Взаимосвязь между типом игрока и построением эффективной социальной коммуникации (на примере игр CS:GO и DOTA2)

1.5 Заключение

Таким образом, в рамках обзора литературы были рассмотрены основные концепции, связанные с проводимым исследованием.

Прежде всего была актуализирована информация о популярности и распространенности онлайн игр. Также был обоснован выбор именно CS:GO и DOTA2 для анализа, и дана полная характеристика каждой из изучаемых в исследовании игр.

Далее были рассмотрены различные научные работы, описывающие мотивацию играть в онлайн игры. Также была описана наиболее современная модель построения мотивации, разработанная Н. Йи, охарактеризован каждый из включенных в нее факторов.

Также было описание понятие концепта эффективности коммуникации с точки зрения исследователя А. Моля. Рассмотрен один из основных подходов к описании коммуникационных паттернов в онлайн играх, созданный В. Чен и Г. Дах.

Проведенный обзор теоретической базы поспособствует наиболее качественной проработке методов анализа данных и обоснованию теоретической рамки.



Глава 2. Методологический блок

Цель исследования: выявление взаимосвязи между типом игрока и построением эффективной коммуникации.

2.1 Задачи исследования

Задача №1: Классифицировать респондентов по типу игрока.

Задача №2: Определить аспекты, влияющие на эффективность коммуникации.

Задача №3: Выявить взаимосвязь между типом игрока и построением эффективной коммуникации

2.2 Теоретическая основа исследования

Как уже было сказано, CS:GO и DOTA2 занимают лидирующие позиции в рейтингах по популярности игр. Более того, они обладают схожим набором характеристик. Например, в обоих играх у игроков есть возможность покупать дополнительный инвентарь для своих персонажей. Если в ММОРПГ у этого инвентаря есть определенный специальный функционал, то в случае с выбранными играми он несет исключительно визуально-отличительную функцию. Другими словами, с помощью приобретения инвентаря в выбранных для анализа играх, игроки могут просто выделить себя среди всех остальных, не получая при этом дополнительных преимуществ. Что намного важнее, у этих игр схожая игровая механика. Во-первых, стоит отметить, что игра всегда проводится в формате противостояния двух команд по пять человек. Также для того, чтобы победить в этой игре, игроки должны постоянно общаться между собой с целью построить определенную стратегию, которая будет меняться и адаптироваться под условия одного конкретного раунда. Таким образом, CS:GO и DOTA2 были выбраны вместе, так как они схожи по игровым условиям.

Далее стоит перейти к описанию мотивации игроков. Она является определяющим фактором, который влияет на решение игроков, заходить в игру или нет. В рамках обзора литературы было рассмотрено множество концепций, в каждой из которых была предложена определенная методика определения мотивации. О мотивации играть в онлайн-игры изучали такие авторы, как Пожаров А.И, Н. Йи, С. Каплан, А.А. Юрков, Б. Гринберг, К. Лукас, К. Лачан, Дж. Шерри и другие. Тем не менее, наиболее полную и подробную модель удалось выявить японскому исследователю Н. Йи. Yee, N. Motivations for play in online games. Он описал модель, состоящую из трех групп по три или четырех факторов, которую проверил с помощью количественного исследования. Более того, он предложил определенный набор суждений, посредством которого можно выявить мотивацию каждого отдельного игрока. Тем не менее, его методология была разработана для игр типа ММОРПГ, которые довольно сильно отличаются от тех, что были выбраны для анализа. Для того, чтобы применить эту методику к планируемому исследованию, ее необходимо несколько изменить и адаптировать под условия, которые предоставляют игры. Во-первых, из нее были убраны суждения, связанные с функциональными характеристиками инвентаря, так как инвентарь в выбранных игр, как уже было сказано выше, несет только визуальный смысл. Более того, необходимо было удалить суждения, которые описывали фактор «Role-playing», так как в процессе игры единственный способ построения идентичности персонажа - это его внешний вид. В изначальном же варианте к этому факторы принадлежали суждения, связанные с построением определенной истории персонажа и его уникального характера. Также некоторые суждения необходимо было переформулировать, чтобы сделать их наиболее пригодными для выбранных игр.

Таким образом, с помощью адаптации методологии, предложенной Н. Йи можно будет выделить мотивацию для каждого отдельного респондента.

Р. Бартл в своей работе акцентировал внимание на то, что, в общем и целом, тип игрока строится на основе его мотивации. Bartle, R. Hearts, Clubs, Diamonds, Spades : Players who Suit MUDS. Следовательно, факторные переменные, полученные в ходе анализа, будут проанализированы с помощью кластерного анализа, который позволит выявить несколько типов игроков. Бартл в своей типологии выделил четыре типа игрока: киллеры, карьеристы, исследователи и социальные игроки. Тем не менее, есть вероятность, что ровно такая же типология не будет получена.

Далее стоит перейти к обоснованию концепта эффективности коммуникации. В. Чен и Г. Дах в своей работе описал основные коммуникативные паттерны в процессе игры. Chen, V.H., Duh, H.B. Understanding Social Interaction in World of Warcraft. Тем не менее, данные паттерны так же относятся к играм типов ММОРПГ, что не позволяет полностью перенести их на выбранные для анализа игры. Тем не менее, среди внушительного количества различных аспектов, были выделены три, которые возможно применить к CS:GO и DOTA2. Среди них стратегия игры, которая включает в себя все аспекты коммуникации, связанные с построением логики и механики игры, определением действий каждого игрока и передачей информации. Также был выделен аспект передачи знаний, в который входит общение с целью узнать что-то новое или научиться чему-либо. В качестве последнего элемента было выделено развлечение, которое заключается в коммуникации, связанной с неформальным общением. Так как методологии по оценке каждого из этих элементов найти не удалось, на основе вышеописанной теории были разработаны суждения, которые были проверены с помощью альфа-кронбаха. Таким образом выло выделено 23 суждения, которые в полной мере отражают каждый из концептов. В совокупности три этих составляющих демонстрируют индекс эффективности коммуникации в соответствии с утверждениями А. Моля. Моль, А. Социодинамика культуры. Максимальная сумма ответов по каждому из суждений интерпретируется как абсолютно эффективная коммуникация, а минимальная, как абсолютно неэффективная коммуникация.

Таким образом, подобный выбор метода анализа строится на двух теоретических работах. Во-первых, согласно Р. Бартлу тип игрока выявляется на основе его мотивации. Мотивация же, в свою очередь, выявляется через методологию, разработанную Н. Йи. Эффективность коммуникации определяется суммой по суждениям, которые были разработаны в соответствии с работой В. Чен и Г. Дах.

2.3 Объект и предмет исследования

Предметом данного исследования является эффективность коммуникации.

Эмпирический объект - люди, которые играют в CS:GO и/или DOTA2.

Теоретический объект исследования - уровень эффективности коммуникации у различных типов игроков.



2.4 Концептуальная модель исследования

2.5 Гипотезы исследования

Гипотеза 1: Игроки, принадлежащие к типу «киллеры» проводят в онлайн-играх меньше времени, по сравнению со всеми остальными типами.

Гипотеза 2: Большинство значимых предикторов, влияющих на построение эффективной социальной коммуникации, будут принадлежать к блоку игровых характеристик респондента.

Гипотеза 3: Игроки, принадлежащие к типу карьеристов обладают наиболее высокой способностью строить эффективную социальную коммуникацию.

Выборка исследования

Характеристики генеральной совокупности

Генеральной совокупностью для данного исследования являются люди, играющие в Counter Strike: Global Offensive и DOTA2 на территории Российской Федерации.

Идеальная генеральная совокупность: Одинаковое количество игроков, предпочитающих CS:GO и DOTA2, проживающих в Москве и Московской области.

Достижимая генеральная совокупность: Люди, которые играют в CS:GO и/или DOTA2, проживающие в Москве или Московской области.

В силу того, что для исследования был выбран метод онлайн-опроса, который подразумевает стихийную выборку, его результаты не могут быть перенесены на генеральную совокупность.

CS:GO и DOTA 2 были выбраны в качестве исследуемых игр из-за того, что, во-первых, они являются наиболее популярными на сегодняшний день Top by playtime // Steam Spy URL: http://steamspy.com/ (дата обращения: 9.04.2018), и, во-вторых, обладают одинаковым набором характеристик. Например, ни в одной из этих игр нет ролевой составляющей, то есть, отсутствует персонализированное развитие персонажа: он может расти только в плане уровня.

Качество игры напрямую зависит от качества интернет соединения. Если игра будет постоянно прерываться, геймер как минимум, может быть исключен из одной конкретной игры, и, как максимум, Steam заблокирует его на несколько дней. Статистика, предоставленная Яндексом в 2015 году, демонстрирует, что наиболее высокое качество Интернет-соединения можно увидеть в Москве и Московской области. Развитие интернета в регионах России // Яндекс URL: https://yandex.ru/company/researches/2015/ya_internet_regions_2015 (дата обращения: 18.02.2017). Следовательно, чтобы результаты исследования были более репрезентативными, в рамках данного исследования стоит исключить из него все регионы, кроме Москвы и Московской области. Таким образом, полученные данные не будут зависеть от качества Интернет-соединения.

Общий дизайн выборки

Для того, чтобы получить данные максимального количества игроков, анкета будет распространяться в различных публичных страницах социальных сетей. Распространение будет организовано с помощью договоренностей с администраторами групп, где выкладывается информация связанная с выбранными для анализа играми. Это позволит привлечь большое количество игроков, которые впоследствии будут отфильтрованы по критерию проживания. Также на сегодняшний день огромной популярностью обладают группы «подслушано» в разных школах. Распространения с их помощью позволит привлечь к заполнению анкет школьников, которые составляют значительную часть аудитории онлайн-игр.

Тип выборки

В качестве метода сбора данных был выбран метод онлайн-опроса. Он обеспечит большой территориальный охват, низкий процент фальсификации данных и высокий уровень уверенности в том, что анкета анонимна. Стоит также отметить, что геймеры постоянно находятся в виртуальной среде и заполнение анкеты онлайн будет для ним более привычным и удобным вариантом.

Как метод построения выборки была выбрана невероятностная выборка с разнообразными точками входа в группу методом «снежный ком». Данная методика не позволит перенести данные на генеральную совокупность, но обеспечит максимальный охват необходимых респондентов. В качестве точек входа будут использованы публичные страницы в различных социальных сетях и форумах. Выбор подобного типа выборки обуславливается тем, что для наиболее полных результатов необходимо собрать данные респондентов с различным уровнем образования, опытом и целью игры.

Вопросы-фильтры предоставят возможность выбрать необходимую часть генеральной совокупности. В конечном итоге каждый игрок будет обладать следующими характеристиками:

Игра: CS:GO и/или Dota2.

Игрок заходил в игру в течение последних трех недель.

Игрок провел в игре в совокупности не менее 100 часов. 

2.6 Этические вопросы, связанные с исследованием

Прежде чем начинать процедуру сбора информации, для каждого респондента будут созданы устраивающие его условия. Отдельное внимание будет уделено этическим вопросам. Каждому респонденту будет присвоен определенный номер, то есть, будет сохранена полная анонимность.

В случае, если кто-то из респондентов будет студентом факультета, связанном с социологией, его данные не будут учитываться.

2.7 База данных

Данные, полученные с помощью анкет, далее будут использованы для реализации количественного анализа. Все данные будут находиться в базе данных SPSS.

2.8 Ограничения исследования

Выбранные для анализа игры популярны по всему миру. В связи с этим, в одну команду иногда попадают игроки из разных стран. Таким образом, главным ограничением исследования является труднодоступность группы игроков из других стран. Более того, геймеры в большинстве своем являются довольно закрытыми личностями, которые тяжело идут на контакт, поэтому возникает опасность низкого response rate.



2.9 Таблица операционализации

Таблица 1 - Таблица операционализации

Задачи	Гипотезы	Концепт	Интерпретация	Операционализация
Определить аспекты, влияющие на эффективность коммуникации.	Большинство значимых предикторов, влияющих на построение эффективной социальной коммуникации, будут принадлежать к социально-демографическому блоку характеристик респондента.	Игрок	Пол	Указание респондента на пол
			Возраст	Указание респондента на возраст
			Игра	Указание респондента на игру, в которую он играет
			Проживание	Указание респондента на людей, с которыми он проживает на одной территории
			Доход	Указание респондента на доход
			Работа родителей	Указание респондента на работу родителей
Сравнить желание улучшить оборудование у игроков с разной мотивацией.	Социальные игроки хотят улучшить оборудование связанное с коммуникацией	Игровые характеристики	Активность	Частота
				Количество часов в целом
				Количество часов в день
				Субъективная оценка количества часов, которое проводит в игре зависимый человек
				Указание респондента на звание, которое у него есть, и которое он хочет достичь
			Оборудование	Указание респондента на удовлетворенность оборудованием
				Указание респондента на оборудование, которое он хочет улучшить
Выявить взаимосвязь между типом игрока и построением эффективной коммуникации	Игроки, принадлежащие к социальному типу обладают наиболее высокой способностью строить эффективную социальную коммуникацию.	Коммуникация	Технический аспект	Указание респондента на способ общения с командой.
			Стратегия	Указание респондента на построение стратегии. Указание респондента на следование стратегии. Указание респондента на передачу информации. Указание респондента на действия в соответствии с информацией. Указание респондента на готовность подстроиться под желания других игроков. Указание респондента на создание помех. Указание на респондента на коммуникацию с проблемным сокомандником.
			Передача информации	Указание респондента на готовность ответить на вопросы. Указание респондента на получение удовольствия от обучения. Указание респондента на желание обучения. Указание респондента на эмоции от обучения.
			Развлечение	Указание респондента на стиль поведения. Указание респондента на желание общения. Указание респондента на прирост друзей. Указание респондента на отношение к конфликтам Указание респондента на темы разговора. Указание респондента на желание ссориться. Указание респондента на желание обсуждать личные темы.
Классифицировать респондентов по типу игрока.	Игроки, принадлежащие к типу «киллеры» проводят в онлайн-играх меньше времени, по сравнению со всеми остальными типами.	Мотивация играть	Социальный фактор	Указание респондента на отношение к коммуникации в онлайн-игре. Указание респондента на отношение фактору знакомства в игре с другими пользователями. Указание респондента на фактор, который побудил респондента играть в онлайн-игры
			Достижение	Указание респондента на желание исполнять роль лидера в команде. Указание респондента на желание договориться с сокомандниками во время игрового процесса. Указание респондента на его отношение к унижению других пользователей онлайн-игр.
				Указание респондента на желание достигнуть максимального уровня/звания в игре Указание респондента на важность звания/MMR Указание респондента на важность скорости в поднятии звания/MMR Указание респондента на отношение к мнению других игроков об уровне его игры
			Погружение	Указание респондента на желание выместить агрессию. Указание респондента на его чувства в условиях отсутствия возможности играть в онлайн-игры.
				Указание респондента на желание стать тем, кем он хотел бы, но не является в реальности. Указание респондента на фокусирование внимания на развитии персонажа. Указание респондента на покупаку разных скинов.

2.10 Пилотаж

2.10.1 Предварительный обзор анкет

В процессе первичного обзора анкет было выяснено, что посредством некоторых вопросов в анкете невозможно решить поставленные выше задачи. Велика вероятность, что в каких-либо вопросах мне не удалось выявить все возможные варианты ответа. Это могло бы привести к увеличению процента пропущенных данных, так как, не увидев подходящего варианта ответа, респонденты выбирали бы вариант «затрудняюсь ответить». Что еще более важно, группа геймеров обладает своим уникальным сленгом, который в большинстве своем недоступен для понимания простым обывателям. В связи с этим возникает проблема: формулировки некоторых вопросов могут быть некорректными, то есть, есть шанс, что респондент неправильно поймет вопрос, а затем даст на него ответ, следовательно, данные нельзя будет считать репрезентативными. Та же проблема может возникнуть и с вариантами ответа. Более того, анкета должна быть простой и удобной для заполнения, чтобы большая часть респондентов заполнила ее до конца.

Суммируя все вышесказанное, можно выявить следующие основные задачи пилотажа:

Проверить полноту вариантов ответа для каждого вопроса.

Проверить, насколько понятен каждый вопрос и вариант ответа для респондента.

Выявить определенный оптимальный порядок вопросов.

Переформулировать все проблемные вопросы и варианта ответа.

Рассчитать количество времени, которое требуется респонденту для заполнения анкеты.

2.10.2 Обоснование методики пилотажа

Для того, чтобы все возможные элементы исследования были учтены, необходимо провести комплексный пилотаж. Важно проводить его лицом к лицу с респондентом, так как для того, чтобы удостовериться в понимании вопросов и ответов, необходимо слушать респондента и постоянно с ним общаться: объяснять непонятные вопросы и получать его советы.

Для решения поставленных выше задач, в первую очередь, будет использоваться методика «размышления вслух». С ее помощью можно следить за тем, как респондент думает и интерпретирует каждое слово в процессе заполнения анкеты. С помощью этой методики было выявлено несколько вопросов, в которых не хватало вариантов ответа. Более того, было выявлено несколько вопросов, которые были просто некорректно составлены, так как исследователь не в полной мере владеет сленгом, присущим геймерам.

Также необходимо было разобраться в том, насколько каждый вопрос соответствует тому смыслу, который изначально был в него заложен. Другими словами, необходимо было узнать, насколько каждый респондент понимает, о чем конкретно вопрос в анкете. Для решения данной задачи была использована методика пересказа вопроса. Каждый респондент должен был сформулировать каждый вопрос другими словами. Это позволило бы удостовериться в ясности анкетной формулировки. Таким образом, было выявлено, что один из вопросов не может пониматься респондентом так, как нужно, а, следовательно, нуждается в качественном переформулировании.

2.10.3 Эмпирический этап пилотажа

В процессе эмпирического этапа пилотажа было опрошено 13 респондентов, среди которых были следующие группы:

10 мужчин и 3 женщины

11 продвинутых игроков (более 500 часов в игре) и 2 начинающих (менее 100 часов в игре).

Большая часть респондентов была моими знакомыми, также некоторые из них были друзьями моих друзей, так что процесс общения происходил без проблем. С каждым респондентом была назначена личная встреча, что дало возможность прослеживать логику их рассуждений и ответом и применять разнообразные методики. Также 10 респондентов прошли анкету в формате обсуждения, а еще трем была предоставлена возможность пройти итоговую анкету, которая была получена в результате пилотажа, чтобы проверить ее конечное качество.

Анкета не вызывала особых трудностей у респондентов. Они отметили, что она довольна интересна и разнообразна, так что, если бы им пришлось проходить ее в онлайн формате, скорее всего они заполнили бы ее до конца. Все респонденты являлись игроками, так что вопросы показались им интересными и относительно легкими. Также они отметили, что использование специфической лексики, то есть, сленга, в вопросах и ответах, не вызывает трудностей и в большинстве случаев правильно используется.

Респонденты, в чей процесс заполнения анкеты я не вмешивалась, тратили на нее около 10-12 минут. Тем же, с кем во время заполнения необходимо было применить различные методики, мы потратили 25 минут.

Далее необходимо более точно остановиться на комментариях респондентов.

Вопросы, которые затрагивали характеристики игр, в большинстве своем не вызвали никаких проблем. Все формулировки были понятны и не требовали дополнительного объяснения. Также в процессе прохождения анкеты некоторые респонденты отметили, что в некоторых вопросах есть грамматические ошибки, которые затрудняют понимание.

В процессе пилотажа респонденты выявили небольшую проблему в вопросе: «Насколько вы довольны вашим оборудованием?». Они отметили, что большинство вариантов ответа полностью соответствуют вопросу, тем не менее, его необходимо дополнить. Они предложили добавить вариант ответа «Видеокарта», так как именно она и ее качество имеет огромное влияние на то, как проходит процесс игры. Если ее уровень ее качества высок, игра не будет зависать и процесс игры будет проходить наиболее стабильно. Также необходимо было добавить этот вариант ответа в вопрос «Что из вашего оборудования вы бы хотели улучшить?», так как он напрямую связан с предыдущим вопросом.

Далее мы перешли к следующему вопросу, который описывает способы коммуникации в процессе игры. Респонденты сказали, что все варианты ответа соответствуют реальности, тем не менее существует еще один способ общения, а именно, программа «Teamspeak». Ее обычно используют более продвинутые геймеры, которым неудобно общаться через все остальные способы.

Далее мы перешли к блоку вопросов, описывающих процесс коммуникации в игре. Так как большинство вопросов в данном блоке были разработаны мной самостоятельно и требовали дополнительной проверки, сначала с каждым из респондентов мы подробно остановились на каждом суждении, а затем они отдельно заполнили его самостоятельно.

Для того, чтобы удостовериться в ясности формулировки, каждый вопрос подвергался переформулированию со стороны респондентов. Большая часть вопросов была понятна для респондентов, тем не менее, в некоторых случаях приходилось объяснять, что конкретно имеется в виду. Для наилучшего понимания респонденты предложили добавить к некоторым вопросам примеры.

Также к некоторым суждениям респонденты предложили добавить уточняющие формулировки. Например, суждение «Я всегда следую выбранной стратегии», было изменено на «Я всегда следую(придерживаюсь) выбранной стратегии». Это связано с тем, что у игроков не всегда есть возможность следовать изначальной стратегии, так как условия игры постоянно изменяются и к ним необходимо адаптироваться.

В нескольких вопросах, связанных с обучением и помощью в процессе игры, у нас с респондентами возникло недопонимание. Так, вопрос «Мне нравится рассказывать другим о том, как нужно играть» был воспринят респондентами с очень негативной окраской. Они отметили, что он звучит так, как будто им должно нравиться насильно учить кого-то другого. Таким образом, вопрос был переформулирован. Подобные проблемы возникли с еще несколькими вопросами, которые также были переформулированы с помощью респондентов.

В одном из суждений было два смысловых выражения. Впоследствии оно было переформулировано. Также в блоке с социально-демографическими характеристиками был дополнен один из вопросов.

Все описанные изменения представлены в приложении 2.



2.10.4 Заключение

В конечном итоге все задачи, поставленные в начале пилотажа, были решены. Для проверки результатов три респондента прошли итоговую версию анкеты. После прохождения они отметили, что все вопросы максимально корректны и просты для понимания, а отредактированные варианты ответа составляют полную картину и у респондентов всегда есть из чего выбрать. Время, за которую один респондент может заполнить итоговую анкету, составляет 10-12 минут.

Таким образом, все вопросы и варианты ответа прошли проверку на предмет ясности и правильности формулировок. Все вопросы и ответы, вызывавшие малейшие трудности6 были переформулированы и дополнены. Также был определен наиболее рациональный и оптимальный для респондентов порядок вопросов.



Глава 3. Анализ данных

3.1 Портрет респондента

Для того, чтобы охарактеризовать полученную выборку и составить портрет респондента в данном исследовании, были использованы такие социально-демографические характеристики как вол, возраст и профессия родителей.

Выборка включает в себя 358 респондентов. Каждый из них проживает на территории Москвы или Московской области, играет в CS:GO и/или DOTA2 и не позже, чем 3 недели назад играли в одну из перечисленных ранее игр.

Прежде всего стоит отметить, что почти 90% респондентов оказались мужчинами. Переменная «пол» в дальнейшем даст нам возможность разделения выборки на две группы.

Таблица 1 - Линейное распределение респондентов по полу

	Количество опрошенных	Процент опрошенных
Мужской	314	87,7
Женский	44	12,3
Всего	358	100,0

Также необходимо посмотреть, каким образом респонденты распределяются по играм, в которые они играют. Таблица ниже демонстрирует, что большинство игроков предпочитают CS:GO (36%), более того, целых 34% респондентов играют в обе игры. Значение моды, равное 1, объясняется тем, что большая часть игроков предпочитает первую игру.



Таблица 2 - Меры центральной тенденции по игровым предпочтениям

В какие из перечисленных онлайн-игр Вы играете?
N	Ответившие	358
	Пропущенные	0
Среднее	1,97
Медиана	2,0000
Мода	1,00

Таблица 3 - Линейное распределение по игровым предпочтениям

В какие из перечисленных онлайн-игр Вы играете?	Количество респондентов	Процент ответивших
	Counter Strike: Global Offensive	130	36
	DOTA2	107	30
	И Counter Strike: Global Offensive, и DOTA2	121	34
	Итого	358	100,0

Далее стоит обратить внимание на характеристики возрасты респондента.

Таблица 4 - Меры средней тенденции по возрасту

N	Ответившие	358
	Пропущенные	0
Среднее	18,94
Медиана	16,00
Мода	16

Из таблицы выше можно сделать вывод, что большинству респондентов, а именно, 22% из них 16 лет. Об этом говорят мода и медиана. Также стоит отметить, что средний возраст довольно высок и составляет почти 19 лет.

Занятость родителей на работе может прямым образом повлиять на количество времени, которое их дети проводят в онлайн-играх.



Таблица 5 - Кем работает Ваша мать?

Варианты	Количество респондентов	Процент ответивших
Ответившие	Другое	13	3,6
	Руководитель высшего звена	39	10,9
	Специалист высшего звена	61	17
	Руководитель среднего звена	17	4,7
	Специалист среднего звена	19	5,3
	Работник сферы обслуживания	20	5,6
	Работник административного персонала	8	2,2
	Разнорабочая	57	15,9
	Домашняя хозяйка, пенсионерка	35	9,8
	Затрудняюсь ответить	89	24,9
	Итого	358	100,0
Пропущенные	0
Итого	358

Таблица 6 - Кем работает Ваш отец?

Варианты ответа	Количество респондентов	Процент ответивших
Ответившие	Другое	21	5,9
	Руководитель высшего звена	66	18,4
	Специалист высшего звена	27	7,5
	Руководитель среднего звена	24	6,7
	Специалист среднего звена	7	2
	Работник сферы обслуживания	9	2,5
	Работник административного персонала	25	7
	Разнорабочий	31	8,7
	Домашний хозяин, пенсионер, не работает	36	10,1
	Затрудняюсь ответить	112	31
	Итого	70	100,0
Пропущенные	0
Итого	358

Полученные выше таблицы демонстрируют, что большая часть респондентов, а именно, около 28% в среднем, не захотела отвечать на этот вопрос, несмотря на обещанную анонимность. Тем не менее, можно заметить, что у большинства респондентов (18,4%) отец является руководителем высшего звена, а мать является разнорабочей (15,9%), то есть принадлежит к профессиям типа няни.

Также стоит остановиться на уровне материальной обеспеченности. Для определения того, к какой группе населения по материальному благосостоянию относится респондент была предложена порядковая шкала от 1 до 5, где в качестве единицы предлагался вариант «Мы едва сводим концы с концами, денег не хватает даже на продукты», а в качестве 5 - «. Мы можем позволить себе достаточно дорогостоящие вещи - квартиру, дачу и многое другое». Далее были рассчитаны меры центральной тенденции с целью определения портрета респондента.

Таблица 7 - Меры центральной тенденции по доходу

Количество респондентов	Ответившие	306
	Пропущенные	52
Медиана	4
Мода	4

Исходя из данных таблицы, можно сделать вывод, что семья респондента достаточно обеспечена и в состоянии позволить себе приобретать товары длительного пользования.

Таким образом, можно сказать, что респондент - это мужчина 16-ти лет, играющий в CS:GO, чья мать является разнорабочей, а отец руководителем высшего звена. Также стоит отметить, что семья респондента не испытывает особых трудностей с материальным обеспечением.

3.2 Задача №1: Классифицировать респондентов по типу игрока

Гипотеза №1: Игроки, принадлежащие к типу «киллеры» проводят в онлайн-играх меньше времени, по сравнению со всеми остальными типами.

Эта ступень анализа является промежуточной и необходима для того, чтобы появилась возможность решить поставленные задачи. Полученные переменные впоследствии будут проанализированы с помощью кластерного анализа.

Для того, чтобы выявить факторы, влияющие на мотивацию человека играть в онлайн-игры, был проведен факторный анализ методом главных компонент.

Прежде всего необходимо убедиться в том, что выбранная факторная модель подходит для имеющихся данных. В первую очередь необходимо посмотреть на значение критерия Кайзера-Майера-Олкина, которе в данном случае равно 0,787, что дает нам понять, что модель пригодна для дальнейшего анализа. Также необходимо обратить внимание на критерий Бартлетта, значимость которого равна 0, что означает, что нулевая гипотеза о том, что между переменными отсутствует корреляция и данные сферичны отвергается. Основываясь на всем вышесказанном, мы можем применять факторный анализ.

Таблица 8 - KMO и критерий Бартлетта

Мера адекватности выборки Кайзера-Майера-Олкина (КМО).	0,787
Критерий сферичности Бартлетта	Примерная Хи-квадрат	3116,278
	Ст.св.	258
	Знач.	0,00

Таблица, расположенная ниже, показывает нам долю дисперсии исходной переменной, которая была сохранена в полученной модели. Судя по данным таблицам, можно сделать вывод, что у большинства переменных сохранено от 46% до 86% дисперсии, следовательно, у нас есть возможность включить их в модель.

Таблица 9 - Общности

Суждения	Начальные	Извлеченные
Я много времени трачу на игры с целью максимально быстро повысить свое звание/MMR	1	0,68
Я часто приобретаю редкие вещи, которых нет у большинства игроков	1	0,563
Для меня неважно иметь высокое звание/MMR	1	0,739
Для меня важно копить различные вещи в инвентаре	1	0,672
Для меня важно стать известным в игре	1	0,651
Для меня важно иметь свою команду	1	0,705
Мне нравится соревноваться с другими игроками	1	0,522
Я часто пытаюсь вывести из себя других игроков	1	0,725
Мне важно доминировать в игре, убивать как можно больше противников	1	0,58
Я часто делаю вещи, раздражающие других игроков	1	0,739
Мне нравится знакомиться с другими игроками	1	0,727
Мне нравится помогать другим игрокам	1	0,657
Мне нравится общаться с другими игроками	1	0,753
Для меня важно, чтобы моя команда была дружелюбной	1	0,456
Я часто разговариваю с другими игроками на отвлеченные темы в процессе игры	1	0,485
У меня есть друзья, с которыми я познакомился в процессе игры	1	0,584
Я часто рассказываю онлайн-друзьям что-то о себе	1	0,836
Я часто обращаюсь к онлайн-друзьям с личными проблемами	1	0,795
Мне нравится работать в команде	1	0,559
Мне бы хотелось(или у меня уже есть), чтобы в моем инвентаре было много различных вещей	1	0,647
Для меня важно отличаться наличием скинов от других игроков	1	0,679
Я часто играю для того, чтобы не думать о реальной жизни	1	0,851
Я играю, чтобы убежать от реального мира	1	0,863

В ходе анализа было построено несколько различных вариантов факторных моделей. Тем не менее, было принято решение выбрать модель, которая объясняет семь факторов, так как только в подобном случае собственное значение оказывается выше единицы. Более того, необходимо отметить, что данная модель способна объяснить достаточный суммарный коэффициент дисперсии и, что немаловажно, отлично поддается интерпретации.



Таблица 10 - Общая объясненная дисперсия

Компонент	Суммы квадратов нагрузок извлечения	Суммы квадратов нагрузок извлечения	Ротация суммы квадратов нагрузок
	Всего	% Дисперсии	Кумулят. %	Всего	% Дисперсии	Кумулят. %	Всего
1	5,017	21,813	21,813	5,017	21,813	21,813	4,092
2	3,38	14,695	36,508	3,38	14,695	36,508	3,26
3	2,065	8,978	45,487	2,065	8,978	45,487	2,905
4	1,459	6,344	51,831	1,459	6,344	51,831	2,911
5	1,299	5,649	57,479	1,299	5,649	57,479	3,56
6	1,168	5,08	62,559	1,168	5,08	62,559	2,217
7	1,077	4,684	67,243	1,077	4,684	67,243	2,542

В конечном итоге была получена семифакторныя модель, в которой собственное значение каждого фактора выше единицы. Данная модель объясняет 67% суммарной дисперсии. Данный процент находится в рамках допустимых значений для этого критерия в случае использования метода главных компонент.

В связи с тем, что некоторые суждения пересекались между собой в корреляционной матрице, возникла необходимость использовать модель с косоугольным вращением. Она хорошо поддалась интерпретации, так что конечный выбор был остановлен на ней.

Таблица 11 - Повернутая матрица компонент

Суждения	Компоненты
	1	2	3	4	5	6	7
Я много времени трачу на игры с целью максимально быстро повысить свое звание/MMR	0,157	0,391	0,303	0,036	0,513	0,172	0,806
Я часто приобретаю редкие вещи, которых нет у большинства игроков	0,019	0,728	0,305	0,124	0,339	0,138	0,387
Для меня неважно иметь высокое звание/MMR	0,001	-0,094	-0,068	0,074	-0,178	0,016	-0,754
Для меня важно копить различные вещи в инвентаре	0,052	0,811	0,261	0,117	0,297	0,233	0,221
Для меня важно стать известным в игре	0,137	0,436	0,396	0,139	0,746	0,182	0,492
Для меня важно иметь свою команду	0,328	0,263	0,154	0,210	0,771	0,048	0,265
Мне нравится соревноваться с другими игроками	0,267	0,006	0,293	0,084	0,645	-0,144	0,509
Я часто пытаюсь вывести из себя других игроков	-0,041	0,232	0,815	0,113	0,109	0,162	0,160
Мне важно доминировать в игре, убивать как можно больше противников	-0,033	0,249	0,680	-0,116	0,445	0,208	0,438
Я часто делаю вещи, раздражающие других игроков	-0,053	0,291	0,813	0,104	0,133	0,310	0,056
Мне нравится знакомиться с другими игроками	0,842	0,020	0,037	0,381	0,290	-0,012	0,099
Мне нравится помогать другим игрокам	0,782	-0,013	-0,104	0,272	0,284	-0,003	0,041
Мне нравится общаться с другими игроками	0,859	0,025	0,081	0,386	0,356	-0,043	0,176
Для меня важно, чтобы моя команда была дружелюбной	0,608	-0,116	-0,068	0,200	0,394	-0,022	0,090
Я часто разговариваю с другими игроками на отвлеченные темы в процессе игры	0,592	0,103	0,284	0,449	0,191	0,083	-0,010
У меня есть друзья, с которыми я познакомился в процессе игры	0,622	0,119	0,171	0,679	0,358	0,063	0,203
Я часто рассказываю онлайн-друзьям что-то о себе	0,490	0,133	0,230	0,902	0,285	0,156	0,163
Я часто обращаюсь к онлайн-друзьям с личными проблемами	0,284	0,155	0,184	0,865	0,183	0,183	0,033
Мне нравится работать в команде	0,566	0,065	-0,099	0,185	0,565	-0,220	0,210
Мне бы хотелось(или у меня уже есть), чтобы в моем инвентаре было много различных вещей	0,215	0,765	0,317	0,138	0,395	0,134	0,260
Для меня важно отличаться наличием скинов от других игроков	-0,007	0,812	0,398	0,086	0,219	0,279	0,296
Я часто играю для того, чтобы не думать о реальной жизни	0,084	0,258	0,193	0,218	0,119	0,905	0,046
Я играю, чтобы убежать от реального мира	0,029	0,234	0,258	0,162	0,058	0,926	0,105

Посредством интерпретации факторных нагрузок было выявлено и описано семь различных факторов.

Название, описание и интерпретация факторов

Фактор 1: Данный фактор демонстрирует желание человека знакомиться и общаться с остальными игроками в процессе игры. Для него было выбрано название «Отношение к общению».

Переменные, относящиеся к данному фактору:

Мне нравится знакомиться с другими игроками

Мне нравится помогать другим игрокам

Мне нравится общаться с другими игроками

Для меня важно, чтобы моя команда была дружелюбной

Мне нравится работать в команде

Фактор 2: Этот фактор демонстрирует желание игрока приобретать и накапливать специальные вещи в инвентаре, которые отличаются от стандартных только рисунком. Для этого фактора было выбрано название «Отношение к инвентарю».

Переменные, относящиеся к данному фактору:

Я часто приобретаю редкие вещи, которых нет у большинства игроков

Для меня важно копить различные вещи в инвентаре

Мне бы хотелось(или у меня уже есть), чтобы в моем инвентаре было много различных вещей

Для меня важно отличаться наличием скинов от других игроков

Фактор 3: Следующий фактор характеризует отношение респондента к самостоятельному проявлению агрессии в процессе игры. Для него было выбрано название «Отношение к агрессии».

Переменные, относящиеся к данному фактору:

Я часто пытаюсь вывести из себя других игроков

Мне важно доминировать в игре, убивать как можно больше противников

Я часто делаю вещи, раздражающие других игроков

Фактор 4: Данный фактор описывает отношение игрока к возможности построения дружеских отношений. Он описывает его желание не просто общаться в течение одной игры с другими геймерами, но и выстраивать с ними более близкие отношения. Ему было присвоено название «Отношение к дружбе».

Переменные, относящиеся к данному фактору:

У меня есть друзья, с которыми я познакомился в процессе игры

Я часто рассказываю онлайн-друзьям что-то о себе

Я часто обращаюсь к онлайн-друзьям с личными проблемами

Фактор 5: Данный фактор описывает желание респондентов продвигаться в рейтинге игроков с целью стать наиболее известным геймером среди всех остальных. Для него было выбрано название «Отношение к популярности».

Для меня важно стать известным в игре

Для меня важно иметь свою команду

Мне нравится соревноваться с другими игроками

Фактор 6: Данный фактор демонстрирует желание игроков играть в онлайн-игры с целью забыть о существовании реального мира, отвлечься от него и погрузиться в виртуальную среду. Его стоит назвать «Отношение к эскапизму».

Переменные, относящиеся к данному фактору:

Я часто играю для того, чтобы не думать о реальной жизни

Я играю, чтобы убежать от реального мира

Фактор 7: Этот фактор демонстрирует желание геймеров играть в игры с целью повышения игрового уровня. Ему было выбрано название «Отношение к повышению уровня».

Переменные, относящиеся к данному фактору:

Я много времени трачу на игры с целью максимально быстро повысить свое звание/MMR.

Я часто приобретаю редкие вещи, которых нет у большинства игроков.

Далее был проведен кластерный анализ методом К-средних с целью выявить определенные типы игроков. В него вошли переменные, которые были выявлены в ходе факторного анализа:

Отношение к общению

Отношение к инвентарю».

Отношение к агрессии

Отношение к дружбе

Отношение к популярности

Отношение к эскапизму

Отношение к повышению уровня

В процессе выбора модели были необходимо было сравнить несколько различных моделей, в которые состояли из трех, четырех, пяти и шести кластеров. Далее будет рассмотрены основания для выбора именно пяти-кластерной модели.

В первую очередь необходимо обратить внимание на F-критерий Фишера в дисперсионном анализе (ANOVA). Известно, что наиболее качественная модель обладает наибольшей суммой по данному критерию. В пяти-кластерной модели сумма составляет 487,73, что является наибольшей суммой F-критерия из всех моделей. Следовательно, на этом этапе мы делаем выбор в пользу пяти-кластерной модели.

Таблица 12 - Дисперсионный анализ (ANOVA)

Суждение	Кластер	Ошибка	F- критерий	Ур. зн.
	Ср. кв.	ст. св	Ср. кв.	ст. св
Отношение к общению	43,894	4	0,514	353	85,407	0
Отношение к инвентарю	29,328	4	0,679	353	43,192	0
Отношение к агрессии	36,485	4	0,598	353	61,02	0
Отношение к дружбе	42,371	4	0,531	353	79,762	0
Отношение к популярности	45,81	4	0,492	353	93,065	0
Отношение к эскапизму	27,703	4	0,697	353	39,722	0
Отношение к повышению уровня	43,935	4	0,513	353	85,563	0

Используя данную модель, было получено равномерное распределение респондентов в пяти кластерах, где в первый кластер вошли 76 человек, во второй - 58, к третьему кластеру относятся 52 респондента, а к 4 и 5 кластерам 92 и 80 человек соответственно. Всего к анализу допущено 358 респондентов.

Таблица 13 - Распределение респондентов по кластерам

Кластеры	1	76
	2	58
	3	52
	4	92
	5	80
Количество допустимых наблюдений		358
Пропущено		,000

В таблице ниже представлено расстояние между кластерными центрами. Все значения выше критического, следовательно, все кластеры довольно хорошо идентифицированы.

Таблица 14 - Расстояние между конечными центрами кластеров

Кластер	1	2	3	4	5
1		2,765	2,334	2,209	2,394
2	2,765		2,683	2,502	4,342
3	2,334	2,683		2,757	2,469
4	2,209	2,502	2,757		2,794
5	2,394	4,342	2,469	2,794

Следующий шаг - проверка кластеров на компактность. В таблице ниже продемонстрировано, что кластеры компактны и лежат в дипазоне от 1;9 до 3.5.

Таблица 15 - Проверка на компактность

Кластеры	Меры среднего
	Максимум	Среднее	Минимум	Диапазон	Ст. Отклонение
1	2,93	1,90	1,03	1,90	0,43
2	3,48	1,87	0,85	2,63	0,58
3	4,28	2,10	0,77	3,50	0,68
4	3,10	1,81	0,64	2,46	0,48
5	3,38	1,98	0,89	2,50	0,53

Суммируя все вышесказанное, было принято решение остановиться на пяти-кластерной модели, так как она лучше всего описывает полученные кластеры, так как в сравнении с остальными моделями она обладает наилучшими параметрами по следующим критериям:

Наибольшая сумма по критерию Фишера;

Наилучшая наполненность кластеров;

Компактность кластеров;

Легкая интерпретация.

Для того, чтобы начать интерпретацию кластеров, необходимо проверить их на устойчивость. Для этого необходимо отсортировать кластеры по случайной переменной и проверить, переходят ли они друг в друга. Если да, можно сделать вывод, что модель является устойчивой.

Таблица 16 - Проверка на устойчивость

Номер кластера наблюдения	Номер кластера наблюдения
	% по столбцу	% по столбцу	% по столбцу	% по столбцу	% по столбцу
1	89	0	2	0	0
2	0	95	0	0	0
3	2	0	98	2	4
4	5	5	0	96	0
5	4	0	0	2	96

Из таблицы 21 видно, как каждая переменная выражается в каждом из кластеров, и мы видим, что кластеры хорошо выражаются через друг друга, поэтому можно считать, что модель устойчива. Следовательно, мы можем перейти к интерпретации полученных кластеров.



Таблица 17 - Таблица финальных центров кластеров

Переменные	1	2	3	4	5
Отношение к общению	-0,04	-1,07	-0,87	0,62	0,46
Отношение к инвентарю	-0,16	0,58	0,26	-0,53	0,42
Отношение к агрессии	0,09	-0,83	0,14	-0,61	0,74
Отношение к дружбе	-0,70	-0,93	-0,19	0,58	-0,79
Отношение к популярности	0,45	-1,19	-0,42	-0,21	0,95
Отношение к эскапизму	-0,61	-0,31	0,90	-0,31	0,57
Отношение к повышению уровня	0,68	-0,97	-0,06	-0,61	0,80

Кластер №1: В первый кластер вошли респонденты с положительным отношением к переменным, связанным с продвижением в игре. Они нацелены на постоянное развитие в игре, которое выражается через повышение уровня.

Кластер №2: Игроки принадлежащие ко второму кластеру имеют ярковыраженный положительный коэффициент по переменной «отношение к инвентарю», что позволяет сделать вывод, что их задачей в игре является развитие персонажа не через повышение уровня, а через создание его идентичности. Они склонны приобретать вещи, которые позволяют отличить их персонажа от персонажей других игроков.

Кластер№3: В третий кластер вошли игроки, которые хотят отвлечься от реальности с помощью игры. Они не склонны общаться с другими игроками, но при этом им нравится погружаться в игру через создание уникального персонажа.

Кластер №4: Четвертый кластер собрал в себя игроков, которые в качестве своей цели выбирают общение. Они знакомятся с другими игроками и заводят с ними дружеские отношения. Они используют игру как еще один способ узнать новых людей.

Кластер №5: В пятом кластере можно увидеть игроков, которые имеют сильно выраженную склонность к проявлению агрессии и повышению уровня. Таким образом, людей, принадлежащих данному кластеру можно описать как своеобразных киллеров, которым необходимо постоянно доминировать над остальными игроками.

Вывод: В итоге, классификация респондентов по типу игрока выглядит следующим образом:

Карьеристы

Искатели

Эскаписты

Социальные игроки

Киллеры

Далее необходимо вернуться к изначальной исследовательской гипотезе о том, что игроки, принадлежащие к типу киллеров проводят в онлайн-играх меньше времени по сравнению с игроками других типов. Для этого будет проведен непараметрический тест Краскела-Уоллеса. С его помощью будет проверена нулевая гипотеза о равенстве средних рангов суммы часов, проведенных в играх, для каждого типа игрока.

Таблица 18 - Тест Краскела-Уоллеса

Переменные	Хи-квадрат	ст.св.	Асимптотическая значимость
Сумма часов в играх	39,832	4	0,00

На уровне доверительной вероятности 95% и при уровне значимости не выше 0,05, нулевая гипотеза о равенстве средних рангов отвергается в пользу альтернативной гипотезы о существовании статистически значимой разницы в средних рангах среди пяти типов игроков и сумме часов, проведенных в игре.

Таблица 19 - Средние ранги суммы часов, проведенных в онлайн-играх для каждого типа игрока

Переменная	Тип игрока	N	Mean Rank
Сумма часов в играх	Карьеристы	76	184,54
	Искатели	49	126,5
	Эскаписты	48	149,69
	Социальные игроки	87	147,57
	Киллеры	80	221,53
	Всего	340

Первоначальная исследовательская гипотеза о том, что игрокам, принадлежащим к типу киллеров свойственно меньшее, по сравнению с остальными типами игроков, проведение времени в онлайн играх, не подтвердилась. Более того, как видно из диаграммы ниже, игроки данного типа в рамках данного исследования склонны проводить в играх намного больше времени, чем другие игроки.

Рис. 1. Критерий Краскала-Уоллиса для независимых выборок

3.3 Задача №2: Определить аспекты, влияющие на эффективность коммуникации

Гипотеза №2: Большинство значимых предикторов, влияющих на построение эффективной социальной коммуникации, будут принадлежать к социально-демографическому блоку характеристик респондента.

Для того, чтобы решить данную задачу, было принято решение воспользоваться линейной регрессией. Зависимой переменной в данном случае является переменная «эффективность коммуникации». Это интервальная переменная, полученная в результате индексации шкалы сумматорного типа, которая была разработана для выявления эффективности коммуникации.

Для того, чтобы проведение линейной регрессии было возможным, зависимая переменная должна быть нормально распределена. Уже из графика ниже видно, что она стремиться к нормальному распределению.

Рис. 2. Проверка на нормальность распределения

Тем не менее, чтобы удостовериться, что распределение действительно является нормальным, необходимо провести тест Колмогорова-Смирнова.

Таблица 20 - Тест Колмогорова-Смирнова

Эффективность коммуникации	Колмогорова-Смирноваa
	Статистика	Ст.св.	Значим.
	0,041	358	0,200*

Таким образом, мы можем сделать вывод, что полученная переменная дает нам возможность провести линейную регрессию. В нее будут включены такие переменные, как факторы мотивации, временные характеристики, связанные с играми, способы взаимодействия внутри игры и блок с социально-демографическими характеристиками.

Перед тем, как мы сможем перейти к анализу и интерпретации предикторов линейной регрессии, необходимо провести несколько анализов, которые продемонстрируют правильность построения модели.

Прежде всего необходимо проверить модель на наличие мультиколлинеарности. Это позволит избежать присутствия связи между независимыми переменными в модели. Так как в данном анализе используется линейная регрессия, необходимо обратить внимание на такие параметры, как «Допуск» и «VIF». Первый параметр должен быть выше 0,5, а второй ниже 2. Ниже представлена таблица, в которой демонстрируется, что у всех значимых предикторов данные показатели находятся в пределах допустимых значений.

Таблица 21 - Показатели наличия мультиколлинеарности в линейной регрессионной модели.

Предикторы	Допуск	VIF
(Константа)	0,729	1,372
Количество часов игры в день	0,68	1,471
Отношение к общению	0,899	1,113
Отношение к популярности	0,893	1,12
Удовлетворенность процессором	0,566	1,765
Удовлетворенность мышью	0,663	1,508
Удовлетворенность видеокартой	0,607	1,646
Удовлетворенность клавиатурой	0,693	1,444
Удовлетворенность наушниками	0,568	1,761

Проверка на нормальность распределения остатков

Следующий тест, который стоит провести - анализ распределения остатков на нормальность. Для анализа нормальности распределения остатков приводим тест Колмогорова-Смирнова.



Таблица 22 - Критерии нормального распределения

Тест Колмогорова-Смирнова
Статистика	Ст. св.	Значим.
0,068	358	0,200*

Нулевая гипотеза для данного теста состоит в том, что распределение остатков, которые были получены в результате регрессионного анализа, не отличается от нормального. Альтернативная же гипотеза заключается в утверждении о том, что распределение не соответствует нормальному. Из таблице выше видно, что уровень значимости достигает 0,2, что означает, что нулевая гипотеза принимается. Таким образом, мы можем продолжать анализировать регрессионную модель. При уровне значимости равном 95% мы можем сделать вывод, что здесь присутствует достоверное отсутствие различий. Таким образом, распределение, которое является экспериментальным, не отличается от нормального.

Ниже представлена гистограмма, которая, судя по линии огибающей вершины, показывает нам, что остатки тяготеют к нормальному распределению.

Рис 3. Нормальность распределения остатков 

Проверка модели на гомоскедастичность

Также стоит обратить внимание тесту, который позволит подтвердить устойчивость модели - проверке на гомоскедастичность. Разумеется, отклонения способны принимать абсолютно произвольные значения каких-либо вероятностных распределений. Предположим, что дисперсии случайных составляющих не являются одинаковыми в различных наблюдениях: у2ui ? у2u у const, i, j = 1; n (i ? j), следовательно, можно будет сказать о гомоскедастичности. Тем не менее, в построенной модели у2ui = у2u, что означает, что гипотеза о присутствии гомоскедастичности принимается и мы можем говорить о наличии одинаковой дисперсии остатков при каждом различном значении фактора. Дисперсия каждого отклонения e1 будет одинакова для всех значений xi. Подтверждение данного утверждения можно увидеть на рисунке 9.

Рис4. Регрессионные остатки

Оценка качества модели и коэффициент детерминации

В построенной модели R2 = 0,665. Для получения данного значения было произведено 14 итераций, и, как раз 14 модель продемонстрировала наиболее высокую устойчивость. Необходимо также акцентировать внимание на том, что коэффициент детерминации за 14 шагов довольно сильно изменился. Это объясняется тем, что в регрессию могли входить предикторы, которые оказывают влияние друг на друга. Эти предикторы были исключены в процессе построения. Нужно также отметить, что остаточная изменчивость значений эффективности коммуникации будет равна 1-0,665. То есть, полученная модель объясняет 67% дисперсии.

Таблица 23 - Значение коэффициента детерминации

№	Коэффициент детерминации	Скорректированный коэффициент детерминации

Подобные документы

• Особенности межкультурной коммуникации студенческой молодежи

  Сетевое культурное взаимодействие как условие эффективной межкультурной коммуникации. Академическая мобильность молодежи в процессе культурной коммуникации. Культурные ориентиры и ценности студентов как средства межкультурной коммуникации, их результаты.
  
  контрольная работа [26,9 K], добавлен 29.04.2013
  

• Социологические эффекты массовой коммуникации

  Влияние массовой коммуникации на сознание и жизненные установки молодежи, ее роль в конструировании событийной линии социальной реальности. Концептуальная схема анализа научных коммуникаций. Развитие Интернет-коммуникации. Социальные игры в сети Интернет.
  
  реферат [25,0 K], добавлен 21.11.2009
  

• Массовая комуникация

  Понятие массовой коммуникации. Структура и функции массовой коммуникации. Эффективность массовой коммуникации. Интеграция и поступательное развитие современной цивилизации. Социальная сущность массовой коммуникации. Социализация индивида.
  
  реферат [38,6 K], добавлен 25.10.2006
  

• Реклама как вид социальной коммуникаций

  Основы, понятие, суть, и виды социальной коммуникации. Реклама как элемент социальной массовой коммуникации и её функции. Реклама как модель, вид и канал социальной коммуникации. Сущность и информационно-коммуникативные функции социальной рекламы.
  
  курсовая работа [104,4 K], добавлен 04.02.2009
  

• Коммуникации в малых группах

  Понятие социальной коммуникации как межнаучная сфера. В его разработке участвуют науки: герменевтика, лингвистика, логика, психология, социология, философия, эстетика. Обобщающая метатеория социальной коммуникации. Изучение коммуникаций в малых группах.
  
  реферат [188,3 K], добавлен 02.03.2009
  

• Продуктивная коммуникация как способ повышения эффективности социальной деятельности общественной организации (на примере общественной организации "Открытые сердца")

  Некоммерческие организации в системе социального обслуживания населения. Модели эффективной коммуникации. Семинар по развитию коммуникативной компетентности. Процесс коммуникации как условие эффективности деятельности организации "Открытые сердца".
  
  дипломная работа [3,7 M], добавлен 06.05.2011
  

• Электронная коммуникация

  Понятие и функции электронной коммуникации. Коммуникация как научная категория. Глобальная система Интернет как вид электронной коммуникации. Субъективный взгляд на проблему социальной коммуникации. Я и социальная память.
  
  курсовая работа [195,0 K], добавлен 19.11.2006
  

• Миграционная ситуация в России

  Взаимосвязь успешной межкультурной коммуникации с успешной миграционной политикой, адаптацией и интеграцией мигрантов в России. Проблемы коммуникации между мигрантами и местным населением. Культурная интеграция мигрантов (знание русского языка и общение).
  
  дипломная работа [301,6 K], добавлен 31.01.2018
  

• Социология коммуникации

  Характеристики массовой и межличностной коммуникации. Типологии и классификации основных средств массовой информации и коммуникации. Функции СМИ в политической системе и обществе. Государственное регулирование деятельности средств массовой коммуникации.
  
  курс лекций [118,2 K], добавлен 10.10.2010
  

• Роль коммуникации в обществе

  Коммуникация как компонент социального взаимодействия. Становление понятия "коммуникация" в социально-гуманитарном знании. Виды и функции социальной коммуникации. Изменение характера и роли коммуникации в современном обществе: социокультурный контекст.
  
  курсовая работа [67,0 K], добавлен 25.12.2013
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам