Пример вычисления диагностических коэффициентов
(обозначения определены выше). Этапы последовательного вычисления диагностических коэффициентов иллюстрируются на примере одного признака (табл. 14). Расположение тех признаков, которые остались после отбраковки, в порядке убывающей информативности с соответствующим «диагностическим коэффициентом», сведены в таблицу 15. В ней заключается вся необходимая информация для проведения классификации на два класса «А» и «В» для новых контингентов людей. Работа с таблицей и проверка ее эффективности. Пусть допустимые вероятности ошибок классификации а = b = 0,05. Тогда пороговыми значениями будут числа
У обследуемого В-ва получены следующие психологические признаки: 1)0,26; 2) 45; 3) 17; 4) 0,11; 5) 24; 6) 174; 7) 0,14; 8) 1,9; 9) 4,3; 10) 16 и др. (название признаков см. в таблице 15 под теми же номерами) Находим в таблице 15 соответствующие этим значениям диагностические коэффициенты и последовательно их складываем (-0,250) + (-0,496) + (-0,449) + (-0,604) + (-0,203)+(0,380)+ (-0,356)+ (0,491)+...
Таблица 15 Значения диагностических коэффициентов (пример)
В этом примере оказывается достаточной лишь сумма первых шести признаков, чтобы превысить нижний порог с уровнем надежности Ρ = 0,05. Таким образом, делается вывод о пригодности обследуемого В-ва к данной операторской деятельности. Понятно, что эта таблица может быть использована лишь для частного специального случая определения профессиональной пригодности. В других случаях необходимо построение новых подобных таблиц. Оценку эффективности таких таблиц можно получить, проверив результаты классификации для группы лиц, данные которых послужили основой для ее составления (табл. 16). Опыт применения классифицирующихся алгоритмов показывает, что результаты различения для проверочной группы оказываются не хуже, чем для группы обучающей [63]. Имелась возможность убедиться в этом при классификации класса «А» на основании данных повторных исследований, сделанных через 30 дней (табл. 17). Таблица 16 Эффективность диагностической классификации (пример)
Таблица 17 Результаты повторной оценки эффективности классификации группы «А»
Соответствие ошибок классификации тем, которые были назначены, указывает на то, что в нашем случае статистическая зависимость между признаками мала. И действительно, вычисление интеркорреляций между признаками показало, что в подавляющем числе случаев они оказались статистически независимыми. Имеются основания считать, что несколько худшие различения класса «В» (см. табл. 17) связаны с наличием большей зависимости между признаками в этом случае. Таким образом, предлагаемый алгоритм можно рассматривать как реальную основу для решения конкретных задач определения профессиональной пригодности. При использовании простых вычислительных средств оказывается возможным определение наиболее прогностических методик, а после построения таблиц (подобных табл. 14), отнесение данного субъекта с заданной вероятностью ошибки к классу «А» или «В». Пользоваться такой таблицей удобно – действие сводится к сложению трехзначных чисел. Необходимо подчеркнуть, что последовательный характер вынесения решения позволяет также последовательно получить и психологические характеристики личности, что в большинстве случаев делает излишним проведение полного набора психологических исследований. Кроме того, это также существенно экономит время проведения психологической экспертизы. Предлагаемый алгоритм имеет определенные преимущества перед другими способами определения профессиональной пригодности не только своей вычислительной простотой и удобством, но и своей эффективностью. Дело в том, что известные математические способы, используемые для целей определения профессиональной пригодности, как правило, предполагают нормальное распределение признаков, что в действительности не имеет места. Эффективность же предлагаемого алгоритма не зависит от вида распределений, а в случае независимости признаков, по-видимому, является и оптимальным методом разделения на два класса. Уязвимым местом многих статистических алгоритмов является их большая чувствительность к сдвигу центра распределения признаков. Такой сдвиг естественно возникает как результат различных условий проведения тестирующих исследований. Ведь совершенно ясно, что условия получения признаков в обучающих группах и в реальной ситуации могут быть весьма различны. Отношение же вероятностей мало чувствительно к однонаправленному сдвигу центра распределений, и поэтому эффективность неоднородной последовательной статистической процедуры существенно при этом изменяться не будет. Она в какой-то степени инвариантна по отношению к однонаправленному сдвигу центров:
В то же время необходимость обучающих групп «А» и «В» является существенным и неустранимым недостатком настоящего алгоритма и может вызвать трудности при решении некоторых задач. Другой недостаток заключается в том, что алгоритм не учитывает зависимость признаков, но этот недостаток может быть устранен при введении сложных признаков – синдромов. Есть основания считать, что предлагаемый алгоритм будет полезным при решении и ряда других задач, возникающих в прикладной и теоретической психологии Отметим возможность его применения для тонкой дифференциации психологических состояний на основании наблюдений большого числа признаков, каждый из которых содержит мало информации для различения
|
