Принятие решений в неопределенности стр.240

Таким образом, существует множество типов верных линейных моделей, и они используются в различных контекстах. Один пример (Dawes, 1971) рассматривает прогнозирование факультетских рейтингов аспирантов. Все аспиранты отделения психологии Университета штата Орегон, которые были приняты в период с осени 1964 по осень 1967 - и те, кто выбыл из программы по неакадемическим причинам (например, психическое заболевание или вступление в брак) -- были оценены весной 1969 года; сотрудники факультета оценили только тех студентов, в ком они были уверены. Использовалась следующая оценочная шкала: 5 - выдающийся, 4 - выше среднего, 3 - средний, 2 - ниже среднего, 1 - выбывший из программы по академическим трудностям. Такие оценивания являются психологически интересными критериями, потому что субъективные впечатления сотрудников факультета являются главными детерминантами работы (если он идет работать), которую студент получает после окончания аспирантуры. В качестве выборки выступили 111 студентов, количество сотрудников факультета, оценивающих каждого из этих студентов, варьировалось от 1 до 20, со средним - 5.67 и медианой - 5. Оценки были надежными. (Чтобы определить надежность, оценки были подвергнуты однофакторному дисперсионному анализу, при котором каждый оцениваемый студент принимался за единицу анализа. Результирующее отношение межгрупповых дисперсий (п2) было 0.67, и находилось ниже уровня значимости 0.001). Эти факультетские рейтинги прогнозировались по проверенной линейной модели, основанной на оценках выпускных экзаменов, средних оценок на старших курсах и меры избирательности студентами образовательных курсов.1 Подтвержденная перекрестными исследованиями множественная корреляция между факультетским рейтингом и предсказывающими переменными была 0.38. В соответствии с результатами Мила, корреляция последних факультетских рейтингов со средними оценками сотрудников приемной комиссии, которая отбирала студентов составила 0,192, то есть она объясняла одну четвертую общей дисперсии. Этот пример типичен для психологических исследований в данной области: (а) корреляция с предсказаниями модели выше, чем корреляция с клиническим прогнозом, но (Ь) обе корреляции низкие. Подобные характеристики часто приводят психологов к следующей интерпретации вывода: в то время, как низкая корреляция модели показывает, что линейное моделирование является несостоятельным как метод, низкие корреляции экспертов означают лишь то, что использовались плохие эксперты.

Ложная линейная модель — эта та, в которой веса выбраны неким неоптимальным методом. Они могут быть выбраны с условием равенства, они могут быть выбраны, основываясь на интуиции человека, делающего прогноз, или они могут быть выбраны случайным образом. Тем не менее, ложные модели могут быть очень полезными. Когда, например, стандартизированные оценки выпускных экзаменов, средние оценки на старших курсах и индексы избирательности в предыдущем примере были равно оценены, итоговый результат коррелировал как 0.48 с последним факультетским рейтингом. Корреляция была не только выше, чем при клиническом оценивании комиссии (0.19), но она также была выше, чем полученная на основе значений, взятых из половины выборки.

Пример ложной модели, который может быть интересен — по крайней мере, широкой публике — был инициирован врачом, который входил в состав комиссии вместе со мной, когда я занимался системой прогнозирования. Позднее, находясь в баре со своей женой и со мной, он сказал, что моя статья могла быть интересна моим коллегам, но успешное обучение в аспирантуре в области психологии не представляет особого интереса: "Мог бы ты, например, использовать одну из своих ложных моделей, чтобы предсказать, на сколько хорошо мы ладим с женой" — сказал он. Я понял, что мог бы или возможно смог бы. В то время психологическое отделение университета штата Орегон занималось гендерными исследованиями, большинство из которых были поведенчески ориентированы. Таким образом, участники этих исследований фиксировали, когда они занимались любовью, когда они ссорились и когда они встречались (например, с родственниками супруга/супруги) и т.д. Эти испытуемые также делали субъективные оценки относительно того, насколько счастливы они были в семейной жизни. Я сразу же подумал о ложных линейных моделях, чтобы спрогнозировать самооценки семейного счастья: количество раз занятия любовью минус количество ссор. Мой коллега Джон Ховард (John Howard) собрал такие данные о супружеских парах, когда он был аспирантом в университете штата Миссури, Канзас-Сити, где он работал с Александер (Alexander, 1971). После того, как была установлена достоверность оценивания занятий любовью и ссор, Александер просила одного супруга из 42 пар контролировать эти события. Она позволила нам анализировать данные, которые были получены: "В 30 парах, которые счастливы в браке (по мнению контролирующего супруга), только две ссорились чаще, чем занимались любовью. Все 12 пар, несчастливых в браке, ссорились гораздо чаще" (Howard & Dawes, 1976, с.478). Мы повторили это исследование в университете штата Орегон, где 27 контролирующих супругов оценили счастье по 7-бальной шкале, от "очень несчастны" до "очень счастливы" с нейтральным средним баллом. Корреляция частоты занятий любовью минус частота ссор с этими оценками супружеского счастья составила 0.40 (р<0.05), ни одна из переменных не была значима сама по себе. Исследование было повторено в штате Миссури Эдвардсом и Эдвардсом (Edwards & Edwards, 1979) и в Техасе Торнтоном (Thornton,


⇐ назад к прежней странице | | перейти на следующую страницу ⇒