Цель задания, практическое освоение метода МШ и овладение навыками применения его в психологических исследованиях для измерения сложных субъективных переменных и построения геометрической модели различения сложных стимулов.
Методика
Аппаратура. Задание выполняется на ІВМ-совмести- мом персональном компьютере. Для предъявления сигнала “Внимание” используются головные телефоны, соединенные со звуковым синтезатором персонального компьютера. Для выполнения учебного задания используется универсальная компьютерная программа parcom.exe.
Стимуляция. В центре экрана монитора предъявляются пары букв русского алфавита[XXV]. Длительность предъявления — 1 с.
Процедура опыта. При отработке задания каждый студент выступает сначала в роли испытуемого, а затем обрабатывает собственные данные.
Проба начинается со звукового сигнала “Внимание” (тон частотой 500 Гц и длительностью 200 мс). После
предъявления стимулов в течение четырехсекундного интервала испытуемый должен оценить по 10-балльной шкале степень различия букв в паре: 0 — минимальное различие, 9 — максимальное. Оценки фиксируются на цифровой клавиатуре компьютера и подтверждаются нажатием клавиши “Enter”. Всего в опыте используется 12 букв, что составляет п(п-1)/2=66 пар. Каждая пара предъявляется по 4 раза. Предъявления производятся в квази-случайном порядке.
Опыт состоит из тренировочной (10 проб) и основной серий (264 пробы); в середине основной серии — двух-трех минутный перерыв.
Обработка результатов
После окончания опыта каждый студент получает распечатку матрицы субъективных различий 12 х 12, каждый элемент этой матрицы является результатом усреднения 4-х оценок. Эти данные также записываются в обычный ASC1 I-файл, имя которого соответствует фамилии испытуемого, а расширение — mds (например: ivanov.mds).
Для дальнейшей обработки результатов следует воспользоваться одной из современных статистических программ, в состав которой входят методы МШ. Ниже будет показано, как обрабатывать результаты в статистических системах "Stadia " и SPSS.
Работа в системе “Stadia”. После запуска программы (stadia.exe) пользователь попадает в редактор данных и перед ним открываются 2 возможности: либо вручную ввести свои данные в электронную таблицу, либо прочитать файл с матрицей данных с жесткого диска или дискеты (F3). Напомним, что данные должны быть в виде квадратной матрицы субъективных различий; матрица может быть либо полной, когда обе ее половины симметричны относительно отрицательной диагонали, либо данные заносятся лишь в ее нижнюю левую половину, а верхняя может быть заполнена любыми числами, например, нулями. Далее в меню статистических процедур (F9) нужно выбрать пункт “Многомерные методы”, а в этом пункте — подпункт “Шка
лирование”. После окончания этапа факторизации матрицы различий на экране появляются результаты первых расчетов: собственные значения координатных осей и процент объясняемой дисперсии. Смысл этих показателей подробно объяснен в главе 1 настоящего раздела, посвященной факторному анализу. Сразу же после появления на экране первых результатов необходимо сохранить их в отдельном файле для последующего анализа, для чего следует нажать на клавишу F2, выбрать опцию записи данных в файл и задать имя файла данных. В дальнейшем после появления на экране монитора новых результатов и нажатия на F2 они будут записываться в тот же самый файл.
Далее нужно выбрать один из вариантов метода — метрический или неметрический. В данном учебном задании предусматривается знакомство с обоими вариантами. Метрическое МШ представлено алгоритмом Торгерсона, в неметрическое включены 4 варианта, отличающиеся способом расчета “стресса”.
В метрическом алгоритме Торгерсона предусмотрен расчет координат стимулов-объектов, исходя из евклидовой метрики. В распечатке результатов представлены:

1. координаты стимулов в n-мерном пространстве;
2. четыре различных показателя “стресса”, характеризующие “хорошесть” полученного решения с точки зрения соответствия исходной матрицы различий матрице вычисленных расстояний между стимулами.

При обработке матрицы субъективных расстояний по одному из неметрических алгоритмов, следует сначала выбрать одну из метрик (для корректности сравнения с результатами метрического анализа следует также выбрать евклидову метрику), а затем указать ожидаемое количество осей субъективного пространства. При выборе количества осей следует руководствоваться следующими соображениями: 1) начинать лучше с явно избыточного количества, например, с четырех или даже с пяти, а затем, последовательно уменьшая размерность пространства, внимательно анализировать изменение показателей “стресса” и пытаться дать выделенным осям содержатель
ную интерпретацию’; 2) в любом случае не следует ограничиваться каким-то одним вариантом (скажем, двумерным, и только потому, что такую модель легче изобразить геометрически), для последующего анализа результатов стоит попробовать несколько решений и получить соответствующие распечатки.
В распечатке результатов представлены те же показатели, что и в метрическом методе — координаты стимулов в пространстве указанной размерности и показатели “стресса”.
Работа в системе SPSS. Для тех студентов, кто знает английский язык и ориентируется в операционной среде Windows, можно также рекомендовать статистическую систему SPSS.„ которая нашла достаточно широкое распространение среди наших зарубежных коллег. Эта система не так проста и доступна как “Stadia”, но зато предоставляет ряд дополнительных возможностей, которые могут быть весьма полезны психологу в серьезной исследовательской работе.
После вызова программы из Windows так же, как и при работе в “Stadia”, вы попадаете в электронную таблицу редактора данных и сразу же можете вводить данные в первую переменную (varOOOOl). Если данные уже набраны в виде ASCII-файла, то их можно импортировать в SPSS (меню: File, подменю: Read ASCII Data). В случае импорта данных следует указать путь к файлу данных и его имя, а также выбрать подходящий тип формата данных — Freefield. Далее, нажав на кнопку Define, вы переходите в режим определения переменных, где необходимо каждой переменной (их столько, сколько столбцов в вашем файле данных) присвоить имя — в окошке Name, и определить ее тип — Numeric. Ввод каждой переменной в общий список анализируемых переменных (Defined Variables) осуществляется нажатием клавишу Add. В случае какой-либо ошибки при вводе имени перемен-

1. Стратегия исследователя при выборе оптимального количества осей многомерного пространства подробно описана в предыдущей главе.
   

ной следует воспользоваться клавишей Remove, и осуществить ввод заново. После окончания определения всех переменных нажмите на клавишу ОК. SPSS автоматически перейдет в окно редактора данных и осуществит ввод вашего ASCII-файла.
Переход к процедуре МШ осуществляется следующим образом: меню — Statistics, подменю — Scale, а в нем — Multidimentional Scaling... После вызова пропедуры МШ в правом окне выделите мышкой все переменные и перенесите их в окно Variables, иажав на кнопку со стрелкой.
Следующий важный этап работы — выбор основных параметров процедуры МШ. В первой группе параметров (Distances) указывают, что собой представляют исходные данные. В нашем случае — это квадратно-симметричная матрица различий (square symmetric), поэтому данный параметр, установленный в программе по умолчанию (т.е. исходно), изменять не нужно. Если же в опыте получена асимметричная матрица, и у исследователя есть основание думать о невыполнении аксиомы симметричности, то следует указать другую форму матрицы данных (Shape) — квадратно-асимметричную (square asymmetric). Кроме того, в данной опции имеется возможность работать не только с матрицей различий, но и получать оценки субъективных различий не прямо (в результате их прямого сравнения), а косвенно — расчетным путем, например, из оценок испытуемыми предъявляемых стимулов по отдельности (Create distances from data). Для выхода из данного пункта и для подтверждения всех сделанных установок нужно нажать на кнопку Continue (продолжить).
Следующий важный шаг — выбор параметров модели МШ (Model...). Главное в данном пункте — это задать уровень проведенных измерений (Level of Mesurement), т.е. указать, с какими данными вы имеете дело — метрическими (Interval, Ratio) или неметрическими (Ordinal). Как было сказано выше, данным, измерен иным по шкале порядка (Ordinal), адекватна неметрическая модель МШ, а более “сильным” данным, измеренным по шкалам интервалов (Interval) или отношений (Ratio), соот
ветствует метрическая модель. Кроме того здесь же указывается минимальное и максимальное количество ожидаемых осей многомерного пространства (Dimensions); очевидно, что в процессе поиска наилучшего решения эти два параметра могут меняться. В двух оставшихся пунктах (Scaling model и Conditionality) следует оставить без изменения те параметры, которые заданы по умолчанию, т.е. Euclidean distance и Matrix, соответственно; эти две опции имеют отношение к более сложным моделям МШ, которые в рамках данного учебного пособия не рассматриваются. После установки всех параметров необходимо также нажать на кнопку Continue (продолжить).
В последней группе параметров (Options) заказывают дополнительные возможности вывода результатов МШ и ряд числовых критериев, определяющих нюансы работы расчетного алгоритма МШ. В первой группе (Display) стоит заказать выдачу графика геометрической модели субъективного пространства (Group plots), а также возможность записи в файл результатов информации обо всех выбранных выше параметрах (Model and options summary). Во второй группе опций (Criteria) не стоит делать никаких изменений — пусть все параметры останутся заданными по умолчанию. Заметим лишь, что эти параметры определяют количество итераций вычислительного алгоритма МШ
и,              в принципе, могут повлиять на точность и оптимальность вычислений координат стимулов. После нажатия на кнопку Continue (продолжить) вы возвращаетесь в основное меню и можете запустить выполнение процедуры ALSCAL МШ, нажав на кнопку ОК.
В распечатке результатов (окно Outputl) приводится следующая информация (по порядку):

1. Сводка всех выбранных параметров модели и опций.
2. Изменение величины “стресса” (по Янгу) на каждом шаге итерации. Отметим, что в соответствии с заданным в опциях критерием вычисления прекращаются в том случае, когда: а) величина стресса становится меньше заданной величины (Minimum S-stress == 0,00500); б) изменение величины стресса на следующем шаге итерации очень незначительно (Convergence Criterion = 0,00100);

в)              достигается максимальное число итераций (Maximum Iterations = ЗО).

3. Величины “стресса” (по Крускалу) и квадрата коэффициента корреляции (RSQ) исходной матрицы субъективных различий и матрицы межстимульных расстояний, вычисленных моделью. Это основные показатели для оценки “хорошести” соответствия расчетов использованной модели МШ исходным данным.
4. Координаты стимулов в n-мерном пространстве. Напомним, что минимальная и максимальная величины п задавались в подменю Dimentions при выборе параметров модели.
5. В самом конце распечатки указывается, какие построены графики.

Нажав на пиктограмму Chart Carusel внизу экрана или выбрав в основном меню SPSS пункт Windows (а в нем подпункт Chart Carusel), имеется возможность проанализировать построенные графики. Основной рисунок — это график расположения стимулов в 2- или 3-мерном эвклидовом пространстве (Derived Stimulus Configuration) или геометрическая модель субъективного пространства, построенная по рассчитанным выше координатам стимулов (см. распечатку результатов, пункт 4). Кроме того полезно также посмотреть и на график соответствия исходных различий (Disparities) рассчитанным моделью расстояниям (Distances). Эта так называемая диаграмма рассеяния (Scatter plot of linear fit) является наглядным графическим представлением качества этого соответствия,
и,              по сути дела, соответствует указанному выше коэффициенту корреляции (RSQ). Фактически, чем лучше точки ложатся на прямую линию, тем лучше модель воспроизводит исходные данные.
Анализ и обсуждение результатов
В ходе анализа полученных результатов (начнем с метрического варианта решения) нужно рассмотреть проблему определения минимальной размерности полученного пространства. Для ее решения необходимо сопоставить
величины собственных значений осей и процент объясняемой дисперсии для пространств различной размерности. Значительное понижение величины собственного значения при переходе от n-мерного решения К (п+0-мерному свидетельствует о достаточности п измерений и избыточности (п+1)-й координаты. Близкие значения для обоих решений скорее свидетельствуют в пользу необходимости учитывать и (п+1)-ю координату.
“Важность” каждой следующей оси анализируемого пространства оценивают также и по величине ее вклада в общий процент объясняемой дисперсии. Строго говоря, какой-либо определенный рецепт о критической величине суммарного процента объясняемой дисперсии дать достаточно трудно. Здесь лучше полагаться на здравый смысл и опыт. Тем не менее, будет уместно сделать два замечания: во-первых, явно не стоит добиваться (и поэтому ожидать) очень высокого суммарного процента, поскольку в измерениях всегда присутствует известная доля экспериментального “шума’'; во-вторых, опыт многих психофизиков показывает, что в пилотажных работах 70—75% объясняемой дисперсии считается очень хорошим показателем, и даже в хорошо спланированных исследованиях он не часто превышает 90%.
Вывод о минимальной размерности должен быть согласован с содержательной интерпретацией осей координат, которая составляет вторую важную проблему анализа результатов. На этой стадии анализа результатов необходимо построить 2- и 3-мерные графические модели субъективного пространства и очень внимательно проанализировать взаимное расположение точек-стимулов. При невозможности построить 3-мерные диаграммы вручную, можно ограничиться анализом 2-мерных графиков (оси: 1-2, 1-3, 2-3, 1- 4 и т.д.) либо воспользоваться любой компьютерной программой, обеспечиваю шей 3-мерную графику. Это несложно сделать в программе “Stadia”, для чего введите матрицу координат стимулов в редактор данных и воспользуйтесь функцией “Рисунок” (F6) из основного меню, затем выберите в меню “Тип графика данных” пункт 9 — “3-мерных данных” и укажите номера изображаемых переменных.
По графикам необходимо определить графические характеристики букв, связанные с каждой осью получен- ного-пространства, и дать им по возможности простую и однозначную интерпретацию.
После определения минимальной размерности субъективного пространства следует обратиться к результатам неметрического шкалирования и обработать матрицу субъективных различий одним из предложенных методов, выбрав евклидову метрику и задав определенное выше число осей. После построения графиков результатов неметрического решения их нужно сравнить с аналогичными графиками результатов метрического решения и проанализировать сходство и различие.
1              5              10              15              20
Рис.З. Запись ответов испытуемого при изменении интенсивности стимуляции в опыте по измерению абсолютного порога методом “лестница":
при ответах lt;+gt; {“да”) интенсивность стимула уменьшается , при ответах lt;—gt; (“нет”) — увеличивается
вает эффект ожидания, распространяющийся по горизонтали, т.е. переносится с одного стимула на другой. Гилфорд (1954) отмечает, что этот эффект является таким сильным источником стабилизации результатов (несенсорным источником!), равного которому нет ни в каком другом методе. Величину этой стабилизации трудно измерить и каким-либо образом скорректировать. Поэтому эта процедура применима только р случаях, когда исследователь может удовлетвориться очень грубым, но зато быстрым определением порога. На практике этот метод часто применяется для скрининговых исследований слуховой чувствительности.
Метод едва заметного различия (ЕЗРЇ. Эту модификацию иногда полностью отождествляют с методом границ. Это не совсем точно. Суть метода ЕЗР сводится к следующему: испытуемому вместе с эталонным стимулом предъявляют ряд переменных. Задача испытуемого состоит в том, чтобы указать то значение стимула, которое
                            X
3 — 1810
SJ~Si = zjlt;r? + (°J + lt;1J)J,/2‘              (6)
Раскрывая скобки и делая ряд преобразований и упрощений, получаем окончательную форму четвертого варианта закона:
4.              Логарифмическая Форма Z = locS + b, В этом случае имеем:
Z = logS + 6,              (Г)
Zn = logSn + Ь.              (4“)
Поделив второе равенство на первое и произведя элементарные преобразования, получим:
1 Engen Т. Perception of odors. 1982. N. Y.: Academic Press, 1982. 200
1              Результаты ФА взяты из работы студентов 2-го курса д/о ф-та психологии Московского государственного университета им. М. В. Ломоносова, 1995/96 уч, год.