<<
>>

Многомерное шкалирование индивидуальных различий

Первой моделью М. ш. индивидуальных различий была модель «точек зрения», предложенная Такером и Мессиком. Вскоре появился подход, названный INDSCAL (INdividual Differences multidimensional SCALing), к-рый в настоящее время стал господствующим. INDSCAL объясняет индивидуальные различия в данных о близости на основе модели, к-рая предполагает общий, базисный набор измерений для стимулов (или др. объектов), но в то же время допускает, что разные субъекты (или др. источники информ.) имеют различные паттерны выделенности этих общих измерений или, говоря иначе, придают разную значимость (отражаемую в весовых коэффициентах) этим измерениям.
Полагая теперь, что «трехмерные» данные о близости соответствуют суждениям разных людей о сходстве, эта модель приводит к довольно правдоподобному допущению, что каждый субъект просто обладает различным набором масштабных коэффициентов (к-рые можно представить себе в виде коэффициентов усиления или ослабления сигнала), применяемых к набору «базисных» психол.

измерений стимула, общих для всех людей. Иначе говоря, дело обстоит так, как если бы у любого чел. была система «регуляторов усиления», по одному на каждое базисное измерение стимула, выставленных в разное положение у каждого из них. Эти различные настройки могут быть обусловлены генетическими различиями либо средовыми факторами, действие к-рых скорректировано разным жизненным опытом, или, вероятнее всего, взаимодействием природы (наследственности) и воспитания (среды).

Сильная сторона этой модели для индивидуальных различий в восприятии заключается в том, что предполагаемые для стимулов психол. измерения однозначно определяются суждениями субъектов о сходствах (на основе паттернов индивидуальных различий в суждениях о сходствах). Другое, не менее важное преимущество этой модели в том, что выделенности, или веса перцептивных измерений могут служить весьма полезными мерами индивидуальных различий субъектов восприятия.

Данные для М. ш. индивидуальных различий, как правило, представляют собой множество симметричных матриц близостей, по одной для каждого субъекта (или др. источника данных). Такие данные обычно имеют двухмодальную (стимулы и субъекты), но трехмерную (стимулы х стимулы х субъекты) организацию. «Модальность», или, проще, тип, — специфическое множество элементов (напр., стимульная модальность, или множество стимулов). Число размерностей или «сторон» можно представить себе как число «направлений» в таблице данных (например, строки, столбцы и «слои» для «трехмерной» таблицы, хотя строки и столбцы могут соответствовать стимульной модальности, тогда как «слои» соответствуют модальности субъектов). Назначение анализа INDSCAL, при условии трехмерных данных о близости, — найти одновременно два решения: одно — для координат пространства стимулов, другое — для субъективных весов, с тем чтобы оптимизировать соответствие модели INDSCAL (преобразованным) данным о близости.

Метод INDSCAL предполагает метрические допущения и своего рода трехмерное обобщение «классического» метода двумерного М. ш. Наиболее эффективный подход к реализации этого анализа обеспечивает программа SINDSCAL, предложенная ружански.

Среди этих альтернативных моделей и методов особый интерес представляет подход, предложенный Такером и обычно называемый трехмодальным шкалированием, — адаптация разработанной Такером трехмодальной модели факторного анализа и метода для случая трехмерных данных о близости.

Широкое определение многомерного шкалирования

ри самом широком определении М. ш. включает в себя множество разнообразных геометрических моделей для представления данных психологии или др. поведенческих наук. В это множество могут входить дискретные геометрические модели, такие как древовидные структуры (обычно связанные с иерархической кластеризацией), структуры пересекающихся либо непересекающихся кластеров или др. сетевые модели. Однако для М. ш. более типична связь с континуальными пространственными моделями представления данных. ри широком определении М. ш. такие пространственные модели могут включать — в добавление к рассмотренной выше дистанциометрической модели для данных о близости — другие геометрические структуры, такие как векторная модель или модель развертывания для представления индивидуальных различий в данных о предпочтении (или др. преобладании), и даже модель факторного анализа.

См. также Индивидуальные различия, Методы многомерного анализа, Статистика в психологии

Дж. Д. Кэрролл

<< | >>
Источник: Под редакцией Р. Корсини и А. Ауэрбаха. ПСИХОЛОГИЧЕСКАЯ ЭНЦИКЛОПЕДИЯ (2-е издание). 2006

Еще по теме Многомерное шкалирование индивидуальных различий:

  1. ШКАЛИРОВАНИЕ (англ. scaling) — см. Аттитюда измерение, Методы шкалирования, Шкалирование многомерное, Шкалирование неметрическое.
  2. ШКАЛИРОВАНИЕ МНОГОМЕРНОЕ
  3. ШКАЛИРОВАНИЕ МНОГОМЕРНОЕ (англ. multidimensional scaling)
  4. Многомерное шкалирование (multidimensional scaling)
  5. Оценка индивидуальных различий
  6. Оценка индивидуальных различий
  7. 42. Индивидуальные различия в восприятии и наблюдении
  8. Источники индивидуальных различий
  9. Источники индивидуальных различий
  10. ИНДИВИДУАЛЬНО-ПСИХОЛОГИЧЕСКИЕ РАЗЛИЧИЯ
  11. Индивидуальные различия (individual differences)
  12. 21. Индивидуальные различия в восприятии и его развитие у детей
  13. Глава 12. Индивидуальные различия
  14. ПАМЯТИ ИНДИВИДУАЛЬНЫЕ РАЗЛИЧИЯ
  15. Глава 12. Индивидуальные различия
  16. 52. Уровни развития способностей и индивидуальные различия
  17. ИНДИВИДУАЛЬНО-ПСИХОЛОГИЧЕСКИЕ РАЗЛИЧИЯ (англ. individual differences in behavior)