Spss что это

Программное обеспечение IBM SPSS

IBM SPSS — это программное обеспечение, предназначенное для сбора статистики и прогностической аналитики. Оно позволяет смотреть в будущее, оптимизировать бизнес процессы, принимать обоснованные правильные решения, повышать эффективность корпоративной работы и увеличивать доход.

Функции продуктов IBM SPSS:

Анализ имеющейся информации и прогнозирование корпоративных бизнес процессов для последующей оптимизации. В качестве примера, можно привести осуществление анализа данных о продажах за последние несколько лет и построение прогноза количества продаж на ближайший год, или изучение многомиллионных записей о действиях клиентов, которые хранятся в базе данных компании, и предположить, кто именно из клиентской базы может перейти к конкурентам.
Сбор требуемых компании данных, наиболее уместным способом. Как пример — организация телефонных опросов клиентов с целью определения уровня их удовлетворенности качеством оказываемых услуг, или проведение веб-анкетирования сотрудников компании для формирования представления о степени их мотивации и оптимизации кадровой политики.
Воздействие на показатели корпоративной деятельности методом внедрения прогностической аналитики IBM SPSS в бизнес процессы.

Состав линейки продуктов IBM SPSS

IBM SPSS Statistics — платформа для анализа статистических данных.
IBM SPSS Modeler — решение для технологии Data Mining.
IBM SPSS DataCollection — решение для сбора данных и проведения опросов.

IBM SPSS Statistics

Модульное программное обеспечение, предназначенное для анализа данных и охватывающее все уровни аналитического процесса: от планирования анализа до формирования отчетов и представления его результатов. IBM SPSS Statistics широко используется в таких отраслях, как:

социальные и маркетинговые исследования;
управление персоналом и кадровая политика;
CRM-аналитика — анализ клиентских баз данных для оптимизации сотрудничества в дальнейшем;
сбор и обработка данных статистики;
прогнозирование — анализ истории данных и составление прогноза на будущее;
образование и научная деятельность.

Лицензии на IBM SPSS Statistics могут поставляться в рамках отраслевых решений:

для социологических и маркетинговых исследований;
для здравоохранения и клинических исследований;
для образовательной и научно-исследовательской деятельности — до 70% дешевле.

IBM SPSS Modeler

Технология анализа информации Data Mining позволяет обнаруживать в архивной информации полезные и ранее неизвестные, нетривиальные знания, необходимые для принятия оптимальных решений в бизнес процессах. Ключевой целью Data Mining является нахождение закономерностей в данных, изучение сложных систем и их моделирование, которое основывается на истории их поведения.

Data Mining — решение, полезное компаниям, которые осуществляют свою деятельность на высококонкурентных рынках и обладают большим объемом накопленной информации и неструктурированных данных. В перечень таких компаний входят банки, страховые компании, промышленные предприятия, производственные и телекоммуникационные компании, предприятия розничной торговли, медицинские учреждения, а также, госструктуры и ведомства.

IBM SPSS Modeler является программным продуктом для Data Mining, который обладает всеми необходимыми инструментами для аналитической работы с данными, разработки и реализации эффективных прогностических моделей, как специалистами, так и обычными пользователями. IBM SPSS Modeler — это фундамент для построения технологий Data Mining на основе продуктов IBM.

IBM SPSS DataCollection

Комплекс программных решений, который обеспечивает полное осуществление исследовательских целей — от планирования выборки, создания анкеты до проведения опроса и формирования отчетности. IBM SPSS Data Collection позволяет легко контролировать сбор данных и проведение опроса, что повышает производительность и делает реализацию проекта максимально эффективной. С помощью данной технологии, вся работа над проектом выполняется в пределах единой среды. Интуитивно понятный интерфейс, используемый IBM SPSS Data Collection, предоставляет компании возможность:

формировать выборку;
составлять электронную анкету;
выбирать любой приемлемый вариант сбора данных: телефонный опрос, или опрос в Интернете, персональное интервью с использованием ноутбука, или введение данных с бумажных анкет в автоматическом режиме;
осуществить опрос и собрать информацию;
обработать и сделать анализ информации;
составить отчет на любом языке.

Иллюстрированный самоучитель по SPSS

SPSS является самой распространённой программой для обработки статистической информации. В настоящем разделе описан путь этой программы к такому выдающемуся успеху. Затем приведен обзор отдельных модулей программы.

Основным достоинством программного комплекса SPSS, как одного из самых существенных достижений в области компьютеризированного анализа данных, является самый широкий охват существующих статистических методов, который удачно сочетается с большим количеством удобных средств визуализации результатов обработки. Программный комплекс SPSS развивается уже на протяжении 35 лет. 11-ая версия, выпущенная в мае 2002 года, предоставляет широкие возможности не только в сфере психологии, социологии, биологии и медицины, но и в области маркетинговых исследований и управлении качеством продукции, что значительно расширяет применимость комплекса.

Предлагаемый материал содержит минимально необходимый объем сведений по теории статистического анализа. Основное внимание сконцентрировано на особенностях использования отдельных методов, возможностях, которые эти методы предоставляют, а также интерпретации результатов применения данных методов. Ну и конечно, описаны презентационные возможности SPSS 10/11, которые значительно превосходят объем функций, обеспечиваемых стандартными бизнес-программами, типа Excel.

Изложенный материал достаточен для того, чтобы студент или молодой ученый сделали свои первые шаги в обобщении статистических данных и поиске скрытых закономерностей, а умудренные опытом профессионалы обрели еще один мощнейший инструмент, повышающий эффективность практической деятельности.

Материал предназначен для широкого круга читателей, специализирующихся на обработке данных в маркетинге, социологии, психологии, биологии и медицине.

Литература —
Бююль А., Цёфель П. SPSS: Искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей: Пер. с нем. — СПб.: ДиаСофтЮП, 2005. — 608 с.

SPSS, или SPSS для WINDOWS

SPSS, или SPSS для WINDOWS [от англ. Statistical Package of Social Science — статистический пакет для социологических наук] — программный комплекс для статистического анализа данных. SPSS — важный инструмент исследований практикующего маркетолога. Программные продукты SPSS позволяют оперативно получать аналитическую информацию, наглядно представлять результаты в виде высококачественных таблиц и диаграмм, а также распространять и внедрять полученные результаты. Все это дает возможность, находя ключевые факты, взаимосвязи и тенденции, своевременно принимать оптимальные решения. Программный комплекс SPSS развивается уже на протяжении 35 лет. Сегодня SPSS фактически является стандартом представления данных количественных маркетинговых исследований. Проведение даже небольших тестов с помощью SPSS делает их гораздо эффективнее, а в случае масштабных исследований SPSS реализует весь свой потенциал. Центральной частью современного пакета SPPS для Windows является программа SPSS Base. Она обеспечивает доступ к данным, позволяет выполнять основные функции управления и преобразования данных. SPSS Base дает возможность осуществлять и основные операции для анализа данных — построение базовых таблиц и частотных распределений. Среди дополнений к SPSS Base — модули, позволяющие строить различные модели, анализировать категориальные данные, временные ряды и многое другое. Внешне интерфейс SPSS напоминает табличный процессор: по вертикали — респонденты, фирмы, отсчеты времени и т.п.; по горизонтали — вопросы, параметры, любые другие исследуемые величины. С помощью SPSS можно: — организовать планирование и осуществление комплексной обработки результатов проведенных исследований;

-обработать полученную информацию с использованием современных мощных статистических методов (частотный, дискриминантный, регрессионный, кластерный, факторный анализы);

-эффектно и доступно презентовать статистическую информацию. Навыки работы с SPSS могут быть применены маркетологами, чтобы: — определить мотивы покупателей, степень их взаимосвязи и влияния на покупательское поведение;

-определить различия между сегментами потребителей;

-оценить и спрогнозировать спрос на товар;

-оценить позиции конкурентов и точность позиционирования продукции компании. Простейший пример обработки результатов маркетингового исследования — получение информации о том, с какой частотой респонденты выбирали тот или иной вариант ответа, как их ответ зависел от возраста, пола, от других факторов, как отвечали представители различных регионов, как связаны между собой ответы на те или иные вопросы. Достоинства SPSS — большой набор функций и возможностей, возможность работать с большим массивом данных (много больше, чем Excel), качественная техническая поддержка. Практики прямого маркетинга отмечают: использование SPSS позволяет значительно сократить объемы почтовых рассылок и сделать рассылки целенаправленными. Ограничения использования SPSS связаны с высокой ценой программного обеспечения и большими сроками обучения. SPSS используют в основном крупные исследовательские агентства. Обучение работе обычно занимает от полугода, да и статистические формулы надо хорошо знать для осмысленного применения этой программы, а это еще год обучения (если, конечно, у маркетолога нет специального социологического или статистического образования). В связи с этим наиболее распространенным инструментом подавляющего большинства российских маркетологов для обработки статистики пока все-таки остается Excel.

Главный недостаток программного обеспечения SPSS с позиции практикующих российских маркетологов — цена (базовая версия — 2000—3000 долл.). Практики также предупреждают: следует иметь в виду, что статистическая терминология на английском языке сильно отличается от русской терминологии, так что надо быть внимательными. В России многие соблазняются низкой ценой «пиратской» версии SPSS, но обладание программой не решит комплекс проблем практикующего маркетолога, поскольку ей надо уметь пользоваться. SPSS дает ответы в цифрах, а не в указаниях (типа: сегодня акцию проводи, а завтра нет; покупай или продавай и т.д.), так что результаты обработки надо уметь читать! Системные требования, которые SPSS предъявляет к компьютеру, невысоки: практически все современные офисные компьютеры обладают нужными характеристиками — процессор Pentium, операционная система Windows, начиная с Windows 98; 128 Мб оперативной памяти; 200 Мб места на жестком диске. Д.Г. Квасов, А.П. Панкрухин Бююль А., Цефель П. SPSS — искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. М.: Диасофт, 2005. Наследов А.Д. SPSS — компьютерный анализ данных в психологии и социальных науках. СПб.: Питер, 2005. Таганов Д.Н. Статистический анализ в маркетинговых исследованиях. СПб.: Питер, 2005. 192 с. SPSS — что это такое // http://www.spss.ru/products/spss/ index.htm. Форумы в Интернете: http://www.dis.ru/cgi-bin/forum; http://marketingclub.ru/forum; http://forum.gfk.ru/forum. Примечание. Более конкретная литература по статистике и пакету SPSS, помогающая пользователям эффективно и полноценно анализировать данные, углубить знания по прикладной статистике и изучить программное обеспечение SPSS, поставляется бесплатно в одном экземпляре при покупке программного обеспечения. Книги на русском языке, как правило, могут приобрести только зарегистрированные пользователи SPSS.

Маркетинг: большой толковый словарь. — М.: Омега-Л . Под ред. А. П. Панкрухина . 2010 .

Применение статистического пакета анализа данных SPSS Statistics в психологических исследованиях на примере факторного анализа Текст научной статьи по специальности «Компьютерные и информационные науки»

СТАТИСТИЧЕСКИЙ ПАКЕТ АНАЛИЗА ДАННЫХ / SPSS STATISTICS / ПСИХОЛОГИЧЕСКОЕ ИССЛЕДОВАНИЕ / ФАКТОРНЫЙ АНАЛИЗ / УСТОЙЧИВОСТЬ ЛИЧНОСТИ К ВНЕШНЕМУ ИНФОРМАЦИОННОМУ ВОЗДЕЙСТВИЮ / ЖИЗНЕСТОЙКОСТЬ / СУБЪЕКТНОСТЬ / ТОЛЕРАНТНОСТЬ К НЕОПРЕДЕЛЕННОСТИ / УДОВЛЕТВОРЕННОСТЬ ЖИЗНЬЮ / УДОВЛЕТВОРЕННОСТЬ САМОРЕАЛИЗАЦИЕЙ / STATISTICAL PACKAGE FOR SOCIAL SCIENCES SPSS / PSYCHOLOGICAL RESEARCH / FACTOR ANALYSIS / INDIVIDUAL STABILITY IN THE SITUATION OF INFORMATION INFLUENCE / RESILIENCY / SUBJECTIVITY / TOLERANCE TO UNCERTAINTY / SATISFACTION WITH LIFE / SELF-ACTUALIZATION

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Орестова Василиса Руслановна, Бастрон Алевтина Алексеевна

В статье рассматривается применение статистического пакета анализа данных SPSS Statistics для решения задач психологического исследования . Целью исследования было выявить взаимосвязь между устойчивостью личности к внешнему информационному воздействию и такими психологическими качествами, как жизнестойкость , субъектность , толерантность к неопределенности , удовлетворенность жизнью и удовлетворенность самореализацией. Для решения этой задачи используется факторный анализ . Логика применения этого метода представлена в статье.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Use of SPSS for psychological research in the context of a factor analysis

The article deals with Statistical Package for Social Sciences (SPSS) for psychological research problems solving. The aim of the research was to study the connection between individual stability in the situation of information influence and some character traits such as resiliency , subjectivity , tolerance to uncertainty, satisfaction with life and self-actualization . Factor analysis was used to solve that problem.Logic of the method appliance is offered in this article.

Текст научной работы на тему «Применение статистического пакета анализа данных SPSS Statistics в психологических исследованиях на примере факторного анализа»

В.Р. Орестова А.А. Бастрон

Применение статистического пакета анализа данных SPSS Statistics в психологических исследованиях на примере факторного анализа

В статье рассматривается применение статистического пакета анализа данных SPSS Statistics для решения задач психологического исследования. Целью исследования было выявить взаимосвязь между устойчивостью личности к внешнему информационному воздействию и такими психологическими качествами, как жизнестойкость, субъектность, толерантность к неопределенности, удовлетворенность жизнью и удовлетворенность самореализацией. Для решения этой задачи используется факторный анализ. Логика применения этого метода представлена в статье.

Ключевые слова: статистический пакет анализа данных, SPSS Statistics, психологическое исследование, факторный анализ, устойчивость личности к внешнему информационному воздействию, жизнестойкость, субъектность, толерантность к неопределенности, удовлетворенность жизнью, удовлетворенность самореализацией.

Математическая обработка данных является необходимым этапом для причинного объяснения феноменов любой природы, в том числе психологических феноменов.

Существует определенная последовательность действий для получения значимой информации: выборка, предобработка, трансформация, применение метода для получения знаний, интерпретация.

Выборка — подготовка исходного набора данных и формирование некоторого объема, необходимого для дальнейшего применения методов обработки данных.

Предобработка — предварительная обработка с целью выбора метода анализа. Необходимо «сырые» данные обработать,

т. е. исключить пропущенные значения, аномальные значения, ложные значения. Иногда некоторые данные необходимо дополнить. Объем выбранных данных зависит от конкретного метода, и в том или ином случае объем выбранных данных может быть избыточен или недостаточен, и тогда либо изменяется набор данных, либо меняется метод анализа.

Трансформация — нормализация, этап приведения данных к виду, удовлетворяющему методу анализа.

Интерпретация — постобработка данных. Это обработка полученных данных к виду, пригодному для конечного пользователя, разработка алгоритмов для использования полученных результатов в реальности.

Из трех групп существующих методов интеллектуального анализа данных — математическая статистика, эволюционное моделирование и машинное обучение — ограничимся рассмотрением методов математической статистики, применяемых в психологических исследованиях.

Математическая статистика лежит в основе методов, позволяющих получить оптимальное решение в условиях случайных и непредсказуемых воздействий на объект. Статистические пакеты прикладных программ — математические системы для статистической обработки любых данных. Наиболее распространенные — Statistica, SAS и SPSS.

Выбор статистического пакета прикладных программ зависит от предметной области, в которой будут проводиться исследования. Каждый статистический пакет прикладных программ имеет свои плюсы и минусы, многие из которых обусловлены спецификацией системы.

Для пакета Statistica основным направлением является обработка экспериментальных данных. Пакет SAS нацелен главным образом на анализ финансов. Программа SPSS Statistics применяется при обработке психологических, социальных, маркетинговых и других исследований.

Пакет Statistica для профессионального использования является мощным многофункциональным пакетом, содержащим разные методы анализа: непараметрические, одномерные и многомерные.

Графические возможности пакета Statistica максимальны, так как пакет содержит различные виды графиков и матриц, а также функции настройки отображения графиков, позволяет одновременно работать с несколькими графиками и предоставляет большой набор функций для работы с трехмерной графикой.

В программе возможны практически все описательные статистики, такие как вычисление медианы, моды, среднего значения и

среднеквадратичного отклонения и прочие специальные функции. Программа предоставляет возможность группировать данные по множеству заложенных параметров, а также создавать иерархические списки, поддерживает разнообразные методы определения корреляции. Поддержка многих типов распределения — неоспоримый плюс пакета Statistica.

Стандартная комплектация пакета содержит модуль, включающий методы линейной и нелинейной регрессии. Данный пакет имеет множество встроенных и подключаемых модулей, что упрощает использование программы1.

Пакет SPSS Statistics — система Statistical Package for the Social Sciences — непревзойденный лидер в области обеспечения статистических исследований в гуманитарной сфере. Модульная схема данной системы позволяет проработать все этапы исследований: планирование, сбор данных, анализ, вывод результатов.

Читать:

Как снять кожух с рычага переключения передач

Один из модулей — SamplePower — обеспечивает этап планирования, позволяя сократить затраты на проведение данного этапа. Множество параметров позволяют находить оптимальную выборку данных для дальнейшего исследования. Для сложной выборки существует модуль ComplexSamples. Этап сбора данных обеспечивается модулем DataEntry. Модуль содержит множество вариантов для сбора данных, в том числе посредством сети Интернет.

Все существующие виды статистического анализа данных заложены в данной системе. Наличие удобного интерфейса позволяет работать с программой независимо от уровня знаний предмета статистики.

Покажем использование статистического пакета SPSS Statistics для решения задач психологического исследования.

В нашем исследовании наибольший интерес представляет способность личности сохранять устойчивость при возникшем агрессивном влиянии информации на человека. Оптимальному поведению личности в условиях агрессивного информационного воздействия помогает ее психологическая устойчивость.

При изучении психологической устойчивости личности в условиях информационного воздействия, неопределенности или отсутствия информации Д.А. Леонтьев использует понятие личностного потенциала. «Личностный потенциал — это не отдельные непосредственно поддающиеся измерению переменные, а сложно организованная система взаимосвязанных переменных»2.

Результаты первых исследований Д.А. Леонтьева, направленные на выявление структуры личностного потенциала, позволили предположить, что одной из трех дополняющих друг друга групп переменных, составляющих личностный потенциал, являются пе-

ременные, «которые связаны с сохранением устойчивости и цельности на фоне неблагоприятных или враждебных обстоятельств»2.

Целью исследования было выявить взаимосвязь между устойчивостью личности к внешнему информационному воздействию и такими психологическими качествами, как жизнестойкость, субъ-ектность, толерантность к неопределенности, удовлетворенность жизнью и удовлетворенность самореализацией. Для решения этой задачи используется факторный анализ.

Опишем процесс обработки группового тестирования студентов РГГУ направления подготовки «Прикладная информатика». Для исследования взяты 13 переменных из трех методик М. Исакова «Субъ-ектность», тест «Жизнестойкость» Мадди в адаптации Д.А. Леонтьева, «Толерантность к неопределенности» Т.В. Корниловой, тест смыс-ложизненных ориентаций (СЖО) Д.А. Леонтьева.

Для проведения анализа исследования были взяты следующие переменные: ответственность, свобода, общая рефлексия, рефлексия выбора, контроль (из «Субъектности»); вовлеченность, принятие риска (из «Жизнестойкости»); толерантность к неопределенности, интолерантность, межличностная интолерантность (из «Толерантности к неопределенности»); удовлетворенность жизнью, удовлетворенность самореализацией, управляемость жизнью (из «СЖО»).

Применение факторного анализа сводится к приведению множества переменных к меньшему количеству факторов, каждый из которых объединяет сходные по смыслу первичные переменные. По утверждению В.А. Мохова, «такая подмена двух (или нескольких) сильно связанных переменных одной и есть основная техническая задача факторного анализа»3.

Основной особенностью данного метода является возможность количественного определения некоего неизмеряемого фактора за счет других измеряемых параметров. Алгоритм факторного анализа — замены двух или несколько коррелирующих переменных одним фактором, описывающим объекты, носит название метода главных компонент (principal components). Процедура факторного анализа последовательно вводит новые независимые факторы для объяснения максимально возможного процента дисперсии3.

Основные этапы факторного анализа: вычисление корреляционной матрицы для всех исходных переменных, извлечение факторов, вращение факторов, интерпретация факторов.

Корреляционная матрица — это матрица (таблица) коэффициентов корреляции. Под коэффициентом корреляции понимается показатель вероятностной связи между переменными, измеренными количественно4. Значение коэффициента корреляции

исходные_данные.5ау [Наборданных1] — Редактор данных IBM SPSS Statistics

Файл Правка Вид Данные Преобразовать Анализ Прямой маркетинг Графика Сервис Окно Справка

ответствен свобода общ рефлек сия рефлексия в ыб контроль ВОВ1ЛОЧОНН прин_риска тол_к_неопр интолерант икт к неопр меж удовл_жиз. удовл само[ еал управл_жизн

1 100,00 66,00 66,00 60,00 65,00 66,00 90,00 57,00 60,00 80,00 90,00 90,00 90,00

2 70,00 SO.OO 79,00 76,00 90,00 40,00 60,00 68, DD 63,00 36,00 60,00 70,00 80,00

3 98,00 67,00 66,00 69,00 90,00 60,00 90,00 76,00 81,00 50,00 90,00 90,00 90,00 79,00 86.00 88,00 69.00 97.00 80,00 90.00

4 47,00 60,00 35,00 60,00 65,00 30,00 45,00 54,00 66,00 80,00 56,00 60,00

5 74,00 80,00 70,00 83,00 85,00 74,00 87,00 70,00 66,00 80,00 76,00 68,00

Е 76,00 59,00 83,00 65,00 57,00 69,00 90,00 55,00 64,00 50,00 87,00 85,00

7 96,00 80,00 81,00 Е7.00 82,00 86,00 89,00 60,00 66,00 78,00 87,00 76,00

S 98,00 94,00 79,00 67,00 69,00 60,00 79,00 64,00 58,00 44,00 90,00 90,00

9 98,00 89,00 77,00 88,00 90,00 87,00 87, DO 63,00 72.00 51,00 78,00 76,00

10 48,00 67,00 90,00 67,00 79,00 56,00 67,00 65,00 67,00 85,00 85,00 78,00

Рис. 1. Таблица исходных данных и

измеряется в отрезке от -1 до 1, где крайние значения показывают линейную связь, а ноль — отсутствие связи. Определяют положительную, отрицательную и нулевую корреляцию.

Первый этап при извлечении фактора — подсчет суммарного разброса значений всех переменных. Выбор взаимодействующих переменных, где наибольшая доля общей дисперсии обусловлена взаимной корреляцией, — первая задача факторного анализа. Такие переменные образуют первый фактор. После этот фактор исключается, и из оставшихся снова выбираются переменные, у которых наибольшая доля оставшейся общей дисперсии обусловлена взаимной корреляцией, — это второй фактор. Данный алгоритм проводится до тех пор, пока вся общая дисперсия не будет израсходована. Корреляции исходных переменных с выделенными факторами называются факторными нагрузками данных переменных на данный фактор (factor loadings)3 .

В факторном анализе переменная имеет значение общности -доля дисперсии переменной, определенная совокупным влиянием факторов.

Выбор факторов — это логическая операция для факторного анализа, определяющая наиболее значимые факторы из общего числа. В.А. Мохов — о вращении факторов: «Для общей объяснительной силы выделенных факторов неважно, каким образом оси факторов ориентированы в пространстве факторных нагрузок, и мы можем произвольно вращать факторы в этом пространстве, стремясь максимизировать одни нагрузки и минимизировать другие. Вращение позволяет получить «хорошую», или «простую», структуру факторных нагрузок, при которой нагрузки одних переменных на фактор велики, а других — малы. Вращение факторов в пространстве факторных нагрузок не изменяет ни собственных значений факторов, ни общего процента объясненной дисперсии»4. Цель вращения — получение простой структуры, где существует большое значение нагрузки (коэффициента зависимости переменной и фактора) по одному фактору и малые значения по другим.

И в завершение проводится интерпретация факторов — процесс преобразования полученных данных в вид, понятный пользователю.

Первым этапом при проведении исследования студентов РГГУ направления подготовки «Прикладная информатика» является создание файла исходных данных, показанного на рис. 1, где строки -данные тестирования, а столбцы — переменные: ответственность, свобода, общая рефлексия, рефлексия выбора, контроль, вовлеченность, принятие риска, толерантность к неопределенности, интолерант-ность, межличностная интолерантность, удовлетворенность жизнью, удовлетворенность самореализацией, управляемость жизнью.

Среднее значение квадратичное отклонение Анализ N

ответствен 80.5000 20.79129 10

свобода 78.2000 11.05341 10

общ_рефлексия 75.0000 15.64893 10

рефлексия_выб 78.2000 10.69579 10

контроль 83.2000 9.93087 10

вовлеченн 71.0000 21.11345 10

прин_риска 80.4000 15.46466 10

тол_к_неопр 62.2000 6.92499 10

интолерант 66.3000 6.44722 10

инт_к_неопр_ме ж 63.4000 18.69759 10

удовл_жиэни 78.9000 14 55602 10

удовл_самореал 78.1000 10.47165 10

управл_жизн 84 9000 7.96450 10

Рис. 2. Описательные статистики

Второй этап — вычисление корреляционной матрицы для всех переменных, участвующих в анализе. В процессе работы программы SPSS создана корреляционная матрица на основе данных файла. Предварительно созданная таблица описательных статистик приведена на рис. 2, а результат действия — на рис. 3.

Коррелирующие значения выделены светлым подчеркиванием, некоррелирующие — темным.

Третий этап — извлечение факторов. Был произведен подсчет суммарного разброса значений всех участвующих в анализе переменных. Далее — выбор взаимодействующих переменных, чья взаимная корреляция обусловливает наибольшую долю общей дисперсии. Эти переменные образуют первый фактор. Затем первый фактор исключается, и из оставшегося множества переменных снова выбираются те, чье взаимодействие определяет наибольшую долю оставшейся общей дисперсии. Эти переменные образуют второй фактор.

Далее идут 3-й, 4-й и 5-й факторы.

На рис. 4 и 5 показаны процессы извлечения факторов.

ответств ен свобода общ_реф леюия рефлекс ия_выб контроль вовлечен н прин_ри ска тол_к_не опр интолер ант инт_к_не опр_меж удовл_ж иэни удовл_са мореал управл_ жиэн

Корреляция ответствен 1.000 -.112 .374 -.154 251 .795 .580 .279 098 -.360 .576 .651 088

свобода -.112 1.000 -.033 .625 .556 -.250 -.244 .140 -.179 -.005 -.193 -.315 -.053

о6щ_рефлексия .374 -.039 1.000 .117 -,15В .545 .732 .480 .225 -.359 .551 .603 .255

рефлексия_выВ -.154 .625 .117 1.000 .500 -.222 -.115 .665 .486 -.203 -.092 -.133 .272

контроль .251 .556 -.158 .500 1.000 -.246 -.261 .405 197 -.085 -.259 -.141 -063

вовлеченн .735 -.250 .545 -.222 -.246 1.000 .899 .278 092 -.093 .855 .696 199

лрин_риска .580 -.244 .732 -.115 -261 .405 .839 1.000 .460 207 .075 .869 .665 263

тол_к_неолр .273 .140 .480 .665 .278 .460 1.000 .643 -.071 .377 .279 335

интолерант .038 -.179 .225 .486 137 .092 .207 .643 1.000 -.082 .097 .006 -.144

инт_к_неолр_ме ж -.360 .576 -.005 -.353 .551 -.203 -085 -.033 .075 -.071 -082 1.000 .137 -.307 -199

удовл_жиэни -.193 -.092 -.259 .855 .869 .377 097 .137 1.000 .807 434

удовл_самореал .651 -.315 .603 -.133 .636 .139 .665 .279 006 -.307 -.199 .807 1.000 .648

улравл_жиэн .088 .255 .272 -063 .263 .335 -.144 .434 .648 1.000

i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Рис. 3. Корреляционная матрица

ответствен 1 ООО .956

свобода 1.000 .828

общ_рефлексия 1.000 .630

рефлексия_выб 1.000 .940

контроль 1.000 828

вовлеченн 1.000 .929

прин_риска 1.000 .938

тол_к_неопр 1.000 .909

интолерант 1 ООО .935

инт_к_неопр_ме ж 1.000 .957

удовл_жизни 1 ООО .947

удовл_самореал 1.000 .902

управл_жизн 1 000 .892

Каждая переменная имеет единичное значение общности. Этот показатель равен доле дисперсии переменной, обусловленной совокупным влиянием факторов.

После того как процедура извлекает первый фактор, напротив его номера появляется его собственное значение; так, «ответственности» сопоставляется значение 0,956, которое пропорционально доле общей дисперсии, определяемой данным фактором, и является наибольшим. Факторы извлекаются в порядке убывания их влияния на дисперсию переменных.

Вычисляются процент дисперсии, обусловливаемый данным фактором и равный отношению собственного значения фактора к числу переменных, а также соответствующий кумулятивный (накопленный) процент.

Процент дисперсии, обусловленный факторами 1-5, равен соответственно 33,920; 16,415; 16,231; 12,115; 10,492.

С извлечением каждого нового фактора собственные значения уменьшаются, а суммарный процент равен 89%.

По графику собственных значений (рис. 6) можно наблюдать сохранение пяти компонентов и отсечение следующих, начиная с 6-го.

Рассмотрим факторные нагрузки до вращения.

Компонент Начальные собственные значения Суммы квадратов нагрузок извлечения Суммы квадратов загрузок вращения

Всего % дисперсии суммарный % Всего % дисперсии суммарный % Всего % дисперсии суммарный %

1 4.981 38.318 38.318 4.981 38.318 38.318 4.410 33.920 33.920

2 2.804 21.567 59.885 2.804 21.567 59.885 2.134 16.415 50.334

3 1.409 10.842 70.727 1.409 10.842 70.727 2.110 16.231 66.566

4 1.232 9.479 80.206 1.232 9.479 80.206 1.575 12.115 78.680

5 1.166 8.966 89.172 1.166 8.966 89.172 1.364 10.492 89.172

6 .785 6.036 95.208

7 .356 2.737 97.945

8 .199 1.530 99.475

9 .068 .525 100.000

10 ,000 ,000 100.000

11 ,000 ,000 100.000

12 ,000 ,000 100.000

13 ,000 ,000 100.000

Рис. 5. Объясненная совокупная дисперсия

1 2 3 4 5 6 7 8 9 10 11 12 13 Номер компонента

Рис. 6. График собственных значений

Наибольшие показатели имеют следующие переменные (рис. 7).

В 1-м факторе: «принятие риска» — 0,916, «удовлетворенность жизнью» — 0,902, «вовлеченность» — 0,900, «удовлетворенность самореализацией» — 0,881; во 2-м факторе: «рефлексия выбора» -0,933; в 3-м факторе: самый высокий показатель у «интолерантно-сти» — 0,640; в 4-м факторе: самый высокий показатель — у «управления жизнью» — 0,640; в 5-м факторе: самый высокий показатель наблюдается в «межличностной интолерантности» — 0,639.

Четвертый этап — это вращение факторов для создания упрощенной структуры. Повернутая матрица компонентов представлена на рис. 8.

В результате вращения получена более простая структура, которой соответствует большое значение нагрузки каждой переменной только по одному фактору и малое — по остальным факторам.

Нагрузка отражает связь между переменной и фактором, являясь подобием коэффициента корреляции. Значение нагрузки лежит в пределах от -1 до 1.

Выбран метод вращения «Варимакс», так как он является ортогональным и при вращении сохраняется взаимное ортогональное вращение осей (90 градусов).

Наибольший показатель имеют следующие переменные. В 1-м факторе: «вовлеченность» — 0,953 вместо 0,900 до вращения, «принятие риска» — 0,897 вместо 0,916 до вращения, «удовлетворенность

прин_риска 916 -.079 .255 .034 .166

удовл_жиэни .902 -114 .097 .169 .289

вовлеченн .900 -185 .076 -217 .176

удовл_самореал 881 -.095 -.324 090 -.064

общ_рефлексия 746 175 -.023 049 -.200

ответствен .725 .044 -.177 — 617 .126

рефлеисия_вь1б .048 933 -.010 .256 -.029

тол_к_неопр .498 .751 .277 .142 -.026

контроль — 177 .731 -.110 -.395 291

свобода ■ .609 -.293 -.029 535

интолерант :i8 .536 .640 -.094 -.426

управл_жиэн .458 .154 -.498 .640 -041

ж -.203 .242 .509 321 .639

Рис. 7. Матрица компонентов

вовлечены .953 .017 -.142 -.012 -.022

прин_риска .897 .230 -.189 .131 .166

удовл_жиэни ,88В .079 -.123 .301 .222

ответствен .844 -.049 .189 -.231 -.391

удовл_самореал .768 -.031 -.159 .451 -.287

общ_рефлексия .597 .345 -.108 .286 -.247

интолерант .064 .935 -.070 -.220 -.067

тол_к_неопр .348 .792 .325 .235 .020

рефлексия_выб -.210 .638 .601 .352 -.060

свобода -.168 -.051 .879 .111 .106

контроль -.060 .192 .848 -.203 -.163

управл_жиэн .223 .001 .023 .911 -.114

инт_к_неопр_ме ж -.037 -.069 -.034 -.136 .965

Рис. 8. Повернутая матрица компонентов

жизнью» — 0,886 вместо 0,902 до вращения, «ответственность» -0,844 (0,725 до вращения). «Ответственность» после вращения вытесняет «удовлетворенность самореализацией», имея более высокий показатель. «Удовлетворенность самореализацией» составляет 0,768 (0,881 до вращения).

Во 2-м факторе: «интолерантность» — имеет самый высокий показатель — 0,935, заменив «рефлексию выбора» (0,933 до вращения), «толерантность к неопределенности» — 0,792 (до вращения имел низкий показатель). В 3-м факторе: «свобода» — 0,879, контроль — 0,848, «интолерантность» — невысокий показатель до вращения 0,640, но наибольший из всех в 3-м факторе. В 4-м факторе: «управлению жизнью» — 0,911, после вращения показатель увеличился с 0,640. В 5-м факторе: «межличностная интолерантность» -0,965, после вращения показатель увеличился с 0,639.

Таким образом, после вращения матрицы наблюдается увеличение показателей переменных в факторах (рис. 9).

Распределение переменных по факторам имеет следующий вид: в 1-й фактор «Жизнестойкость» вошли следующие переменные: «вовлеченность», «принятие риска», «удовлетворенность жизнью», «ответственность», «удовлетворенность самореализацией»; во 2-й фактор «Толерантность к неопределенности»: «интолерантность», «толерантность к неопределенности»; в 3-й фактор «Субъектность»: «свобода», «контроль»; в 4-й фактор «Смысложизненные ориентации» вошла одна переменная: «управление жизнью»; в 5-й фактор — также одна переменная: «межличностная интолерантность».

Устойчивость личности к внешнему информационному воздействию обуславливает наличие перечисленных выше переменных, распределенных по факторам «Жизнестойкость», «Толерантность к неопределенности», «Субъектность», «Смысложизненные ориентации», «Межличностная интолерантность».

Компонент 1 2 3 4 5

1 .919 .212 -.153 .266 -.123

2 -.101 .659 .711 .155 -.160

3 .030 .590 -.309 -.474 .575

4 -.244 .125 -.230 .823 .441

5 .291 -.397 .568 -.048 .658

Метод выделения факторов: метод главных компонент.

Рис. 9. Матрица преобразований компонентов

Таким образом, цель исследования — выявление взаимосвязи между устойчивостью личности к внешнему информационному воздействию и такими психологическими качествами, как жизнестойкость, субъектность, толерантность к неопределенности, удовлетворенность жизнью и удовлетворенность самореализацией, была достигнута. Для решения этой задачи использовался факторный анализ. На примере статистического пакета анализа данных SPSS Statistics была показана логика применения этого метода для решения задач психологического исследования.

1 Боровиков В.П. Прогнозирование в системе STATISTICA в среде WINDOWS. М.: Финансы и статистика, 2006.