Факторный анализ с применением ЭВМ

Размещено на http://www.allbest.ru/

17

Размещено на http://www.allbest.ru/

Федеральное государственное общеобразовательное учреждение

высшего профессионального образования

Сибирский Федеральный университет

ИНСТИТУТ ГРАДОСТРОИТЕЛЬСТВА, УПРАВЛЕНИЯ И РЕГИОНАЛЬНОЙ ЭКОНОМИКИ

Экономический факультет

Доклад

По дисциплине «Управленческие решения»

Тема: Факторный анализ с применением ЭВМ

Выполнили:

ст-тки 3 курса

гр. ЭА О6-21, 06-22

А. Логунова, К. Составнёва

Проверил:

Л.И. Мошкович

Красноярск

2008

Содержание

1. Факторный анализ с применением ЭВМ

1.1 Основные параметры корреляционно- регрессионного анализа

2. Корреляционный и регрессионный анализ

2.1 Двухмерная линейная модель корреляционного и регрессионного анализа (однофакторный линейный корреляционный и регрессионный анализ)

3. Области применения факторного анализа

3.1 Разработка психодиагностического теста с применением факторного анализа на примере опросника “Шестнадцать личностных факторов (16PF)” Р. Кэттелла

Тест

1. Факторный анализ с применением ЭВМ

Факторный анализ -- это процедура установления силы влияния факторов на функцию или результативный признак (полезный эффект машины.элементы совокупных затрат, производительности труда и т.д.) с целью ранжирования факторов для разработки плана организационно-технических мероприятий по улучшению функции.

Применение методов факторного анализа требует большой подготовительной работы и трудоемких по установлению моделей расчетов. Поэтому без ЭВМ не рекомендуется применять методы корреляционного и регрессионного анализа, главных компонент. К тому же в настоящее время для ЭВМ различных классов имеются стандартные программы по этим методам. В свою очередь пользоваться установленными с помощью ЭВМ моделями очень просто.

На подготовительной стадии факторного анализа большое внимание следует уделять качеству матрицы исходных данных для ЭВМ. С этой целью сначала рекомендуется на основе логического анализа определять группы факторов, влияющих на исследуемую функцию.

К исходным данным предъявляются следующие требования:

а) в объем выборки должны включаться данные только по однородной совокупности объектов анализа, т.е. одного назначения и класса, используемых (изготавливаемых, функционирующих) в аналогичных условиях по характеру и типу производства, режиму работы, географическому району и т.д. В том случае, когда необходимо увеличить размер матрицы, исходные данные отдельных объектов могут быть приведены в сравнимый вид с большинством объектов по отличающимся признакам путем умножения их на корректирующие, коэффициенты;

б) период динамического ряда исходных данных должен быть небольшим, но, по возможности, одинаковым для всех объектов. Устойчивый период упреждения (зона прогноза) обычно в два и более раза меньше периода динамического ряда. Например, по данным за 1985-1995гг. можно разработать прогноз до 2000г., а в последующие годы по фактическим данным модель должна обновляться (уточняться);

в) исходные данные должны быть качественно однородными, с небольшими интервалами между собой;

г) следует применять одинаковые методы или источники формирования данных. Если динамический ряд имеет крупные структурные сдвиги (например из-за изменения цен, ассортимента выпускаемой продукции, программы ее выпуска и т.д.), то все данные должны быть приведены в сравнимый вид или одинаковые условия;

д) отдельные исходные данные должны быть независимы от предыдущих и последующих наблюдений.

Например, наблюдение не должно определяться расчетным путем по предыдущему наблюдению.

Основные параметры корреляционно-регрессионного анализа в связи с их сложностью не приводятся, поскольку все расчеты предполагается выполнять на ЭВМ по стандартной программе. Конечные результаты расчета выдаются на печать (табл. 4.3).

Факторный анализ следует проводить в следующей последовательности:

1. Обоснование объекта анализа, постановка цели.

2. Сбор исходных данных и их уточнение в соответствии с ранее описанными требованиями.

1.1 Основные параметры корреляционно- регрессионного анализа

Назначение параметра	Обозначение	Что характеризует параметр и для чего применяется	Оптимальное значение параметра
1	2	3	4
1. Объем выработки	м	Количество данных по фактору (размер матрицы по вертикали). Применяется для установления тенденций изменения фактора	Не менее чем в 3-5 раз больше количества факторов (Nxi)
2. Коэффициент вариации	Vi	Уровень отклонения значений факторов от средней анализируемой совокупности	Меньше 33%
3. Коэффициент парной корреляции	Rxy	Тесноту связи между i-м фактором и функцией. Применяется для отбора факторов	Больше 0,1
4. Коэффициент частной корреляции	Rxx	Тесноту связи между факторами. Применяется для отбора факторов	Чем меньше, тем лучше модель
5. Коэффициент множественной корреляции	R	Тесноту связи одновременно между всеми факторами и функцией. Применяется для выбора модели	Больше 0,7
6. Коэффициент множественной детерминации	D	Долю влияния на функцию включенных в модель факторов. Равен квадрату коэффициента множественной корреляции	Больше 0,5
7. Коэффициент асиметрии	A	Степень отклонения фактического распределения случайных наблюдений от нормального по центру распределения. Применяется для проверки нормальности распределения	Метод наименьших квадратов может применяться при А меньше трёх
8. Коэффициент эксцесса	E	Плосковершинность случайных наблюдений от нормального по центру распределения. Применяется для проверки нормальности распределения функции	Е должен быть меньше трёх
9. Критерий Фишера	F	Математический критерий характеризующий значимость уравнения регрессии. Применяется для выбора модели	F должен быть больше табличного значения, установленного для различных размеров матрицы и вероятностей
10. Критерий Стьюдента	t	Существенность факторов, входящих в модель. Применяется для выбора модели	Больше 2 (при вероятности, равной 0,95
11. Среднеквадратическая ошибка коэффициентов регрессии	ai	Точность полученных коэффициентов регрессии. Применяется для оценки коэффициентов регрессии	В 2 и более раза меньше соответствующего коэффициента регрессии
12. Ошибка аппроксимации	E	Допуск прогноза или степень несоответствия эмпирической зависимости теоретической. Применяется для оценки адекватности (точности) модели	Меньше +-15%
13. Коэффициент эластичности	Эi	Показывает, на сколько процентов изменяется функция при изменении соответствующего фактора на 1%. Применяется для ранжирования факторов по их значимости	Больше 0,01

3. Построение гистограмм по каждому фактору с целью определения форм распределения случайных наблюдений.

Построение по каждому фактору корреляционных полей, т.е. графическое изображение функций от фактора с целью предварительного определения тесноты и формы связи между функцией и каждым фактором.

Корреляционные поля построены по исходным статистическим данным X)--Х4 (факторы) и Y (функция). Анализ корреляционных полей показывает, что:

а) между Y и X1 теснота связи слабая, по форме она линейная, обратно пропорциональная;

б) между Y и Х2 теснота связи высокая, по форме она линейная, прямо пропорциональная;

в) между Y и Х3 связи нет, т.к. функцию Y = f(X3) можно провести в любом направлении;

г) между Y и Х4 теснота связи высокая, форма связи -- гиперболическая, после линии А--А фактор Х4 на Y уже не оказывает влияния.

4. Составление матрицы исходных данных производится по следующей форме:

№ п.п.	Y	X1	X2	Xn	Принадлежность строки
1	5,80	0,93	1,47		Цех №1, I квартал 1997г
2	6,15	0,82	1,59		Цех №1, II квартал 1997г

и т.д.

В матрицу исходных данных следует включать факторы, имеющие примерно такую форму связи, как Y с X1 и Х2 на рис. 4.2. Фактор Х3 с Y не имеет связи, поэтому этот фактор не следует включать в матрицу, фактор Х4 тоже не следует включать в матрицу, поскольку после линии А--А этот фактор влияния на Y не оказывает. Влияние подобных факторов на Y следует учитывать при помощи коэффициентов, определяемых отдельно для каждого фактора и группы предприятий.

Наши исследования показывают, что к «организационным факторам, имеющим с экономическими показателями гиперболическую форму связи, относятся уровень освоенности продукции в установившемся производстве, программа ее выпуска и др.

5. Ввод информации и решение задачи на ЭВМ.

В экономических исследованиях для многофакторных регрессионных моделей чаще всего приемлемы две формы связи факторов с функцией: линейная и степенная. Для двухфакторных моделей применяются также гиперболическая и параболическая формы связи.

6. Анализ уравнения регрессии и его параметров в соответствии с требованиями, изложенными в табл. 4.3.

7. Составление матрицы исходных данных для окончательной модели и решение ее на ЭВМ. Апробация окончательной модели путем подстановки в нее фактических данных по одной из строк матрицы и сравнение полученного значения функции с ее фактическим значением.

При составлении новых матриц исходных данных из них исключаются поочередно:

а) один из двух факторов, коэффициент частной корреляции между которыми значительно больше коэффициентов парной корреляции между функцией и этими факторами. Например, если между двумя факторами коэффициент частной корреляции ра-

0,95, а коэффициенты парной корреляции между функцией и этими факторами равны 0.18 и 0,73, то первый фактор с коэффициентом парной корреляции, равным 0,18, из матрицы можно исключить;

б) факторы с коэффициентами парной корреляции между ними и функцией менее 0,1;

в) только после соблюдения требований а) и б) исключаются из матрицы факторы, имеющие с функцией обратную, с точки зрения экономической сущности, связь. Например, с повышением сменности работы цеха (фактор) должна расти его годовая производительность (функция). Обратная же зависимость между ними свидетельствует о нерегулярном и недостоверном учете коэффициента сменности, а возможно, и производительности оборудования, либо о неправильной методике расчета этих показателей. Поэтому в этом случае фактор необходимо исключить из матрицы исходных данных и изучать систему учета.

Из матрицы могут быть исключены также отдельные строки по предприятиям (периодам), не отвечающие ранее описанным требованиям.

Параметры окончательного уравнения регрессии должны отвечать требованиям табл. 4.3. Если невозможно этого достигнуть, модель для ранжирования факторов и прогнозирования экономических показателей не может быть использована. Она пригодна только для предварительного отбора факторов.

8. И последнее -- ранжирование.

Ранжирование факторов осуществляется по показателю их эластичности. фактору с наибольшим коэффициентом эластичности присваивается первый ранг, и он является важнейшим. Например, если два фактора имеют коэффициенты эластичности, равные 0,35 и 0,58, то второму фактору нужно отдать предпочтение перед первым при распределении ресурсов на улучшение данной функции (при улучшении второго фактора на 1% функция улучшается на 0,58%, а по первому фактору -- 0,35%).

Нами проведены специальные исследования зависимостей между элементами затрат и организационными факторами (программа выпуска продукции, уровень ее освоенности, тенденция роста производительности труда). Результаты исследований показали, что эти факторы на -экономические показатели оказывают влияние только в определенных границах по гиперболической форме связи. Поэтому эти факторы не должны включаться в общую многофакторную модель, их влияние на функцию должно учитываться отдельно. Например, себестоимость продукции прогнозируется по формуле

З = Зр * Кm * Косв * Кпрt,

где 3 -- прогнозное значение себестоимости продукции, рассчитанное с учетом организационных факторов производства и технических параметров конструкции;

 -- прогнозное значение себестоимости продукции, рассчитанное по ее техническим параметрам;

-- коэффициент, учитывающий влияние на себестоимость изменения программы выпуска нового изделия по сравнению с программой выпуска базового (или группы аналогичных проектируемому) изделия. Для изделии массового выпуска этот коэффициент равен единице;

-- коэффициент, учитывающий влияние на себестоимость уровня освоенности конструкции изделия;

-- коэффициент, учитывающий закономерность неуклонного роста производительности труда. Он определяется по формуле

Кпрt = 1 / (1+?П*б/100)t,

где ?П -- среднегодовой (за последние 5 лет) прирост производительности труда на предприятии (по общему объему продаж);

б -- доля фонда заработной агаты в себестоимости продукции, доли единицы;

t -- интервал времени в годах, разделяющий периоды выпуска базовой и новой продукции.

Анализ применения регрессионных моделей показывает, что в общем случае с повышением коэффициента множественной корреляции улучшаются другие параметры модели. Однако между коэффициентом множественной корреляции и ошибкой аппроксимации не наблюдается устойчивой связи.

Между коэффициентами корреляции и эластичности тоже отсутствует устойчивая связь.

Регрессионные модели могут также применяться для установления факторов, оказывающих влияние на различные экономические показатели.

Факторный анализ может проводиться и без ЭВМ.

Задачи корреляционного анализа сводятся к измерению тесноты известной связи между варьирующими признаками, определению неизвестных причинных связей (причинный характер которых должен быть выяснен с помощью теоретического анализа) и оценки факторов, оказывающих наибольшее влияние на результативный признак.

Задачами регрессионного анализа являются выбор типа модели (формы связи), установление степени влияния независимых переменных на зависимую и определение расчётных значений зависимой переменной (функции регрессии).

Решение всех названных задач приводит к необходимости комплексного использования этих методов.

2. Корреляционный и регрессионный анализ

Исследование связей в условиях массового наблюдения и действия случайных факторов осуществляется, как правило, с помощью экономико-статистических моделей. В широком смысле модель - это аналог, условный образ (изображение, описание, схема, чертёж и т.п.) какого-либо объекта, процесса или события, приближенно воссоздающий «оригинал». Модель представляет собой логическое или математическое описание компонентов и функций, отображающих существенные свойства моделируемого объекта или процесса, даёт возможность установить основные закономерности изменения оригинала. В модели оперируют показателями, исчисленными для качественно однородных массовых явлений (совокупностей). Выражение и модели в виде функциональных уравнений используют для расчёта средних значений моделируемого показателя по набору заданных величин и для выявления степени влияния на него отдельных факторов.

По количеству включаемых факторов модели могут быть однофакторными и многофакторными (два и более факторов).

В зависимости от познавательной цели статистические модели подразделяются на структурные, динамические и модели связи.

2.1 Двухмерная линейная модель корреляционного и регрессионного анализа (однофакторный линейный корреляционный и регрессионный анализ)

Наиболее разработанной в теории статистики является методология так называемой парной корреляции, рассматривающая влияние вариации факторного анализа х на результативный признак у и представляющая собой однофакторный корреляционный и регрессионный анализ. Овладение теорией и практикой построения и анализа двухмерной модели корреляционного и регрессионного анализа представляет собой исходную основу для изучения многофакторных стохастических связей.

Важнейшим этапом построения регрессионной модели (уравнения регрессии) является установление в анализе исходной информации математической функции. Сложность заключается в том, что из множества функций необходимо найти такую, которая лучше других выражает реально существующие связи между анализируемыми признаками. Выбор типов функции может опираться на теоретические знания об изучаемом явлении, опят предыдущих аналогичных исследований, или осуществляться эмпирически - перебором и оценкой функций разных типов и т.п.

При изучении связи экономических показателей производства (деятельности) используют различного вида уравнения прямолинейной и криволинейной связи. Внимание к линейным связям объясняется ограниченной вариацией переменных и тем, что в большинстве случаев нелинейные формы связи для выполнения расчётов преобразуют (путём логарифмирования или замены переменных) в линейную форму. Уравнение однофакторной (парной) линейной корреляционной связи имеет вид:

y = a0 + a1x ,

где y - теоретические значения результативного признака, полученные по уравнению регрессии; a0 , a1 - коэффициенты (параметры) уравнения регрессии.

Поскольку a0 является средним значением у в точке х=0, экономическая интерпретация часто затруднена или вообще невозможна.

Коэффициент парной линейной регрессии a1 имеет смысл показателя силы связи между вариацией факторного признака х и вариацией результативного признака у. Вышеприведенное уравнение показывает среднее значение изменения результативного признака у при изменении факторного признака х на одну единицу его измерения, то есть вариацию у, приходящуюся на единицу вариации х. Знак a1 указывает направление этого изменения.

Параметры уравнения a0 , a1 находят методом наименьших квадратов (метод решения систем уравнений, при котором в качестве решения принимается точка минимума суммы квадратов отклонений), то есть в основу этого метода положено требование минимальности сумм квадратов отклонений эмпирических данных yi от выравненных y :

S(yi - y)2 = S(yi - a0 - a1xi)2 ® min

Для нахождения минимума данной функции приравняем к нулю ее частные производные и получим систему двух линейных уравнений, которая называется системой нормальных уравнений:

Решим эту систему в общем виде:

Параметры уравнения парной линейной регрессии иногда удобно исчислять по следующим формулам, дающим тот же результат:

Определив значения a0 , a1 и подставив их в уравнение связи y = a0 + a1x , находим значения y , зависящие только от заданного значения х.

Рассмотрим построение однофакторного уравнения регрессии зависимости работающих активов у от капитала х (см. приложение, таблица 1).

Здесь представлены показатели 32 банков: размер капитала и работающих активов. Передо мной стоит задача определить, есть ли зависимость между этими двумя признаками и, если она существует, определить форму этой зависимости, то есть уравнение регрессии.

За факторный признак я взяла размер капитала банка, а за результативный признак - работающие активы.

Сопоставление данных параллельных рядов признаков х и у показывает, что с убыванием признака х (капитал), в большинстве случаев убывает и признак у (работающие активы).

Следовательно, можно предположить, что между х и у существует прямая зависимость, пусть неполная, но выраженная достаточно ясно.

Для уточнения формы связи между рассматриваемыми признаками я использовала графический метод. Я нанесла на график точки, соответствующие значениям х и у, и получила корреляционное поле (см. приложение, график 1).

Анализируя поле корреляции, можно предположить, что возрастание признака у идет пропорционально признаку х. В основе этой зависимости лежит прямолинейная связь, которая может быть выражена простым линейным уравнением регрессии:

y = a0 + a1x,

где y - теоретические расчётные значения результативного признака (работающие активы), полученные по уравнению регрессии;

a0 , a1 - коэффициенты (параметры) уравнения регрессии;

х - капитал исследуемых банков.

Следовательно, регрессионная модель зависимости работающих активов от капитала банков может быть записана в виде конкретного простого уравнения регрессии:

Это уравнение характеризует зависимость работающих активов от капитала банка. Расчётные значения y , найденные по этому уравнению, приведены в таблице 1. Правильность расчёта параметров уравнения регрессии может быть проверена сравниванием сумм ?у = ?y . В моем случае эти суммы равны. Но для того, чтобы применить мою формулу, надо рассчитать, насколько она приближенна к реальности, то есть проверить ее адекватность.

3. Области применения факторного анализа

Методы факторного анализа нашли применение главным образом в психологии. Причиной этому был тот факт, что факторный анализ зародился в психологии и формализм этой дисциплины тесно “… связан с психологической концепцией ментальных факторов; даже специалисту-статистику трудно заметить и установить связь между методами факторного анализа и методами обычной математической статистики” /20, с.16/.

Многие психологи предприняли интенсивные исследования, пытаясь методами факторного анализа выделить небольшое число тестов, возможно более полно описывающих умственную деятельность человека. Обычно работы такого рода включают факторизацию большого набора тестов, результатом которой являются несколько общих факторов. Далее от набора тестов отбираются те, которые наилучшим образом описывают факторы (возможен и синтез “наилучших” тестов из исходных); отобранные тесты считаются прямыми измерителями “факторов мозга”. Конечно, эти тесты лишь в той мере являются действительными измерителями факторов, в какой их считают “правильными” психологи. Факторные тесты должны быть “чистыми” тестами и сильно отличаться друг от друга, покрывая своей системой весь спектр умственной деятельности.

Столь же широкое применение, как и при исследовании интеллекта, факторный анализ получил и в других областях психологии, в частности при изучении темперамента, создании клинической терапии и т.д.

За последние годы факторный анализ все более широко начал применяться и в других областях знания: в социологии, метеорологии, медицине, географии, экономике и др.

факторный корреляционный регрессионный модель

3.1 Разработка психодиагностического теста с применением факторного анализа на примере опросника “Шестнадцать личностных факторов (16PF)” Р. Кэттелла

Приложение факторного анализа к разработке личностных опросников в так называемой “лексической” традиции /1, с.396/ можно обнаружить в работе, начатой Р. Кэттеллом в 1940-х гг.

В разработке опросника “Шестнадцать личностных факторов” Р. Кэттелл первоначально исходил из так называемых L-данных (life record data), т.е. данных, полученных путем регистрации реального поведения человека в повседневной жизни. Пытаясь добиться исчерпывающего описания личности, он стал собирать все названия черт личности, встречающиеся или в специальном словаре, или в психиатрической и психологической литературе. Выделенные Г. Олпортом и Х. Олдберг 4500 слов, ясно обозначающих черты личности и особенности поведения (на базе словаря из 18000 слов), Р. Кэттелл разбил на синонимичные группы и отобрал в каждой из них по одному слову, выражающему основное смысловое содержание соответствующей группы. Это позволило сократить список личностных черт до 171. Затем каждая из этих характеристик личности оценивалась экспертами с целью выбора наиболее значимых.

Взаимная корреляция экспертных оценок позволила выделить 36 корреляционных плеяд, внутри которых расположились высококоррелирущие характеристики. Все плеяды содержали пары членов, имеющие значимые отрицательные корреляции, например: веселый - печальный, разговорчивый - молчаливый и т.д. Так был получен набор из 36 биполярных названий, который был расширен до 46 за счет включения специальных терминов, найденных в работах других исследователей. Для всех биполярных пар были составлены рабочие определения.

Например:



Эмоциональный	Стабильный
Всегда аффектированный, возбужденный, много смеется, часто бывает сердит, проявления эмоций отличаются чрезмерной выразительностью.	Эмоциональная выразительность отсутствует, диапазон эмоциональных проявлений мал, сохраняет спокойствие даже в эмоциогенных ситуациях

В результате факторизации L-данных было получено от 12 до 15 факторов. В дальнейшем Р. Кэттелл осуществил переход (обусловленный трудностями экспертного оценивания) к Q-данным (questionnaire data), т.е. данным, полученным с помощью опросников. При этом сбор Q-данных координировался с имеющимися L-данными. Р. Кэттеллом созданы разные модификации факторных моделей с различным числом входящих в них факторов, однако наиболее известной является 16-факторная, соотнесенная с опросником “Шестнадцать личностных факторов”.

Факторы личности, диагностируемые опросником “Шестнадцать личностных факторов”, обозначаются буквами латинского алфавита, причем буква “Q” используется только для тех факторов, которые выделены на основе Q-данных. Факторы имеют “бытовые” и “технические” названия. Первые представляют собой общедоступные определения, ориентированные на непрофессионалов. Например, фактор А - “сердечность, доброта - обособленность, отчужденность”. Технические названия предназначены для специалистов и тесно связаны с научно установленным значением фактора. При этом часто используются искусственно созданные названия: например, тот же фактор А будет определяться как “аффектотимия - сизотимия”. Как бытовые, так и технические названия факторов даются в биполярной форме, чем устраняется двусмысленность в определении их содержания. Следует иметь в виду, что определение концов оси фактора как положительных (+), так и отрицательных (-) условно и не имеет ни этического, ни психологического смысла. Обычно описание каждого фактора (см. приложение 1) у Р. Кэттелла состоит из разделов:

а) буквенный индекс фактора; разработана также система универсальной индексации, включающая сведения о принципе выделения того или иного фактора и его порядковом номере;

б) техническое и бытовое название;

в) список наиболее значимых характеристик в L-данных;

г) интерпретация фактора.

Рассмотренные выше факторы - первого порядка. В итоге их дальнейшей факторизации были выделены более общие факторы второго порядка. Р. Кэттелл неоднократно “извлекал” вторичные факторы из корреляций между первичными. В разных работах автора представлено от четырех до восьми вторичных факторов. Предпринимались попытки получения факторов третьего порядка, однако практического значения результаты не имеют (рис.5).

18000 терминов, описывающих личность

Грамматический и семантический

4500 наименований черт анализ (Олпорт и Олдберг, 1936)

171 группа синонимов Семантический анализ (Кэттелл, 1946)

46 поверхностных черт Статистический анализ, метод корреляционных плеяд (Кэттелл, 1946, 1957)

20 факторов первого порядка Факторный анализ (Кэттелл, 1946, 1957)

9 факторов второго порядка Факторный анализ (Кэттелл, 1957, 1969)

5 факторов третьего порядка Факторный анализ (Кэттелл, 1969, 1973)

Рис. 5. Исследовательская стратегия, использованная при разработке опросника “Шестнадцать личностных факторов.

Р. Кэттеллом и его сотрудниками, помимо двух основных форм опросника “16PF” (А и В, по 187 вопросов в каждой, для обследования взрослых людей с образованием не ниже 8-9 классов; форма А считается стандартной), разработаны также формы С, D, E. Формы С и D сокращенные, по 105 заданий, и предназначены для лиц, имеющих более низкий уровень образования. Форма Е используется для обследования малограмотных лиц. Известны варианты опросника для детей и подростков. Существует специальное “патологическое” дополнение к опроснику, которое состоит из 12 клинических факторов-шкал. Возможно групповое обследование.

В пятой редакции опросника (только одна форма, содержащая 185 вопросов) внутренняя согласованность и ретестовая надежность шкал для 16 первичных факторов выше, чем в его более ранних редакциях. Техническое руководство к пятой редакции содержит также гораздо больше сведений о валидности. Однако проблема отсутствия факторной независмости 16 первичных шкал, очевидная в ранних редакциях опросника, сохраняется, по всей видимости, и в его последней редакции. Эта проблема подчеркивается неспособностью исследователей, использовавших оригинальные переменные Кэттелла, воспроизвести его 16 факторов или получить хотя бы близкое факторное решение. Вместо этого в большинстве исследований, использующих данные, на которых Кэттелл построил свою систему, было выявлено от 4 до 7 факторов, что привело впоследствии к наиболее популярному 5-факторному решению.

Отмечая недостатки подхода Р. Кэттелла к исследованию личности, Л.Ф. Бурлачук и С.М. Морозов делают вывод о том, что “Р. Кэттелл принял факторный анализ за гораздо более эффективный инструмент познания личности, чем он фактически является” /2, с.379/.

И в заключении хотелось сказать, что главную цель факторного анализа хорошо выразил Келли: “Факторный анализ не пытается искать истину в бесконечном времени, бесконечном пространстве или для бесконечной выборки; наоборот, он стремится дать простое описание конечной группы объектов, функционирующих конечным числом способов, в терминах некоторого пространства небольшого числа измерений. Разочарован будет тот, кто пожелает найти в факторном анализе более туманные цели и истины”

Тест

Основные исходные черты, выявляемые с помощью опросника Кэттела “Шестнадцать личностных факторов” (16 PF) /21, с.309/

Обозначение фактора	Название фактора по Кэттелу	Качество, соответствующее высокой оценке по фактору	Качество, соответствующее низкой оценке по фактору
А	Отзывчивость - отчужденность	Добродушный, предприимчивый, сердечный	Циничный, жестокий, безразличный
В	Интеллект	Сообразительный, абстрактно мыслящий	Глупый, конкретно мыслящий
С	Эмоциональная устойчивость - эмоциональная неустойчивость	Зрелый, реалистичный, спокойный	Неустойчивый, нереалистичный, неконтролируемый
E	Доминантность - подчиненность	Уверенный, конкурирующий, упрямый	Застенчивый, скромный, покорный
F	Рассудительность- беспечность	Серьезный, молчаливый	Беззаботный, полный энтузиазма
G	Сознательность - безответственность	Ответственный, моралистический, стоический	Пренебрегающий правилами, нерадивый, непостоянный
H	Смелость - робость	Предприимчивый, раскованный	Неуверенный, замкнутый
I	Жесткость - мягкость	Опирающийся на свои силы, независимый	Цепляющийся за других, зависимый
L	Доверчивость - подозрительность	Принимающий условия	Упорный на грани глупости
M	Мечтательность - практичность	Творческий, артистичный	Консервативный, приземленный
N	Дипломатичность - прямолинейность	Социально опытный, сообразительный	Социально неуклюжий, непретенциозный
O	Склонность к опасениям - спокойствие	Беспокойный, озабоченный	Спокойный, самодовольный
Q1	Радикализм - консерватизм	Вольнодумно либеральный	Уважающий традиционные идеи
Q2	Самодостаточность - конформизм	Предпочитающий собственные решения	Беспрекословно следующий за другими
Q3	Недисциплиниро-ванность - контролируемость	Следующий собственным побуждениям	Пунктуальный
Q4	Расслабленность - напряженность	Сдержанный, спокойный	Переутомленный, возбужденный

Размещено на Allbest.ru