Projekt w przygotowaniu. Aktualizacja: 18.01.2023
Naukowa psychologia - uporządkowana i przedstawiona w zrozumiałej formie. Każdy plaster zawiera odsyłacze do bibliografii opisującej dany temat. Projekt przygotowany w: RAVA. Wysoka jakość treści wynika z uprzejmości badaczy i praktyków zajmujących się danymi dziedzinami zawodowo, którzy konsultują poszczególne zapisy.
Kontakt: [email protected].
facebook.com/plastryzpsychologii
filtruje niższe platformy | |
* | dodatkowe notatki |
link do strony zewnętrznej | |
zapisy bibliograficzne i odsyłacze | |
pojęcia, które warto znać w języku angielskim/oryginalnym oraz rozwinięcia ważnych skrótowców |
Możesz korzystać z zawartości tej strony do rozpowszechniania wiedzy np. wykładach lub na innej stronie internetowej albo w mediach społecznościowych pod warunkiem, że podasz link do niniejszej witryny jako źródła. Nie możesz wykorzystywać grafik i informacji zawartych na tej stronie do stworzenia podobnego serwisu.
Aktualizacja: 11.01.2023
RESET
Mapa
⟶
preparacyjne
wstęp do psychologii
metodologia i analiza danych
przyrodnicze podstawy psychologii
human.-społ. kontekst psychologii
⟶
elementarne
psychometria i metody
psychologia społeczna
psychologia różnic indywidual.
psychologia poznawcza
psychologia rozwoju
psychologia emocji
psychologia motywacji
⟶
syntetyzujące
psychologia osobowości
psycho- patologia
psychologia stresu
psychologia zdrowia
psychologia między- kulturowa
psychologia religijności i duchowości
psychologia wychowaw- cza
psychologia małżeństwa i rodziny
⟶
aplikacyjne
diagnoza psycholog.
pomoc psycholog.
psychologia kliniczna
psycho- terapia
psychologia rehabilitacji
psychologia sądowa i penitencjar.
psychologia śledcza i militarna
profilowanie behawioralne
psycho- technika
psychologia projektowa- nia
psychologia mediów i reklamy
psychologia polityczna i wpływu społ.
psychologia marketingu
psychologia organizacji
psychologia pracy
psychologia rozwoju zawodowego
kompetencje psycho- społeczne
wspomaganie rozwoju psych.
psychologia wychowaw. stosowana
psychologia sportu
psychologia zwierząt
RESET
Spory
⟶
teorie
Teoria pamięci roboczej Oberauera
Teoria osobowości C. Rogersa
Teoria konstruktów osobistych G. Kelly'ego
Teoria społecznego uczenia się A. Bandury
Klasyczna teoria testów psychologicz.
Cybernetyczna Teoria Wielkiej Piątki C.G. DeYounga
Regulacyjna Teoria Osobowości J. Reykowskiego
⟶
grupy teorii
Teorie relacji z obiektem
Pięcioczynnik. Model Osobowości (Wielka Piątka)
Dwuczynnik. modele osobowości
⟶
syntetyzujące
Kołowy Model Metacech Osobowości
Teoria tożsamości narracyjnej D.P. McAdamsa
Personologia H. Murraya
⟶
nurty
Nurt Critical Psychology
ANALIZA/OPIS STAT/CZESTOSCI (wybieramy zmienną)-> STATYSTYKI - i odczytujemy tabele z raportu wyników
przygotowanie danych do analizy "podsumowuje informacje o liczbie osób, które wybrały daną wartość zmiennej, a zatem o częstości wystąpienia tej wartości zmiennej w zbiorze danych" ANALIZA/OPIS STAT/CZĘSTOŚCI - dobrze jest zaczynać analizy od obejrzenia częstości, bo wychodzą błędy wpisywania danych z tabelek w raporcie dowiadujemy się ile mamy OB i ile mamy braków danych w wierszach mamy wartości zmiennej i tu wyłazi - jeśli się pomylimy przy wprowadzaniu danych do spssa - (np 22, zamiast wartości 1-5) - bo pojawi się w wierszu - w wierszu są zapisane etykiety wartości w drugiej kolumnie - liczebności wartości zmeinnej więc jakie wartości zmiennej były u ilu osób? ile to procent z całej próby? proc skumulowany - dla skal min porządkowej w przypadku zmiennych ilościowych - mamy b dużo możliwych wartości zmiennej i tabela częstości jest ogromna - i tu z pomocą przychodzą wykresy wróćmy do okienka CZĘSTOŚCI -> wykresy wykres słupkowy - X=wartości zmiennej; Y - ilość osób wykres kołowy - to samo co słupkowy, tylko uwzględnia tez braki danych; on dla danych ilościowych się nie nadaje, bo za dużo kawałków by miał histogram - do zmiennych ilościowych najlepszy - bo on "prezentuje częstości tzw. przedziałów klasowych - gdzie wartości zmiennej grupowane są w przedziały o równej rozpiętości - więc w skondensowany sposób pokazuje info o wartościach zmiennej" można edytować ilość przedziałów na histogramie (dwukr klik na wykres w raporcie) można też robić wykresy z menu głównego
-> Analiza/średnie/jednoczynnikowa analiza wariancji
przerzucamy testowaną zmienną zależną i czynnik (zmienną niezależną, np. grupy wiekowe)
OPCJE: statystyki opisowe i wykresy średnich, jednorodność wariancji
OK
-> Raport wyników:
1. odczytujemy: F i istotność
zapisujemy: F(df międzygr, df wewgr) = ...; p = ...
2. jeśli F było istotne, to żeby móc stwierdzić, które średnie od których się różnią, wykonujemy -> testy POST HOC
(w przypadku hipotez niekierunkowych), np. test Bonferroniego czy T3 Dunetta (w zależności od spełnienia zalożenia o jednorodności wariancji).
W przypadku kierunkowych hipotez (gdy przed wykonaniem analizy wiemy np. z wcześniejszych badań lub teorii, które grupy chcemy
między sobą porównać i jakich wyników oczekujemy), zamiast testów post hoc wykonujemy porównania a priori (kontrasty / porównania planowane).
Testy kontrastów wymagają przypisania poszczególnym grupom wag,które są wartościami dodatnimi i ujemnymi,ze względu na wskazanie programowi,
które grupy będą porównywane. Grupy,które chcemy ze sobą skontrastować,powinny mieć przypisaną taką samą wartość wag, lecz o przeciwnym
znaku (np.-1 i +1 lub +2,-1,-1). Jeśli jakąś grupę chcemy wyłączyć z porównań to przypisujemy jej wartość 0.
W celu przestestowania hipotezy... [podać] przeprowadzono jednoczynnikową analizę wariancji w planie dla grup niezależnych.
Uzyskano istotny statystycznie efekt [wymienić], F(df międzygr, df wewgr) = ...; p = ...
Aby odpowiedzieć na pytania kierunkowe [jeśli kontrasty] przeprowadzono porównania planowane [tu opisać co z czym było porównywane], za każdym razem raportując po przecinku testy t, istotność i średnie.
LUB
Przeprowadzone porównania post hoc za pomocą testu ...[podać]... ujawniły istotne różnice (p = ...)
między grupami ... [podać wraz ze średnimi i wnioskami: co od czego było większe].
Przed przystąpieniem do analizy, warto sprawdzić na wykresach rozrzutu kształt zależności wyników.
-> Analiza/Korelacje/Parami
Możemy przenieść więcej niż 2 zmienne, wtedy program liczy korelację każdej z każdą.
-> Raport wyników:
Interpretujemy macierz korelacji, sprawdzając, które zależności są istotne statystycznie (p < 0,05), jaki mają kierunek (dodatnie/ujemne korelacje) i siłę (wysokie/umiarkowane/niskie korelacje).
Analiza korelacji przy użyciu współczynnika r-Pearsona pomiędzy ...[podać pary korelowanych zmiennych]...
ujawniła istotne zależności: r = ...; p < 0,05 [zaportować statystykę r - dla poszczególnych par, które wymieniamy].
Istnieje silny/umiarkowany/słaby [wybrać] związek między ...[podać]... Wysokim wartościom jednej zmiennej towarzyszą wysokie/niskie [wybrać] wartości drugiej zmiennej.
Model, w którym … jest predyktorem … okazał się istotny, F(df, df) = …; p …. Na podstawie skorygowanego współczynnika R2 model wyjaśnia … % wariancji zmiennej zależnej. … jest istotnym predyktorem …, t(df) = …; p … Zależność między predyktorem a zmienną zależną jest (silna/słaba) i (ujemna/dodatnia), β = … Oznacza to, że wraz ze wzrostem … (predyktor) o jeden punkt można oczekiwać wzrostu/spadku ... (zm. zależna).
-> Analiza/Regresja/Liniowa
Uzupełniamy zmienną zależną i zmienne niezależne (w regresji wielozmiennowej wrzuca się tu kilka predyktorów).
Statystyki:
dopasowanie modelu,
oszacowania,
stat opisowe,
korelacje cząstkowe i semicząstkowe,
test współliniowości (tolerancja i VIF)
ewentualnie:
Wykresy: ZPRED-> X, ZRESID -> Y i histogram i normal p plot i partial plots
ZAPISZ: Cook's distance
-> Raport wyników:
1. Tabela korelacji:
patrzymy na korelacje między predyktorami (nie chcemy duyżych) jeśli są większe niż 0,7, to niedobrze i lepiej nie robić regresji liniowej.
Chcemy też, żeby zmienna zależna korelowała z predyktorami (musi być związek liniowy między nimi) - najlepiej by była to korelacja większa niż 0,3.
2. Tabela ANOVA:
jeśli jest istotne F, to model regresji pozwala lepiej przewidywać wyniki zmiennej zależnej niż średnia
- czyli model, w którym predyktorami są zmienne x1 i x2 i (xn) istotnie wyjaśnia zmienną y.
3. Tabela współczynników:
Pożądanymi wartościami dla Tolerancji i VIF są wartości blisko 1.
4. tabela Statystyki reszt (residuals statistics)
szukam standard residual (chcemy, żeby min i max nie przekraczały od -3 do 3),
odległość Cooka - max 1
5. Tabela z podsumowaniem wyników:
Interpretujemy wyjaśnioną wariancję: jaki procent wariancji zmiennej zależnej jest wyjaśniany przez predyktory
(jaka jest efektywność modelu): R2 lub skorygowane R2 (dla regresji wielozmiennowej).
Korelacje czątkowe i semicząstkowe wyjaśniają unikatowy wkład każdego predyktora.
Jeśli korelacje semicząstkowe (ang. part) podniesie się do kwadratu i pomnoży przez 100%, uzyska się procent wariancji
zmiennej zależnej, który jest wyjaśniony wyłącznie przez dany predyktor.
Zero-order correlation - ma w sobie oprócz wariancji predyktora, jeszcze tą cząstkę współdzieloną z drugim predyktorem.
Cząstkowa korelacja (ang. partial) informuje o tym, ile wariancji wyjaśnia cały jeden predyktor
(łącznie z tym co nachodzi na drugi predyktor).
6. Tabela Współczynniki:
Tu są dokładne informacje o tym, które zmienne wyjaśniające (predyktory) pozawalają przewidywać (i w jaki sposób)
zmienną zależną: zmienne niestandar. będą użyte w równaniu:
Stała/b0 - przewidywana wartość zmiennej zależnej, dla której wartość predyktora wynosi zero.
Współczynnik B/b1/a (drugi wiersz w tabeli) - nachylenie prostej względem osi X (jak szybko zmieniają się wartości zmiennej zależnej, jeśli wartość predyktora wzrośnie o 1 punkt).
Współczynnik Beta (β) - współczynnik nachylenia prostej wyrażony w jednostkach odchylenia standardowego;
w analizie regr wielokrotnej - pomaga ocenić, który z predyktorów ma większą siłę i jest silniej powiązany ze zmienną zależną,
czy dany predyktor wyjaśnia istotnie zmienną zależną (istotność), w jakim kierunku (dodatnim czy ujemnym) oraz jaka jest siła relacji.
Interpretacja (jak r-Pearsona, od -1 do 1): zwiększając wartość predyktora o jedno odchylenie standardowe, wartość zmiennej zależnej wzrośnie o...(beta) odchylenia standardowego,
więc po prostu patrzymy - które beta - dla ktrórego predyktora jest większe.
wartość t - weryfikacja istotności współczynników regresji (t = Beta/błąd standardowy)
- jeśli t jest nieistotny dla stałej, to nie różni się ona od zera,
a jeśli jest t nieistotne dla B - (też nie różne od zera) - wraz ze wzrostem zmiennej niezależnej
o jedną jednostkę, zmienna zależna się nie zmieni (zmieni się o zero jednostek)
7. Tabela z podsumowaniem modelu zawiera błąd standardowy oszacowania - dodajemy go do równania, gdy chcemy generalizować wyniki na populację.
Wyraża on rozbieżność my przewidywanymi wartościami a rzeczywistymi danymi (miara dokładności przewidywań).
0. Sprawdzenie założeń
1. Określenie liczby czynników
Kryteria wyodrębniania liczby czynników:
2. Interpretacja treści czynników
Metody obliczania ładunków czynnikowych:
Metody rotacji wektorów reprezentujących czynniki
Metody estymacji współczynników ocen czynnikowych przy zapisywaniu czynników jako zmienne:
Raport wyników:
Pojęcie umysłu powstało dużo wcześniej. W psychologii poznawczej umysł rozumiany jest jako system wyspecjalizowany w odbiorze i przetwarzaniu informacji. Metafora przetwarzania informacji wywodzi się z cybernetyki i matematycznej teorii informacji, które w latach '50. rozwijały się tak mocno, że wpłynęły na kształtowanie się nauk o poznaniu, w tym psych. poznawczej. W filozofii umysł jest rozumiany także jako podmiot doznań i myśli (świadoma część psychiki).
W zakładce [UMYSŁ] przedstawimy różne modele teoretyczne umysłu, wyobrażając je sobie jako statek kosmiczny. Jest to tylko metafora, mająca ułatwić zapamiętanie treści.