 0 (см. и теорему 1 в начале статьи), и в шкале интервалов (и в шкалах с более узкими группами преобразований – отношений, разностей, абсолютной), если по крайней мере два весовых коэффициента отличны от 0 (см. ). Остальной текст этого раздела статьи не поддается интерпретации в строгих терминах. Отметим только, что рассматривается иная задача, чем раньше, - увязка процедур расчетов со шкалами измерения, а не установление типа шкалы измерения исходных данных.

В разделе «Шкальные типы – не точные категории» в очередной раз бездоказательно утверждается, что «реальные данные не удовлетворяют требованиям шкальных типов». Вместе с тем правильно отмечено, что при сомнениях «следует осуществить понижение уровня» шкалы, например, с интервальной до порядковой. В задаче, рассмотренной Тьюки в 1961 г., была бы полезна статистика интервальных данных, развиваемая с начала 1980-х годов .

В разделе «Шкалы и анализ данных» рассуждения построены на смешении разведочного статистического анализа, при котором можно не обращать внимание на шкалы, в которых измерены данные, и анализа данных на стадии получения строгих выводов, немыслимых без обращения к теории измерений. Странно, что Веллеман и Уилкинсон считают «хорошим» только разведочный анализ. Фраза: «Хороший анализ данных редко следует формальной парадигме проверки гипотезы» демонстрирует их нигилизм по отношению к математической статистике, который никак нельзя оправдать.

В разделе «Осмысленность» термин, давший название разделу, так и остался без определения. Как справедливо отмечают Веллеман и Уилкинсон, согласно теории измерений осмысленность – это то, что сохраняется при допустимых преобразованиях. Такое определение им не нравится, но дать другое они не могут, занимаясь общими рассуждениями о праве на ошибку. Странно читать такое: «Если бы наука была ограничена доказуемо осмысленными суждениями, она не смогла бы развиваться». Математика же успешно развивается!

Раздел «Роль типов данных» начинается неожиданно – с признания важности теории измерений: «Были бы ошибкой полагать, что типы данных не имеют значения… Понятие типа шкалы важно, а терминология Стивенса (т.е. теории измерений - А.О.) зачастую бывает удобна». Дальнейшие рассуждения снова посвящены констатации того, что, в нашей терминологии, тип шкалы определяется не самими данными, а моделью, соответствующей решаемой задаче (см. выше интерпретацию числа 2911397 как результата измерений в шкале отношений или в порядковой шкале в зависимости от постановки задачи). Вторая идея, которая также уже встречалась, - упор на разведочный анализ и умаление роли доказательной статистики.
Заключение
Раздел «Заключение» статьи написан взвешенно, высказанные в нем положения в целом справедливы. Как уже говорилось, нельзя считать, «что тип шкалы как бы самоочевиден и не зависит от того, какой вопрос ставит исследователь перед своими данными». За двадцать лет после написания статьи стало ясно, что после постановки вопроса исследователь должен описать модель анализа данных, обычно вероятностно-статистическую, включающую выбор типа шкал измерения данных, а затем в рамках этой модели разработать метод решения задачи или выбрать его из уже имеющихся .

Совершенно верно, что «статистическое программное обеспечение, способствующее любому анализу для любых данных, допускает и безответственный анализ». Об этом предупреждал В.В. Налимов более 40 лет назад . Он имел в виду прежде всего склонность к проведению расчетов без знакомства с сутью применяемых методов.

Анализ статьи закончен.

Подводя итоги настоящей статьи, необходимо констатировать пользу от сопоставления подходов теории измерений и критических замечаний по ее поводу, собранных в статье Веллемана и Уилкинсона . Дискуссия позволила уточнить ряд вопросов применения прикладной статистики (анализа данных). Прежде всего, выявлена роль решаемой задачи и применяемой модели данных для установления типов шкал измерения этих данных, разделены области применения разведочного анализа и доказательной статистики. Подтвердилась справедливость пословицы: «В споре рождается истина».

ЛИТЕРАТУРА
1. Орлов А.И. Статистические методы в российской социологии (тридцать лет спустя) // Социология: методология, методы, математические модели. 2005. № 20. С.32-53.

2. Орлов А.И. Новая парадигма прикладной статистики // Заводская лаборатория. 2012. Том 78. №1, часть I. С.87-93.

3. Орлов А.И. Прикладная статистика. Учебник. - М.: Экзамен, 2006. - 672 с.

4. Орлов А.И. Организационно-экономическое моделирование: учебник: в 3 ч. Часть 1: Нечисловая статистика. – М.: Изд-во МГТУ им. Н.Э. Баумана. – 2009. – 541 с.

5. Веллеман П.Ф., Уилкинсон Л. Типология номинальных, ординальных, интервальных и относительных шкал вводит в заблуждение // Социология: методология, методы, математическое моделирование. 2011. № 33. С.166 – 193.

6. Толстова Ю.Н. Измерения в социологии. - М.: Инфра-М, 1998. - 352 с.

7. Орлов А.И. Устойчивость в социально-экономических моделях. - М.: Наука, 1979. - 296 с.

8. Орлов А.И. Допустимые средние в некоторых задачах экспертных оценок и агрегирования показателей качества. // Многомерный статистический анализ в социально-экономических исследованиях. - М.: Наука, 1974. С. 388-393.

9. Колмогоров А.Н. Об определении среднего // Избр. труды. Математика и механика. М.: Наука, 1985. С. 136–138.

10. Орлов А.И. Допустимые преобразования в задаче сравнения средних. Пси-постоянные статистики. // Алгоритмы многомерного статистического анализа и их применения. - М.: Изд-во ЦЭМИ АН СССР, 1975. С.121-127.

11. Орлов А.И. Связь между средними величинами и допустимыми преобразованиями шкалы // Математические заметки. 1981. Т. 30. №4. С. 561–568.

12. Барский Б.В., Соколов М.В. Средние величины, инвариантные относительно допустимых преобразований шкалы измерения // Заводская лаборатория. 2006. Том 72. №1. С.59-66.

13. Орлов А.И. Организационно-экономическое моделирование: учебник: в 3 ч. Ч.3. Статистические методы анализа данных. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2012. - 624 с.

14. Никитина Е.П., Фрейдлина В.Д., Ярхо А.В. Коллекция определений термина «статистика». – М.: МГУ, 1972. – 46 с.

15. Налимов В.В. О преподавании математики экспериментаторам // О преподавании математической статистики экспериментаторам. Препринт Межфакультетской лаборатории статистических методов №17. – М.: Изд-во МГУ им. М.В. Ломоносова, 1971. – С.5-39.

1Александр Иванович Орлов, профессор, доктор экономических наук, доктор технических наук, кандидат физико-математических наук, директор Института высоких статистических технологий и эконометрики МГТУ им. Н.Э. Баумана, профессор МФТИ, советник президента группы авиакомпаний «Волга-Днепр», президент Российской ассоциации статистических методов. E-mail: prof - orlov @ mail . ru .

Работа выполнена при финансовой поддержке Министерства образования и науки РФ в рамках Постановления Правительства РФ № 218.

Одна из проблем, наиболее часто встречающихся при планировании опроса и подготовке инструментария для него, заключается в том, каким образом следует приписывать единое репрезентативное значение или оценку (score) некоторому сложному отношению или поведению. В качестве примера рассмотрим, как можно было бы измерить предубежденность населения против студентов колледжей. Такая предубежденность может проявляться в самых разных формах в зависимости от того, на каких признаках студентов сосредоточено внимание конкретного индивида (респондента). Так, некоторые люди судят о студентах по одежде, другие – по манерам, третьи – по поведению в повседневной жизни, по социально-экономическому статусу и даже по уровню личной гигиены. У иных стереотипное мнение могло сложиться на основании всего одной-двух встреч (приятных либо нет) с какими-то конкретными студентами; а кто-то, возможно, вообще едва ли способен отличить студента от других людей. Элементы суждения могут сильно варьировать по содержанию, направленности, степени оценки, но каждый и них представляет собой – по крайней мере потенциально – компонент более широкого понятия «предубежденность».

Если необходимо учесть все эти моменты, то нам надо подобрать такой инструмент, который сумеет выявлять и измерять как можно больше подобных составных элементов понятий и одновременно будет достаточно точен, чтобы позволять осмысленным образом определять степень проявления общего понятия в единичном наблюдении. Иными словами, необходимо такое средство, которое бы улавливало и отображало понятие, подобное понятию «предубежденность», во всех деталях, а кроме того, показывало бы нам, сколько (какая доля) этого понятия содержится в том или ином случае или ответе респондента. Одно из таких средств называется шкалированием.

Шкалирование – это процедура объединения ряда относительно узких показателей (например, это пункты опроса, касающиеся отдельных отмеченных респондентами признаков студентов) в единую суммарную меру, которая принимается за отображение более широкого основного понятия (в нашем случае – предубежденности), частью которого является каждый отдельный признак. Так, можно было бы измерить отношение респондента к различным видам поведения студентов (например, к тому, сколько они употребляют алкогольных напитков, или к тому, сколь шумны их вечеринки) или к манерам студентов (к тому, насколько они чванливы, самонадеянны или невнимательны к другим людям), но ни один из этих признаков в отдельности мы не могли бы принять за полноценное отображение столь широкого понятия, как предубежденность. Нам скорее следовало бы каким-то образом свести все эти меры воедино, чтобы иметь возможность делать выводы о более общей точке зрения, которую каждая из них в чем-то дополняет и отображает. Более того, нам нужно решить эту задачу так, чтобы можно было сравнивать количество предубежденности (или любого другого измеряемого нами понятия), содержащееся в ответе одного респондента, с количеством ее, содержащимся в ответе другого респондента, и в конечном итоге судить о том, кто из респондентов предубежден более.

Унифицирующая мера, отображающая определенное основное понятие, называется шкалой. Частное значение степени проявления в каждом данном случае основного понятия называется шкальной оценкой. Шкалирование, или построение шкалы, – это процедура, с помощью которой исследователь формирует шкалу и приписывает отдельным случаям оценки на этой шкале.

Шкалирование - метод моделирования реальных процессов при помощи шкал.

Шкалирование - метод присвоения числовых значений отдельным атрибутам некоторой системы.

Шкалирование позволяет разбить описание сложного процесса на описание параметров по отдельным шкалам. В результате в применении к экономическим задачам, например, можно получить представление об области интересов потребителя, исследовать важность каждой шкалы для него.

Шкала (лат. scala - лестница) - сопоставление результатов измерения какой-либо величины и точек числовой прямой.

Шкала — это множество обозначений, отношения между которыми отражают отношения между объектами эмпирической системы. Шкалой можно назвать результаты измерения, полученные в исследовании, а также инструмент измерения (т.е. систему вопрсов), опросник, тест).

1.2 Виды шкал и типы шкалирования

Шкалы разделяются по типу, в соответствии с тем, какие отношения они отражают. Кроме того, каждой шкале соответствуют допустимые для данной шкалы математические преобразования. Типы шкал имеют иерархическую упорядоченность по сложности. В психометрии, эконометрик, прикладной статистике принята следующая классификация шкал, предложенная в 1946 году Стэнли Смитом Стивенсом:

– шкала наименований (номинальная) – простейшая из шкал. Числа используются для различения объектов. Отображает те отношения, поcредством которых объекты группируются в отдельные непересекающиеся классы. Номер класса не отражает его количественного содержания. Примером шкалы такого рода может служить классификация испытуемых на мужчин и женщин, нумерация игроков спортивных команд и др. Номера телефонов, паспортов, штрих-коды товаров, индивидуальные номера налогоплательщиков измерены в шкале наименований;

– порядковая шкала – отображение отношений порядка. Субъекты в данной шкале ранжированы. Для данной шкалы допустимо монотонное преобразование. Такая шкала груба, потому что не учитывает разность между субъектами шкалы. Пример такой шкалы: балльные оценки успеваемости (неудовлетворительно, удовлетворительно, хорошо, отлично), шкала Мооса;

– интервальная шкала – помимо отношений указанных для шкал наименования и порядка, отображает отношение расстояния (разности) между объектами. Разности во всех точках данной шкалы равны. Для неё допустимым является линейное преобразование. Это позволяет приводить результаты тестирования к общим шкалам и осуществлять, таким образом сравнение показателей. Пример: шкала Цельсия.

– шкала отношений – в отличие от шкалы интервалов может отражать то, во сколько один показатель больше другого. Шкала отношений имеет нулевую точку, которая характеризует отсутствие измеряемого качества. Данная шкала допускает преобразование подобия (умножение на константу). Определение нулевой точки — сложная задача для психологических исследований, накладывающая ограничение на использование данной шкалы. С помощью таких шкал могут быть измерены масса, длина, сила, стоимость (цена). Пример: шкала Кельвина (температур, отсчитанных от абсолютного нуля, с выбранной по соглашению специалистов единицей измерения — градус Цельсия).

Шкала разностей – начало отсчёта произвольно, единица измерения задана. Допустимые преобразования — сдвиги. Пример: измерение времени.

Абсолютная шкала – в ней присутствует дополнительный признак — естественное и однозначное присутствие единицы измерения. Эта шкала имеет единственную нулевую точку. Пример: число людей в аудитории.

С вопросом о типе шкалы непосредственно связана проблема адекватности методов математической обработки результатов измерения. В общем случае адекватными являются те статистики, которые инвариантны относительно допустимых преобразований используемой шкалы измерений.

Рис. 1. Классификация методов шкалирования

Используемые в социологических исследованиях методы шкалирования условно можно разделить на сравнительные и несравнительные.

Сравнительные шкалы (comparative scales) предполагают прямое сравнение рассматриваемых объектов. Например, респондентов спрашивают, предпочитают они Соке или Pepsi. Данные сравнительных шкал считаются относительными и имеют свойства только порядковых и ранговых величин. Поэтому сравнительное шкалирование также называют неметрическим. Как показано на рис. 1, сравнительные шкалы включают попарное сравнение, порядковое ранжирование, шкалы постоянной суммы, Q-copтировку и другие операции.

Сравнительные шкалы (comparative scales) – один из двух методов шкалирования, заключающийся в прямом сравнении рассматриваемых объектов.

Основное преимущество сравнительного шкалирования заключается в возможности распознавания незначительных различий между рассматриваемыми объектами. При сравнении двух объектов респондентам приходится выбирать между ними. Кроме того, респонденты выполняют задание исходя из заданных баллов предпочтения. Благодаря этому сравнительные шкалы легко воспринимать и применять. Другое преимущество этих шкал - сравнительно меньшее количество используемых теоретических допущений, а также устранение влияния гало-эффекта, или эффекта переноса, когда из-за сильного предпочтения одного товара искажается сравнительная оценка других. Основной недостаток сравнительных шкал - их порядковая природа и ограничение анализа рамками определенного количества рассматриваемых объектов. Например, для сравнения RC Cola с Соке и Pepsi следует проводить новое исследование. Эти недостатки в значительной степени устраняются при использовании несравнительных методов шкалирования.

При использовании несравнительных шкал (noncomparative scales), также называемых монадическими или метрическими, каждый объект исходной рассматриваемой совокупности оценивается независимо от других. Полученные данные считаются измеренными в интервальной или относительной шкале.

Несравнительные шкалы (noncomparative scales) – один из двух методов шкалирования, заключающийся в самостоятельной оценке каждого объекта.

Например, респондентов могут попросить оценить Соке по шкале предпочтений от 1 до 6 (1 - абсолютно не нравится, 6 - очень нравится). Таким же образом оцениваются Pepsi и RC Cola. Из рис. 1 видно, что несравнительные рейтинговые шкалы могут быть непрерывными или детализированными. Детализированные рейтинговые шкалы, в свою очередь, разделяются на шкалы: Лайкерта (Likert), семантического дифференциала и Стэпела (Stapel). В маркетинговых исследованиях чаще всего используется несравнительное шкалирование. В этом разделе рассматриваются сравнительные методики шкалирования.

1.3 Основные проблемы при построении шкал

Из вышеизложенного шкалирование может показаться достаточно простой, прямолинейной процедурой, когда в задачу исследователя входит просто идентифицировать ряд компонентов основного понятия, установить, каким показателем можно измерить каждый из них, затем объединить эти показатели в суммарную оценку «…с помощью произнесения нескольких волшебных слов или статистических заклинаний, и – раз-два! – дело сделано». К сожалению, эта видимая простота обманчива, потому что при отборе и интерпретации компонентов шкалы нам может встретиться целый ряд подводных камней, требующих особой внимательности. Во-первых, это проблемы, связанные с понятиями валидности (обоснованности) и надежности.

Валидность – это свойство, определяемое ответом на вопрос: «Действительно ли мы измеряем именно то, что хотим измерить?». В теперешнем нашем контексте этот вопрос может быть несколько трансформирован следующим образом: «Есть ли основания полагать, что каждый из отдельных компонентов шкалы (каждый из конкретных вопросов) действительно напрямую связан с основным понятием и что все компоненты в совокупности полностью охватывают это понятие?». Иначе говоря, необходимо должны задаться вопросом: «А есть ли реальный смысл в том, чтобы объединять между собой ряд частных показателей, и – коли уж мы это сделали – есть ли смысл навешивать на этот ряд показателей избранный нами ярлык основного понятия?». Так, обращаясь снова к примеру со студентами, необходимо узнать, во-первых, действительно ли мнение человека о поведении студентов непосредственно связано с его мнением о студенческом стиле одежды или о манерах студентов, и во-вторых, действительно ли все эти мнения в совокупности отражают степень предубежденности данного лица против студентов.

Что касается надежности, то она определяется ответом на вопрос: «Вне зависимости от того, что конкретно мы измеряем, последовательно ли мы это делаем?». Применительно к шкалированию этот вопрос трансформируется в заботу о том, чтобы различные показатели, являющиеся компонентами шкалы, были связаны друг с другом последовательным и осмысленным образом. На деле нас интересует здесь не то, позволяет ли данный набор вопросов или показателей отличить яблоки от апельсинов, а скорее то, позволяет ли этот набор последовательно сортировать уже идентифицированные нами яблоки по размеру, цвету и т. п. в соответствии с некоторым стандартом. Если да, то объединение различных мер будет говорить о яблоках больше, чем любая отдельная мера. Но если наши стандарты (цвета, размера и т. п.) непоследовательны или двусмысленны, то основанные на них наблюдения могут оказаться ложными. 1

Возможно, другой пример поможет сделать эти положения более понятными. Рассмотрим некую шкалу, предназначенную для того, чтобы каждый респондент выразил свое согласие или несогласие со следующими утверждениями:

1. Кубинцы дурны, и им нельзя верить

2. Французы дурны, и им нельзя верить

3. Японцы дурны, и им нельзя верить

4. Китайцы дурны, и им нельзя верить.

Давайте представим, что перед нами шкала для измерения ксенофобии, то есть страха и недоверия к иностранцам. Предположительно, чем с большим количеством утверждений согласится респондент, тем выше уровень ксенофобии, который мы можем ему приписать. Но будет ли дело обстоять именно так? Человек, полагающий, что только кубинцы дурны и им нельзя верить, утверждает это более в силу антикоммунизма, чем ксенофобии. В свою очередь человек, полагающий, что только японцы и китайцы дурны и им нельзя верить, утверждает это более в силу расизма, чем ксенофобии. И даже респондент, считающий, что все четыре группы дурны и им нельзя верить, как выясняется при ближайшем рассмотрении, страдает не ксенофобией, а скорее чувством, что все люди, или все правительства (даже той страны, где он живет) дурны и им нельзя верить. И следовательно, поскольку мы не можем с уверенностью утверждать, что эта шкала измеряет ксенофобию по существу, то эта шкала несостоятельна. И можем ли мы вообще доверять ей? Составлена ли она продуманно даже для измерения уровня ксенофобии? Страх и недоверие к китайцам, например, возможно, являются индикатором по меньшей мере двух совершенно различных особенностей, одна из которых идеологическая, вторая же имеет своей причиной расизм, и два респондента могут дать одинаковый ответ по совершенно разным причинам. И будет ли одинаковым чувство ксенофобии у антикоммуниста и расиста? Скорее всего – нет. Таким образом, механическое соединение этих конкретных пунктов с целью их соизмерения в лучшем случае будет лишь тщетным упражнением, а в худшем – станет источником ошибочных умозаключений. 1

Проблемы подобного рода преодолеть не всегда просто, и ввиду этого при шкалировании нужно действовать очень внимательно, заранее все просчитывая. Тем не менее возможность представления сложного отношения или поведения в виде отдельного числа или оценки, являющаяся неоспоримым преимуществом шкалирования, служит стимулом к использованию этой методики во множестве самых разнообразных случаев.

2. РОЛЬ ШКАЛ В ПРОЦЕССЕ АНАЛИЗА ДАННЫХ

Шкала измерительная представляет собой алгоритм присвоения объекту числа, отражающего наличие или степень выраженности у него некоторого свойства. Различают четыре основных типа измерительных щкалы: шкала наименований, шкала порядка, шкала интервалов и шкала отношений. Шкалы наименований и порядка позволяют отнести объект к одному из нескольких непересекающихся классов и называются «качественными». Шкалы интервалов и отношений измеряют «количество» или степень выраженности у объекта некоторого свойства и называются «количественными». Шкала наименований (номинальная шкала) позволяет отнести объект к одному из нескольких классов, между которыми не установлено отношение порядка, т.е. классов, по отношению к которым не применяются сравнения типа «больше — меньше», «лучше — хуже» и т.п. По номинальным шкалам измеряются такие социологические показатели как пол, национальность или раса, цвет глаз, темперамент и т.п. При разработке номинальной шкалы составляется полный список классов, который нумеруется в произвольном порядке. При этом числа, представляющие номера классов, играют роль символов или «меток», к ним не могут применяться никакие арифметические операции. Другими словами, на номинальной шкале определено только отношение тождества: объекты, отнесенные к одному классу, считаются тождественными, отнесенные к разным классам — не тождественными. Частным случаем номинальной шкалы является дихотомическая шкала, фиксирующая наличие или отсутствие у объекта некоторого свойства. Наличие качества принято обозначать числом «1», его отсутствие — числом «0». Шкала порядка предназначена для отнесения объекта к одному из непересекающихся классов, упорядоченных по некоторому критерию. На шкале порядка, кроме отношения тождества, определено отношение порядка («больше — меньше»). Таким образом, про объекты, отнесенные к разным классам, можно сказать, что у одного из них измеряемое свойство выражено сильнее, чем у другого, но при этом нельзя определить, насколько сильнее. Типичными примерами шкалы порядка являются образование, тип поселения, социальное положение, воинские звания и т.п. При построении шкалы порядка классы нумеруются в порядке возрастания или убывания соответствующего признака. Арифметические операции над номерами классов не производятся. Частным случаем шкалы порядка является ранговая шкала, применяемая в тех случаях, когда некоторый признак не может быть измерен, но объекты могут быть упорядочены по соответствующему критерию, либо когда порядок объектов более важен, чем точный результат измерения, — например, места, занятые на спортивных состязаниях. Ранговые шкалы используются также при изучении предпочтений, ценностных ориентаций, мотивов, установок и т.п. Респонденту в этом случае предлагается упорядочить предложенный список объектов, понятий или суждений по определенному критерию. Другим частным случаем шкалы порядка является оценочная шкала, с помощью которой свойства объекта или отношение респондента к чему-либо оценивается исходя из определенного количества баллов. Например, академическая успеваемость оценивается по 5-балльной шкале. Оценочные шкалы часто рассматриваются как исключение из шкал порядка, так как предполагается, что между баллами на шкале существует примерно одинаковое расстояние. Например, предполагается, что «отличник» знает предмет настолько же лучше, чем «хорошист», насколько «хорошист» знает его лучше по сравнению с «троечником». Это свойство позволяет во многих случаях рассматривать оценочные шкалы как квазиинтервальные и использовать их соответствующим образом, например, вычислять средний балл по аттестату зрелости или определять среднюю успеваемость в классе. Шкалы интервалов и отношений являются Ш.И. в прямом смысле этого слова. Для них характерно наличие единицы измерения, позволяющей определить, насколько один объект больше или меньше, чем другой, по изучаемому критерию. Отличие между этими двумя типами шкал состоит в том, что шкала отношений обладает «объективным» нулем, не зависящим от произвола наблюдателя, который, как правило, соответствует полному отсутствию измеряемого качества у объекта. На шкале интервалов нуль устанавливается произвольно либо в соответствии с некоторыми традициями и договоренностью. Так, возраст измеряется по шкале отношений, а летоисчисление — по шкале интервалов, хотя в обеих шкалах используется одинаковая единица измерения — год. На шкале интервалов, кроме отношений тождества и порядка, определено отношение разности: для любой пары объектов можно определить, на сколько (единиц измерения) один объект больше или меньше другого. Шкалы интервалов широко используются в психологических тестах и психометрии, методиках семантического дифференциала, других методах вторичных измерений. По шкалам отношений измеряются такие показатели, как рост, возраст, доходы, стаж работы, количество выкуриваемых сигарет и т.п. Для таких переменных определены не только отношения тождества, порядка и разности, но и отношение отношений, позволяющее определять, во сколько раз один объект больше или меньше другого.

Измерение — отображение эмпирической системы в числовую систему, сохраняющую порядок отношений между объектами. Классическая концепция измерения различает два способа приписывания объектам значений переменных. Первый способ называется оцениванием. Отображение свойства объекта на шкалу осуществляется здесь в условных единицах. Например, можно с той или иной степенью точности определить место человека на шкале «консерватизма». Никакой единицы консерватизма в распоряжении исследователя не имеется, градации могут меняться произвольно.

Собственно измерение требует определения единицы — эталона шкалы. В этом случае измерению поддаются лишь пространственные и временные признаки, а также численность — аддитивные величины. Однако в социальных и поведенческих науках получил признание более широкий взгляд на измерение как на приписывание объектам значений в соответствии с заданной системой отношений на различных уровнях.

Переменная — не то же самое, что реальные признак или свойство. Это своего рода линейка — совокупность норм и операций, которые необходимы и достаточны для квалификации события, свойства, отношения, словом, всего того, что принято понимать под фактами. Для линейки не очень важно, нанесены ли ее деления на деревянную, пластмассовую либо металлическую пластинку. Гораздо важнее градуировка шкалы, а также умение пользователя правильно производить замеры. Аналогичным образом обстоит дело и при измерении поведения, только «линейка» в данном случае имеет вид вопросника (или бланка наблюдения), а «прикладывание» их к объекту есть не что иное, как операциональное определение.

Как измерительный инструмент переменная конструируется исследователем путем установления континуума значений (градаций). Minimum minimorum континуума, как мы уже знаем, — дихотомия: «да» и «нет», плюс и минус, утверждение и отрицание. Фактически же мы почти всегда имеем дело с трихотомиями, поскольку в составе любой переменной положена градация «нет ответа» (или «нет данных»).

Таким образом, переменная содержит три компонента: 1) некоторую не всегда отчетливо сформулированную концепцию измеряемого признака, например, «электоральные предпочтения», «стабильность семьи», «образование» и т. п.; 2) шкалу — совокупность значений, задающих критерии классификации объектов; 3) операциональное определение — совокупность инструкций, регламентирующих процесс идентификации объекта по установленной шкале значений.

Элементарный уровень измерения — номинальный. Этому уровню соответствует шкала наименований, которая состоит из значений признаков, не упорядоченных по степени возрастания или убывания. Типичные примеры шкалы наименований: национальность, профессия, политические убеждения. Значения шкалы наименований конструируются в соответствии с логическими правилами классификации. Первое из них — правило непротиворечия. Оно гласит: «Объект может быть отнесен к одному и только одному классу, предусмотренному значением переменной». Иными словами, исследователь обязан называть вещи своими именами и избегать диалектики, при которой объект одновременно оказывается и тем, и другим. Сделать это не так легко, как кажется, — назвать вещь своим именем. Реакционеры иногда кажутся либералами, глупые — умными, женщины — мужчинами. Но даже в самых затруднительных ситуациях аналитик обязан дать однозначную квалификацию объекту. Здесь многое позволено. Единственное, что запрещено, — это квалифицировать объект как белый и черный одновременно.

Следствием данного правила является стопроцентная сумма частот всех градаций переменной. Если сумма частот превышает стопроцентную отметку, значит, по крайней мере некоторые единицы попали одновременно в два класса и посчитаны неоднократно. Так бывает, когда в вопроснике задают шкалу-ассорти, где можно выбрать и то, и другое, и третье. Например, спрашивается: «Что вы больше всего любите?» с вариантами ответов: мацу, шашлык, либерально-демократические свободы… Здесь можно предпочесть все подсказки вопросника, и стопроцентной суммы не получится, если хотя бы один из респондентов попал в классы любящих одновременно мацу и либерально-демократические свободы. Причина искажения в том, что приведенные позиции не составляют переменную, напротив, каждая из них — являет собой «обрезанную» версию переменной. Полноценная версия предполагает ответы «Да», «Нет» и «Не могу сказать». Правильно построенная переменная представляет собой одномерный континуум. В отличие от многосоставных измерений он не требует агрегации. Отсюда второе правило — правило единого основания классификации. Нельзя разделять людей на умных и рыжих, потому что и рыжие иногда оказываются умными. Нельзя смешивать две разные переменные в одном вопросе. Нельзя не учитывать и изменение смысла переменной при ее перемещении в иной контекст. Например, вопрос об отношении к интеллигентам, заданный в Москве и Чикаго, окажется двумя разными вопросами, потому что в русской традиции принято приписывать интеллигенту роль носителя нравственного начала, тогда как житель Чикаго не сразу догадается, кто имеется в виду под «интеллигентом».

Третье правило — правило полноты. В изучаемой совокупности не должно быть ни одного объекта, не поддающегося идентификации по заданным значениям. Иными словами, объект должен быть распределен на континууме переменной и получить полагающееся ему место в одном из классов. Если же этого не происходит, процесс измерения «зависает» — линейку приложить просто не к чему и не к кому. Заметим, что позиция «Нет данных» решает проблему полноты, когда шкала не охватывает весь диапазон значений. Например, отказ респондента сообщить свой возраст не означает, что шкала возраста не имеет отношения к данному объекту. Примеры шкал, которые не имеют отношения к объекту, иначе говоря, не релевантны ему, многочисленны. Социологи часто пытаются осуществить замеры мнений, установок, других личностных характеристик, предполагая, что изучаемое свойство имеется у всех. Например, вопрос: «Как вы относитесь к Бурбулису?», задававшийся некоторыми центрами изучения общественного мнения в 1992 г., основывался на убеждении, что свойство «Отношение к Бурбулису» имеется у всех, кто попал в выборку. Исключалась сама возможность того, что у человека нет ни положительного, ни отрицательного отношения к Бурбулису. Позиция «Не могу сказать», казалось бы, включает в себя такого рода респондентов, однако сюда попадают не только не имеющие мнения, но и не имеющие самого признака.

В социологических измерениях нередко возникает разновидность искусственно созданных эмерджентных переменных — переменных, порожденных самой процедурой. Люди, не имевшие до момента интервьюирования никакого отношения к изучаемому признаку, конструируют это отношение в процессе межличностной коммуникации с интервьюером, отвечая «положительно», «отрицательно» или чаще всего «нейтрально». Причины эмерджентных переменных связаны больше всего с влиянием интервьюера.

Г. А. Погосян показывает о типичных обстоятельствах, при которых переменные описывают не столько самостоятельное речевое поведение респондента, сколько ситуацию сбора данных. В частности, Погосян показал, что подсказка ответа существенно изменяет частотное распределение.

Из таблицы видно, что «подсказка» существенно увеличивает количество считающих, что хорошие специалисты имеют наиболее благоприятные шансы на продвижение по службе, и почти настолько же снижает количество указавших на угодливость. Если предположить, что открытые вопросы дают большую возможность для выражения самостоятельного мнения, подсказка приводит к артефакту: 62% выбрали соответствующую версию ответа, а не выразили свое мнение.

Проектируя переменные, социолог стремится обеспечить их соответствие фактическому поведению объекта. В то же время он обязан организовать их в логическом отношении, пренебрегая тем обстоятельством, что «жизнь» часто бывает нелогичной и многозначной. Здесь намечается дилемма: либо описывать жизнь во всей противоречивости, либо конструировать схемы. В первом случае социологу лучше избрать для себя карьеру писателя, во втором случае необходимо постараться, чтобы логическая схема соответствовала действительности.

Требования взаимооднозначного соответствия и единого основания содержат в себе определенное насилие над «человеческой» реальностью. В жизни «да» часто переходит в «нет», «демократы» называют себя коммунистами, а плюс оказывается минусом. Лучше всего работать с номиналиями, которые, как предполагается, в наибольшей степени соответствуют языку социального взаимодействия и поведения. Номинальные измерения в социологических и социально-экономических исследованиях расцениваются как фундаментальные для понимания самой природы социальной реальности. С.В. Чесноков основывает такой вывод на предположении, что номинальные переменные являются конечным итогом процедур эмпирической верификации теоретических понятий всегда, когда объектом исследований в той или иной мере являются люди, их сознание и поведение. «Это обусловлено тем, — пишет С.В. Чесноков, — что и социолог-исследователь, и люди, выразившие добрую волю контактировать с социологом в роли респондентов, выражают свои реакции, формируют и описывают социальное в образах и понятиях, знаками которых являются слова, а не числа»8. Отсюда следует предположение об ограниченных возможностях числового анализа данных. Гуманитарным измерением С.В. Чесноков называет любое именование, а детерминационным анализом — установление следования «если а, то b», где а и b — имена.

Вне сомнения номинальные переменные, фиксирующие конкретные значения, лежат в фундаменте социологического словаря. Однако эта их особенность коренится не столько в «живом языке» социального общения, сколько в эквивалентности значений переменных протокольным фактофиксирующим высказываниям. Такого рода номинальные «протоколы» вне зависимости от их содержания лежат в фундаменте любых научных описаний. Собственно шкалы (континуумы) представляют собой способы организации номинальных значений в идеализированных метриках, но в любом случае должно соблюдаться требование взаимооднозначного соответствия единицы и значения переменной.

Требования, предъявляемые к номинальным измерениям (идентификациям), должны выполняться и для шкал более высокого уровня: упорядоченных, интервальных и метрических.

Упорядоченная шкала отличается от номинальной тем, что ее градации располагаются в определенном порядке относительно возрастания либо убывания интенсивности свойства.

К классу упорядоченных относятся оценочные шкалы, установки и предпочтения. В социологии используются два вида упорядоченных шкал: ранги (рейтинги) и баллы. Ранги устанавливаются путем приписывания объекту места таким образом, что количество мест в точности равно количеству объектов. Например, можно распределить студентов по уровню подготовки и приписать каждому его место, начиная от первого и кончая последним. Иначе говоря, мы ранжируем их, зная, что вне зависимости от уровня знаний в группе должны быть первые и последние. Аналогичную систему производственного стимулирования, основанную на идее поощрения первых за счет последних, применил в 1960-е гг. В.М. Якушев, экспериментируя в одном из конструкторских бюро, — эксперимент получил известность под названием «Пульсар». Поскольку в любом случае кто-то окажется последним, группа ставится в условия конкуренции и борьбы за выживание.

Рейтинг как тип социального оценивания является нормой определенного типа культуры, основанной на приоритете индивидуального интереса перед интересами коллективными. Жизненный и профессиональный успех осмысливается здесь как победа над другими. В такого рода игре считается глупым и даже аморальным дать товарищу по классу списать контрольную работу — ведь это означает уступить ему в соревновании. В конечном счете загнанных лошадей пристреливают, не так ли? Все это происходит не только в учебе, но и в бизнесе, семье, общении, религии. Теория рационального выбора основана как раз на идее оптимизации индивидуального поведения при ограниченных ресурсах.

Балльные шкалы оперируют не местами, а школьными значениями. Эти значения не зависят друг от друга. В некотором смысле балльная шкала имеет эгалитарное происхождение. Все студенты, включая первого и последнего, могут получить тройки и быть счастливы в соответствии с теорией относительной депривации. Однако надежность такого рода шкал очень сомнительна, особенно в случаях, когда для означивания меток используются цифры. Расстояние от 4 до 5 — не то же самое, что расстояние от 2 до 3. У каждого преподавателя есть собственные предпочтения относительно участка континуума, на котором он распределяет студентов. Один ставит 2 и 3, другой 4 и 5. Как сравнивать их? Больших затруднений здесь не возникает, поскольку индивидуальные значения можно нормировать относительно среднего балла либо стандартного отклонения баллов у каждого преподавателя.

Упорядоченные шкалы оценивания предполагают логическое балансирование позиций относительно нейтрального центра. Это требование отражает более общее правило построения шкал: каждая категория шкалы должна характеризоваться равной вероятностью «попадания» объекта при условии случайного распределения. Иными словами, количество градаций справа от центра должно быть равно количеству градаций слева, Часто в качестве «центра» шкалы используется значение «Не могу сказать». Так создается очевидная двусмысленность в интерпретации данных. «Не могу сказать» означает, что респондент не может выбрать ни одну из предложенных позиций; но если «Не могу сказать» стоит в центре сбалансированной шкалы, имеется в виду «Затрудняюсь предпочесть что-либо».

Когда значения упорядоченной шкалы оценивания не имеют четко определенных границ, шкала превращается в полуупорядоченную. Фактически в социологических и психологических исследованиях чаще всего используются полуупорядоченные шкалы.

Интервальные шкалы основаны на процедурах, обеспечивающих равные или примерно равные расстояния между градациями переменной. В данном случае сравниваются не значения переменных, а расстояния между значениями. Иными словами, любые два измерения данной эмпирической системы, осуществленные по шкале интервалов, переводятся друг в друга с помощью линейной функции.

Если по номинальной шкале последовательность объектов устанавливается без особых затруднений, интервальная шкала предполагает решение проблемы сравнения расстояний между объектами. Это свойство линейных преобразований, характерное для интервальных шкал, демонстрируется числовым примером: 5 — 2 / 2 — 1 = 24 — 15 / 15 — 12 = 3. Отношение разностей между шкальными значениями является в данном случае постоянным». Если один из объектов интервальной шкалы отображается в ноль, можно говорить о шкале отношений — частном случае интервальной шкалы. В данном случае фиксируется начало отсчета12.

Построить интервальную шкалу можно с помощью парных сравнений либо используя, как это делал Л. Терстоун, судейские процедуры. Сначала создается массив релевантных суждений, описывающих измеряемый признак, например отношение, установку либо оценку. Затем экспертам предлагается расположить суждения по категориям от наибольшей интенсивности признака до наименьшей. Предполагается, что распределение судейских оценок вокруг шкальных значений подчинено нормальному закону. Отбираются те суждения, которые получил и согласованные оценки судей. Таков метод построения «интервалов, кажущихся равными». Наиболее известные методы построения шкал интервалов разработаны Л. Терстоуном, Р. Ликертом, Л. Гуттманом. Однако в современной социологии они используются редко.

Метрические, или абсолютные, шкалы соответствуют всем требованиям, предъявляемым к шкалам более низких классов, они имеют не только нулевую метку отсчета, но и единицу измерения времени, расстояния либо численности единиц. Здесь допустимы все преобразования с числами.

Приписывание значений объектам осуществляется в трех формах: вербальной, графической и числовой. Вербальная интерпретация переменных наиболее распространена в массовых опросах. В качестве элементов шкалы здесь выступают суждения, свидетельствующие о мнениях, ценностях, состояниях. Насколько адекватно это свидетельство — особая проблема. Ясно одно: сами суждения не более чем свидетельство о реальности, которая стоит за ними. Поэтому вербальная интерпретация шкалы выполняет в языке повседневности роль своеобразного зонда. Ее принципиальное отличие от обыденной речи заключается в четкой концептуальной структуре, адаптированной к многообразным речевым ситуациям и контекстам. Даже открытый вопрос, казалось бы, максимально ориентированный на лексику респондента, работает только при условии однозначного концептуального кодирования.

Вербально интерпретированные позиции шкалы воспринимаются достаточно отчетливо, если их немного. Но уже при выборе из пяти градаций начинаются затруднения. Например, категории «доволен» и «скорее доволен, чем недоволен» различаются со значительной степенью условности. В семипунктовой шкале возможности вербальной интерпретации оказываются исчерпанными. Здесь предпочтительнее графическое оформление шкалы, создающее возможность стандартного прочтения. Графическая интерпретация шкалы применяется в так называемых кросс-культурных исследованиях, где лексика инструмента требует перевода на язык респондента. Предполагается, что визуализация переменной в рисунке создает универсальный «паттерн» шкалы. Аналогичным образом используются жесты в межнациональном общении. Один из примеров инструмента, выполненного в графическом ключе, — картинки теста тематической апперцепции. Часто шкалы изображаются в виде линеек и пиктограмм. Хэрви Кэнтрил разработал «лестницу счастья»: на рисунке лестницы респондент должен отмечать свое нынешнее положение относительно наилучшего (верх лестницы) и наихудшего (низ лестницы) стечения обстоятельств, а затем указывать направление своего предполагаемого движения по «лестнице счастья». В одной из ранних версий шкалы установки Л. Терстоуном предлагался одиннадцатипунктовый континуум, выполненный в виде термометра.

Числовая интерпретация иногда ошибочно отождествляется с вербальной. Использование цифр в качестве имен числительных не означает введения метрики. Например, в целях кодирования мужчин можно обозначить цифрой 1, а женщин — цифрой 2. В данном случае применены метки, но не числа. Числа предполагают осуществление операций аддитивности, арифметических действий. Круг числовых шкал ограничен интервальным и метрическим уровнями измерения, где установлены единицы интенсивности свойства.

ВВЕДЕНИЕ

ПОНЯТИЕ ОБ ИЗМЕРИТЕЛЬНЫХ ШКАЛАХ

ВИДЫ ШКАЛ

1 Шкала наименований

2 Шкала порядка

3 Шкала интервалов

4 Шкала отношений

5 Другие шкалы

6 Взаимосвязь различных школ между собой

ЗАКЛЮЧЕНИЕ

ВВЕДЕНИЕ

Актуальность исследования заключается в том, что в своей работе психолог достаточно часто сталкивается с проблемой измерения индивидуально-психологических особенностей таких, например, как креативность, нейротизм, импульсивность, свойства нервной системы и т.п. Для этого в психодиагностике разрабатываются специальные измерительные процедуры, в том числе и тесты.

Помимо того в психологии широко используются экспериментальные методы и модели исследования психических феноменов в познавательной и личностной сферах. Это могут быть модели процессов познания (восприятия, памяти, мышления) или особенности мотивации, ценностных ориентации, личности и т.п. Главное заключается в том, что в ходе эксперимента изучаемые характеристики могут получать количественное выражение. Количественные данные, полученные в результате тщательно спланированного эксперимента по определенным измерительным процедурам, используются затем для статистической обработки.

Любое измерение производится с помощью инструмента измерения. То, что измеряется, называется переменной, то чем измеряют - инструмент измерения. Результаты измерения называются данными либо результатами (говорят «были получены данные измерения»). Полученные данные могут быть разного качества - относиться к одной из четырех шкал измерения. Каждая шкала ограничивает использование определённых математических операций, и соответственно ограничивает применение определённых методов математической статистики.

Цель реферата - изучить понятие и классификацию измерительной шкалы.

.Рассмотреть понятие измерительной шкалы.

.Проанализировать классификацию и основные виды измерительных шкал.

.Сделать компаративный анализ сравнительных шкал.

В процессе выполнения реферата использовались следующие методы: метод индукция и дедукция, сравнение и др.

Источниками информации для написания работы явились учебники, периодические издания по теме исследования, научные труды Гусева А.Н., Стивенсона С., Перегудова Ф.И., Тарасевича Ф.П., Корнилова Т.В.

1. ПОНЯТИЕ ОБ ИЗМЕРИТЕЛЬНЫХ ШКАЛАХ

Измерение может быть самостоятельным исследовательским методом, но может выступать и как компонент целостной процедуры эксперимента. Как самостоятельный метод измерение служит для выявления индивидуальных различий в поведении субъектов и отражения ими окружающего мира, а также для исследования адекватности отражения и структуры индивидуального опыта.

Измерение в процедуре эксперимента рассматривается как метод регистрации состояния объекта исследования и соответственно изменения этого состояния в ответ на экспериментальное воздействие.

Понятие измерительной шкалы введено в психологию американским ученым С. Стивенсом. Его трактовка шкалы и сегодня используется в научной литературе.

Итак, приписывание чисел объектам создает шкалу. Создание шкалы возможно, поскольку существует изоморфизм формальных систем и систем действий, производимых над реальными объектами.

Числовая система является множеством элементов с реализованными на нем отношениями и служит моделью для множества измеряемых объектов.

Различают несколько типов таких систем и соответственно несколько типов шкал. Операции, а именно - способы измерения объектов, задают тип шкалы. Шкала в свою очередь характеризуется видом преобразований, которые могут быть отнесены к результатам измерения. Если не соблюдать это правило, то структура шкалы нарушится, а данные измерения нельзя будет осмысленно интерпретировать.

Тип шкалы однозначно определяет совокупность статистических методов, которые могут быть применены для обработки данных измерения.

Шкала (лат. scala - лестница) - инструмент для измерения непрерывных свойств объекта; представляет собой числовую систему, где отношения между различными свойствами объектов выражены свойствами числового ряда.

П. Суппес и Дж. Зинес дали классическое определение шкалы: «Пусть А-эмпирическая система с отношениями (ЭСО), R- полная числовая система с отношениями (ЧСО), F- функция, которая гомоморфно отображает - А в подсистему - R (если в области нет двух разных объектов с одинаковой мерой, что является отображением изоморфизма). Назовем шкалой упорядоченную тройку <А; R; f>».

Обычно в качестве числовой системы R выбирается система действительных чисел или ее подсистема. Множество А - это совокупность измеряемых объектов с системой отношений, определенной на этом множестве. Отображение f- правило приписывания каждому объекту определенного числа.

В настоящее время определение Суппеса и Зинеса уточнено. Во-первых, в определение шкалы вводится G - группа допустимых преобразований. Во-вторых, множество А - понимается не только как числовая система, но и как любая формальная знаковая система, которая может быть поставлена в отношение гомоморфизма с эмпирической системой. Таким образом, шкала - это четверка <А; R; f; G>. Согласно современным представлениям, внутренней характеристикой шкалы выступает именно группа G, а f - является лишь привязкой шкалы к конкретной ситуации измерения.

В настоящее время под измерением понимается конструирование любой функции, которая изоморфно отображает эмпирическую структуру в символическую структуру. Как уже отмечено выше, совсем не обязательно такой структурой должна быть числовая. Это может быть любая структура, с помощью которой можно измерить характеристики объектов, заменив их другими, более удобными в обращении (в том числе - числами). (2 ,3).

ВИДЫ ШКАЛ

В психологии различные шкалы используются для изучения разных характеристик социально-психологических явлений.

Первоначально выделялись четыре типа числовых систем, определявших соответственно четыре уровня, или шкалы измерения:

) шкала наименований - номинальная;

) шкала порядка - ординальная;

)шкала интервалов - интервальная;

) шкала отношений - пропорциональная.

Первые две шкалы получили название не метрических, вторые две - метрических. В соответствии с этим в психологии говорят и о двух подходах к психологическим измерениям: метрическом (более строгом) и не метрическом (менее строгом).

Ряд специалистов выделяют также абсолютную шкалу и шкалу разностей.

Рассмотрим особенности каждого типа шкал.

2.1 Шкала наименований

Шкала наименований или номинальная шкала используется только для обозначения принадлежности объекта к одному из нескольких непересекающихся классов. Приписываемые объектам символы, которые могут быть цифрами, буквами, словами или некоторыми специальными символами, представляют собой только метки соответствующих классов. Характерной особенностью номинальной шкалы является принципиальная невозможность упорядочить классы по измеряемому признаку - к ним нельзя прилагать суждения типа "больше - меньше", "лучше - хуже", и т.п. Примерами номинальных шкал являются: пол и национальность, специальность по образованию, марка сигарет, предпочитаемый цвет. Единственным отношением, определенным на шкале наименований, является отношение тождества: объекты, принадлежащие к одному классу, считаются тождественными, к разным классам - различными. Частным случаем шкалы наименований является дихотомическая шкала, с помощью которой фиксируют наличие у объекта определенного качества или его соответствие некоторому требованию.

В этой шкале числа присвоенные объектам говорят только лишь о том, что эти объекты различаются. По сути, это классификационная шкала. Так, например, исследователь может приписать женщинам ноль, а мужчинам единицу, или наоборот, и это будет говорить только о том, что это два разных класса объектов. Чисел в шкале наименований может быть столько, сколько существует классов объектов подлежащих измерению, но ни сумма этих чисел, ни их разность, ни произведение не будут иметь никакого смысла, т.к. в шкале наименований не осуществима ни одна арифметическая операция. Числа в шкале наименований могут быть любыми, хотя, как правило, отрицательные не используются. Наиболее часто в психологических исследованиях используется дихотомическая шкала наименований, которая задается двумя числами - нулем и единицей. Наиболее распространенные примеры таких шкал в психологии это: пол (мужчина - женщина), успешность выполнения задания (справился - не справился), соответствие норме (норма - патология), психологический тип (экстраверт - интроверт).

Шкала наименований получается путем присвоения "имен" объектам. При этом нужно разделить множество объектов на непересекающиеся подмножества.

Иными словами, объекты сравниваются друг с другом, и определяется их эквивалентность - неэквивалентность. В результате процедуры образуется совокупность классов эквивалентности. Объекты, принадлежащие одному классу, эквивалентны друг другу и отличны от объектов, относящихся к другим классам. Эквивалентным объектам присваиваются одинаковые имена.

Операция сравнения является первичной для построения любой шкалы. Для построения такой шкалы нужно, чтобы объект был равен или подобен сам себе (х=х для всех значений х), т.е. на множестве объектов должно быть реализовано отношение рефлексивности. Для психологических объектов, например испытуемых или психических образов, это отношение реализуемо, если абстрагироваться от времени. Но поскольку операции попарного (в частности) сравнения множества всех объектов эмпирически реализуются неодновременно, то в ходе эмпирического измерения даже это простейшее условие не выполняется.

Следует запомнить: любая шкала есть идеализация, модель реальности, даже такая простейшая, как шкала наименований.

На объектах должно быть реализовано отношение симметрии (R (X=Y) -> R (Y=X)) и транзитивности R (X=Y, Y=Z) -> R (X=Z). Но на множестве результатов психологических экспериментов эти условия могут нарушаться.

Кроме того, многократное повторение эксперимента (накопление статистики) приводит к "перемешиванию" состава классов: в лучшем случае мы можем получить оценку, указывающую на вероятность принадлежности объекта к классу.

Таким образом, нет оснований говорить о шкале наименований (номинативной шкале или шкале строгой классификации) как простейшей шкале, начальном уровне измерения в психологии.

Существуют более "примитивные" (с эмпирической, но не с математической точки зрения) виды шкал: шкалы, основанные на отношениях толерантности; шкалы "размытой" классификации и т.п.

О шкале наименований можно говорить в том случае, когда эмпирические объекты просто "метятся" числом.

Итак, если объекты в каком-то отношении эквивалентны, то мы имеем право отнести их к одному классу. Главное, как говорил Стивенс, не приписывать один и тот же символ разным классам или разные символы одному и тому же классу.

Несмотря на тенденцию "завышать" мощность шкалы, психологи очень часто применяют шкалу наименований в исследованиях. "Объективные" измерительные процедуры при диагностике личности приводят к типологизации: отнесению конкретной личности к тому или иному типу. Примером такой типологии являются классические темпераменты: холерик, сангвиник, меланхолик и флегматик. (2, 3).

Самая простая номинативная шкала называется дихотомической. При измерениях по дихотомической шкале измеряемые признаки можно кодировать двумя символами или цифрами, например 0 и 1, или 2 и 6, или буквами А и Б, а также любыми двумя отличающимися друг от друга символами. Признак, измеренный по дихотомической шкале, называется альтернативным. В дихотомической шкале все объекты, признаки или изучаемые свойства разбиваются на два непересекающихся класса, при этом исследователь ставит вопрос о том, «проявился» ли интересующий его признак у испытуемого или нет.

Исследователь, пользующийся шкалой наименований, может применять следующие инвариантные статистики: относительные частоты, моду, корреляции случайных событий, критерий.

2 Шкала порядка

Шкалы порядка позволяют не только разбивать объекты на классы, но и упорядочивать классы по возрастанию (убыванию) изучаемого признака: об объектах, отнесенных к одному из классов, известно, но только то, что они тождественны друг другу, но также, что они обладают измеряемым свойством в большей или меньшей степени, чем объекты из других классов. Но при этом порядковые шкалы не могут ответить на вопрос, на сколько (во сколько раз), это свойство выражено сильнее у объектов из одного класса, чем у объектов из другого класса. Примерами шкал порядка могут служить уровень образования, военные и академические звания, тип поселения (большой - средний - малый город - село), некоторые естественно научные шкалы (твердость минералов, сила шторма). Так, можно сказать, что 6-балльный шторм заведомо сильнее, чем 4-балльный, но нельзя определить, насколько он сильнее; выпускник университета имеет более высокий образовательный уровень, чем выпускник средней школы, но разница в уровне образования не поддается непосредственному измерению Упорядоченные классы достаточно часто нумеруют в порядке возрастания (убывания) измеряемого признака. Однако в силу того, что различия в значении признака точному измерению не поддаются, к шкалам порядка, также как к номинальным шкалам, действия арифметики не применяют. Исключение составляют оценочные шкалы, при использовании которых объект получает (или сам выставляет) оценки, исходя из определенного числа баллов. К таким шкалам относятся, например, школьные оценки, для которых считается вполне допустимым рассчитывать, например, средний балл по аттестату зрелости. Строго говоря, подобные шкалы являются частным случаем шкалы порядка, так как нельзя определить, на сколько знания "отличника" больше, чем знания "троечника", но в силу некоторых теоретических соображений с ними часто обращаются, как со шкалами более высокого ранга - шкалами интервалов. Другим частным случаем шкалы порядка является ранговая шкала, применяемая обычно в тех случаях, когда признак заведомо не поддается объективному измерению (например, красота или степень неприязни), или когда порядок объектов более важен, чем точная величина различий между ними (места, занятые в спортивных соревнованиях). В таких случаях эксперту иногда предлагают проранжировать по определенному критерию некий список объектов, качеств, мотивов и т.п.

Числа, присвоенные объектам в этой шкале будут говорить о степени выраженности измеряемого свойства у этих объектов, но, при этом, равные разности чисел не будут означать равных разностей в количествах измеряемых свойств. В зависимости от желания исследователя большее число может означать большую степень выраженности измеряемого свойства (как в шкале твердости минералов) или меньшую (как в таблице результатов спортивных соревнований), но в любом случае, между числами и соответствующими им объектами сохраняется отношение порядка. Шкала порядка задается положительными числами, и чисел в этой шкале может быть столько, сколько существует измеряемых объектов. Примеры шкал порядка в психологии: рейтинг испытуемых по какому-либо признаку, результаты экспертной оценки испытуемых и т.д.

Если можно установить порядок следования психологических объектов в соответствии с выраженностью какого-то свойства, то используется порядковая шкала.

Порядковая шкала образуется, если на множестве реализовано одно бинарное отношение - порядок (отношения "больше" и "меньше"). Построение шкалы порядка - процедура более сложная, чем создание шкалы наименований. Она позволяет зафиксировать ранг, или место, каждого значения переменной по отношению к другим значениям. Этот ранг может быть результатом установления порядка между какими-то стимулами или их атрибутами самим испытуемым (первичный показатель методик ранжирования, или рейтинговых процедур), но может и устанавливаться экспериментатором в качестве вторичного показателя (например, при ранжировке частот положительных ответов испытуемых на вопросы, относящиеся к разным темам).

Классы эквивалентности, выделенные при помощи шкалы наименований, могут быть упорядочены по некоторому основанию. Различают шкалу строгого порядка (строгая упорядоченность) и шкалу слабого порядка (слабая упорядоченность). В первом случае на элементах множества реализуются отношения "больше" и "меньше", а во втором - "не больше или равно" и "меньше или равно".

Значения величин можно заменять квадратами, логарифмами, нормализовать и т.д. При таких преобразованиях значений величин, определенных по шкале порядка, место объектов на шкале не изменяется, т.е. не происходит инверсий.

Еще Стивенс высказывал точку зрения, что результаты большинства психологических измерений в лучшем случае соответствуют лишь шкалам порядка.

Шкалы порядка широко используются в психологии познавательных процессов, экспериментальной психосемантике, социальной психологии: ранжирование, оценивание, в том числе педагогическое, дают порядковые шкалы. Классическим примером использования порядковых шкал является тестирование личностных черт, а также способностей. Большинство же специалистов в области тестирования интеллекта полагают, что процедура измерения этого свойства позволяет использовать интервальную шкалу и даже шкалу отношений.

Как бы то ни было, эта шкала позволяет ввести линейную упорядоченность объектов на некоторой оси признака. Тем самым вводится важнейшее понятие - измеряемое свойство, или линейное свойство, тогда как шкала наименований использует "вырожденный" вариант интерпретации понятия "свойство": "точечное" свойство (свойство есть - свойства нет).

В порядковой (ранговой) шкале должно быть не меньше трех классов (групп): например, ответы на опросник: «да», «не знаю», «нет»; или - низкий, средний, высокий; и т.п., с тем расчетом, чтобы можно было расставить измеренные признаки по порядку. Именно поэтому эта шкала и называется порядковой, или ранговой, шкалой.

От классов просто перейти к числам, если считать, что низший класс получает ранг (код или цифру) 1, средний - 2, высший - 3 (или наоборот). Чем больше число классов разбиений всей экспериментальной совокупности, тем шире возможности статистической обработки полученных данных и проверки статистических гипотез.

При кодировании порядковых переменных им можно приписывать любые цифры (коды), но в этих кодах (цифрах) обязательно должен сохраняться порядок, или, иначе говоря, каждая последующая цифра должна быть больше (или меньше) предыдущей.

Для интерпретации данных, полученных посредством порядковой шкалы, можно использовать более широкий спектр статистических мер (в дополнение к тем, которые допустимы для шкалы наименований).

В качестве характеристики центральной тенденции можно использовать медиану, а в качестве характеристики разброса - процентили. Для установления связи двух измерений допустима порядковая корреляция (т-Кэнделла и р-Спирмена).

Числовые значения порядковой шкалы нельзя складывать, вычитать, делить и умножать. (2, 3).

3 Шкала интервалов

В отличие от двух предыдущих шкал в шкале интервалов существует единица измерения, либо реальная (физическая), либо условная, при помощи которой можно установить количественные различия между объектами в отношении измеряемого свойства. Равные разности чисел в этой шкале будут означать равные различия в количествах измеряемого свойства у разных объектов, или у одного и того же объекта в разные моменты времени. Однако, то, что одно число оказывается в несколько раз больше другого не обязательно говорит о таких же отношениях в количествах измеряемых свойств. В шкале интервалов может быть задействована вся числовая ось, но при этом ноль не указывает на отсутствие измеряемого свойства, т.к. нулевая точка часто является произвольной (например, как в шкале температуры по Цельсию), либо вообще отсутствует, как в некоторых шкалах психологических тестов. Благодаря таким свойствам, шкала интервалов получила широкое распространение в психологии, на ней основано большинство психодиагностических шкал: интеллекта, самооценки и др.

Примерами шкалы интервалов являются календарное время, температурные шкалы Цельсия и Фаренгейта. Шкала оценок с заданным количеством баллов часто рассматривается как интервальная в предположении, что минимальное и максимальное положения на шкале соответствуют некоторым крайним оценкам или позициям, и интервалы между баллами шкалы имеют одинаковую длину. К шкалам отношений относится абсолютное большинство измерительных шкал, применяемых в науке, технике и быту: рост и вес, возраст, расстояние, сила тока, время (длительность промежутка между двумя событиями), температура по Кельвину (абсолютный нуль).

Шкала интервалов является первой метрической шкалой. Собственно, начиная с нее, имеет смысл говорить об измерениях в узком смысле этого слова - о введении меры на множестве объектов. Шкала интервалов определяет величину различий между объектами в проявлении свойства. С помощью шкалы интервалов можно сравнивать два объекта. При этом выясняют, насколько более или менее выражено определенное свойство у одного объекта, чем у другого.

Интервальная шкала позволяет применять практически всю параметрическую статистику для анализа данных, полученных с ее помощью. Помимо медианы и моды для характеристики центральной тенденции используется среднее арифметическое, а для оценки разброса - дисперсия. Можно вычислять коэффициенты асимметрии и эксцесса и другие параметры распределения. Для оценки величины статистической связи между переменными применяется коэффициент линейной корреляции Пирсона и т.д.

Большинство специалистов по теории психологических измерений полагают, что тесты измеряют психические свойства с помощью шкалы интервалов. Прежде всего, это касается тестов интеллекта и достижений. Численные значения одного теста можно переводить в численные значения другого теста с помощью линейного преобразования: х" = ах + b.

Ряд авторов полагают, что относить тесты интеллекта к шкалам интервалов нет оснований. Во-первых, каждый тест имеет "нуль" - любой индивид может получить минимальный балл, если не решит ни одной задачи в отведенное время. Во-вторых, тест имеет максимум шкалы - балл, который испытуемый может получить, решив все задачи за минимальное время. В-третьих, разница между отдельными значениями шкалы неодинакова. По крайней мере, нет никаких теоретических и эмпирических оснований утверждать, что 100 и 120 баллов по шкале IQ отличаются настолько же, насколько 80 и 100 баллов.

Скорее всего, шкала любого теста интеллекта является комбинированной шкалой, с естественным минимумом и\или максимумом, но порядковой. Однако эти соображения не мешают тестологам рассматривать шкалу IQ как интервальную, преобразуя "сырые" значения в шкальные с помощью известной процедуры "нормализации" шкалы

4 Шкала отношений

Шкала отношений является единственной шкалой, на которой определено отношение отношения, то есть, разрешены арифметические действия умножения и деления и, следовательно, возможен ответ на вопрос, во сколько раз одно значение больше или меньше другого.

В шкале отношений также существует единица измерения, при помощи которой объекты можно упорядочить в отношении измеряемого свойства и установить количественные различия между ними. Особенностью шкалы отношений является то, что к числам в этой шкале применимы все математические операции, а это значит, что отношения между числами соответствуют, или пропорциональны отношениям между количествами измеряемых свойств у разных объектов. В этой шкале обязательно, по, крайней мере, теоретически, присутствует ноль, который говорит об абсолютном отсутствии измеряемого свойства. Большинство ныне существующих физических шкал (длины, массы, времени, температуры по Кельвину и т.д.) являются яркими примерами шкал отношений. В психологии из шкал отношений наиболее часто используются шкала вероятностей и шкала ""сырых"" баллов (количество решенных заданий, количество ошибок, количество положительных ответов и т.д.).

Шкалу отношений называют также шкалой равных отношений. Особенностью этой шкалы является наличие твердо фиксированного нуля, который означает полное отсутствие какого-либо свойства или признака. Шакала отношений является наиболее информативной шкалой, допускающей любые математические операции и использование разнообразных статистических методов.

Шкала отношений, по сути, очень близка интервальной, поскольку если строго фиксировать начало отсчета, то любая интервальная шкала превращается в шкалу отношений.

Шкала отношений показывает данные о выраженности свойств объектов, когда можно сказать, во сколько раз один объект больше или меньше другого.

Это возможно лишь тогда, когда помимо определения равенства, рангового порядка, равенства интервалов известно равенство отношений. Шкала отношений отличается от шкалы интервалов тем, что на ней определено положение "естественного" нуля. Классический пример - шкала температур Кельвина.

Именно в шкале отношений производятся точные и сверхточные измерения в таких науках, как физика, химия, микробиология и др. Измерение по шкале отношений производятся и в близких к психологии науках, таких, как психофизика, психофизиология, психогенетика.

Измерения массы, времени реакции и выполнения тестового задания - области применения шкалы отношений.

Отличием этой шкалы от абсолютной является отсутствие "естественной" масштабной единицы.

2.5 Другие шкалы

Дихотомическая классификация часто рассматривается как вариант шкалы наименований. Это верно, за исключением одного случая, когда мы измеряем свойство, имеющее всего лишь два уровня выраженности: "есть - нет", так называемое "точечное" свойство. Примеров таких свойств много: наличие или отсутствие у испытуемого какой-либо наследственной болезни (дальтонизм, болезнь Дауна, гемофилия и др.), абсолютного слуха и др. В этом случае исследователь имеет право проводить "оцифровку" данных, присваивая каждому из типов цифру "1" или "О", и работать с ними, как со значениями шкалы интервалов.

Шкала разностей, в отличие от шкалы отношений, не имеет естественного нуля, но имеет естественную масштабную единицу измерения. Ей соответствует аддитивная группа действительных чисел. Классическим примером этой шкалы является историческая хронология. Она сходна со шкалой интервалов. Разница лишь в том, что значения этой шкалы нельзя умножать (делить) на константу. Поэтому считается, что шкала разностей - единственная с точностью до сдвига. В психологии шкала разностей используется в методиках парных сравнений.

Абсолютная шкала является развитием шкалы отношений и отличается от нее тем, что обладает естественной единицей измерения. В этом ее сходство со шкалой разностей. Число решенных задач ("сырой" балл), если задачи эквивалентны, - одно из проявлений абсолютной шкалы.

В психологии абсолютные шкалы не используются. Данные, полученные с помощью абсолютной шкалы, не преобразуются, шкала тождественна сама себе. Любые статистические меры допустимы.

В литературе, посвященной проблемам психологических измерений, упоминаются и другие типы шкал: ординальная (порядковая) с естественным началом, логинтервальная, упорядоченная метрическая и др.

Все написанное выше относится к одномерным шкалам. Шкалы могут быть и многомерными: шкалируемый признак в этом случае имеет ненулевые проекции на два (или более) соответствующих параметра. Векторные свойства, в отличие от скалярных, являются многомерными.

2.6 Взаимосвязь различных школ между собой

Между самими шкалами тоже существуют отношения порядка. Каждая из перечисленных шкал является шкалой более высокого порядка по отношению к предыдущей шкале. Так, например, измерения, произведенные в шкале отношений можно перевести в шкалу интервалов, из шкалы интервалов - в шкалу порядка и т.д., но обратная процедура будет невозможна, т.к. при переходе к шкалам более низкого порядка часть информации (о единицах измерения, количествах свойств) теряется.

Тем не менее, это не всегда означает, что шкалы более высокого порядка предпочтительней по отношению к шкалам более низкого порядка, а в ряде случаев - даже, наоборот. Например, количество правильно выполненных заданий в тесте интеллекта (шкала отношений) гораздо выгодней представить в стандартизированной шкале IQ (шкала интервалов), а множество разнообразных поведенческих реакций в виде типа личности (шкала наименований). Наконец, существуют такие признаки объектов, которые можно измерить в любой шкале, как возраст, и такие, к измерению которых подходит только одна шкала, как, например, пол. На выбор измерительной шкалы, таким образом, могут оказывать влияние многие факторы, как достоинства самой шкалы, так и специфика самого объекта измерения.

·Измерительные инструменты

Для проведения измерения в естественных и точных науках, в быту применяются специальные измерительные инструменты, которые во многих случаях представляют собой довольно сложные приборы. Качество измерения определяется точностью, чувствительностью и надежностью инструмента. Точностью инструмента называется его соответствие существующему в данной области стандарту (эталону). Чувствительность инструмента определяется величиной единицы измерения, например, в зависимости от природы объекта, расстояние может измеряться в микронах, сантиметрах или километрах. Надежностью называется способность инструмента к воспроизведению результатов измерения в пределах чувствительности шкалы. В гуманитарных и общественных науках (за исключением экономики и демографии) большинство показателей не поддаются непосредственному измерению с помощью традиционных технических средств. Вместо них применяются всевозможные анкеты, тесты, стандартизированные интервью и т.п., получившие общее название измерительного инструментария. Кроме очевидных проблем точности, чувствительности и надежности, для гуманитарного инструментария существует также достаточно острая проблема валидности - способности измерять именно то свойство личности, которое предполагается его автором.

·Качественные и количественные шкалы

В силу того, что символы, присваиваемые объектам в соответствии с порядковыми и номинальными шкалами, не обладают числовыми свойствами, даже если записываются с помощью цифр, эти два типа шкал получили общее название качественных, в отличие от количественных шкал интервалов и отношений. Шкалы интервалов и отношений имеют общее свойство, отличающее их от качественных шкал: они предполагают не только определенный порядок между объектами или их классами, но и наличие некоторой единицы измерения, позволяющей определять, насколько значение признака у одного объекта больше или меньше, чем у другого. Другими словами, на обеих количественных шкалах, помимо отношений тождества и порядка, определено отношение разности, к ним можно применять арифметические действия сложения и вычитания. Естественно, что символы, приписываемые объектам в соответствии с количественными измерительными шкалами, могут быть только числами.

·Шкала интервалов и шкала отношений

Основное различие между шкалами интервалов и отношений состоит в том, что шкала отношений имеет абсолютный нуль, не зависящий от произвола наблюдателя и соответствующий полному отсутствию измеряемого признака, а на шкале интервалов нуль устанавливается произвольно или в соответствии с некоторыми условными договоренностями.

·Дискретные и непрерывные шкалы

Количественные шкалы делятся на: дискретные и непрерывные. Дискретные показатели измеряются в результате счета: число детей в семье, количество решенных задач, и т.п. Непрерывные шкалы предполагают, что измеряемое свойство изменяется непрерывно, и при наличии соответствующих приборов и средств, могло бы быть измерено с любой необходимой степенью точности. Результаты измерения непрерывных показателей довольно часто выражаются целыми числами (например, шкала IQ для измерения интеллекта), но это связано не с природой самих показателей, а с характером измерительных процедур. Различают первичные и вторичные измерения. Первичные получаются в результате непосредственного измерения: длина и ширина прямоугольника, число родившихся и умерших за год, ответ на вопрос теста, оценка на экзамене. Вторые являются результатом некоторых манипуляций с первичными измерениями, обычно с помощью неких логико-математических конструкций: площадь прямоугольника, демографические коэффициенты смертности, рождаемости и естественного прироста, результаты тестирования, зачисление или не зачисление в институт по результатам вступительных экзаменов.

ЗАКЛЮЧЕНИЕ

измерительный шкала психологический дискретный

Таким образом, шкалы измерений принято классифицировать по типам измеряемых данных, которые определяют допустимые для данной шкалы математические преобразования, а также типы отношений, отображаемых соответствующей шкалой. Современная классификация шкал была предложена в 1946 году Стэнли Смитом Стивенсом.

·Шкала наименований (номинальная, классификационная)

Используется для измерения значений качественных признаков. Значением такого признака является наименование класса эквивалентности, к которому принадлежит рассматриваемый объект. Примерами значений качественных признаков являются названия государств, цвета, марки автомобилей и т.п. Такие признаки удовлетворяют аксиомам тождества:

Либо А = В, либо А? В;

Если А = В, то В = А;

Если А = В и В = С, то А = С.

При большом числе классов используют иерархические шкалы наименований. Наиболее известными примерами таких шкал являются шкалы, используемые для классификации животных и растений.

С величинами, измеряемыми в шкале наименований, можно выполнять только одну операцию - проверку их совпадения или несовпадения. По результатам такой проверки можно дополнительно вычислять частоты заполнения (вероятности) для различных классов, которые могут использоваться для применения различных методов статистического анализа - критерия согласия Хи-квадрат, критерия Крамера для проверки гипотезы о связи качественных признаков и др.

·Порядковая шкала (или ранговая)

Строится на отношении тождества и порядка. Субъекты в данной шкале ранжированы. Но не все объекты можно подчинить отношению порядка. Например, нельзя сказать, что больше круг или треугольник, но можно выделить в этих объектах общее свойство-площадь, и таким образом становится легче установить порядковые отношения. Для данной шкалы допустимо монотонное преобразование. Такая шкала груба, потому что не учитывает разность между субъектами шкалы. Пример такой шкалы: балльные оценки успеваемости (неудовлетворительно, удовлетворительно, хорошо, отлично), шкала Мооса.

·Интервальная шкала (она же Шкала разностей)

Здесь происходит сравнение с эталоном. Построение такой шкалы позволяет большую часть свойств существующих числовых систем приписывать числам, полученным на основе субъективных оценок. Например, построение шкалы интервалов для реакций. Для данной шкалы допустимым является линейное преобразование. Это позволяет приводить результаты тестирования к общим шкалам и осуществлять, таким образом сравнение показателей. Пример: шкала Цельсия.

Начало отсчёта произвольно, единица измерения задана. Допустимые преобразования - сдвиги. Пример: измерение времени.

·Абсолютная шкала (она же Шкала отношений)

это интервальная шкала, в которой присутствует дополнительное свойство - естественное и однозначное присутствие нулевой точки. Пример: число людей в аудитории. В шкале отношений действует отношение "во столько-то раз больше". Это единственная из четырёх шкал имеющая абсолютный ноль. Нулевая точка характеризует отсутствие измеряемого качества. Данная шкала допускает преобразование подобия (умножение на константу). Определение нулевой точки - сложная задача для психологических исследований, накладывающая ограничение на использование данной шкалы. С помощью таких шкал могут быть измерены масса, длина, сила, стоимость (цена). Пример: шкала Кельвина (температур, отсчитанных от абсолютного нуля, с выбранной по соглашению специалистов единицей измерения - Кельвин).

Из рассмотренных шкал первые две являются не метрическими, а остальные - метрическими.

С вопросом о типе шкалы непосредственно связана проблема адекватности методов математической обработки результатов измерения. В общем случае адекватными являются те статистики, которые инвариантны относительно допустимых преобразований используемой шкалы измерений.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1.Гусев А.Н., Измайлов Ч.А., Михалевская М.Б. Измерение в психологии М., 1998. С. 10 - 16

.Бахрушин В.Є. Методи аналізу даних. - Запоріжжя, КПУ, 2011

.Дружинин В.Н. Экспериментальная психология: Учебное пособие - М.: ИНФРА-М, 1997.

.Дружинин В.Н. Экспериментальная психология- СПб: Питер, 2000. - 320с.

.Ермолаев О.Ю. Математическая статистика для психологов. М.: Московский психолого-социальный институт: Флинта, 2003. - 366 с.

.Корнилова Т.В. Введение в психологический эксперимент. Учебник для ВУЗов. М.: Изд-во ЧеРо, 2001.

.Математика в социологии: Моделирование и обраб. информации / [Й. Гальтунг, П. Суппес, С. Новак и др.] ; Ред. [и авт. предисл.] А. Аганбегян [и др.] ; Пер. с англ. Л. Б. Черного; Под ред. А. Г. Аганбегяна и Ф. М. Бородкина. - М.: Мир, 1977. - 551 с.: ил.

.Перегудов Ф.И., Тарасевич Ф.П. Введение в системный анализ. - М.: Высшая школа, 1989. - 367 с.

.Психологические измерения: Основы теории измерений (Суппес П., Зинес Дж.). Психофизические шкалы (Льюс Р., Галантер Е.): 1967 - 196 с.

.Словарь практического психолога / Сост. С.Ю. Головин. - Мн: Харвест, М.: ООО «Издательство АСТ», 2003.

11.Stevens, Stanley Smith, "Psychophysics: introduction to its perceptual neural and social prospects", Wiley, 1975.

Репетиторство

Нужна помощь по изучению какой-либы темы?

Наши специалисты проконсультируют или окажут репетиторские услуги по интересующей вас тематике.
Отправь заявку с указанием темы прямо сейчас, чтобы узнать о возможности получения консультации.

Каждое измерение над объектом производится в определенной шкале. Различные координаты одного вектора наблюдений могут быть выражены в разных шкалах. Так, в § 5.1 приведен пример вектора наблюдений (табл. 5.1), у которого первые координаты носят характер условных меток (социальная принадлежность семьи, пол и профессия главы семьи, качество жилищных условий), в то время как остальные выражаются числами (число членов семьи, количество детей, среднегодовой доход и т. п.). Свойства этих шкал сильно различаются между собой. Так, про пол главы семьи можно сказать только, что он или мужской или женский и что пол мужской отличается от пола женского; про жилищные условия - что они совпадают или отличаются и что в отдельных случаях одни жилищные условия лучше других; про расходы можно сказать, что расходы на питание одной семьи меньше, равны, больше расходов другой, можно оценить разность в расходах между семьями и подсчитать, во сколько раз расходы одной семьи отличаются от расходов другой.

Ниже описываются основные типы шкал и математические приемы унификации данных, выраженных в разных шкалах, которые обычно предшествуют применению методов многомерного анализа.

10.2.1. Номинальная шкала.

Эта шкала используется только для того, чтобы отнести индивидуум, объект в определенный класс. Если описаны заранее возможные классы и правила отнесения объекта в них, то говорят о категоризованной шкале, если нет, то о некатегоризованной. Примером категоризованной шкалы является пол. В исследовании индивидууму приписывается одно из двух значений: буква М или Ж, специальный знак или число 1 или 2. В принципе можно было бы приписывать и другие буквы и цифры, важно только, чтобы сохранялось взаимно-однозначное соответствие между кодами. Для ввода категоризованных данных удобно использовать «меню», т. е. перечень возможных категорий с их кодами. Примерами некатегоризованных номинальных переменных являются имя, фамилия, место рождения.

Другой важный источник некатегоризованных номинальных данных указан в § 5.3. Это случай, когда наблюдение задается над парой объектов, и переменная указывает только, принадлежат ли объекты, к одному классу или нет, и не указывает, к каким классам они принадлежат.

Последнее обстоятельство не надо рассматривать в качестве курьеза. Конечно, если классы заранее определены и нетрудно каждый объект отнести в определенный класс, то это следует сделать и записать, к какому классу объект принадлежит. Но иногда классы заранее не описаны, создание их полной классификации как раз и является целью работы, а вместе с тем оценить принадлежность объектов одному классу можно. Например, можно говорить о «близком», «похожем» течении болезни у двух больных, хотя все варианты течения заболевания и не описаны. Более того, выделение эмпирически близких вариантов течения болезни может служить отправным пунктом для выделения и описания всех возможных вариантов развития патологического процесса. То же относится к выделению социально-экономических групп и т. п.

Одна и та же переменная может в зависимости от цели использования выступать в разных качествах. Так, например, некатегоризованная номинальная переменная - имя программы - служит только для индивидуализации программы и, если программ немного, может быть найдена прямым просмотром списка программ. Вместе с тем если имена программ в списке каким-либо образом упорядочить (например, в алфавитно-цифровом порядке), то имя программы как поисковый образ несет в себе элементы порядковой величины. Про каждые два имени можно сказать, что они или совпадают, или одно из них предшествует другому при принятом способе упорядочивания. При изменении способа упорядочивания меняется и отношение следования.

Арифметические операции над величинами, измеренными в номинальной шкале, лишены смысла. Следовательно, и медиана, и среднее арифметическое не могут быть использованы в качестве осмысленной меры центральной тенденции. Более подходящая статистика здесь мода.

10.2.2. Порядковая (ординальная) шкала.

В дополнение к функции отнесения объектов в определенный класс эта шкала также упорядочивает классы по степени выраженности заданного свойства. Каждому классу приписывается свой собственный символ таким образом, чтобы заранее установленный порядок символов соответствовал порядку классов. Так, если классам будут приписаны числовые значения, то классы будут упорядочены согласно числовой последовательности; если буквы, то классы будут упорядочены в алфавитном порядке, а если слова, то классы будут упорядочены согласно значениям слов.

Например, в § 5.3 приводится пример порядковой шкалы для описания качества жилищных условий с четырьмя градациями (классами): «плохое», «удовлетворительное», «хорошее», «очень хорошее». Естественно, что эти классы могли бы быть занумерованы числами 1,2,3,4, или 4,3,2,1, или буквами а,б,в,г и т. п.

Другими известными примерами порядковых шкал являются: в медицине - шкала стадий гипертонической болезни по Мясникову, шкала степеней сердечной недостаточности по Стражеско - Василенко - Лангу, шкала степени выраженности коронарной недостаточности по Фогельсону; в минералогии - шкала Мооса (тальк -1, гипс - 2, кальцит - 3, флюорит - 4, апатит - 5, ортоклаз - 6, кварц - 7, топаз - 8, корунд - 9, алмаз - 10), по которой минералы классифицируются согласно критерию твердости; в географии - бофортова шкала ветров («штиль», «слабый ветер», «умеренный ветер» и т. д.).

Структура порядковой шкалы не разрушается при любом взаимно-однозначном преобразовании кодов, которое сохраняет порядок. Так же, как и в случае номинальной шкалы, арифметические операции не сохраняют своего смысла при преобразовании порядковых шкал, поэтому желательно ими не пользоваться. Нетрудно показать, что если опираться только на свойства шкал и не привлекать дополнительных, внешних по отношению к шкалам соображений, то единственными разрешенными статистиками при использовании порядковых шкал являются члены вариационного ряда .

10.2.3. Количественные шкалы.

Шкала, в которой можно отразить, на сколько по степени выраженности заданного свойства один из объектов отличается от другого, называется интервальной. Для того чтобы задать интервальную шкалу, надо определить объекты, соответствующие начальной точке и единице измерения. И далее при измерении ставить в соответствие каждому объекту число, показывающее, на сколько единиц измерения этот объект отличается от объекта, принятого за начальную точку. Простейшим примером интервальной шкалы является температура в градусах Цельсия, где 0° - начальная точка и 1° - единица измерения.

Структура интервальной шкалы не меняется при линейных преобразованиях вида Эффект такого преобразования заключается в сдвиге начальной точки на b единиц и умножении единицы измерения на а.

Например, путем преобразования , где - температура в можно перейти к температуре в градусах Фаренгейта.

Если начало в интервальной шкале является абсолютной нулевой точкой, то возникает возможность отразить в шкале, во сколько раз одно измерение отличается от другого. Соответствующая шкала называется шкалой отношений. Шкала отношений допускает преобразования вида . Большинство шкал, используемых в физике, являются либо интервальными (для измерения температуры, потенциальной энергии), либо шкалами отношений (для измерения времени, массы тела, заряда, расстояния).

Поскольку количественные шкалы допускают арифметические преобразования, среднее арифметическое может использоваться для описания интегральной тенденции в группировке данных.

10.2.4. Унифицированное представление разнотипных данных.

Каждому типу шкалы соответствует своя статистическая техника. Так, для переменных, измеренных в номинальной шкале, можно использовать -критерий для полиномиальных распределений, -критерий для проверки отсутствия ассоциаций в таблицах сопряженности, критерии для проверки гипотез о вероятности в биномиальном распределении. Порядковой шкале отвечают методы, основанные на использовании рангов (ранговая корреляция, непараметрические критерии для проверки гипотез типа ) и т. п.). При интервальной шкале может быть использован весь арсенал статистических методов.

Более того, разработаны статистические процедуры для случаев, когда наблюдаются векторы, одни координаты которых измерены в одной шкале, а другие - в другой. Типичным примером является обычный дисперсионный анализ (см. § 3.5), в котором факторы измеряются в номинальной шкале, а соответствующие их комбинациям отклики - в интервальной.

Тем не менее в целом ряде статистических методов, особенно в современных методах многомерного анализа, предполагается, что данные измерены в однотипных шкалах. Чтобы иметь возможность применять эти методы в общем случае разнотипных данных, были предложены различные приемы унификации данных. Познакомимся с важнейшими из них.

Сведение к двоичным переменным. В основе этого метода лежит введение вместо каждой исходной случайной переменной серии случайных величин, принимающих только два значения: 0 и 1.

Для номинальной величины имеющей k градаций вводится k таких величин что когда когда

Этот же прием иногда используют и при сведении к двоичным переменным случайной величины, измеренной в порядковой шкале. Однако в ряде случаев оказывается удобным выделять не событие , а событие Для сравнения относительных достоинств этих двух способов рассмотрим следующую модельную задачу. Пусть - равномерно распределенная на отрезке случайная величина, - малое число;

Функция моделирует, очевидно, первый способ перехода к двоичным переменным, а функция - второй. После несложных подсчетов получаем:

Основной недостаток изложенной техники - это введение большого числа новых переменных и частичная потеря информации, содержащейся в данных, как из-за квантования, так и из-за искусственного снижения уровня используемой шкалы.

Оцифровка номинальных и порядковых переменных. Этот метод прямо противоположен только что изложенному, в нем все переменные поднимаются, подтягиваются до уровня количественных путем приписывания их градациям числовых значений. Иногда приписываемые значения называют метками.

Выбор меток существенно зависит от цели, с которой производится оцифровка. Так, если изучается величина связи между двумя номинальными признаками, то метки можно выбрать из условия максимизации коэффициента корреляции между ними , . Если речь идет об отнесении наблюдений к одному из заранее определенных классов (дискриминантный анализ), то выбор меток можно связать с условием максимизации нормированного расстояния в многомерном выборочном пространстве между центрами изучаемых популяций (расстояния Махаланобиса). Иногда эту задачу упрощают и метки приписываются покоординатно так, чтобы максимизировать только нормированное расстояние между средними значениями данной координаты. Статистическое сравнение на примере одной частной задачи эффективности глобального и покоординатного подхода к оцифровке в дискриминантном анализе может быть найдено в .

Изложенные приемы оцифровки, когда метки выбираются из условия максимизации соответствующим образом подобранного функционала, укладываются в рамки упомянутого в § 1.2 экстремального подхода к формулировке основных проблем математической статистики.

В целом оцифровка качественных переменных является задачей сложной как в вычислительном, так и в чисто статистическом плане. Отдельные аспекты этой проблемы обсуждаются в работах .