Példa egy leíró hipotézisre. Beszédfajták: elbeszélés, leírás, érvelés Példa a leíró beszédre
Tegyük fel, hogy 200 kísérletet/mérést végeztek. Ennek megfelelően 200 eredmény gyűlt össze. Minden adat sorba, oszlopba vagy táblázat formájában egy papírlapra vagy elektronikus formában van írva. Az űrlapon feltüntetett adatok alapján valamiért aligha lehet következtetéseket levonni. Még akkor is, ha egy táblázatban bizonyos módon rendeztük az adatokat, nagyon nehéz egy 200 eredményből álló tömböt elemezni. Másrészt egy egyszerű grafikon, diagram vagy hisztogram felépítése után egyszerű feladattá válik a következtetés, vagy legalábbis a feltételezés levonása.
Mi a legjobb módja az adatok bemutatásának, hogy a közönség elé tárják?
A kérdésre adott válasz nagymértékben függ az adatok típusától és a szükséges elemzési eredménytől, de egyértelműen kijelenthető, hogy a leíró statisztikák és diagramok képesek az adatokat az elemzés számára legkényelmesebb formában bemutatni.
A leíró statisztikák lehetővé teszik a megfigyelésből vagy kísérletből nyert elsődleges eredmények összefoglalását. A leíró statisztika minden számítása az adatok érték szerinti csoportosításában, gyakorisági eloszlásának ábrázolásában, az eloszlás központi tendenciáinak azonosításában, végül az adatok terjedésének a talált központi tendenciához viszonyított értékelésében merül ki.
A leíró statisztikák bemutatása általában minden elemzés első lépése. Az adatok leíró statisztikaként való bemutatásának célja a következtetések levonása és a stratégiai (elemzési célú) döntések meghozatala a rendelkezésre álló adatok alapján.
A leíró statisztikák főbb mutatói:
- Átlagérték (számtani átlag, medián, módus).
- Átlagos érték.
- Szórás (a szórási adatok tartománya).
- Diszperzió.
- Standard (négyzetes középérték) eltérés.
- Kvartilis.
- Megbízhatósági intervallum.
Térjünk vissza a fenti példához: egyszerű számításokkal kiszámolhatja 200 eredmény átlagértékét, valamint a minimális, maximum értékeket és a szórást. Ezzel az információval a következőképpen beszélhetünk az adattömbről: minden megfigyelt érték x min és x max közötti tartományban van, a minta átlagértéke x̄. Egyetért azzal, hogy ez a megfogalmazás sokkal informatívabb és érthetőbb, mint egy 200 mérési eredményt tartalmazó táblázat.
Az adatkészlet összes leíró statisztikájának kiszámítása után bizonyos következtetéseket vonhat le az elvégzett kutatásról. Tekintse meg a prezentációt a leíró statisztikák kiszámításának módjáról és további információkról azok alkalmazásáról.
Mégis vannak, akik hajlamosak azzal érvelni, hogy a mérésekkel kapcsolatos legtöbb információ az ő eredményeiket tartalmazza, és a számított mutatók csak az eredmények összegzésére szolgálnak, nem helyettesíthetik azokat. Egy ilyen kijelentés szintén nem mentes a logikától, de ennek ellenére nem ajánlott a "nyers adatok" nagyszámú számjegy formájában történő megjelenítése. Sokkal kényelmesebb grafikus megjelenítésüket - grafikont vagy diagramot - megjeleníteni. Tekintsük a diagramok főbb típusait, amelyek ugyanazt mutatják, mint a fő statisztikai mutatók.
Tegyük fel, hogy a fenti példa adatait több csoportra bontottuk. Minden adatcsoport egy adott tartományon belüli eredmények számát jelenti. A pivot tábla így fog kinézni:
Az eredményül kapott táblázat felhasználható hisztogram felépítésére. Az ilyen típusú diagramokkal megbecsülheti az adatok átlagát és tartományát. Figyelembe kell azonban venni, hogy a normáltól eltérő adateloszlás esetén a hisztogram legmagasabb sávja a módusnak felel meg, nem pedig a számtani átlagnak. Egy végtelenül nagy adathalmaz normál eloszlása esetén a számtani átlag, a medián és a módusz értékei egyetlen értékre hajlanak.
Kövesse nyomon a folyamat viselkedését és a megfigyelések varianciáját, legkényelmesebben folyamatábrák vagy egyszerűen grafikonok segítségével. A grafikon két adathalmaz összehasonlításakor is segíthet: az eredmények átlag körüli eltérő eloszlása azt jelzi, hogy a megfigyelt értékek nem tartoznak ugyanabba a sokaságba:
A grafikonon ábrázolt mintaátlagérték, minimum és maximum értékek, trendvonalak, valamint ± 1, 2 és 3 szórásnak megfelelő vonalak a lehető leginformatívabbá teszik.
Összehasonlíthat két mintát, és megjelenítheti a kvartiliseket boxplot segítségével. Jelenítse meg a fenti folyamatábra felépítéséhez használt két tömb adatait dobozként és bajuszként (dobozábra).
A diagram ábrázolásához használt szoftvertől függően sok további adat jeleníthető meg a dobozos diagramon. Például a fenti diagram egy kiugró értéket jelenít meg a * szimbólummal.
Azt is meg kell jegyezni, hogy vannak olyan funkciók, amelyek a gyors adatelemzést és az összes leíró statisztika kényelmes formában történő kiadását szolgálják, amelyek a modern statisztikai adatelemző csomagokban jelen vannak. Az MS Excel 2007, Minitab, SPSS Statistics 17 és Statistica 8 programokkal kapcsolatos alapvető információk megszerzésére vonatkozó utasítások az előadásban találhatók. Az elemzési eredmények grafikus formában is bemutathatók:
Összefoglalva tekintsünk egy táblázatot az alapvető leíró statisztikákról és azok grafikus megjelenítésének módszereiről.
Leíró statisztika
Bevezetés ………………………………………………………………………… 3
1. Leíró statisztikák ……………………………………………… .5
2. Átlagos (Мх) …………………………………………………………… .7
3. Diszperzió (D) ………………………………………………………… ..10
4. Szórás (σ) ………………………………………… ..11
5. Medián (én) …………………………………………………………… ..12
6. Divat (H) ………………………………………………………… .... 14
Következtetés ……………………………………………………………… ..16
Gyakorlati feladat ………………………………………………………… .17
Hivatkozások …………………………………………………………… .19
Bevezetés
A körülöttünk lévő világ tele van információval - különféle adatfolyamok vesznek körül bennünket, amelyek megragadnak minket tevékenységük területén, megfosztva minket a valóság helyes érzékelésétől. Nem túlzás azt állítani, hogy az információ a valóság és a tudatunk részévé válik.
Az információk (adatok) elemzésére szolgáló megfelelő technológiák nélkül az ember tehetetlennek bizonyul a kegyetlen információs környezetben. A statisztika lehetővé teszi az adatok tömör leírását, szerkezetük megértését, osztályozás elvégzését, és minták megtekintését a véletlenszerű jelenségek káoszában.
Századunk 60-as és 70-es éveiben az adatelemzési módszerek széles körű bevezetését nagyban elősegítette a számítógépek, a 80-as évektől pedig a személyi számítógépek megjelenése. A statisztikai szoftvercsomagok elérhetőbbé és intuitívabbá tették az adatelemzési módszereket. Most már nem kell manuálisan végeznie a munkaigényes számításokat összetett képletekkel, manuálisan összeállítani az összetett diagramokat és grafikonokat - mindezt a durva munkát a számítógép vette át, és a kutatóra elsősorban a kreatív munka maradt: kutatási feladatok meghatározása, módszerek kiválasztása pszichológiai kutatás és az eredmények kompetens értelmezése.
A matematikai statisztika abból a feltételezésből indul ki, hogy a környező világ megfigyelt változékonyságának két forrása van:
Ismert okok és tényezők. Változékonyságra adnak okot, természetesen megmagyarázható.
Véletlenszerű okok és tényezők hatása. A legtöbb természeti és társadalmi jelenség változékonyságot mutat, amelyet nem lehet teljesen természetes okokkal megmagyarázni. Ebben az esetben a véletlen változatosság fogalmához folyamodunk. A "véletlenszerű" kifejezés ebben az összefüggésben azt jelenti, hogy "engedelmeskedünk a valószínűségelmélet törvényeinek".
A statisztikai megközelítés a szabályos változékonyság azonosítása véletlenszerű tényezők és okok hátterében. A matematikai statisztika módszerei lehetővé teszik a meglévő minták paramétereinek értékelését, bizonyos hipotézisek tesztelését ezekről a mintázatokról.
A munka célja a leíró statisztikák tanulmányozása.
Fedezze fel a leíró statisztikák célját;
Bővítse ki az olyan leíró statisztikák lényegét, mint a módus, medián, átlag, szórás, szórás.
A matematikai statisztika apparátusa elképesztően erős és rugalmas eszköz a minták véletlenszerűségből való kiszűrésére. A kutatópszichológusnak feltétlenül információt kell gyűjtenie a körülötte lévő világról, és megpróbálja elkülöníteni a mintákat a balesetektől.
1. Leíró statisztikák
A matematikai statisztika első szakasza - leíró statisztika - az adatok kényelmes formában történő bemutatására és az információk matematikai statisztika és valószínűségszámítás szempontjából történő leírására szolgál.
A statisztikai méréseknél a fő mennyiség a statisztikai sokaság mértékegysége (például a tanár-kutató minőségértékelésének bármely kritériuma). A statisztikai sokaság egy egységét jellemzők vagy paraméterek halmaza jellemzi. Az egyes paraméterek vagy jellemzők értékei eltérőek lehetnek, és általában véletlenszerű értékek sorozatát alkotják x1, x2, ..., xn.
A változó egy mérési paraméter, amely vezérelhető vagy manipulálható a feltárás során. Mivel a változók értéke nem állandó, meg kell tanulnia leírni a változékonyságukat.
Erre találták ki a leíró vagy leíró statisztikákat: minimum, maximum, átlag, szórás, szórás, medián, kvartilisek, módus.
A paraméter relatív értéke az ezzel a mutatóval rendelkező objektumok számának a mintamérethez viszonyított aránya. Relatív számként vagy százalékban (százalékban) kifejezve.
Példa: Tantermi teljesítmény = pozitív összesített osztályzat osztva az osztály összes tanulójával. Ezt az értéket 100-zal megszorozva megkapjuk a teljesítmény százalékos arányát. 25/100 = 25%
Egy adott attribútum fajlagos értéke egy számított érték, amely megmutatja, hogy egy adott jelzővel hány objektum szerepelne egy 10, vagy 100, 1000 stb. objektumból álló feltételes mintában.
Példa. A különböző régiókban elkövetett bűncselekmények szintjének összehasonlításához egy konkrét értéket veszünk - az 1000 főre jutó bűncselekmények számát (N)
A minimum és maximum a változó minimális és maximális értéke.
2. Átlag (Mx)
Az átlagértékek elméletének kialakításának kiindulópontja a Pythagoras iskola aránytanulmánya volt. Ugyanakkor nem tettek szigorú különbséget az átlagos méret és arány fogalma között. Az arányelmélet számtani szempontból történő fejlesztéséhez jelentős lökést adtak a görög matematikusok - Gerasz Nikomakhosz (Kr. u. 1. vége - 2. század eleje) és Alexandriai Pappus (Kr. u. 3. század). Az átlag fogalmának kialakulásának első szakasza az a szakasz, amikor az átlagot kezdték egy folytonos arány központi tagjának tekinteni. De az átlag fogalma, mint a progresszió központi jelentése, nem teszi lehetővé az átlag fogalmának levezetését n tagból álló sorozat vonatkozásában, függetlenül attól, hogy ezek milyen sorrendben követik egymást. Ehhez az átlagok formális általánosításához kell folyamodni. A következő szakasz az átmenet a folyamatos arányokról a progressziókra - aritmetikai, geometriai és harmonikus.
A statisztika történetében először W. Petty angol tudós nevéhez fűződik az átlagok széles körű használata. W. Petty az elsők között próbált meg statisztikai jelentést adni az átlagnak, összekapcsolva a gazdasági kategóriákkal. De Petty nem írta le az átlagos méret fogalmát, és nem is különböztette meg. A. Quetelet az átlagértékek elméletének megalapozója. Az elsők között volt, aki következetesen kidolgozta az átlagok elméletét, megpróbálva ehhez matematikai alapot adni. A. Quetelet kétféle átlagot különböztetett meg – valójában átlagokat és számtani átlagokat. Valójában az átlagok egy dolgot jelentenek, egy számot, amely valóban létezik. Tulajdonképpen átlagokat vagy statisztikai átlagokat kell levezetni az azonos minőségű, belső jelentésükben azonos jelenségekből. A számtani középértékek olyan számok, amelyek a lehető legközelebbi képet adnak sok különböző, bár homogén számról.
Az átlagtípusok mindegyike lehet egyszerű vagy súlyozott átlag formájában. Az átlagos forma megválasztásának helyessége a kutatás tárgyának tárgyi természetéből következik. Egyszerű átlagképleteket használunk, ha az átlagolt jellemző egyedi értékei nem ismétlődnek. Ha a gyakorlati kutatás során a vizsgált tulajdonság egyedi értékei többször előfordulnak a vizsgált populáció egységeiben, akkor a tulajdonság egyedi értékeinek ismétlődési gyakorisága jelen van a teljesítményátlagok számított képleteiben. Ebben az esetben ezeket súlyozott átlagképleteknek nevezzük.
Átlagos hierarchia:
egy függvény átlagértéke sokféleképpen meghatározott fogalom.
Pontosabban, de tetszőleges függvények alapján, meghatározzuk a Kolmogorov-átlagokat egy számhalmazra.
teljesítményátlag a Kolmogorov-átlagok speciális esete φ (x) = xα esetén. A különböző fokozatú átlagokat az átlagokkal kapcsolatos egyenlőtlenség köti össze. A leggyakoribb speciális esetek:
számtani átlag (α = 1);
négyzetes középérték (α = 2);
harmonikus átlag (α = - 1);
folytonossággal a geometriai átlagot újradefiniáljuk, ami egyben Kolmogorov-átlag is φ (x) = logx-nál
súlyozott átlag - az átlag általánosítása tetszőleges lineáris kombináció esetére.
kronológiai átlag – összegzi egy adott egység vagy populáció egészére vonatkozó értékeit, amelyek idővel változnak.
A fűtéstechnikában az ā = (a1-a2) / ln (a1 / a2) képlettel meghatározott logaritmikus átlagot használják.
Átlag (átlag becslése, minta átlaga) - a változó értékeinek összege osztva n-nel (a változó értékeinek száma). Ha X (1), ..., X (N) értékei vannak, akkor a mintaátlag képlete a következő:
Példa: Négy tanórán kívüli foglalkozás látogatottságának megfigyelése a kísérleti (20 tanuló) és a kontroll (30) évfolyamon a következő értékeket adta (rendre): 18, 20, 20, 18 és 15, 23, 10, 28. Az átlagos látogatottság Mindkét évfolyamon azonos - 19. Nyilvánvaló azonban, hogy a kontroll osztályban ez a mutató néhány specifikus tényező hatásának van alárendelve.
A mintaátlag az a pont, amelytől a megfigyelések eltéréseinek összege 0. Formálisan ezt a következőképpen írjuk le:
(`x - x1) + (` x - x2) + ... + (`x - xn) = 0
Egy mutató átlagostól való szórásának (eltérésének) mértékének, valamint a maximális és minimális értéknek a felmérésére a variancia és a szórás fogalmát használjuk.
3. Diszperzió (D)
A minta variancia vagy a minta variancia (az angol variancia szóból) egy változó variabilitásának mértéke. A kifejezést először Fischer fogalmazta meg 1918-ban. A minta variancia kiszámítása a következő képlettel történik:
ahol `x a minta átlaga,
N a megfigyelések száma a mintában.
A szórás nullától a végtelenig változik. A 0 szélső érték azt jelenti, hogy nincs változékonyság, ha a változó értéke állandó.
4. Szórás (σ)
A szórást, a szórást (az angol standard deviationtől) a variancia négyzetgyökeként számítjuk ki. Minél nagyobb a szórás vagy szórás, annál szórtabbak a változó értékei az átlag körül.
Példa: Az előző esetben megvan
Ez azt jelenti, hogy az egyik osztályban magas és stabil a látogatottság, míg a másikban nem állandó.
5. Medián (én)
A medián a vizsgált tulajdonság értéke, amelytől jobbra és balra ugyanannyi rendezett mintaelem található. Ha a minta mérete páros szám, akkor a medián a két központi tag számtani átlaga. Más szavakkal, a medián a mintát két egyenlő részre osztja. Csakúgy, mint a számtani átlag, a medián is általános képet ad arról, hogy hol van a minta középpontja. Egyes esetekben a medián kényelmesebb, mint az átlag. A medián meghatározását először Galton használta 1882-ben.
A medián a mintát két egyenlő részre osztja. A változó értékeinek fele a medián alatt van, fele fölötte. A medián általános képet ad arról, hogy hol találhatók egy változó értékei, más szóval hol van a középpontja. Egyes esetekben, például a lakosság jövedelmének leírásánál a medián kényelmesebb az átlagnál.
Tekintsük az N különböző értékeinek mediánjának meghatározására szolgáló módszereket. A medián meghatározásához a méréseket sorba kell írni az értékek növekvő sorrendjében. Ha az N mérések száma páratlan, akkor a medián numerikusan egyenlő ennek a sorozatnak az értékével, pontosan középen, vagy (N + 1) / 2 helyen áll. Például öt dimenzió mediánja: 10, 17, 21, 24, 25 - egyenlő 21-gyel - a harmadik helyen lévő érték (N + 1) / 2 = (5 + 1) / 2 = 3.
Ha a mérések száma páros, akkor a medián numerikusan megegyezik a középső sorok értékeinek számtani átlagával, vagy N / 2 és N / 2 + 1 helyen. Például nyolc dimenzió mediánja: 5, 5, 6, 7, 8, 8, 9, 9 - egyenlő: 7,5 (7 + 8) / 2 = 7,5 - a sorozat értékeinek számtani átlaga a negyedik és ötödik helyen (N / 2 = 8/2 = 4 és N / 2 + 1 = 4 + 1 = 5).
A kvartilisek olyan értékek, amelyek a minta két felét (a mediánnal elosztva) ismét felezik (a quart - negyed szóból).
Különbséget kell tenni a felső kvartilis között, amely nagyobb, mint a medián, és felezi a minta felső részét (a változó értékei nagyobbak, mint a medián), és az alsó kvartilist, amely kisebb, mint a medián, és felezi az alsót. a minta része.
Az alsó kvartilist gyakran 25%-nak nevezik, ami azt jelenti, hogy a változó értékeinek 25%-a kisebb, mint az alsó kvartilis.
A felső kvartilist gyakran a 75%-os szimbólum jelöli, ami azt jelenti, hogy a változó értékeinek 75%-a kisebb, mint a felső kvartilis.
Így három pont – az alsó kvartilis, a medián és a felső kvartilis – 4 egyenlő részre osztja a mintát.
A megfigyelések ¼ része a minimális érték és az alsó kvartilis között, ¼ - az alsó kvartilis és a medián között, ¼ - a medián és a felső kvartilis között, ¼ - a felső kvartilis és a maximális mintaérték között helyezkedik el.
6. Divat (Moe)
A mód egy változó leggyakrabban előforduló értéke (más szóval a változó legdivatosabb értéke). A nehézség abban rejlik, hogy egy ritka mintának egyetlen divatja van. Ha a minta több módot tartalmaz, akkor azt mondják, hogy multimodális vagy multimodális (két vagy több "csúcsa" van). Elmondhatjuk tehát, hogy a módusz nemcsak a minta helyzetét, hanem részben eloszlásának alakját is jellemzi.
A divat egy változó leggyakrabban előforduló értékét jelenti (más szóval egy változó legdivatosabb értékét), például egy népszerű tévéműsort, egy ruha vagy egy autómárka divatos színét stb. A nehézség az, hogy hogy egy ritka populációnak egyetlen divatja van. (Például: 2, 6, 6, 8, 9, 9, 9, 10 - mod = 9).
Ha egy disztribúciónak több módozata van, akkor multimodálisnak vagy multimodálisnak mondjuk (két vagy több "csúcsa" van).
Az aszimmetria a mintaeloszlás olyan tulajdonsága, amely az SV eloszlás aszimmetriáját jellemzi. A gyakorlatban a szimmetrikus eloszlások ritkák, és az aszimmetria mértékének azonosítása és értékelése érdekében a következő mérőszámot vezetjük be:
Az aszimmetria pozitív és negatív. A pozitív lépések balra, a negatívak pedig jobbra.
A kurtózis az eloszlási görbe meredekségének mértéke.
A többlet egyenlő:
Az eloszlási görbe lehet csúcsos, lapostetős, közepes tetejű. Ez a négy pont az eloszlási jellemzők halmazát alkotja az adatok elemzésekor. Normál eloszlás esetén A = 0, E = 0.
Következtetés
A leíró statisztikák lehetővé teszik, hogy felmérjük a vizsgált mintában lévő adatok megoszlását. Ezen értékelés alapján el tudjuk dönteni, hogy a további munkák során – például a minták összehasonlításakor – milyen szempontokat érdemes alkalmazni. A leíró statisztika képezi az alapját a statisztikai grafikonok és diagramok - például lengődiagramok, pl. a vizuális adatelemzés elvégzésének előzetes lépései. Így a feltáró adatelemzési módszerek közé sorolhatók.
Gyakorlati feladat
Végezze el a személyiségjegyek klaszterelemzését
Agglomerációs ütemterv
|
Klaszter Kombinált |
A Stage Cluster először jelenik meg |
|||||
Függőleges jégcsap
|
Klaszterek száma |
|||||||||||
|
Intelligens |
Értelem |
Felelős |
Fogékony |
||||||||
A klaszteranalízist az emberek nagyszámú jellemző alapján történő osztályozásának megkönnyítésére használják.
A fa osztályozási módszert használjuk. A fa osztályozási módszer egy minta külön csoportokra bontásának lépésről lépésre történő módszere. A kapott adatok elemzése lehetővé tette, hogy a mintát két klaszterre bontsuk. Az első olyan tulajdonságokat tartalmazott, mint az intelligencia, az intelligencia.
A második klasztert a következő tulajdonságok alkották: vidám, kedves, készséges, felelősségteljes.
Bibliográfia
Gmurman V.E. Valószínűségszámítás és matematikai statisztika: Tankönyv. Kézikönyv egyetemeknek / V.E. Gmurman. - 9. kiadás, törölve. - M.: Feljebb. shk., 2003 .-- 188 p.
Godefroy J. Mi a pszichológia. - M., 1992 .-- 288s
A leendő pedagógusok képzésének minőségi értékelése. - Tula: Tul kiadó. állapot ped. Egyetem, 2002 .-- 140 p.
Nasledov A. D. A pszichológiai kutatás matematikai módszerei. Adatok elemzése, értelmezése. - SPb .: Rech, 2004 - 392s.
Sidorenko E.V. A matematikai feldolgozás módszerei a pszichológiában. -SPb., 2001 - 350 p.
Leíró statisztika
Bármely tudományos kutatás célja, amint azt már jeleztük, a jelenségek egy bizonyos osztályán belüli minták felfedezése. A szabályosság a szó legtágabb értelmében bizonyos szabályszerűséget, egységességet jelent. A szabályosságról pedig beszélhetünk, hol ismétlődnek a jelenségek, hol többé-kevésbé elterjedtek. A statisztikai módszerek éppen az ilyen jelenségek és folyamatok elemzésére szolgálnak. Lehetővé teszik a stabil trendek azonosítását, és ezekre az ezek magyarázatára kialakított elméletek építését.
A tudomány mindig a valóság sokféleségével foglalkozik, de feladatát a dolgok rendjének, a megfigyelt sokféleségen belüli stabilitásnak a felfedezésében látja. Például az antropológia az emberi test felépítésének fizikai jellemzőit vizsgálja. A test felépítése (bőr, szem, haj színe, koponya alakja stb.) alapján bizonyos típusokat - emberi fajokat - megkülönböztet. De nem érdeklik őt az olyan jelek, mint a szemek, fülek vagy ujjak száma, mivel ezek állandók: az emberek (általában) nem különböznek egymástól ezekben a jelekben. Fentebb már elhangzott, hogy a tudomány változókkal foglalkozik, de igyekszik kiemelni azokat az értékeket, amelyek a legjobban magyarázzák a megnyilvánulások megfigyelt változatosságát. A statisztikák kényelmes technikákat kínálnak az ilyen elemzésekhez.
A statisztikák használatához két alapvető feltétel szükséges:
a) adatokkal kell rendelkeznünk egy embercsoportról (mintáról);
b) ezeket az adatokat formalizált (kodifikált) formában kell bemutatni.
A leíró statisztika feladatai általában egybeesnek a kvalitatív elemzés feladataival: az információkat tömörítik és jól áttekinthető formában jelenítik meg.
A legegyszerűbb eset akkor fordul elő, ha adataink egyetlen változóval reprezentálhatók. Az ehhez használt módszereket egy csoportba egyesítik, ún egydimenziós statisztikai anaLiz... Az adatok típusától és a kutató által kitűzött feladatoktól függően az elemzés egyik vagy másik módszere kerül kiválasztásra.
A kvantitatív adatok elemzésének meglehetősen egyszerű és kényelmes módszere az frekvencia eloszlás ábrázolása... Illusztráljuk egy példával. Tegyük fel, hogy készül egy tanulmány, amelyben többek között minden résztvevőnek feltesznek egy kérdést a családi állapotára vonatkozóan. A válaszokat rögzítjük, és az összesített eredményeket egy táblázatban összesítjük, ahol minden résztvevő vezetéknevével szemben feltüntetjük a családi állapotukat. Ezen túlmenően ezeket az elsődleges adatokat tömörebben és az elemzés szempontjából kényelmesebb formában szeretnénk bemutatni. Ehhez kategóriákra bontjuk őket úgy, hogy megszámoljuk az egyes csoportokba tartozó személyek számát. Magukat a kategóriákat a vizsgálat céljaitól függően választják ki, és lehetnek szélesebbek vagy szűkebbek. Ha zárt típusú kérdést használunk, akkor a válaszokat azonnal kódolt formában rögzítjük. Ha nyílt végű kérdést használunk, akkor a kódolást maga a kutató végzi el. Vegye figyelembe, hogy a szűkebb kategóriák mindig bővíthetők. De ha az információ a gyűjtés szakaszában van strukturálva, akkor később nem lesz lehetőség több kategóriára bontani az adatokat. Néhány információ elveszett.
Tegyük fel, hogy a következő kategóriákat választottuk ki: házas, egyedülálló, nem házas, elvált / elvált, özvegy / özvegy... Az egyes osztályokban a válaszok számának megszámlálásával egy olyan eloszlási táblázatot készíthetünk, amely sokkal tömörebb és könnyebben elemezhető, mint egy teljes választáblázat. Tegyük fel, hogy összesen 30 válaszadó volt, és egyikük nem volt hajlandó válaszolni erre a kérdésre. Ekkor a frekvenciakiosztási táblázat így nézhet ki:
6. táblázat
Adatok a válaszadók családi állapotáról
|
Családi állapot |
Érdeklődés |
||
|
házas | |||
|
Egyedülálló, nem házas | |||
|
Elvált / elvált | |||
|
Özvegy / özvegy | |||
|
Nincs elérhető adat | |||
A táblázatból látható, hogy a válaszadók többsége (több mint fele) házas vagy házas. Vegye figyelembe, hogy ha egyes adatok hiányoznak, azokat külön kategóriába kell sorolni. Az ilyenek elemzése nem fogadott az értékeket gyakran önálló feladatként emelik ki.
A táblázatot elemezve összehasonlítjuk a kategóriákat egymással, és megnézzük, hogyan jelennek meg a mintánkban. Leggyakrabban nem az abszolút értékek, hanem a relatív értékek érdekelnek bennünket. És akkor lefordítjuk a frekvenciákat részvény az összes megfigyelés számához viszonyítva, amelyet egységnek veszünk. Ehhez minden értéket elosztunk a megfigyelések teljes számával (esetünkben 30-cal). Az így kapott törteket külön oszlopban írhatjuk be a táblázatba. Ekkor jól látható, hogy mintánkban a válaszadók valamivel több mint fele házas, körülbelül egynegyede pedig elvált. A relatív értékek azért is kényelmesek, mert lehetővé teszik két különböző méretű minta adatainak egyszerű összehasonlítását. Tegyük fel, hogy van egy másik embercsoport családi állapotára vonatkozó adatunk, és ezeket szeretnénk összehasonlítani az első csoport adataival. Ha a második csoportban harminc ember is van, akkor közvetlenül összehasonlíthatja a gyakoriságokat. Ha a minták mérete különbözik, akkor a relatív értékeket előre kiszámítjuk úgy, hogy az abszolút értéket elosztjuk a minta méretével. Az utolsó jelzőt általában latin betűvel jelölik. N... Az imént elemzett példában N = 30.
A törtek mellett a relatív egységek is érdeklődés... Ha az első esetben az egészet egynek tekintjük, akkor a második esetben - száz százaléknak. Könnyű áttérni a törtekről a százalékokra: minden értéket egyszerűen meg kell szorozni százzal. A százalékot részesítjük előnyben, mert az egész számokkal kényelmesebb dolgozni, mint a törtekkel. De lényegében a százalékok és a részvények egyenértékű egységek, mint a rubel és a penny. A relatív egységek nemcsak a különböző mintákon kapott hasonló mutatókat, hanem minőségileg eltérő mutatókat is lehetővé teszik egymás között. Például a társadalom tulajdoni rétegződésének jellemzésére a következő technikát alkalmazzák: kiszámítják, hogy az összes tulajdon hány százaléka összpontosul a leggazdagabb emberek tíz százalékának kezében. Nyilvánvaló, hogy teljes vagyoni egyenlőség esetén ez a mutató tíz százalék lesz. Minél jobban eltér ettől az értéktől, annál nagyobb a vagyoni egyenlőtlenség mértéke a társadalomban.
A Tab utolsó oszlopa. A 6 százalékos adatot jelent. Felhívjuk figyelmét, hogy a teljesítésünk a számítások kerekítése miatt valamivel kevesebb, mint száz százalék volt. Mivel egy személyre vonatkozóan nem állnak rendelkezésre adatok, lehetséges a százalékok újraszámítása az üres kategória nélkül is, most feltételezve, hogy N= 29. A kiigazított adatok zárójelben jelennek meg. Egy másik mintával történő összehasonlításkor ezeket fogjuk használni.
Eddig azt az esetet elemeztük, amikor a kiindulási adatok jó minőségűek voltak, vagyis névskálát alkottak. De felállíthatunk egy gyakorisági eloszlást a sorrendi vagy arányos skálákhoz. Igaz, ez utóbbi esetben általában csoportosítva jelennek meg az adatok, hiszen egyébként nagyon sok osztály jön létre. Például ugyanannak a harminc fős csoportnak a korösszetételét vizsgáljuk. Ha ebből a szempontból nem egységes, akkor "elkenődik" az adat. Ezután csoportosítjuk őket, kiválasztva egy bizonyosat lépés(például öt vagy tíz év), és írja be az összesített adatokat a táblázatba. A lépés kiválasztása az adatok jellegének és az elemzés feladatainak figyelembevételével történik. Megjegyzendő, hogy az adatok csoportosítása bizonyos információk elvesztéséhez vezet, de jobb láthatóságot érünk el. Az eredményül kapott táblázat így nézhet ki:
7. táblázat
Adatok a csoport életkori összetételéről
|
Korcsoport |
Érdeklődés |
Felhalmozott frekvenciák |
Felhalmozott kamat |
|
Az első oszlop az életkori intervallumokat mutatja. Kérjük, vegye figyelembe, hogy ezek nem metszik egymást, vagyis a 20-29, 30-39 intervallumokat vesszük, és nem a 20-30, 30-40 intervallumokat. Ellenkező esetben nem lesz egyértelmű, hogy hova kell besorolni azokat a személyeket, akik a korcsoportok találkozásánál esnek. A második és a harmadik oszlop a gyakoriságokat és a százalékokat mutatja. Rájuk nézve azt látjuk, hogy a csoport korösszetétele heterogén: dominálnak benne a fiatalok, ritkábban az idősebbek.
A negyedik és ötödik oszlopban a gyakoriságok és százalékok kissé eltérő formában jelennek meg, ami a rendezett kategóriákra (sorrendi vagy kapcsolati skálákra) vonatkozik. A gyakoriságok és százalékok az összes korábbi kategóriára összeadva. Ezzel az adatszolgáltatási formával jól látható, hogy egy bizonyos szint alatt (vagy felett) hányan, illetve a mintában hányan vannak. Példánkban 30 emberből 25, azaz 83,4% ötven év alatti.
Egy változó eloszlására vonatkozó adatok nem csak formában jeleníthetők meg táblázatok hanem formában is diagramok amelyek még leíróbbak. Tekintsünk négyféle gráftípust, amelyeket leggyakrabban használnak egydimenziós eloszlás esetén. A rendezetlen kategóriákhoz (elnevezési skála) általában használják oszlopdiagramok... A sávok száma megfelel a kategóriák számának. Az egyes oszlopok magassága ennek a kategóriának a gyakoriságát tükrözi. Minden oszlop azonos szélességgel van megrajzolva, és nem érintik egymást. A vízszintes tengelyen való elhelyezkedésük sorrendje tetszőleges lehet. Kényelmes törteket és százalékokat ábrázolni. kördiagramok... A teljes kör egy vagy száz százaléknak felel meg, és az egyes szektorok mérete a megfelelő kategória reprezentációját tükrözi.
Az úgynevezett hisztogramokés sokszögek... A hisztogram hasonló az oszlopdiagramhoz, ebben az esetben csak a vízszintes tengely jelzi az intervallumok határait. Az oszlopok egymás mellett helyezkednek el. A rúd magassága megfelel a megfigyelt frekvenciának. Könnyű a hisztogramot sokszöggé alakítani. Ehhez az egyes oszlopok csúcsainak felezőpontjait egyenes szakaszokkal kötjük össze. Kiderül, hogy egy szaggatott vonal megismétli az oszlopok által alkotott kontúrt. A hisztogram egy eloszlás jellemzőinek ábrázolásához hasznos. A sokszög előnye, hogy több sokszöget ábrázolhat egy grafikonon, majd összehasonlíthatja a különböző mintákat egymással.
A táblázatok és grafikonok ábrázolása a statisztikai elemzés első lépése. A következő lépés az eloszlási paraméterek becslése... A mérőszámok kiszámítása a megfigyelt értékek még tömörebb leírását szolgálja. Ezek a mutatók két fő csoportra oszthatók: központi trendmérésekés szórványintézkedések... Az első típus leggyakrabban használt mutatói az ún. (aritmetikai) az átlagos... Kiszámítása, amint ismeretes, az összes megfigyelés értékének összegzésével és a kapott összeg elosztásával a megfigyelések teljes számával történik. Csoportosított adatok esetén a következőképpen járjon el: keresse meg az egyes intervallumok közepét, szorozza meg ezt az értéket a gyakorisággal, adja hozzá a kapott értékeket, és ossza el a megfigyelések teljes számával. A figyelembe vett mutató azt az elterjedési területet jellemzi, amelyben a vizsgált minta legtipikusabb képviselői koncentrálódnak. De ez csak azokra az esetekre igaz, amikor az eloszlás közel van Normál... Ilyen eloszlás esetén az értékek nagy része a középső részében összpontosul, és az eltérések kevésbé gyakoriak, minél távolabb vannak a központtól. Például egy ilyen tulajdonság megoszlása egy személy magasságában általában közel áll a normálishoz: az emberek többsége átlagos magasságú, és nagyon magas és nagyon kicsi is meglehetősen ritka. Az átlag két minta vagy két populáció összehasonlításához hasznos. Tehát azt mondjuk, hogy a férfiak átlagosan magasabbak, mint a nők, és ez az állítás teljesen igaz, annak ellenére, hogy vannak olyan magas nők, akiknek magassága jóval magasabb az átlagnál. Vagy például köztudott, hogy egy törpe férfi átlagos magassága kisebb, mint egy átlagos európai nőé.
A központi tendencia két másik mércéje az divatés középső... Az eloszlásban leggyakrabban előforduló értéket veszik módnak. A divatot nem kell külön kalkulálni. Elég csoportosítani az adatokat és kiválasztani a legtöbb megfigyelést tartalmazó osztályt. A fent tárgyalt példában (lásd 6. táblázat) a családosok kategóriája a legjobban reprezentált. Ez a mod ehhez a mintához. Kiszámolhatja a gyermekek átlagos számát egy modern orosz családban. Tegyük fel, hogy 1,3-as mutatót kapunk. De mi lesz ennek az igazi jelentése? Mennyi egy gyerek háromtizede? Helyesebb lenne azt mondani, hogy ma leggyakrabban egy gyermek van egy családban, vagyis a divatot a központi tendencia indikátoraként használjuk. Vannak olyan disztribúciók, amelyeknek nem egy, hanem két módja van. Ezt az elosztási típust ún bimodális... Ebben az esetben két csúcsot fogunk látni a diagramon. Leggyakrabban ez azt jelzi, hogy a minta heterogén: kétféle objektumot tartalmaz. Egy ilyen tény kijelentése általában ahhoz az ötlethez vezet, hogy a teljes mintát két alcsoportra osszuk, és külön vizsgáljuk meg.
A medián megtalálásához szüksége van rang az összes megfigyelést, vagyis rendezd növekvő értékrendbe. A középen lévő megfigyelés értéke a medián lesz. És ha a megfigyelések száma páros? Ezután összehasonlítjuk a középre eső két megfigyelés értékét. Ha különböznek egymástól, akkor számtani átlagukat veszik. Csoportosított adatok esetén a medián kiszámítása speciális képlettel történik. Ha az eloszlás normális (azaz szimmetrikus), akkor annak számtani átlaga és mediánja egybeesik. Ha az eloszlás ferde (ferde), a medián jobban megragadja annak központi tendenciáját.
A központi trend megfelelő mérőszámának megválasztását mind az eloszlás, mind a felhasznált adatok jellege határozza meg. A minőségi adatok (elnevezési skála) csak a modok használatát teszik lehetővé. Rangsorolt adatok (sorrendi skála) esetén a mód és a medián egyaránt elfogadható. A mennyiségi adatok (egyenlő intervallumok skála) a három mutató bármelyikével leírhatók, bár a gyakorlatban ebben az esetben a leggyakrabban a számtani átlagot számítják ki. Ez a mutató a szórási mutatóval együtt számos egyéb statisztikai mutató számításában vesz részt.
A szóródási mérőszámok azt jellemzik, hogy az adatok milyen mértékben vannak szórva valamilyen átlag körül. Jelentős szóródásról akkor beszélünk, ha sok érték nagymértékben eltér az eloszlás képzeletbeli középpontjától. A matematikai statisztikusok azt mondják, hogy ebben az esetben az adatok "elkenődnek". Egy kis szórással jellemezhető eloszlásról azt mondják a lövöldözési hasonlattal élve, hogy az adatok halmozódnak. Jól látható, hogy a második esetben az átlagérték informatívabb mutatónak bizonyul, mint az első esetben, vagyis jobban leírja a minta egészét. Például a balett csapatban szigorúan kiválasztják a táncosokat magasság szerint. Ennek eredményeként a növekedési ütemek szórása ebben az embercsoportban sokkal kisebb, mint a népesség egészében. Egy balerina átlagos magasságának ismeretében biztos lehet benne, hogy bármelyik balerina tényleges magassága nagyon közel áll hozzá. Ha mérőműszereket veszünk, akkor azok pontosságát a segítségükkel nyert adatok szórásának mértéke határozza meg: minél kisebb a szórás, annál nagyobb a mérési pontosság.
Hogyan lehet megbecsülni egy változó értékeinek szóródási fokát? Itt is léteznek különböző módszerek, amelyek kiválasztását minden konkrét esetben az adatok jellege - típusa és eloszlása - határozza meg. A szóródásról akkor kapunk némi fogalmat, ha figyelembe vesszük az eloszlás szélsőséges feltételeit. A köztük lévő távolságot ún söprés... Például a fent tárgyalt példában (lásd a 7. táblázatot) a mintában húsz és hetven év közötti egyének szerepelnek. A teljes időtartam ötven év. A legtöbben (40%) harminc év alattiak. De a mintában két olyan személy szerepelt, akik már túl vannak a hatvanon. Ha a centrális trend mutatóját a számtani átlag képlettel számítjuk ki, akkor a 36,5 értéket kapjuk. Mivel az eloszlás erősen torz, ez a szám nagyon eltér a divattól (25 év). A medián ebben az esetben e két érték között van (33,3).
A szóródás pontosabb megítélésére egyenlő intervallumú skálán végzett mérések esetén egy mutató ún. diszperzió... Ebben az esetben figyelembe veszik az egyes értékek átlagtól való eltérését egyik vagy másik irányban. Minket az ilyen eltérések összege érdekel. De szimmetrikus eloszlás esetén ez az összeg mindig eltűnik, mivel a pozitív és negatív eltérések kioltják egymást. Ezért az eltérések négyzeteinek összegét használjuk. Bármely szám négyzete pozitív érték, és ez az összeg minél nagyobb, annál nagyobb a mérések szórása. Az átlagtól való eltérések négyzeteinek összege osztva a megfigyelések számával N a varianciaértéket adja meg. Ha ennek a kifejezésnek a négyzetgyökét vesszük, akkor egy másik szórási mértéket kapunk - szórás, más néven szórás. Ennek a mutatónak az a kényelme, hogy ugyanazokban a mértékegységekben van kifejezve, mint maguk a mért értékek.
A figyelembe vett mutató nagyon kényelmes, ha az eloszlás alakja közel van a normál eloszlásnak nevezetthez. Ezt a kifejezést már említettük. Most magyarázzuk el, mit jelent. Normál terjesztés- ez egy folytonos jellemző eloszlása, amely szimmetrikus az átlagértékre, és ha az értékeit a grafikonon ábrázolja, akkor a görbe úgy néz ki, mint egy harang. Egy személy növekedése az egyik olyan jel, amely egy normális görbével jól leírható eloszlást mutat. Ha sok ember magasságát megmérjük, például a katonakötelesek magasságát, majd ezek alapján grafikont készítünk, akkor normál görbét kapunk. Az adatelemzés szempontjából a normális eloszlás vonzó, mivel két paraméterrel - az átlagértékkel és a szórással (varianciával) - kimerítően leírható. Több ezer érték helyett csak két szám van! Rendkívül hatékony módszer az információk tömörítésére.
A szórás valóban lehetővé teszi a statisztikai norma azonosításának kritériumainak egyértelmű meghatározását. Ez annak köszönhető, hogy a normális eloszlás tulajdonságai jól ismertek és meglehetősen egyszerűen leírhatók. Ismeretes tehát, hogy az összes megfigyelés körülbelül 68%-a az átlag mindkét oldalán egy szórás tartományába esik, és ha két szórást veszünk, akkor ez az eloszlási terület az összes eset körülbelül 95%-át fedi le. Ez azt jelenti, hogy a lehetséges megfigyeléseknek csak 5%-a lépi túl ezt a tartományt. Értelmezzük ezt értelmesen. Mit jelent a „magas férfi”? Statisztikai szempontból az a személy tekinthető magasnak, akinek magassága egynél több szórással meghaladja az adott populáció átlagos magasságát, és azt, akinek a növekedése kettőnél több szórással emelkedik ki a pozitív irányba. nagyon magas. Végül is egy ilyen növekedés nem fordul elő gyakrabban, mint száz esetből háromban.
A normál eloszlás tulajdonságait felhasználva szigorú mennyiségi kritériumokat vezethet be, amelyek meghatározzák, hogy mi a "normál súly", "normál látásélesség" stb. A pszichológiai tesztek is ezekre a statisztikai mintákra épülnek. Fentebb a tesztekkel foglalkozó részben érintettük a tesztek tervezésének és szabványosításának eljárását. Ott felhívtuk a figyelmet arra, hogy a teszteredmények kiértékelésének normáit empirikusan, a matematikai statisztika apparátusával vezetjük le. Most, hogy ismeri a statisztikai elemzés alapvető gondolatait, elmagyarázhatja ezt az eljárást. A feladatok nehézségét úgy választjuk meg, hogy a tesztfeladatok megoldásának eredményeinek eloszlását (a helyes válaszok számát) a normál törvény írja le. Ezután egy skálát építenek, ahol az átlag száz pontnak felel meg, a szórás pedig tizenöt pont. A megjelenített mutatót intelligenciahányadosnak vagy röviden IQ-nak nevezik. Az a személy, akinek ez a mutatója 70 alatt van, szellemileg visszamaradottnak minősül, a 130 feletti mutatót pedig különösen szellemileg tehetségesnek minősítik.
Részletesen elemeztük azt az esetet, amikor egy változó eloszlásának jellegét elemezzük. Ezek a technikák nagyon fontosak, mert minden más típusú statisztikai elemzés ezeken alapul. Most áttérhetünk egy összetettebb elemzési típusra, amely az kétdimenziós elemzés... A két változó közötti kapcsolatot itt tárgyaljuk. Ugyanarról az objektumról van megfigyeléspárunk. Ez lehet például két teszt eredménye. Érdekel bennünket, hogy az egyik vizsgált tulajdonság hogyan kapcsolódik a másikhoz.
A kommunikáció legfontosabb mércéje az korrelációs együttható... A "korreláció" szó csak azt jelenti, hogy "kapcsolat". Milyen kapcsolat lehetséges két változó között? Nos, először is, a jelek teljesen függetlenek lehetnek egymástól, akkor az egyik változása semmilyen módon nem függ össze a másik változásával. Azt mondjuk, hogy a változók nem korrelálnak egymással. Ha a jelek össze vannak kötve, akkor maga a kapcsolat lehet közvetlen vagy inverz. Az első esetben az egyik jellemző magasabb értékei megfelelnek a másik magasabb értékeinek, és fordítva. A második esetben az első jel növekedését a második csökkenése kíséri, és az első csökkenése - a második növekedése. A statisztikusok pozitív és negatív összefüggésekről beszélnek. Végül a kapcsolódás mértéke is változhat a maximumtól, amikor az egyik jellemző értékei lehetővé teszik, hogy magabiztosan előre jelezzük a másik értékét, egészen a teljes hiányáig. A korrelációs együttható a lehetséges összefüggések teljes skáláját tükrözi. Értéke +1 és -1 között változhat. A pozitív értékek a változók közötti közvetlen kapcsolatot, a negatív értékek fordított kapcsolatot jeleznek. A nulla a korreláció hiányának felel meg.
Tegyük fel, hogy sok ember magasságát és testsúlyát mérik. Minden embert két mutató ír le, és ennek eredményeként két dimenziósorozat jön létre. A mérési párokat egymással összehasonlítva arra törekszünk, hogy azonosítsuk a változók közötti kapcsolat jellegét. A magasság és a testsúly között meglehetősen magas pozitív korreláció van. Ez azt jelenti, hogy egy magas ember általában többet nyom, mint egy alacsonyabb. Ez az összefüggés nem egyértelmű: a magas ember lehet nagyon vékony, az alacsony termetű pedig nagyon kövér, így a korrelációs együttható értéke ebben az esetben valahol 0 és +1 között van, úgy tűnik, kicsit közelebb van az egyhez. .
A korrelációs együtthatót a mért mutatókra (magasság, súly) és a rangsorolt adatokra (becslések, preferenciák) eltérően számítják, de végső formája és értelmezése változatlan marad. Ha az adatok kvalitatív jellegűek (férfi - nő, felnőtt - kiskorú, dolgozó - nyugdíjas), akkor a korrelációs együttható helyett más, a gyakoriságok összehasonlításán alapuló kommunikációs mérőszámokat alkalmaznak. Azokban az esetekben, amikor két sorozatot kaptunk különböző léptékkel, vannak számítási eljárások, de az elemzés általános logikája megmarad.
Különös figyelmet kell fordítani a kétdimenziós elemzés adatainak értelmezésének kérdésére, hiszen itt bizonyos óvatosságra van szükség. Ezt a problémát érintettük az első fejezetben, amikor a tudományos leírásról a magyarázatra való átmenetet tárgyaltuk. Ott megjegyezték, hogy az a tény, hogy két változó között kapcsolat van, még nem teszi lehetővé, hogy ok-okozati összefüggést állítsunk közöttük. A korreláció utalhat ilyen összefüggésre, de ez az információ önmagában nem elegendő ahhoz, hogy egyértelmű következtetéseket vonjunk le. Aztán ezt a szülők és gyerekek intelligenciaszintjének értelmezésének példájával magyaráztuk. Most van értelme visszatérni ehhez a problémához, és mélyebben megvizsgálni.
Így bizonyos esetekben a két változó közötti korreláció azt a tényt tükrözi, hogy ok-okozati összefüggésben állnak egymással. De az ok-okozati összefüggések csak egy lehetséges típusú kapcsolat. Határozottan csak a következőket lehet állítani: ha két jelenség semmilyen módon nem kapcsolódik egymáshoz, akkor minden kölcsönös hatást szándékosan kizárunk. A korreláció hiánya megcáfolja a lehetséges ok-okozati összefüggésekre vonatkozó hipotézist, és egy ilyen negatív eredmény hasznos lehet az elmélet tisztázása szempontjából.
Két korrelált változó közötti kapcsolat xés Yértelemszerűen nagyon eltérő lehet:
1. eset: jelenség NS okozza a jelenséget Y, ennek oka.
2. eset: jelenségek NSés Y kölcsönösen kondicionálják egymást.
3. eset: valami harmadik jelenség A okozza a jelenséget NSés a jelenség Y, mindkettő okaként hat.
4. eset: jelenség NS okozza a jelenséget Y más tényezőkkel együtt hatva.
Szemléltetésképpen mondjunk egy példát. Viccnek tűnik, de jól mutatja a probléma lényegét. Ha két mutatót – a fagylaltfogyasztást és a vízbe fulladtak számát – összehasonlítunk egymással, akkor pozitív összefüggést találhatunk közöttük. Ez azt jelenti, hogy a fagylalt szeretete balesetekhez vezet a vízen, vagy (teljesen abszurd következtetés), hogy a kapcsolat az ellenkezője? Természetesen nem. Nyilvánvalóan van egy harmadik tényező, amely mindkét jelenséget megmagyarázza. Ez a levegő hőmérséklete. Meleg időben sok fagylaltot esznek és úsznak. Hideg időben meredeken csökken a fagylaltfogyasztás és az úszók száma. Nyilvánvaló, hogy manapság szinte senki sem fullad meg. A sematikusan bemutatott esetek harmadának megfelelő helyzettel állunk szemben.
A társadalomtudományok leggyakrabban olyan jelenségekkel foglalkoznak, amelyeket többszörös meghatározottság és kontextuális jelleg jellemez. Itt nehéz a külső változók hatását kiküszöbölni, a jelenséget a legtisztább formában elkülöníteni. Ezért különös körültekintést igényel a megfigyelt tények értelmezése. Az indokolatlan következtetések elkerülése érdekében a kutatónak rendelkeznie kell egy bizonyos módszertani kultúrával, értenie kell, milyen buktatókkal találkozhat az út során.
A korrelációelemzés két változó közötti kapcsolat azonosítására szolgáló technika. Ha a változók száma kettőnél több, akkor általánosságban elmondható, hogy mindegyik pár külön-külön is figyelembe vehető. De vannak kifejezetten az ilyen típusú adatokhoz kifejlesztett technikák, amelyeket együttesen ún többváltozós elemzés... Röviden megvitatjuk ezen módszerek egyikét - a faktoranalízist, amelyet gyakran használnak a társadalomkutatásban. Számítási szempontból ez meglehetősen bonyolult, de a számítógép használata sokkal könnyebbé teszi a dolgokat. A modern kutatónak nem kell belemennie egy számítási eljárás bonyolultságába, inkább meg kell értenie ennek a módszernek a lehetőségeit és ismernie kell a vele való munka jellemzőit.
Faktoranalízis a többszörös összefüggés módszerének egyfajta továbbfejlesztése. Először a korrelációs együtthatókat számítjuk ki a változópárok között. Ekkor tisztán matematikailag több általános tényezőt kapunk, amelyek a vizsgált jellemzők csoportjaihoz kapcsolódnak. Mivel az ilyen tényezők száma kevesebb, mint a kezdeti változók száma, az ilyen típusú elemzés az információ tömörítésének, kompaktabb formába hozásának módjaként tekinthető. Az elemzés utolsó szakasza a kapott tényezők értelmes értelmezése. Ezt maga a kutató végzi, azonosítva azokat a változókat (jeleket), amelyek a legszorosabban kapcsolódnak az egyes tényezőkhöz. Például az emberek érdekeit vizsgálják. Ha az olyan tevékenységeket, mint a színházba járás, koncertek, művészeti kiállítások egy tényező köré csoportosítjuk, akkor ezt a tényezőt "esztétikai érdekeknek" nevezzük. Egy másik tényező lehet például a sport iránti érdeklődés. Ennek eredményeként több azonos típusú érdeklődési körhöz tartozó csoportot kapunk. Az adatszerkezet szempontjából külön faktor egy olyan integrált mutató, amely az egymással összefüggő megnyilvánulások komplexumát tárja fel. Még egy példa. Az idősek otthonában nyújtott szolgáltatások minőségének vizsgálata a lakók megkérdezésével két fő elégedettségi tényezőt tárt fel: a személyzet hozzáállását (kedvesség, készség, tisztelet, segítőkészség, gyorsaság) és a fogva tartás körülményeit (az épület állapota). és terület, helyiségek berendezése, tisztaság, az ételek minősége).
Tehát a faktoranalízis egy objektív módszer a vizsgált adatok szerkezetének azonosítására. A minőségi szinten végzett tipológiai elemzés kvantitatív analógjaként tekinthető. Formális apparátusként a faktoranalízis nem garantálhatja, hogy a kapott eredmények érdekesek lesznek a kutató szempontjából. Például az azonosított tényezők néha nehezen értelmezhetők értelmesen: meglehetősen heterogén összetevőket tartalmaznak, amelyeket nehéz egyesíteni valamilyen általános fogalommal. Mindenesetre, mint minden módszer általában, a faktoranalízis önmagában nem lehet jó vagy rossz, hatékony vagy haszontalan. Minden attól függ, hogy mennyire alkalmas az alkalmazásra, mennyire felel meg a vizsgálat céljainak és az elemzett adatok természetének.
Most térjünk rá a kvantitatív elemzési módszerek második nagy csoportjára, amelyek alapján statisztikai következtetés... Ebben az esetben az a feladat, hogy egy különálló mintáról az általános sokaság jellemzőire (paramétereire), vagyis az objektumok teljes osztályának egészére térjünk át. A helyzet az, hogy a kutatónak ritkán van lehetősége egy csoport vagy társadalmi kategória összes képviselőjének tanulmányozására. Lehetőség van például az adott mikrokörzetben élő összes nagycsalád felmérésére, de akkor a következtetések teljes mértékben csak erre az embercsoportra vonatkoznak. Mennyire igazságosak az egész város vagy régió nagycsaládosai számára? A kérdés megválaszolásához tudnia kell, mennyire jellemző vagy specifikus a vizsgált csoport. Ha jellemző, akkor más nagycsaládoknál is hasonló problémákra derül fény. Ha a csoport nagyon specifikus, akkor nincs jogunk általánosítani a kapott adatokat. A statisztika nyelvén ez azt jelenti, hogy mintánk egy másik általános sokasághoz tartozik. Ismét azzal a feladattal állunk szemben, hogy összehasonlítsuk a minta és az általános sokaság jellemzőit, és meg kell ítélni azonosságukat vagy különbségüket.
A valódi kutatási gyakorlatban a kérdés sokszor némileg eltérően kerül fel, de logikailag ugyanabba az osztályba tartozik. Össze kell hasonlítani két csoportot (mintát), és el kell dönteni, hogy mennyire különböznek egymástól. Minden kísérlet magában foglalja a vizsgált expozíció hatásának értékelését. A kutató ebben az esetben azt igyekszik bemutatni, hogy a kísérleti csoport az őt érdeklő viszonyban jelentősen eltér a kontrollcsoporttól. Az oktatási programok, a kezelések és az egészségjavító intézkedések hatékonyságának értékelésekor azt nézzük, hogy a pozitív elmozdulások mennyire jelentősek. És mi az a műszak? Ha a beteg felépült, akkor ez egyértelmű minőségi elmozdulás. Ha jobban érzi magát, kevésbé aggódik a fájdalom miatt, akkor ez valami mennyiségi eltolódás. De beszélhetünk-e átmenetről egyik állapotból a másikba? Ehhez két állapot azonosságának vagy különbségének kritériumaira van szükségünk. A statisztika ebben a második szerepkörben bizonyos formális szabályokat kínál az ilyen következtetések levonására.
Az érvelés általános logikája a következő. Két objektumkészletünk van. Ha valamely paraméterben annyira nyilvánvaló a különbség köztük, hogy ez a két halmaz nem metszi egymást, akkor bátran kijelentjük, hogy két különböző objektumosztályról van szó. Például, ha a népesség egyik csoportjában a jövedelem minimumértéke meghaladja egy másik csoport jövedelmének maximumát, akkor jogunk van azt állítani, hogy a csoportok anyagi helyzetükben különböznek egymástól. De ez egy nagyon triviális eset. Soha senkinek nem jutna eszébe kutatásokat végezni annak bizonyítására, hogy az elefánt nagyobb, mint egy hangya. Nyilvánvaló. A tudomány nem triviális problémákkal foglalkozik, vagyis olyan helyzetekkel, amikor a meglévő ismeretek alapján olyan többé-kevésbé elfogadható hipotéziseket állítunk fel, amelyek még igazolásra és bizonyításra szorulnak. Egy gyakori eset, amellyel a tudós foglalkozik, a halmazok részben átfedő része (részben átfedő eloszlások). Itt merül fel a diszkrimináció és az azonosítás problémája.
A problémát bonyolítja, hogy a kategóriák homályossága mellett (a matematikusok ebben az esetben fuzzy halmazokról beszélnek) számolni kell mindenféle hiba lehetőségével. A mérési hibák az általunk használt műszerek pontosságával kapcsolatosak. Egyetlen műszer sem biztosít abszolút mérési pontosságot. A társadalomtudományok kutatói által használt információgyűjtési módszerek megbízhatósága pedig messze elmarad a fizikai műszerek megbízhatóságától. Ezenkívül figyelembe kell vennie a lehetséges mintavételi hibát. Mivel csak néhány példányt vesznek fel kutatásra, nem garantáljuk, hogy reprezentatívak az általános populációra nézve. A helyes mintavétel korábban vizsgált módszerei a szisztematikus hibák kiküszöbölésére irányulnak, de a véletlenszerű hibákat nem lehet teljesen kiküszöbölni. A statisztikák nem úgy tesznek, mintha ítéleteinket abszolút megbízhatóvá tennék. Szerényebb feladatot tűz ki maga elé: felmérni a kapott adatok megbízhatóságának fokát és az ezek alapján levont következtetések megbízhatóságát. Erre a célra a valószínűségelmélet apparátusát használjuk.
Könnyen bebizonyítható, hogy a mintavételi hiba két tényezőtől függ: a minta nagyságától és a minket érdeklő tulajdonság variációs fokától: minél nagyobb a minta, annál kevésbé valószínű, hogy a szélső értékkel rendelkező egyedek a vizsgált változó szerepelni fog benne. Másrészt minél kisebb a változás mértéke egy adottságban, annál közelebb állnak az egyes értékek a valódi átlaghoz. Ismerjük a minta nagyságát. A tulajdonság variációjának mértéke pedig nagyjából megbecsülhető az adatok szórásának mértékével. Így a minta nagyságának ismeretében és a megfigyelések szóródásának mértékét kapva könnyen származtatható az ún. az átlag standard hibája... Megadja nekünk azt az intervallumot, amelyben a valódi népességátlagnak lennie kell.
A leírt eljárás azon a tényen alapul, hogy a mintavételi hibák és a mérési hibák általában betartják a normál törvényt, mivel sok véletlenszerű tényezőre vezethetők vissza. Ebben az esetben egyáltalán nem szükséges, hogy maga az adateloszlás normál alakú legyen. Képzeljük el, hogy ugyanabból az általános sokaságból különböző véletlenszerű mintákat vizsgálunk. A kapott átlagos becslések minden esetben kissé eltérnek egymástól, de általában a valós érték köré csoportosulnak. Ha megszerkesztjük ezeknek a becsléseknek az eloszlását, akkor az normálisnak bizonyul. Középpontja a sokaság átlaga lesz, és a szórása egyenlő lesz az átlag standard hibájával. De az utolsó mutató, mint láttuk, egyetlen mintából is származtatható. Kiszámítása a következő képlettel történik: szórás osztva a megfigyelések számának négyzetgyökével. Most a normál eloszlás tulajdonságainak ismeretében megadhatja azt az intervallumot, amelyben a valódi átlagnak lennie kell. A fentiekben a normális eloszlás tulajdonságait figyelembe véve megjegyeztük, hogy az esetek körülbelül 95%-a két szórás tartományában koncentrálódik az átlag mindkét oldalán. Ez azt jelenti, hogy a határokon kívül eső érték valószínűsége nem haladja meg az 5%-ot, azaz ilyen hibák legfeljebb 20 esetben fordulnak elő. 0,95 valószínűséggel állítható, hogy a valódi érték a megadott határokon belül van, ami megbízhatósági intervallum.
Tehát, mivel a hiba valószínűsége mindig fennáll, bevezetjük a következtetéseink megbízhatóságának kvantitatív mérőszámát. Minden statisztikai kritérium ezen az elven alapul. A 95%-os szintet elfogadják az ítéletek kellő megbízhatóságának megfelelőnek. Ha még nagyobb megbízhatóságra törekszünk, akkor a 99%-os szintet is elérhetjük. Ez azt jelenti, hogy száz esetből egynél gyakrabban történik véletlen hiba. A pontos konfidenciahatár a 95%-os szintre az átlag 1,96 standard hibája, a 99%-os szintre pedig 2,58-as tényezőt használunk. Az első esetben a lehetséges értékek legfeljebb 5% -a marad ezen az intervallumon kívül (2,5% mindkét oldalon). A második esetben - legfeljebb 1% (0,5% mindkét oldalon). Nézzünk egy példát. Tegyük fel, hogy egy 25 fős munkanélküli csoportban az átlagéletkor 32 év. A tömeges kutatások szerint ebben a kategóriában az átlagéletkor 40 év, a szórás pedig 6. Az a kérdés érdekel, hogy a mintánk tipikus vagy atipikus? Ha ezt lefordítjuk a statisztika nyelvére, akkor azt kérdezzük, magyarázható-e az átlagok különbsége a mintavételi hibával?
A statisztikai következtetés a hipotézisek tesztelésének folyamata. Sőt, kezdetben mindig azt feltételezzük, hogy a megfigyelt különbségek véletlenszerűek, vagyis a minta ugyanahhoz az általános sokasághoz tartozik. A statisztikában ezt a feltevést ún null hipotézist... Tehát először is feltételezzük, hogy a mintánk meglehetősen tipikus. És akkor azt kérdezzük: Mennyi a valószínűsége, hogy ilyen átlaggal (32 év) kapunk mintát abból az általános sokaságból, amelynek átlagéletkora (40 év)? Tudjuk, hogy több teszttel a kapott értékek normálisan oszlanak el, és ennek az eloszlásnak az átlagértéke 40 év lesz. A standard hiba, feltéve, hogy minden alkalommal 25 embert veszünk, az általunk ismert képlettel számítható ki: elosztjuk a 6-ot (szórás) 25 négyzetgyökével, és 1,2 éves értéket kapunk (az átlag standard hibája). Ezután kiszámítjuk a konfidencia intervallumot, amely esetünkben 95%-os konfidenciaszint mellett a következő lesz:
40 1,96 1,2 év = 40 2,35 év (azaz 37,65 és 42,35 között)
A mintánk (32) átlagértéke kívül esik a talált tartományon. Ez azt jelentheti, hogy:
a) vagy belebotlottunk abba a rendkívül ritka esetbe, amely az eloszlás legszélén fekszik;
b) vagy hibás az a feltételezésünk, hogy a két átlag (a mintára és az általános sokaságra) nem tér el.
Ha csak a rendelkezésre álló adatokra támaszkodunk, akkor okunk van elvetni a nullhipotézist, vagyis azt hinni, hogy a mi csoportunk valamiféle speciális. Azt mondjuk, hogy az átlagok közötti különbség statisztikailag szignifikáns szinten p < 0,05. Вероятность ошибки составляет менее 5%, и поэтому мы с достаточной уверенностью утверждаем, что различие не случайно. Если мы задаем более строгий критерий (99%), то у нас еще больше оснований отклонить нулевую гипотезу. Мы говорим тогда, что различие statisztikailag igen jelentős... A társadalomkutatás esetében a 95%-os szignifikanciaszint teljesen elfogadható.
Az elemzett példa az empirikus és elméleti eloszlások összehasonlításának esetét szemlélteti. Hasonló eljárást alkalmaznak, amikor két minta közötti különbséget kell megbecsülni. Abból a feltevésből indulunk ki, hogy a megfigyelt átlagkülönbség véletlenszerű tényezők (mintavételi és mérési hiba) következménye. Más szóval, feltételezzük, hogy mindkét minta ugyanahhoz az általános sokasághoz tartozik, amelynek paraméterei számunkra ismeretlenek. Ezután megbecsüljük az átlagok különbségét, figyelembe véve az adatok megfigyelt szórását az egyes mintákban. A kritikus értékek beállítása a kiválasztott szignifikanciaszint figyelembevételével történik. A célérték túllépése esetén a nullhipotézist elvetjük, és feltételezzük, hogy a megfigyelt eltérések nem véletlenek.
Megbeszéltük a statisztikai hipotézisek tesztelésének alapelveit. Vannak különböző statisztikai kritériumok különböző típusú adatokhoz tervezték. Egy részük, az ún paraméteres kritériumok, csak az intervallumskálák használatával nyert adatokra alkalmazhatók. Az elnevezés azt a tényt tükrözi, hogy a becslési eljárás az adateloszlás jellegére vonatkozó feltételezésen alapul. Ha ezek a feltételek nem teljesülnek, akkor a következtetések megkérdőjelezhetők. Ennek a típusnak a legismertebb kritériumai közé tartozik t- Az átlagok különbségének felmérésére használt diákteszt. De számos statisztikai eljárást is kidolgoztak, amelyek nem kötődnek semmilyen konkrét eloszláshoz. Ezek a kritériumok, amelyeket ún nem paraméteres különösen hasznosak olyan adatok elemzéséhez, amelyekkel a társadalomtudományok jellemzően foglalkoznak. Példa erre a khi-négyzet teszt, amely a gyakoriságok összehasonlításán alapul. Egyébként ugyanezt a módszert alkalmazzák a minőségi jellemzők közötti kapcsolat felmérésére is. A megfelelő kritérium kiválasztása nem könnyű feladat. Itt a matematikai statisztika szakemberéhez kell fordulni.
A kvantitatív elemzési módszerekről szóló rész végén néhány általános megjegyzést teszünk. Először is, amint az olvasó meggyőződhetett arról, hogy a statisztika kompetens felhasználása speciális felkészültséget igényel a kutatótól, de ez vonatkozik a kvalitatív elemzés technikáira és az adatgyűjtési módszerekre is. A társadalmi információk feldolgozásának módszereiről kiterjedt irodalom áll rendelkezésre - az elemi tankönyvektől a komoly kézikönyvekig. Reméljük, hogy most, miután megismerkedtünk a statisztika alapgondolataival és fogalmaival, ez az irodalom hozzáférhetőbbé válik az Ön számára. Másodszor, a statisztika egy speciális kutatási eszköz, amelyet csak a gyakorlatban lehet igazán elsajátítani. Fontos hangsúlyozni, hogy a statisztika nem szabványos adatfeldolgozási technikák gyűjteménye, hanem a tudományos kutatás logikájának folytatása, matematikai szigorba hozva azt. Ebben az értelemben nem csak egy hivatásos kutatónak hasznos, hanem minden olyan szakembernek, aki saját és kollégái tapasztalatait próbálja felfogni.
Végül érinteni kell a statisztika társadalomtudományi alkalmazásának határait. Visszatérünk az első fejezetben felvetett problémához: a társadalomtudományi kutatási téma sajátosságainak problémájához, a pozitivizmus és a fenomenológia, a nomotetikus és ideográfiai megközelítések képviselői közötti vitához. Valójában számos tényező korlátozza a hagyományos matematikai modellek alkalmazási körét a társadalmi jelenségek vizsgálatában, nem véletlenül foglal el itt ilyen jelentős helyet a kvalitatív elemzés. Az adatok természete gyakran megnehezíti a normál eloszláshoz kötött legerősebb statisztikai eljárások használatát. Mindazonáltal a kvantitatív elemzés szilárdan megállja a helyét a társadalomtudományok arzenáljában. Új matematikai modellek készülnek, amelyek jobban figyelembe veszik a kutatási problémák természetét. Különösen a nem paraméteres kritériumok aktívabbak. A számítógép használata alapvetően új lehetőségeket nyit meg. Mindez lehetővé teszi számunkra, hogy megjósoljuk a tudósok körében az adatelemzés kvantitatív módszerei iránti érdeklődés új hullámát - a humán tudományok, ezek szélesebb körű és kompetensebb alkalmazása a kutatás minden területén.
| " |
Az iskolai tananyagban mindig van egy téma: "Beszédfajták: leírás, elbeszélés, érvelés." De egy idő után a tudás hajlamos kitörölni a memóriából, ezért hasznos lesz megoldani ezt a fontos problémát.
Mik azok a beszédtípusok? Milyen funkciókat látnak el?
Beszédfajták: leírás, elbeszélés, érvelés – így beszélünk egy tárgyról. Például képzeljünk el egy közönséges asztalt az irodában vagy otthon a konyhában. Ha le kell írnia ezt az objektumot, akkor részletesen el kell mondania, hogyan néz ki, mi van rajta. Az ilyen szöveg leíró jellegű, ezért leírásról beszélünk. Ha a narrátor arról kezd beszélni, hogy mire való ez a táblázat, túl régi-e, ideje újra cserélni, akkor a választott beszédtípust érvelésnek nevezzük. Egy szöveg narrációnak nevezhető, ha valaki elmeséli az asztal megrendelésének, elkészítésének, hazahozatalának módját és az asztal lakás területén való megjelenésének többi részletét.
Most egy kis elmélet. A beszédtípusokat a narrátor (szerző, újságíró, tanár, bemondó) használja információk közvetítésére. A tipológiát a bemutatás módjától függően határozzák meg.
A leírás egy beszédtípus, amelynek célja egy statikus tárgyról, képről, jelenségről vagy személyről szóló részletes történet.
A történet a fejlődő cselekvésről mesél, bizonyos információkat időbeli sorrendben közvetítve.
Az érvelés segítségével átadódik az azt okozó tárgyról szóló gondolatfolyam.
A beszéd funkcionális és szemantikai típusai: leírás, elbeszélés, érvelés
A beszédtípusokat gyakran funkcionális-szemantikusnak nevezik. Mit jelent? A "funkció" szó egyik jelentése (sok más is létezik, beleértve a matematikai kifejezéseket is) a szerep. Vagyis a beszédtípusok szerepet játszanak.
A leírás mint beszédtípus funkciója egy verbális kép újraalkotása, hogy az olvasó belső látásmódjával segítse azt látni. Ezt a melléknevek különféle fokú összehasonlításban, határozói kifejezésekben és más beszédmódokban való használatával érik el. Ez a fajta beszéd leggyakrabban művészi stílusban található meg. A tudományos stílusú leírás jelentősen eltér a művészitől az érzelemmentes, tiszta történetfolyam, a kifejezések kötelező jelenléte, ill.
A narratívát egy cselekvés, egy helyzet vagy egy konkrét eset képe jellemzi. Igék és rövid, tömör mondatok használata jön létre. Ezt a beszédtípust gyakran használják híradásokban. Feladata az értesítés.
Az érvelést, mint beszédtípust sokféle stílus jellemzi: művészi, tudományos, üzleti és még köznyelvi is. A kitűzött cél bizonyos jellemzők tisztázása, feltárása, valami bizonyítása vagy cáfolata.
A beszédtípusok szerkezetének jellemzői
Minden beszédtípusnak sajátos szerkezete van. A narratívát a következő klasszikus forma jellemzi:
- nyakkendő;
- rendezvények fejlesztése;
- csúcspontja;
- kifejlet.
A leírásnak nincs egyértelmű felépítése, de az alábbi formákban különbözik:
- leíró történet egy személyről vagy állatról, valamint egy tárgyról;
- a hely részletes leírása;
- az állapot leírása.
Ilyen példákat gyakran találunk irodalmi szövegekben.
Az érvelés alapvetően eltér a korábbi beszédtípusoktól. Mivel célja, hogy közvetítse egy személy gondolkodási folyamatának sorrendjét, az érvelés a következőképpen épül fel:
- szakdolgozat (állítás);
- érvek, valamint a megadott példák (bizonyítéka ennek az állításnak);
- végső következtetés vagy következtetés.
A beszédtípusokat gyakran összekeverik a stílusokkal. Ez durva hiba. Az alábbiakban elmagyarázzuk, hogyan különböznek a stílusok a típusoktól.
Beszédtípusok és -stílusok: mi a különbség?
Az orosz tankönyvekben megjelenik a Mi ez, és van-e különbség a stílusok és típusok között?
Tehát a stílus bizonyos beszédeszközök komplexuma, amelyeket a kommunikáció egy adott területén használnak. Öt fő stílus létezik:
- Köznyelvi.
- Publicisztikus.
- Hivatalos üzlet (vagy üzlet).
- Tudományos.
- Művészet.
A megtekintéséhez bármilyen szöveget fogadhat. A bemutatandó beszédtípus) tudományos és publicisztikai stílusban egyaránt jelen van. napi kommunikációra választunk. Jellemzője a köznyelvi kifejezések, rövidítések és még szlengszavak is. Megfelelő otthon vagy barátokkal, de egy hivatalos intézménybe, például iskolába, egyetemre vagy minisztériumba érkezéskor a beszédstílus a tudományos elemekkel üzletire változik.
Az újságok és folyóiratok újságírói stílusban készülnek. Segítségével a hírcsatornák sugároznak. A tudományos stílus az ismeretterjesztő irodalomban megtalálható, számos kifejezés és fogalom jellemzi.
Végül a művészeti stílus. Könyveket írt, amelyeket saját örömünkre olvasunk. A hasonlatok („szép a reggel, mint egy szeretett mosolya”), a metaforák („aranyat önt ránk az éjszakai égbolt”) és egyéb művészi kifejezések velejárói. Egyébként a leírás egy olyan beszédtípus, amely meglehetősen gyakori a szépirodalomban, és ennek megfelelően az azonos nevű stílusban.
A különbség az, hogy különböző stílusokat használva leírhat, reflektálhat vagy elbeszélhet. Például, amikor egy virágról beszél művészi stílusban, a szerző sok kifejező jelzőt használ, hogy átadja a hallgatónak vagy az olvasónak a növény szépségét. Egy biológus azonban a tudomány szemszögéből írja le a virágot, az általánosan elfogadott terminológiát használva. Ugyanígy érvelhetsz és mesélhetsz. Például egy publicista feuilletont ír egy véletlenül leszakított virágról, az érvelést beszédtípusként használva. Ugyanakkor a lány társalgási stílust használva elmondja barátjának, hogyan adott neki egy csokrot egy osztálytársa.
Stílusok használata
A beszédstílusok sajátossága lehetővé teszi sikeres együttélésüket. Például, ha a beszéd típusa leírás, akkor ez kiegészíthető érveléssel. Ugyanaz a virág leírható az iskolai faliújságban, tudományos, újságírói és művészi stílusban egyaránt. Lehet szócikk egy növény értékes tulajdonságairól és szépségét dicsérő vers. A biológia órán a tanár tudományos stílust alkalmazva információkat nyújt a tanulóknak a virágról, majd elmesélhet róla egy lenyűgöző legendát.
Beszédtípus leírása. Példák az irodalomból
Ezt a típust hagyományosan képnek nevezhetjük. Vagyis a leírás során a szerző a végtelenségig ábrázol egy tárgyat (például asztalt), természeti jelenségeket (zivatar, szivárvány), egy személyt (a szomszéd osztályból származó lányt vagy egy kedvenc színészt), egy állatot és így tovább. .
A leírás keretén belül a következő formákat különböztetjük meg:
Portré;
Az állapot leírása;
Példák a tájra, megtalálhatók a klasszikusok alkotásaiban. Például az "Egy ember sorsa" című történetben a szerző rövid leírást ad a korai háború utáni tavaszról. Az általa újraalkotott képek annyira elevenek és hihetőek, hogy úgy tűnik, mintha az olvasó látná őket.
Turgenyev „Bezsin rét” című történetében a tájak is fontos szerepet játszanak. Az író a nyári égbolt és naplemente verbális képének segítségével közvetíti a természet hatalmas szépségét és erejét.
Ahhoz, hogy emlékezzünk arra, hogy mi a leírás, mint a beszéd típusa, érdemes egy másik példát megfontolni.
„Kimentünk piknikezni a városból. De ma borongós volt az ég, és estefelé egyre barátságtalanabbá vált. Eleinte a felhők erősen szürke árnyalatúak voltak. Úgy borították be az eget, mint egy színházi színpad előadás után. A nap még nem ment le, de már észrevehetetlen volt. És villámlás jelent meg a felhők komor redőnyei között ... ”
A leírást a jelzők használata jellemzi. Nekik köszönhető, hogy ez a szöveg képszerű benyomást kelt, szín- és időjárási árnyalatokat közvetít felénk. A következő kérdéseket teszik fel egy leíró történethez: „Hogy néz ki a leírt tárgy (személy, hely)? Milyen jelek rejlenek benne?"
Elbeszélés: példa
Az előző beszédtípust (leírást) tárgyalva megállapítható, hogy a szerző a vizuális hatás újraalkotására használja. De a narratíva dinamikusan közvetíti a cselekményt. Ez a beszédtípus eseményeket ír le. A következő példa elmondja, mi történt egy zivatarról és egy piknikről szóló novella hőseivel.
„… Az első villámok nem ijesztettek meg minket, de tudtuk, hogy ez csak a kezdet. Össze kellett szednünk a cuccainkat és el kellett menekülnünk. Amint hátizsákokba pakolták az egyszerű vacsorát, az első esőcseppek az ágytakaróra hullottak. Rohantunk a buszmegállóba."
A szövegben figyelni kell az igék számára: cselekvés hatását keltik. Az időintervallumban kialakult helyzetkép a narratív típusú beszéd jelei. Ezen túlmenően egy ilyen jellegű szöveghez kérdéseket tehet fel: „Mi volt előbb? Aztán mi történt? "
Érvelés. Példa
Mi az érvelés, mint a beszéd típusa? A leírás és az elbeszélés már ismerős számunkra, és könnyebben érthető, mint a szöveges indoklás. Térjünk vissza az esőben elkapott barátokhoz. Könnyen elképzelhető, hogyan beszélik meg kalandjukat: „… Igen, szerencsénk van, hogy egy nyári lakos autós figyelt fel ránk a buszmegállóban. Még jó, hogy nem ment el mellette. Meleg ágyban jó a zivatarról beszélni. Nem olyan ijesztő, ha ismét ugyanabban a megállóban vagyunk. A zivatar nemcsak kellemetlen, hanem veszélyes is. Nem tudod megjósolni, hova csap a villám. Nem, soha többé nem megyünk ki a városból anélkül, hogy ismernénk a pontos időjárás-előrejelzést. A piknik jó egy napsütéses napon, de zivatarban jobb otthon teát inni." A szöveg az érvelés, mint beszédtípus összes szerkezeti részét tartalmazza. Emellett feltehetsz neki az érvelésre jellemző kérdéseket: „Mi az oka? Mi következik ebből?"
Végül
Cikkünket a beszéd típusainak - leírásnak, narrációnak és érvelésnek - szenteltük. Egy adott beszédtípus kiválasztása attól függ, hogy ebben az esetben miről beszélünk, és milyen célt követünk. Megemlítettük a jellegzetes beszédstílusokat, azok jellemzőit és a beszédtípusokkal való szoros kapcsolatát is.
"Kibernetikai Hivatal" - Mark. Probléma tanítási módszer. Könyv. Szülők. Tudás. Az oktatási intézmények projekttevékenységeinek módszertani támogatásának irányítása, szervezése. Például "a cél egy új többszintes lakóház építése". Ha nem, akkor köztes. A célközvetítés esetében folyamatban van valamilyen folyamat.
Iskolaprojekt – Vallásstatisztika. Milyen tantárgyakat lehetne kizárni az iskolai tantervből? Nevelési feladatok. A jövő menüje. Hány gyermeked van a családodban? Vannak, akiknek nem tetszik, hogy az órák nagyon korán kezdődnek. a tanulók aktív önálló tevékenysége, melynek célja egy új termék létrehozása.
„Projektek” – A csoport különféle médiákról gyűjt információkat. Szükséges a csoport alanyi-kognitív terének megfelelő megszervezése. A résztvevők tevékenységének világosan meghatározott elvárt, szociálisan orientált eredménye. A kreativitás mértéke magas, de a szerepjáték a domináns.
Diákprojektek – Ötletek áramlásának ösztönzése. Az észlelés jellemzőihez kapcsolódó ellentmondások azonosítása. Technológia diákprojekten való munkavégzéshez. Általános elképzelés készítése a jövő irányáról. Projekt tervezési szakasz. Analitikai szakasz. Feladatok. A kapott eredmények bemutatása. A projekttevékenység szakaszai.
"Project Evaluation Criteria" - Hány évet, hónapot és napot élt Robinson Crusoe a szigeten? Mi a tartalom? A projektben az értékelés a cél eléréséhez és a siker kritériumaihoz kapcsolódik. Mi történik, ha 3-nál több útvonalat ábrázolunk? Hogyan értékeljük a gyerekek munkáját egy távközlési projektben? Miért pont a matematika kapta a művész ecsetjét?
"Projektmenedzsment" – Területkezelés: Eszközök és technikák. Kimenetek. Tartalomkezelés: outputok, eredmények. A tartalom meghatározása – kontextus. Tartalomkezelés / projektek és termékek. Folyamat 3) Projekt charta 4) Előzetes tartalmi leírás 5) Projektmenedzsment terv. Tartalom tervezés / Kilépések.
