|
900 . 0548 . 0857 1000 . 0520 . 0813 Приведем расчеты для нашего вычисления на примере 20 обсле- дуемых. m = 20 -2 = 18. g = 1 - 0,05 (мы приняли а = o,1). По приведенной таблице критические значения Rxy равны 0.3783 при а = 0.1 и 0.5614 при а = 0,01. Это означает, что если коэффициент корреляции по абсолютной величине больше 0,3873, то с точностью 90% мы можем доверять выявленной тен- денции: примененная батарея тестов достаточно прогностична. Если же мы хотим убедиться в этом с вероятностью 99%, то ко- эффициент корреляции должен быть не менее /0,5614/. У нас Rxy = 0,861, то есть мы можем быть достаточно уверенными в высокой прогностичности примененных тестов на практическую работу. Но вот мы это определили на примере 8 человек (обследуемые под номерами 1,3,4,5,9,12,14,17) - Rxy близок к + 1. Каковы критические значения Rxy для этого случая? m = 8 - 2 = 6. По таблице находим эти значения: 0. 6215 для а = 0,1 и 0.8343 для а = 0,01. И в этом случае мы можем быть достаточно уверены в истинности заключения о прогностичности полученных результатов. Но вот в третьем случае, когда коэффициент корреляции близок к О,5 (это найдено на примере 6 обследуемых - под но- мерами 6,7,8,10,11,13), сделать вывод о надежности полученных результатов нельзя. В этом случае m = 4. Критические значения Rxy равны соответственно 0.7293 и 0.9172. Наше значение Rxy меньше критического. Мы не можем сказать ничего определенного о достоверности произведенных вычислений, предполагая все же, что статистически значимой связи между двумя переменными нет. Подобным образом отвергаются или наоборот доказываются гипотеза о независимости двух переменных - X и Y, так называе- мая 0-гипотеза. Приведенный пример показателен и в том отношении, что на малых выборках, даже пользуясь статистическими таблицами, мож- но получить различные, порой весьма противоречивые выводы. Действительно устойчивые результаты получаются на выборках от — 76 —
|