Планирование экспериментального исследования. Планирование экспериментов. Планирование психологического эксперимента

Статистический подход, рассмотренный в предыдущем разделе, можно использовать в любом случае, когда требуется выяснить, отличается ли реально или, во всяком случае, статистически значимо некоторая полученная в эксперименте величина - среднее значение, коэффициент корреляции и т. п. от ее теоретического значения. Нас, скажем, может интересовать, достаточно ли отличается от 0,5 наблюдаемая частота рекомбинаций между двумя генетическими локусами в потомстве от возвратного скрещивания для того, чтобы можно было заключить, что данные локусы лежат в одной и той же хромосоме. Или, например, требуется выяснить, значимо ли статистически наблюдаемое различие между числом образующихся мужских и женских гамет. Далее, может возникнуть необходимость в определении частоты случаев выздоровления после какого-то заболевания - либо при испытании того или иного препарата, либо при сравнении эффективности двух препаратов. Замечательная особенность такого статистического анализа состоит в том, что все виды неизбежной естественной изменчивости, составляющей как бы «фон», на котором проявляется изменчивость, связанная с исследуемым фактором, учитываются в комплексе путем использования соответствующего распределения вероятностей.

Если фоновая изменчивость очень велика, то для получения окончательных результатов может потребоваться очень большое число наблюдений, а когда она сравнительно мала, результат будет получен значительно быстрее.

Если какой-либо эффект вызывается очень большим числом различных факторов, то вполне возможно, что фоновая изменчивость будет весьма велика. В таких случаях целесообразно попытаться выделить некоторые из этих факторов, даже если их невозможно полностью контролировать или исключить. Часто оказывается возможным разбить общую изменчивость на отдельные компоненты, из которых один соответствует исследуемому фактору, несколько других - другим воздействиям, допускающим возможность раздельной оценки, и последний - остальным воздействиям, раздельная оценка которых невозможна. Поскольку влияние последней группы факторов, безусловно, будет слабее, чем влияние исследуемого фактора, то это обеспечивает более точную статистическую проверку. Искусство располагать наблюдения в определенном порядке или проводить специально спланированные проверки с целью полного использования возможностей этих методов и составляет содержание предмета «планирование эксперимента». Детальное изложение существующих методов планирования эксперимента можно найти в литературе (см., например, ). В настоящем разделе мы осветим лишь некоторые основные преимущества сознательного и продуманного планирования эксперимента.

Допустим, например, что требуется сравнить болеутоляющее действие двух различных лекарственных препаратов А и В. Пусть подобрано 16 больных и принято решение разделить их случайным образом (во избежание какой-либо сознательно или непроизвольно вносимой систематической ошибки) на две группы, по 8 больных в каждой. Одна группа получает препарат А, а другая - препарат В. Затем измеряют время, в течение которого каждый из больных испытывает облегчение, и сравнивают средние значения по обеим группам. Если среднее время для препарата А значимо превышает среднее время для препарата В, то можно сделать вывод, что первый препарат более эффективен. (В данном случае несущественно, какой статистический критерий используется. Поскольку рассматривается небольшое число объектов, это может быть один из критериев Стьюдента.) Известно, что больные по-разному реагируют на один и тот же лекарственный препарат, поэтому продолжительность периода облегчения обычно сильно варьирует, что значительно понижает точность сравнения этих двух препаратов.

Однако в данном эксперименте различия между больными не представляют для нас особого интереса, и этот источник погрешности можно исключить следующим образом. Вместо того чтобы делить больных на две группы, проверяют на каждом из них оба препарата, назначая их последовательно через достаточно большие промежутки времени (чтобы избежать взаимодействия) и в случайном порядке (или, возможно, в одном порядке для одной половины больных и в другом порядке для другой). Теперь для каждого больного определяют относительное преимущество препарата А перед препаратом В, для чего вычисляют суммарную продолжительность периода облегчения для каждого из них и находят разность этих двух величин. Таким образом получают 16 чисел, характеризующих относительное преимущество одного препарата перед другим, что позволяет проверить, значимо ли отличается от нуля их среднее значение. Положительная разность свидетельствует о статистически значимом преимуществе препарата А, отрицательная - об обратном соотношении. Рассматривая показатели относительного преимущества, мы исключаем влияние реакции отдельных больных и в общем случае добиваемся более эффективного сравнения этих двух лекарств.

Такая простая проверка методом попарного сравнения представляет собой простейший план эксперимента, имеющий целью извлечь максимальное количество информации из данного числа наблюдений. Заметим, что этот план имеет и свои дополнительные особенности, так как требует особого внимания к ряду практических вопросов, например к тому, чтобы препараты назначались в случайном порядке (во избежание нежелательной систематической ошибки) и через достаточно большие промежутки времени (для исключения эффектов взаимодействия); однако здесь мы не можем детально рассматривать эти вопросы.

Мы показали, каким образом при проверке методом попарного сравнения можно контролировать или исключать из рассмотрения какой-либо один важный и явный источник изменчивости. В более общем случае могут быть спланированы факторные эксперименты, с помощью которых можно определить вклад каждого из нескольких факторов в общую изменчивость. Некоторые из этих факторов могут представлять особый интерес, тогда как другие имеют второстепенное значение. Идея и практическое применение этого нового подхода, принадлежащего главным образом Р. Фишеру, получили широкое распространение после появления его книги «Планирование экспериментов», вышедшей первым изданием в 1935 г. Большинство фундаментальных работ в области планирования эксперимента было посвящено сельскохозяйственным приложениям.

Допустим, требуется сравнить среднюю урожайность нескольких сортов пшеницы при применении различных удобрений в различной концентрации, учитывая при этом колебания в плодородии почвы на достаточно больших участках земли, которые можно разбить на делянки подходящих размеров. Для начала можно попытаться составить план эксперимента, в котором будут рассматриваться все возможные комбинации значений, или уровней, различных факторов. Так, если имеются четыре сорта пшеницы и три различных вида удобрений, применяемых в трех различных концентрациях, то общее число комбинаций условий будет равно 36. Таким образом, исходное число делянок в одном блоке факторного эксперимента будет равно 36 - по одной делянке на каждую комбинацию условий. Вследствие возможного колебания в плодородии почвы от одного блока к другому может оказаться целесообразным иметь не менее двух полных блоков.

Применение факторного плана вместо классической схемы, согласно которой каждый раз изменяется только один фактор, имеет ряд серьезных и даже несколько неожиданных преимуществ. Прежде всего в этом случае становится значительно более полной картина влияния каждого фактора, поскольку оно изучается в самых различных условиях (вследствие одновременного изменения других факторов). Во-вторых, большое число комбинаций факторов, используемых в эксперименте, облегчает предсказание результатов, которые могут быть достигнуты при определенной комбинации условий. В-третьих, если эффекты, вызываемые каждым фактором, включаемым в эксперимент, статистически независимы, то о каждом факторе можно получить не меньше информации, чем если бы в процессе эксперимента изменялся только один этот фактор, а остальные оставались постоянными. В-четвертых, если (как это часто бывает) различные факторы не являются независимыми, а вызывают эффекты, которые в большей или меньшей степени коррелированы, то в этом случае только факторный эксперимент может дать информацию о характере этих взаимодействий. При наличии нескольких взаимосвязанных существенных факторов обойтись без постановки факторного эксперимента невозможно. Для ряда часто встречающихся специальных задач разработано большое число стандартных планов такого типа.

Согласно некоторым из этих простейших планов, эксперимент проводят на нескольких блоках и внутри каждого из них на отдельных делянках проверяют влияние всех уровней какого-то одного фактора. При правильном планировании получают рандомизированный блочный план. В сельскохозяйственных задачах блоками могут служить участки земли на различных полях, а уровнями одного фактора - ступенчатая последовательность концентраций удобрений или просто различные сорта пшеницы.

В лабораторном эксперименте, в котором, скажем, проверяется влияние различных рационов питания на крыс, рационы питания будут испытываемыми условиями, а крысы - отдельными экспериментальными единицами (соответствующими делянкам в сельскохозяйственном эксперименте). Если бы мы могли использовать в эксперименте животных отдельных пометов, подвергая каждому воздействию по одному животному из каждого помета, то каждый помет можно было бы рассматривать как отдельный блок.

В рассмотренной выше простой проверке методом попарного сравнения также можно было бы применить рандомизированный блочный план; тогда каждого больного можно было бы рассматривать как отдельный блок, а лекарственные препараты - как условия эксперимента.

Хотя иногда бывает трудно перенести планы экспериментов, разработанные для одной области, особенно для сельского хозяйства, в совершенно другую область, лежащая в их основе логическая схема часто оказывается весьма сходной. Поэтому целесообразно тщательно обдумать возможность того, чтобы при надлежащей интерпретации элементов какого-либо определенного плана эксперимента можно было обеспечить его успешное применение в задачах совершенно иного характера. Это иллюстрирует большие возможности математических методов планирования эксперимента. В основе планирования должна, разумеется, лежать некоторая исходная математическая модель. Опишем самую простую из них, которая в том или ином варианте используется наиболее широко. Пусть требуется исследовать влияние только двух факторов А и В. Допустим, что наблюдаемое на некоторой экспериментальной единице влияние уровня фактора А и уровня фактора В можно записать в виде

где - наблюдаемая величина, - общее среднее, - относительные вклады этих двух факторов при заданных уровнях каждого из них, - случайное изменение, налагаемое на основную линейную аддитивную схему. Кроме того, часто принимается, что все величины имеют одно и то же нормальное распределение и независимы друг от друга. Эти ограничения весьма серьезны, однако часто принятие их в качестве первого приближения вполне оправданно. Так, если влияние этих факторов мало, то заметную величину будут иметь только линейные члены и возможными членами второго порядка можно пренебречь. При независимости факторов формула (2.4) вполне удовлетворительна. Но если они взаимодействуют друг с другом, то следует включить в нее дополнительные члены с, учитывающие это взаимодействие.

Можно, однако, выполнить проверку значимости на основе формулы (2.4), чтобы убедиться, нужны ли члены, характеризующие взаимодействие. Кроме того, если случайные величины не распределены по нормальному закону, то можно использовать какую-либо функцию эмпирических результатов (например, квадратные корни или логарифмы), для которой сохраняется нормальный закон распределения.

На основе элементарной формулы (2.4) легко построить модели, учитывающие множество факторов, блоков, взаимодействий и других усложнений, вызываемых практической необходимостью в каждом данном эксперименте. Дело в том, что в очень многих случаях необходимые вычисления относительно просты и выполняются непосредственно. Обычно приходится производить повторяющиеся вычисления сумм и сумм квадратов данных, выбранных соответствующим образом. Результаты представляют в виде таблицы дисперсионного анализа, с помощью которой можно установить значимость всех различных факторов, влияющих на результаты эксперимента.

Одним из современных вариантов планирования экспериментов, который следует рассмотреть особо, является последовательностная схема эксперимента. В эксперименте стандартного типа необходимо заранее решить, сколько наблюдений нужно набрать. Если после анализа обнаружится, что число наблюдений слишком мало, то нужно попытаться продолжить эксперимент, однако может оказаться, что на данном этапе сделать это трудно или невозможно. Если же выяснится, что получено значительно больше наблюдений, чем необходимо для достижения требуемой точности, то будут потеряны время и деньги. В медицинских задачах это имеет особенно существенное значение. Ни один врач не заинтересован в том, чтобы эксперимент длился дольше, чем это строго необходимо, так как его цель - дать своим больным наилучший из существующих препаратов, как только он пройдет клинические испытания. Таким образом, в медицине выбор и планирование эксперимента теснейшим образом связаны с этическими соображениями. Последовательностная схема предусматривает проведение эксперимента отдельными сериями. Оценка результатов производится на каждом этапе, с тем чтобы немедленно можно было решить, применять препарат А, препарат В или же продолжать эксперимент, поскольку окончательного вывода сделать еще нельзя. При такой схеме эксперимента длительность его будет минимальна и он закончится значительно раньше, чем в любом другом случае. Кроме того, в медицине часто бывает очень трудно или даже вообще невозможно провести обычную экспериментальную проверку, так как после нескольких неудачных исходов, которые могут закончиться смертью больного, начинаются острые споры о том, следует ли продолжать эксперимент вообще.

Последовательностная схема означает, что заранее можно тщательно и спокойно рассмотреть различные линии поведения, обусловливаемые различными исходами эксперимента. При этом значительно легче выбрать наилучшие решения непосредственно в ходе эксперимента и совместить требования этики со статистической эффективностью. Более детально методы последовательностного анализа в медицине рассмотрены в книге Эрмитажа .

Недостаток места не позволяет продолжать здесь изложение теории планирования эксперимента, тем более что этому предмету посвящена уже огромная литература г. Наша основная цель состояла в том, чтобы показать, каким образом с помощью простой математической модели процесса, на который одновременно воздействуют несколько факторов (носящих, возможно, в значительной мере вероятностный характер), можно с достаточной точностью выяснить степень влияния каждого из этих факторов в отдельности. Это позволяет применять для проверки значимости влияния крайне изменчивых и одновременно действующих факторов простые статистические критерии, описанные в разд. 2.2. А именно такой подход и необходим для исследования всего огромного многообразия явлений, встречающихся в биологии и медицине.

Планирование эксперимента

Учебное пособие

Воронеж 2013

ФГБОУВПО «Воронежский государственный технический университет»

Планирование эксперимента

Утверждено Редакционно-издательским советом университета в качестве учебного пособия

Воронеж 2013

УДК: 629.7.02

Попов эксперимента: учеб. пособие. Воронеж: ФГБОУВПО «Воронежский государственный технический университет», 20с.

В учебном пособии рассматривается вопрос планирования эксперимента. Издание соответствует требованиям Государственного образовательного стандарта высшего профессионального образования по направлению 652100 «Авиастроение», специальности 160201 «Самолето - и вертолетостроение », дисциплине «Планирование экспериментов и обработка результатов».

Учебное пособие разработано в рамках реализации федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 2009 – 2013 годы, соглашение № 14.B37.21.1824, связанной с выполнением научно-исследовательской работы (проекта) по теме «Исследование, разработка конструкции неразрезных эллиптических обтекателей воздухозаборников двигателей летательных аппаратов и моделирование технологического процесса»

Табл. 3. Ил. 8. Библиогр.: 4 назв.

Научный редактор канд. техн. наук, доц.

Рецензенты: филиал «Иркут»» в г. Воронеже (зам. руководителя, канд. техн. наук, с. н.с.);

Канд. техн. наук

© Оформление. ФГБОУВПО «Воронежский государственный технический Университет», 2013

Введение

Традиционные методы исследований связаны с экспериментами, которые требуют больших затрат, сил и средств.

Эксперименты, как правило, являются многофакторными и связаны с оптимизацией качества материалов, отысканием оптимальных условий проведения технологических процессов, разработкой наиболее рациональных конструкций оборудования и т. д. Системы, которые служат объектом таких исследований, очень часто являются такими сложными, что не поддаются теоретическому изучению в разумные сроки. Поэтому, несмотря на значительный объем выполненных научно-исследовательских работ, из-за отсутствия реальной возможности достаточно полно изучить значительное число объектов исследования, как следствие, многие решения принимаются на основании информации, имеющей случайный характер, и поэтому далеки от оптимальных.

Исходя из выше изложенного возникает необходимость поиска пути, позволяющего вести исследовательскую работу ускоренными темпами и обеспечивающим принятие решений, близких к оптимальным. Этим путем и явились статистические методы планирования эксперимента, предложенные английским статистиком Рональдом Фишером (конец двадцатых годов). Он впервые показал целесообразность одновременного варьирования всеми факторами в противовес широко распространенному однофакторному эксперименту .

Применение планирования эксперимента делает поведение экспериментатора целенаправленным и организованным, существенно способствует повышению производительности труда и надежности полученных результатов. Важным достоинством является его универсальность, пригодность в огромном большинстве областей исследований. В нашей стране планирование эксперимента развивается с 1960 г. под руководством. Однако даже простая процедура планирования весьма непроста, что обусловлено рядом причин, таких как неверное применение методов планирования, выбор не самого оптимального пути исследования, недостаточность практического опыта, недостаточная математическая подготовленность экспериментатора и т. д.

Цель данного учебного пособия – ознакомление студентов с наиболее часто применяемыми и простыми методами планирования эксперимента, выработка навыков практического применения. Более подробно рассмотрена задача оптимизации процессов.

1 Основные понятия планирования эксперимента

Планирование эксперимента, имеет свою определенную терминологию. Рассмотрим общие термины.

Эксперимент - это система операций, воздействий и (или) наблюдений, направленных на получение информации об объекте при исследовательских испытаниях.

Опыт - воспроизведение исследуемого явления в определенных условиях проведения эксперимента при возможности регистрации его результатов. Опыт - отдельная элементарная часть эксперимента.

Планирование эксперимента - процедура выбора числа опытов и условий их проведения, необходимых для решения поставленной задачи с требуемой точностью. Все факторы, определяющие процесс, изменяются одновременно по специальным правилам, а результаты эксперимента представляются в виде математической модели.

Задачи, для решения которых может использоваться планирование эксперимента, чрезвычайно разнообразны. К ним относятся: поиск оптимальных условий, построение интерполяционных формул, выбор существенных факторов, оценка и уточнение констант теоретических моделей, выбор наиболее приемлемых из некоторого множества гипотез о механизме явлений, исследование диаграмм состав – свойство и т. д.

Поиск оптимальных условий является одной из наиболее распространенных научно-технических задач. Они возникают в тот момент, когда установлена возможность проведения процесса и необходимо найти наилучшие (оптимальные) условия его реализации. Такие задачи называются – задачами оптимизации. Процесс их решения называется – процессом оптимизации или просто оптимизацией. Примеры задачи оптимизации – выбор оптимального состава многокомпонентных смесей и сплавов, повышение производительности действующих установок, повышение качества продукции, снижение затрат на ее получение и т. п.

Выделяют следующие этапы построения математической модели

1. сбор и анализ априорной информации;

2. выбор факторов и выходных переменных, области экспериментирования;

3. выбор математической модели, с помощью которой будут представляться экспериментальные данные;

5. определение метода анализа данных;

6. проведение эксперимента;

7. проверка статистических предпосылок для полученных экспериментальных данных;

8. обработка результатов;

Факторы определяют состояние объекта. Основное требование к факторам - управляемость. Под управляемостью понимается установление нужного значения фактора (уровня) и поддержание его в течение всего опыта. В этом состоит особенность активного эксперимента. Факторы могут быть количественными и качественными. Примерами количественных факторов являются температура, давление, концентрация и т. п. Их уровням соответствует числовая шкала. Различные катализаторы, конструкции аппаратов, способы лечения, методики преподавания являются примерами качественных факторов. Уровням таких факторов не соответствует числовая шкала, и их порядок не играет роли.

Выходные переменные - это реакции (отклики) на воздействие факторов. Отклик зависит от специфики исследования и может быть экономическим (прибыль, рентабельность), технологическим (выход, надежность), психологическим, статистическим и т. д. Параметр оптимизации должен быть эффективным с точки зрения достижения цели, универсальным, количественным, выражаемым числом, имеющим физический смысл, быть простым и легко вычисляемым.

Затраты машинного времени можно значительно сократить, если на этапе оптимизации параметров использовать экспериментальную факторную математическую модель. Экспериментальные факторные модели, в отличие от теоретических, не используют физических законов, описывающих происходящие в объектах процессы, а представляют собой некоторые формальные зависимости выходных параметров от внутренних и внешних параметров объектов проектирования.

Экспериментальная факторная модель может быть построена на основе проведения экспериментов непосредственно на самом техническом объекте (физические эксперименты), либо вычислительных экспериментов на ЭВМ с теоретической моделью.

Рисунок 1

При построении экспериментальной факторной модели объект моделирования (проектируемая техническая система) представляется в виде "черного ящика", на вход которого подаются некоторые переменные Xи Z, а на выходе можно наблюдать и регистрировать переменные Y.

В процессе проведения эксперимента изменение переменных Xи Zприводит к изменениям выходных переменных Y. Для построения факторной модели необходимо регистрировать эти изменения и осуществить необходимую их статистическую обработку для определения параметров модели.

При проведении физического эксперимента переменными Xможно управлять, изменяя их величину по заданному закону. Переменные Z- неуправляемые, принимающие случайные значения. При этом значения переменных Xи Zможно контролировать и регистрировать с помощью соответствующих измерительных приборов. Кроме того, на объект воздействуют некоторые переменные Е, которые нельзя наблюдать и контролировать. Переменные X= (x1, х2,..., хn) называют контролируемыми управляемыми; переменные Z = (z1, z2,…… zm) - контролируемыми, но неуправляемыми, а переменные E = (ε1, ε2,..., εl) - неконтролируемыми и неуправляемыми.

Переменные X и Z называют факторами. Факторы X являются управляемыми и изменяются как детерминированные переменные, а факторы Z неуправляемые, изменяемые во времени случайным образом, т. е. Z представляют собой случайные процессы. Пространство контролируемых переменных - факторов X и Z - образует факторное пространство.

Выходная переменная Y представляет собой вектор зависимых переменных моделируемого объекта. Ее называют откликом, а зависимость Y от факторов Xи Z- функцией отклика. Геометрическое представление функции отклика называют поверхностью отклика.

Переменная Е действует в процессе эксперимента бесконтрольно. Если предположить, что факторы X и Z стабилизированы во времени и сохраняют постоянные значения, то под влиянием переменных E функция отклика Y может меняться как систематическим, так и случайным образом. В первом случае говорят о систематической помехе, а во втором - о случайной помехе. При этом полагают, что случайная помеха обладает вероятностными свойствами, не изменяемыми во времени.

Возникновение помех обусловлено ошибками методик проведения физических экспериментов, ошибками измерительных приборов, неконтролируемыми изменениями параметров ихарактеристик объекта и внешней среды.

В вычислительных экспериментах объектом исследования является теоретическая математическая модель, на основе которой необходимо получить экспериментальную факторную модель. Для ее получения необходимо определить структуру и численные значения параметров модели.

Под структурой модели понимается вид математических соотношений между факторами X, Z и откликом Y. Параметры представляют собой коэффициенты уравнений факторной модели. Структуру модели обычно выбирают на основе априорной информации об объекте с учетом назначения и последующего использования модели. Задача определения параметров модели полностью формализована. Она решается методами регрессионного анализа. Экспериментальные факторные модели называют также регрессионными моделями.

Регрессионную модель можно представить выражением

(1.1)

где В - вектор параметров факторной модели.

Вид вектор-функции φ определяется выбранной структурой модели и считается заданным, а параметры В подлежат определению на основе результатов эксперимента.

Различают эксперименты пассивные и активные.

Пассивным называется такой эксперимент, когда значениями факторов управлять нельзя, и они принимают случайные значения. В таком эксперименте существуют только факторы Z. В процессе эксперимента в определенные моменты времени измеряются значения факторов Z и функций откликов Y. После проведения N опытов полученная информация обрабатывается статистическими методами, позволяющими определить параметры факторной модели. Такой подход к построению математической модели лежит в основе метода статистических испытаний (Монте-Карло).

Активным называется такой эксперимент, когда значениями факторов задаются и поддерживают их неизменными в заданных уровнях в каждом опыте в соответствии с планом эксперимента. Следовательно, в этом случае существуют только управляемые факторы X.

Основные особенности экспериментальных факторных моделей следующие: они статистические; представляют собой сравнительно простые функциональные зависимости между оценками математических ожиданий выходных параметров объекта от eё внутренних и внешних параметров; дают адекватное описание установленных зависимостей лишь в области факторного пространства, в которой реализован эксперимент. Статистически регрессионная модель описывает поведение объекта в среднем, характеризуя его неслучайные свойства, которые в полной мере проявляются лишь при многократном повторении опытов в неизменных условиях.

2 Основные принципы планирования эксперимента

Для получения адекватной математической модели необходимо обеспечить выполнение определенных условий проведения эксперимента. Модель называют адекватной, если в оговоренной области варьирования факторов X полученные с помощью модели значения функций отклика Y отличаются от истинных не более чем на заданную величину. Методы построения экспериментальных факторных моделей рассматриваются в теории планирования эксперимента.

Цель планирования эксперимента - получение максимума информации о свойствах исследуемого объекта при минимуме опытов. Такой подход обусловлен высокой стоимостью экспериментов, как физических, так и вычислительных, и вместе с тем необходимостью построения адекватной модели.

При планировании активных экспериментов используются следующие принципы:

– отказ от полного перебора всех возможных состояний объекта;

– постепенное усложнение структуры математической модели;

– сопоставление результатов эксперимента с величиной случайных помех;

– рандомизация опытов;

Детальное представление о свойствах поверхности отклика может быть получено лишь при условии использования густой дискретной сетки значений факторов, покрывающей все факторное пространство. В узлах этой многомерной сетки находятся точки плана, в которых проводятся опыты. Выбор структуры факторной модели основан на постулировании определенной степени гладкости поверхности отклика. Поэтому с целью уменьшения количества опытов принимают небольшое число точек плана, для которых осуществляется реализация эксперимента.

При большом уровне случайной помехи получается большой разброс значений функции отклика Yв опытах, проведенных в одной и той же точке плана. В этом случае оказывается, что чем выше уровень помехи, тем с большей вероятностью простая модель окажется работоспособной. Чем меньше уровень помехи, тем точнее должна быть факторная модель.

Кроме случайной помехи при проведении эксперимента может иметь место систематическая помеха. Наличие этой помехи практически никак не обнаруживается и результат ее воздействия на функцию не поддается контролю. Однако если путем соответствующей организации проведения опытов искусственно создать случайную ситуацию, то систематическую помеху можно перевести в разряд случайных. Такой принцип организации эксперимента называют рандомизациейсистематически действующих помех.

Наличие помех приводит к ошибкам эксперимента. Ошибки подразделяют на систематические и случайные, соответственно наименованиям вызывающих их факторов - помех.

Рандомизацию опытов осуществляют только в физических экспериментах. Следует отметить, что в этих экспериментах систематическую ошибку может порождать наряду с отмеченными ранее факторами также неточное задание значений управляемых факторов, обусловленное некачественной калибровкой приборов для их измерения (инструментальная ошибка), конструктивными или технологическими факторами.

К факторам в активном эксперименте предъявляются определенные требования. Они должны быть:

– управляемыми(установка заданных значений и поддержание постоянными в процессе опыта);

– совместными(их взаимное влияние не должно нарушать процесс функционирования объекта);

–независимыми(уровень любого фактора должен устанавливаться независимо от уровней остальных);

– однозначными(одни факторы не должны быть функцией других);

– непосредственно влияющими на выходные параметры.

Выбор параметров оптимизации (критериев оптимизации) является одним из главных этапов работы на стадии предварительного изучения объекта исследования, т. к. правильная постановка задачи зависит от правильности выбора параметра оптимизации, являющегося функцией цели.

Под параметром оптимизации понимают характеристику цели, заданную количественно. Параметр оптимизации является реакцией (откликом) на воздействие факторов, которые определяют поведение выбранной системы.

Реальные объекты или процессы, как правило, очень сложны. Они часто требуют одновременного учета нескольких, иногда очень многих, параметров. Каждый объект может характеризоваться всей совокупностью параметров, или любым подмножеством этой совокупности, или одним – единственным параметром оптимизации. В последнем случае прочие характеристики процесса уже не выступают в качестве параметра оптимизации, а служат ограничениями. Другой путь – построение обобщенного параметра оптимизации как некоторой функции от множества исходных.

Параметр оптимизации (Функции отклика) – это признак, по которому оптимизируется процесс. Он должен быть количественным, задаваться числом. Множество значений, которые может принимать параметр оптимизации, называется областью его определения. Области определения могут быть непрерывными и дискретными, ограниченными и неограниченными. Например, выход реакции – это параметр оптимизации с непрерывной ограниченной областью определения. Он может изменяться в интервале от 0 до 100%. Число бракованных изделий, число зерен на шлифе сплава, число кровяных телец в пробе крови – вот примеры параметров с дискретной областью определения, ограниченной снизу.

Количественная оценка параметра оптимизации на практике не всегда возможна. В таких случаях пользуются приемом, называемым ранжированием. При этом параметрам оптимизации присваиваются оценки – ранги по заранее выбранной шкале: двухбалльной, пятибалльной и т. д. Ранговый параметр имеет дискретную ограниченную область определения. В простейшем случае область содержит два значения (да, нет; хорошо, плохо). Это может соответствовать, например, годной продукции и браку.

2.1 Виды параметров оптимизации

В зависимости от объекта и цели параметры оптимизации могут быть весьма разнообразными. Введем некоторую классификацию . Реальные ситуации, как правило довольно сложны. Они часто требуют нескольких, иногда очень многих, параметров. В принципе каждый объект может характеризоваться сразу всей совокупностью параметров, приведенных на рисунке 2, или любым подмножеством из этой совокупности. Движение к оптимуму возможно, если выбран один-единственный параметр оптимизации. Тогда прочие характеристики процесса уже не выступают в качестве параметров оптимизации, а служат ограничениями. Другой путь - построение обобщенного параметра оптимизации как некоторой функции от множества исходных .

Прокомментируем некоторые элементы схемы.

Экономические параметры оптимизации, такие, как прибыль, себестоимость и рентабельность, обычно используются при исследовании действующих промышленных объектов, тогда как затраты на эксперимент имеет смысл оценивать в любых исследованиях, в том числе и лабораторных. Если цена опытов одинакова, затраты на эксперимент пропорциональны числу опытов, которые необходимо поставить для решения данной задачи. Это в значительной мере определяет выбор плана эксперимента.

Среди технико-экономических параметров наибольшее распространение имеет производительность. Такие параметры, как долговечность, надежность и стабильность, связаны с длительными наблюдениями. Имеется некоторый опыт их использования при изучении дорогостоящих ответственных объектов, например радиоэлектронной аппаратуры.

Почти во всех исследованиях приходится учитывать количество и качество получаемого продукта. Как меру количества продукта используют выход, например, процент выхода химической реакции, выход годных изделий.

Показатели качества чрезвычайно разнообразны. В схеме они сгруппированы по видам свойств. Характеристики количества и качества продукта образуют группу технико-технологических параметров.

Под рубрикой «прочие» сгруппированы различные параметры, которые реже встречаются, но не являются менее важными. Сюда попали статистические параметры, используемые для улучшения характеристик случайных величин или случайных функций. В качестве примеров назовем задачи на минимизацию дисперсии случайной величины, на уменьшение числа выбросов случайного процесса за фиксированный уровень и т. д. Последняя задача возникает, в частности, при выборе оптимальных настроек автоматических регуляторов или при улучшении свойств нитей (проволока, пряжа, искусственное волокно и др.).

2.2 Требования к параметрам оптимизации

1) параметр оптимизации должен быть количественным.

2) параметр оптимизации должен выражаться одним числом. Иногда это получается естественно, как регистрация показания прибора. Например, скорость движения машины определяется числом на спидометре. Часто приходится проводить некоторые вычисления. Так бывает при расчете выхода реакции. В химии часто требуется получать продукт с заданным отношением компонентов, например, А:В=3:2. Один из возможных вариантов решения подобных задач состоит в том, чтобы выразить отношение одним числом (1,5) и в качестве параметра оптимизации пользоваться значением отклонений (или квадратов отклонений) от этого числа.

3) однозначность в статистическом смысле. Заданному набору значений факторов должно соответствовать одно значение параметра оптимизации, при этом обратное неверно: одному и тому же значению параметра могут соответствовать разные наборы значений факторов.

4) наиболее важным требованием к параметрам оптимизации является его возможность действительно эффективной оценки функционирования системы. Представление об объекте не остается постоянным в ходе исследования. Оно меняется по мере накопления информации и в зависимости от достигнутых результатов. Это приводит к последовательному подходу при выборе параметра оптимизации. Так, например, на первых стадиях исследования технологических процессов в качестве параметра оптимизации часто используется выход продукта. Однако в дальнейшем, когда возможность повышения выхода исчерпан, начинают интересоваться такими параметрами, как себестоимость, чистота продукта и т. д. Оценка эффективности функционирования системы может осуществляться как для всей системы в целом, так и оценкой эффективности ряда подсистем, составляющих данную систему. Но при этом необходимо учитывать возможность того, что оптимальность каждой из подсистем по своему параметру оптимизации «не исключает возможность гибели системы в целом». Это означает, что попытка добиться оптимума с учетом некоторого локального или промежуточного параметра оптимизации может оказаться неэффективной или даже привести к браку.

5) требование универсальности или полноты. Под универсальностью параметра оптимизации понимают его способность всесторонне охарактеризовать объект. В частности, технологические параметры недостаточно универсальны: они не учитывают экономику. Универсальностью обладают, например, обобщенные параметры оптимизации, которые строятся как функции от нескольких частных параметров.

6) параметр оптимизации желательно должен иметь физический смысл, быть простым и легко вычисляем. Требование физического смысла связано с последующей интерпретацией результатов эксперимента. Не представляет труда объяснить, что значит максимум извлечения, максимум содержания ценного компонента. Эти и подобные им технологические параметры оптимизации имеют ясный физический смысл, но иногда для них может не выполняться, например, требование статистической эффективности. Тогда рекомендуется переходить к преобразованию параметра оптимизации. Второе требование, т. е. простота и легко вычисляемость, также весьма существенны. Для процессов разделения термодинамические параметры оптимизации более универсальны. Однако на практике ими пользуются мало: их расчет довольно труден. Из приведенных двух требований первое является более существенным, потому что часто удается найти идеальную характеристику системы и сравнить ее с реальной характеристикой.

2.3Факторы

После выбора объекта исследования и параметра оптимизации нужно рассмотреть все факторы, которые могут влиять на процесс. Если какой-либо существенный фактор окажется неучтенным и принимал произвольные значения, не контролируемые экспериментатором, то это значительно увеличит ошибку опыта. При поддержании этого фактора на определенном уровне может быть получено ложное представление об оптимуме, т. к. нет гарантии, что полученный уровень является оптимальным.

С другой стороны большое число факторов увеличивает число опытов и размерность факторного пространства.

Выбор факторов эксперимента является весьма существенным, от этого зависит успех оптимизации.

Фактор – измеряемая переменная величина, принимающая в некоторый момент времени определенное значение и влияющая на объект исследования.

Факторы должны иметь область определения, внутри которой задаются его конкретные значения. Область определения может быть непрерывной или дискретной. При планировании эксперимента значения факторов принимаются дискретными, что связано с уровнями факторов. В практических задачах области определения факторов имеют ограничения, которые носят либо принципиальный, либо технический характер.

Факторы разделяются на количественные и качественные.

К количественным относятся те факторы, которые можно измерять, взвешивать и т. д.

Качественные факторы – это различные вещества, технологические способы, приборы, исполнители и т. п.

Хотя к качественным факторам не соответствует числовая шкала, но при планировании эксперимента к ним применяют условную порядковую шкалу в соответствии с уровнями, т. е. производится кодирование. Порядок уровней здесь произволен, но после кодирования он фиксируется.

2.3.1 Требования к факторам эксперимента

1) Факторы должны быть управляемыми, это значит, что выбранное нужное значение фактора можно поддерживать постоянным в течение всего опыта. Планировать эксперимент можно только в том случае, если уровни факторов подчиняются воле экспериментатора. Например, экспериментальная установка смонтирована на открытой площадке. Здесь температурой воздуха мы не можем управлять, ее можно только контролировать, и потому при выполнении опытов температуру, как фактор, мы не можем учитывать.

2) Чтобы точно определить фактор, нужно указать последовательность действий (операций), с помощью которых устанавливаются его конкретные значения. Такое определение называется операциональным. Так, если фактором является давление в некотором аппарате, то совершенно необходимо указать, в какой точке и с помощью какого прибора оно измеряется и как оно устанавливается. Введение операционального определения обеспечивает однозначное понимание фактора.

3) Точность замеров факторов должна быть возможно более высокой. Степень точности определяется диапазоном изменения факторов. В длительных процессах, измеряемых многими часами, минуты можно не учитывать, а в быстрых процессах приходится учитывать доли секунды.

Исследование существенно усложняется, если фактор измеряется с большой ошибкой или значения факторов трудно поддерживать на выбранном уровне (уровень фактора «плывет»), то приходится применять специальные методы исследования, например, конфлюэнтный анализ .

4) Факторы должны быть однозначны. Трудно управлять фактором, который является функцией других факторов. Но в планировании могут участвовать другие факторы, такие, как соотношения между компонентами, их логарифмы и т. п. Необходимость введения сложных факторов возникает при желании представить динамические особенности объекта в статической форме. Например, требуется найти оптимальный режим подъема температуры в реакторе. Если относительно температуры известно, что она должна нарастать линейно, то в качестве фактора вместо функции (в данном случае линейной) можно использовать тангенс угла наклона, т. е. градиент.

5) При планировании эксперимента одновременно изменяют несколько факторов, поэтому необходимо знать требования к совокупности факторов. Прежде всего выдвигается требование совместимости. Совместимость факторов означает, что все их комбинации осуществимы и безопасны. Несовместимость факторов наблюдается на границах областей их определения. Избавиться от нее можно сокращением областей. Положение усложняется, если несовместимость проявляется внутри областей определения. Одно из возможных решений – разбиение на подобласти и решение двух отдельных задач.

6) При планировании эксперимента важна независимость факторов, т. е. возможность установления фактора на любом уровне вне зависимости от уровней других факторов. Если это условие невыполнимо, то невозможно планировать эксперимент.

2.3.2 Требования к совокупности факторов

При планировании эксперимента обычно одновременно изменяется несколько факторов. Поэтому очень важно сформулировать требования, которые предъявляются к совокупности факторов. Прежде всего выдвигается требование совместимости. Совместимость факторов означает, что все их комбинации осуществимы и безопасны. Это очень важное требование. Представьте себе, что вы поступили легкомысленно, не обратили внимания на требование совместимости факторов и запланировали такие условия опыта, которые могут привести к взрыву установки или осмолению продукта. Согласитесь, что такой результат очень далек от целей оптимизации.

Несовместимость факторов может наблюдаться на границах областей их определения. Избавиться от нее можно сокращением областей. Положение усложняется, если несовместимость проявляется внутри областей определения. Одно из возможных решений - разбиение на подобласти и решение двух отдельных задач.

При планировании эксперимента важна независимость факторов, т. е. возможность установления фактора на любом уровне вне зависимости от уровней других факторов. Если это условие невыполнимо, то невозможно планировать эксперимент. Итак, мы подошли ко второму требованию - отсутствию корреляции между факторами. Требование некоррелированности не означает, что между значениями факторов нет никакой связи. Достаточно, чтобы связь не была линейной.

3 Планирование эксперимента

3.1 План эксперимента

При проведении активного эксперимента задается определенный план варьирования факторов, т. е. эксперимент заранее планируется

План эксперимента - совокупность данных, определяющих число, условия и порядок реализации опытов.

Планирование эксперимента - выбор плана эксперимента, удовлетворяющего заданным требованиям.

Точка плана - упорядоченная совокупность численных значений факторов, соответствующая условиям проведения опыта, т. е. точка факторного пространства, в которой проводится эксперимент. Точке плана с номером i соответствует вектор-строка (3.1):

(3.1)

Общая совокупность таких векторов Xi, i= 1, Lобразует план эксперимента, а совокупность различных векторов, число которых обозначим N, - спектр плана.

В активном эксперименте факторы могут принимать только фиксированные значения. Фиксированное значение фактора называют уровнем фактора. Количество принимаемых уровней факторов зависит от выбранной структуры факторной модели и принятого плана эксперимента. Минимальный Xjmin и максимальный Хimах, j=l, n (n - число факторов) уровни всех факторов выделяют в факторном пространстве некоторый гиперпараллелепипед, представляющий собой область планирования. В области планирования находятся все возможные значения факторов, используемые в эксперименте.

Вектор задает точку центра областипланирования. Координаты этой точки Xj0 обычно выбирают из соотношения (3.2)

(3.2)

Точку Х0называют центром эксперимента. Она определяет основной уровень факторов Хj0, j = 1,n. Центр эксперимента стремятся выбрать как можно ближе к точке, которая соответствует искомым оптимальным значениям факторов. Для этого используется априорная информация об объекте.

Интервалом (или шагом) варьирования фактора Xj называют величину, вычисляемую по формулам (3.3, 3.4):

(3.3)

Факторы нормируют, а их уровни кодируют. В кодированном виде верхний уровень обозначают +1, нижний -1, а основной 0. Нормирование факторов осуществляют на основе соотношения (3.5, 3.6):

xj =(Xj-X0j)/ΔXj, (3.5)

Рисунок 3 – Геометрическое представление области планирования при двух факторах: Х1 и Х2

Точки 1,2,3,4 являются точкамиплана эксперимента. Например, значения факторов Х1и Х2в точке 1равны соответственно X1min иХ2min, а нормированные их значения xlmin = -1, х2min = -1.

После установления нулевой точки выбирают интервалы варьирования факторов. Это связано с определением таких значений факторов, которые в кодированных величинах соответствуют +1 и –1. Интервалы варьирования выбирают с учетом того, что значения факторов, соответствующие уровням +1 и –1, должны быть достаточно отличимы от значения, соответствующему нулевому уровню. Поэтому во всех случаях величина интервала варьирования должна быть больше удвоенной квадратичной ошибки фиксирования данного фактора. С другой стороны, чрезмерное увеличение величины интервалов варьирования нежелательно, т. к. это может привести к снижению эффективности поиска оптимума. А очень малый интервал варьирования уменьшает область эксперимента, что замедляет поиск оптимума.

При выборе интервала варьирования целесообразно учитывать, если это возможно, число уровней варьирования факторов в области эксперимента. От числа уровней зависят объем эксперимента и эффективность оптимизации.

План эксперимента удобно представлять в матричной форме.

Матрица планапредставляет собой прямоугольную таблицу, содержащую информацию о количестве и условиях проведения опытов. Строки матрицы плана соответствуют опытам, а столбцы - факторам. Размерность матрицы плана L х n, где L- число опытов, n- число факторов. При проведении повторных (дублирующих) опытов в одних и тех же точках плана матрица плана содержит ряд совпадающих строк.

Планирование эксперимента - один из важнейших этапов организации психологического исследования, на котором исследователь пытается сконструировать наиболее оптимальную для воплощения на практике модель (то есть план) эксперимента. Грамотно составленная схема исследования, план, позволяет добиться оптимальных значений валидности, надёжности и точности в исследовании, предусмотреть нюансы, за которыми сложно уследить при бытовом «спонтанном экспериментировании». Зачастую, чтобы скорректировать план, экспериментаторы проводят так называемое пилотажное, или пробное, исследование, которое можно рассматривать как «черновик» будущего научного эксперимента.
Экспериментальный план создаётся для того, чтобы ответить на основные вопросы о:

· количестве независимых переменных, которые используются в эксперименте (одна или несколько?);

· количестве уровней независимой переменной (изменяется ли независимая переменная или остаётся постоянной?);

· методах контроля дополнительных, или возмущающих, переменных (какие необходимо и целесообразно применить?):

o метод прямого контроля (прямое исключение известной дополнительной переменной),
o метод выравнивания (учитывать известную дополнительную переменную при невозможности её исключения),
o метод рандомизации (случайный отбор групп в случае неизвестности дополнительной переменной).
Одним из самых важных вопросов, на которые должен ответить экспериментальный план, - определить, в какой последовательности должно происходить изменение рассматриваемых стимулов (независимых переменных), воздействующих на зависимую переменную. Последовательность предъявления стимулов - очень важный вопрос, напрямую касающийся соблюдения валидности исследования: к примеру, если постоянно предъявлять человеку один и тот же стимул, он может стать менее восприимчив к нему.
Виды планов:
1. Простые (однофакторные) планы – предусматривают изучение влияния на зависимую переменную только одной независимой переменной. Преимущество таких планов состоит в их эффективности при установлении влияния независимой переменной, а также в лёгкости анализа и интерпретации результатов. Недостаток заключается в невозможности сделать вывод о функциональной зависимости между независимой и зависимой переменными.
- Опыты с воспроизводимыми условиями. В сравнении с опытами с привлечением двух независимых групп такие планы требуют меньшего количества участников. План не подразумевает наличия разных групп (например, экспериментальной и контрольной). Цель таких опытов - установить воздействие одного фактора на одну переменную.
- Опыты с привлечением двух независимых групп (экспериментальной и контрольной) – опыты, в которых экспериментальному воздействию подвергается лишь экспериментальная группа, в то время как контрольная группа продолжает делать то, что она обычно делает. Цель - проверка действия одной независимой переменной.
2. Комплексные планы составляются для экспериментов, в которых изучается либо воздействие нескольких независимых переменных (факторные планы), либо последовательное воздействие различных градаций одной независимой переменной (многоуровневые планы).
- Планы для многоуровневых экспериментов. Если в экспериментах используется одна независимая переменная, ситуация, когда изучаются только два её значения, считается скорее исключением, чем правилом. В большинстве однофакторных исследований используется три или более значений независимой переменной, - такие планы часто называют однофакторными многоуровневыми. Такие планы могут использоваться как для исследования нелинейных эффектов (то есть случаев, когда независимая переменная принимает более двух значений), так и для проверки альтернативных гипотез. Преимущество - в возможности определить вид функциональной зависимости между независимой и зависимой переменными. Недостаток заключается в больших временных затратах, а также в необходимости привлечь больше участников.
- Факторные планы подразумевают использование более чем одной независимой переменной. Таких переменных, или факторов, может быть сколько угодно, но обычно ограничиваются использованием двух, трёх, реже - четырёх. Факторные планы описываются с помощью системы нумерации, показывающей количество независимых переменных и количество значений (уровней), принимаемых каждой переменной. Например, факторный план 2х3 имеет две независимые переменные (факторы), первая из которых принимает два значения («2»), а вторая - три значения («3»).
3. Квазиэкспериментальные планы - планы для экспериментов, в которых вследствие неполного контроля за переменными нельзя сделать выводы о существовании причинно-следственной связи. Эти планы часто применяются в прикладной психологии.
- Планы ex post facto. - исследования, в которых сбор и анализ данных производится после того, как событие уже свершилось, многие относят их к квазиэкспериментальным. Суть исследования в том, что экспериментатор сам не воздействует на испытуемых: в качестве воздействия выступает некоторое реальное событие из их жизни. При планировании исследования имитируется схема строгого эксперимента с уравниванием или рандомизацией групп и тестированием после воздействия.
- Планы экспериментов с малым N также называют «планами с одним субъектом», так как индивидуально рассматривается поведение каждого испытуемого. Одной из главных причин использования экспериментов с малым N считается невозможность в некоторых случаях применить результаты, полученные из обобщений на больших группах людей, ни к одному из участников индивидуально (что, таким образом, приводит к нарушению индивидуальной валидности). Интроспективные исследования Эббингауза можно отнести к экспериментам с малым N (только исследуемым им субъектом был он сам). План с одним субъектом должен учитывать как минимум три условия:
1. Необходимо точно определить целевое поведение в терминах событий, которые легко зафиксировать.
2. Необходимо установить базовый уровень реакции.
3. Необходимо произвести воздействие на испытуемого и зафиксировать его поведение.
4. Планы корреляционных исследований - исследование, проводимое для подтверждения или опровержения гипотезы о статистической связи (корреляции) между несколькими (двумя или более) переменными. От квазиэкспериментального отличается тем, что в нём отсутствует управляемое воздействие на объект исследования. В корреляционном исследовании учёный выдвигает гипотезу о наличии статистической связи между несколькими психическими свойствами индивида или между определёнными внешними уровнями и психическими состояниями. Испытуемые должны быть в эквивалентных неизменных условиях. Виды корреляционных исследований:

· Сравнение двух групп

· Одномерное исследование

· Корреляционное исследование попарно эквивалентных групп

· Многомерное корреляционное исследование

· Структурное корреляционное исследование

· Лонгитюдное корреляционное исследование*

Планирование включает в себя два этапа.


1- Определение состава выборки.
2- Определение объёма выборки.
3- Определение способа формирования выборки.

Формальное планирование эксперимента
1. Содержательное планирование эксперимента:
- Определение ряда теоретических и экспериментальных положений, образующих теоретическую основу исследования.
- Формулировка теоретических и экспериментальных гипотез исследования.
- Выбор необходимого метода эксперимента.
- Решение вопроса выборки испытуемых: Определение состава, объёма и способа формирования выборки.
2. Формальное планирование эксперимента:
- Достижение возможности сравнения результатов.
- Достижение возможности обсуждения полученных данных.
- Обеспечение экономичного проведения исследования.
Формальное планирование включает выбор экспериментальной схемы, или плана варьирования условий независимой переменной (НП), и определение величины минимального эффекта ожидаемого результата действия НП. План сбора данных является одновременно планом, в соответствии с которым измеряется ЗП. Главной целью формального планирования считается исключение максимально возможного числа причин искажения результатов.
Задачи формального планирования исследователя.
- обеспечить валидность эксперимента
- обеспечить условие для принятия решения об экспериментальном эффекте, или эффекте действия НП.
- применение схем обработки данных, адекватных метрике использование напр., шкал и способ сбора данных.
В узком смысле к планированию эксперимента относят 2 момента, связанных с учетом последующего статистического решения.
1. как будет оцениваться экспериментальный эффект Между НП и ЗП
2. установление минимального эффекта, достаточного для вынесения суждения о полученных различиях в экспериментах и контрольных условиях или наблюдаемой связи между измерениями НП и ЗП (установление минимального эффекта включает определение вероятности ошибок первого (альфа) и второго (бетта – уровня) рода).
Есть экспериментальные эффекты, которые определяются только при помощи статистических методов, а есть такие, в которых изменение ЗП на столько заметны, что не надо никакой статистики.
Величина минимального эффекта связана с количеством опытных данных, т.е. с числом выборочных значений показателей ЗП. Психологическая величина выборки (числа испытуемых или числа опытов) м. существенно снизить величину эффекта, достаточно для принятия решения о действии НП, но это таки связано с содержанием планирования. (контроль факторов времени, репрезентация выборки и т.д.)
Формальное планирование для проверки психологической гипотезы возможно в психологических случаях исследования, где принимается традиционный подход: переменные представлены и управляемы независимо др. от др.
I Решение проблем содержат план эксперимента представленный на этапе конкретизации и гипотез и переменных,т.о. чтобы не было утеряна специфика исследуемой психологической реальности: психологическое объяснение, заданное в гипотетических конструктах и формулировке причинно-следственной зависимости, содержательно соотносится с видом установления эмпирической зависимости и условиями ее выявления, включая способы задания условий НП и выбор методик фиксации показателя ЗП. Это первый этап планирования эксперимента.
II Определение адекватной схемы сбора данных, количества необходимых проб контроля факторов, угрожающих валидности эксперимента и т.д. психолог принимает условность ряда положений.
В качестве этапов формального планирования выделяют решения о величине минимального эффекта Х-воздействий или о величине сдвига ЗП, которые измерила на разных уровнях НП, которые принимается в качестве достаточной или разумной с т.з. возможности отвергнуть нуль-гипотезу, а также об уровнях допустимых ошибок при проверке статистической гипотезы.

Содержательное планирование эксперимента
Планирование включает в себя два этапа:
1. Содержательное планирование эксперимента:
- Определение ряда теоретических и экспериментальных положений, образующих теоретическую основу исследования. Постановка задачи или определение темы. Любое исследование начинается с определения темы (она ограничивает то, что будем исследовать). Исследование проводится в трех случаях:
1-проверка гипотезы о существовании явления;
2-проверка гипотезы о существовании связи между явлениями;
3-проверка гипотезы о причинной зависимости явления А от явления В.
Первичная постановка проблемы заключается в постановке гипотезы. Психологическая гипотеза, или экспериментальная, - гипотеза о психическом явлении, инструментом проверки которой служит психологическое исследование.
- Формулировка теоретических и экспериментальных гипотез исследования. Этап уточнения гипотезы и определения переменных. Определение экспериментальной гипотезы.
- Выбор необходимого метода эксперимента.
- Выбор экспериментального инструмента и условий эксперимента (отвечает на вопрос – «как организовать исследование?»):
Позволяет управлять независимой переменной. Независимая переменная - в научном эксперименте переменная, которая намеренно манипулируется или выбирается экспериментатором с целью выяснить ее влияние на зависимую переменную.
Позволяет регистрировать зависимую переменную. Зависимая переменная - в научном эксперименте измеряемая переменная, изменения которой связывают с изменениями независимой переменной
- Решение вопроса выборки испытуемых:
- Определение состава выборки.
- Определение объёма выборки.
- Определение способа формирования выборки.
- Рандомизация (случайный отбор). Используется для создания простых случайных выборок, основывается на предположении, что каждый член популяции с равной вероятностью может попасть в выборку. Например, чтобы сделать случайную выборку из 100 студентов вуза, можно сложить бумажки с именами всех студентов вуза в шляпу, а затем достать из неё 100 бумажек - это будет случайным отбором.
- Попарный отбор - стратегия построения групп выборки, при котором группы испытуемых составляются из субъектов, эквивалентных по значимым для эксперимента побочным параметрам. Данная стратегия эффективна для экспериментов с использованием экспериментальных и контрольных групп с лучшим вариантом - привлечением близнецовых пар (моно- и дизиготных), так как позволяет создать.
- Стратометрический отбор. Стратометрический отбор - рандомизация с выделением страт (или кластеров). При данном способе формирования выборки генеральная совокупность делится на группы (страты), обладающие определёнными характеристиками (пол, возраст, политические предпочтения, образование, уровень доходов и др.), и отбираются испытуемые с соответствующими характеристиками.
- Приближённое моделирование. Приближённое моделирование - составление ограниченных выборок и обобщение выводов об этой выборке на более широкую популяцию. Например, при участии в исследовании студентов 2-го курса университета, данные этого исследования распространяются на «людей в возрасте от 17 до 21 года». Допустимость подобных обобщений крайне ограничена.
- Привлечение реальных групп
2. Формальное планирование эксперимента:
- Достижение возможности сравнения результатов.
- Достижение возможности обсуждения полученных данных.
- Обеспечение экономичного проведения исследования.
Главной целью формального планирования считается исключение максимально возможного числа причин искажения результатов.

Факторное планирование эксперимента
Факторные эксперименты применяются тогда, когда необходимо проверить сложные гипотезы о взаимосвязях между переменными. Общий вид подобной гипотезы: «Если А1, А2,..., Аn, то В». Такие гипотезы называются комплексными, комбинированными и др. При этом между независимыми переменными могут быть различные отношения: конъюнкции, дизъюнкции, линейной независимости, аддитивные или мультипликативные и др. Факторные эксперименты являются частным случаем многомерного исследования, в ходе проведения которого пытаются ус¬тановить отношения между несколькими независимыми и несколькими зависимы¬ми переменными. В факторном эксперименте проверяются одновременно, как правило, два типа гипотез:
1) гипотезы о раздельном влиянии каждой из независимых переменных;
2) гипотезы о взаимодействии переменных, а именно - как присутствие одной из независимых переменных влияет на эффект воздействия на другой.
Факторный эксперимент строится по факторному плану. Факторное планирование эксперимента заключается в том, чтобы все уровни независимых переменных сочетались друг с другом. Число экспериментальных групп равно числу сочетаний уровней всех независимых переменных.
Чаще всего используются факторные планы для двух независимых переменных и двух уровней типа 2х2. Для составления плана применяется принцип балансировки. План 2х2 используется для выявления эффекта воздействия двух независимых переменных на одну зависимую. Экспериментатор манипулирует возможными сочетаниями переменных и уровней. Данные приведены в простейшей таблице.
2-я переменная 1-я переменная
Есть Нет
Есть 1 2
Нет 3 4
Для обработки результатов применяется дисперсионный анализ по Фишеру.
Так же редко используются другие версии факторного плана, а именно: 3х2 или 3х3. План 3х2 применяется в тех случаях, когда нужно установить вид зависимости одной зависимой переменной от одной независимой, а одна из независимых переменных представлена дихотомическим параметром. Пример такого плана - эксперимент по выявлению воздействия внешнего наблюдения на успех решения интеллектуальных задач. Первая независимая переменная варьируется просто: есть наблюдатель, нет наблюдателя. Вторая независимая переменная - уровни трудности задачи. В этом случае мы получаем план 3х2.
1-я переменная 2-я переменная
Легкая Средняя Трудная
Есть наблюдатель 1 2 3
Нет наблюдателя 4 5 6
Вариант плана 3х3 применяется в том случае, если обе независимые переменные имеют несколько уровней и есть возможность выявить виды связи зависимой переменной от независимых. Этот план позволяет выявлять влияние подкрепления на успешность выполнения задании разной трудности.
Уровень сложности задачи Интенсивность стимуляции
Низкая Средняя Высокая
Низкий 1 2 3
Средний 4 5 6
Высокий 7 8 9
В общем случае план для двух независимых переменных выглядит как N х М. Применимость таких планов ограничивается только необходимостью набора большого числа рандомизированных групп. Объем экспериментальной работы чрезмерно возрастает с добавлением каждого уровня любой независимой переменной.
В случае, когда нас интересует успешность выполнения экспериментальной серии заданий, зависящая не только от общей стимуляции, которая производится в форме наказания - удара током, но и от соотношения поощрения и наказания, мы применяем план 3х3х3.
L1 L2 L3
М1 A1 В2 С3
М2 В2 С3 А1
м3 С3 А1 В2
2 признака многоуровневого эксперимента:
1. НП имеет более чем 2 уровня
2. порядок предъявления этих трех или более условий одной и той же НП контролируется спец схемой, подразумевающей уравнивание порядковой позиции каждого уровня в общей последовательности условий
Эти многоуровневые эксперименты противопоставляют бивалентному (здесь 2 уровня НП, экспериментальная и контрольная могут отличаться качеством и количеством)
Количественная оценка это оценка по шкалам порядка, отношений, интервалов.
Классификация уровней НП – это качественная оценка, может быть по одному или более признакам.
Не число НП определяет переход к количественному эксперименту, а возможность измерения хотя бы одной из НП как количественной.
Многоуровневый эксперимент часто строиться по факторным схемам, поскольку второй переменной выступает «порядок уровней» первой НП
Есть 2 наиболее поп схемы:
1. полного уравнивания по схеме лат квадрата
2. уравнивание по схеме сбалансированного лат квадрата
Обе эти схемы представляют собой варианты экспериментальных планов, в которых все уровни первой НП предъявляются каждому испытуемому, но вторая НП образуется благодаря разбиению испытуемых на группы, которым предъявляется одна из возможных последовательностей уровневой первой НП
Рассмотрим возможные результаты простейшего факторного эксперимента 2х2 с позиций взаимодействий переменных. Для этого нам надо представить результаты опытов на графике, где по оси абсцисс отложены значения первой независимой переменной, а по оси ординат - значения зависимой переменной. Каждая из двух прямых, соединяющих значения зависимой переменной при разных значениях первой независимой переменной (А), характеризует один из уровней второй независимой переменной (В). Применим для простоты результаты не экспериментального, а корреляционного исследования. Условимся, что мы исследовали зависимость статуса ребенка в группе от состояния его здоровья и уровня интеллекта. Рассмотрим варианты возможных отношений между переменными.
Первый вариант: прямые параллельны - взаимодействия переменных нет.
Больные дети имеют более низкий статус, чем здоровые, независимо от уровня интеллекта. Интеллектуалы имеют всегда более высокий статус (независимо от здоровья).
Второй вариант: физическое здоровье при наличии высокого уровня интеллекта увеличивает шанс получить более высокий статус в группе(рис 5.2).
В этом случае получен эффект расходящегося взаимодействия двух независимых переменных. Вторая переменная усиливает влияние первой на зависимую переменную.
Третий вариант: сходящееся взаимодействие - физическое здоровье уменьшает шанс интеллектуала приобрести более высокий статус в группе. Переменная «здоровье» уменьшает влияние переменной «интеллект» на зависимую переменную. Есть и другие случаи этого варианта взаимодействия:
Переменные взаимодействуют так, что увеличение значения первой приводит к уменьшению влияния второй с изменением знака зависимости (рис. 5.3).
У больных детей, обладающих высоким уровнем интеллекта, меньше шанс полу¬чить высокий статус, чем у больных детей с низким интеллектом, а у здоровых - связь интеллекта и статуса позитивная.
Теоретически возможно представить, что больные дети будут иметь больший шанс получить высокий статус при высоком уровне интеллекта, чем их здоровые низкоинтеллектуальные сверстники.
Последний, четвертый, возможный вариант наблюдаемых в исследованиях отношений между независимыми переменными: случай, когда между ними существует пересекающееся взаимодействие, представленное на последнем графике (рис. 5.4).
Оценка величины взаимодействия проводится с помощью дисперсионного ана¬лиза, а t-критерий Стьюдента используется для оценки значимости X.`различий груп¬повых
Во всех рассмотренных вариантах планирования эксперимента применяется способ балансировки: различные группы испытуемых ставятся в разные экспериментальные условия. Процедура уравнивания состава групп позволяет производить сравнение результатов.
Однако во многих случаях требуется планировать эксперимент так, чтобы все его участники получили все варианты воздействия независимых переменных. Тогда на помощь приходит техника контрбалансировки.

Психофизика. Методы измерения порогов чувствительности
Психофи́зика, раздел психологии, изучающий количественные отношения между силой раздражителя и величиной возникающего ощущения с помощью количественных методов. Основана Г.Фехнером во 2-й половине XIX в.. Она ищет ответы на следующие вопросы:
1) Какой уровень стимуляции необходим для того, чтобы вызвать ощущение или сенсорную реакцию?
2) Насколько должна измениться величина раздражителя, чтобы можно было обнаружить изменение?
4) Как меняется ощущение или сенсорная реакция с изменением величины раздражителя?
Для ответа на эти и другие вопросы используют психофизические методы. В состав этих методов входят: 3 классических метода определения порогов, введенные в психофизику Г.Фехнером; многочисленные психофизические методы шкалирования надпороговых раздражителей, используемые для получения мер величины ощущения, и методы теории обнаружения сигналов (ТОС), применяемые для получения мер "номинальной" сенсорной чувствительности, минимально искаженной мотивами и установками испытуемых. Так называемые классические методы - метод границ, метод установки и метод постоянных раздражителей - впервые были сведены вместе и представлены Фехнером в его труде "Элементы психофизики". Они использовались для определения абсолютных и разностных порогов. Абсолютный порог определяется как величина раздражителя, дающего 50% случаев обнаружения. Аналогично этому дифференциальный порог - это минимальное изменение раздражения, обнаруживаемое в 50% случаев.
Метод границ. При использовании этого метода наблюдателю в каждой отдельной пробе предъявляют либо монотонно возрастающую (восходящие пробы), либо монотонно убывающую (нисходящие пробы) дискретную последовательность раздражителей, величина которых изменяется до тех пор, пока не произойдет изменение реакции наблюдателя с "да" на "нет" (в нисходящих пробах) или с "нет" на "да" (в восходящих пробах). Уровень стимуляции, соответствующее половине интервала, на котором происходит изменение реакции, принимается за величину порога для данной пробы.
Метод установки. В противоположность методу границ, этот метод дает возможность самому наблюдателю регулировать непрерывно изменяемый раздражитель, с тем чтобы уравнять его с заданным эталоном. Каждая проба заключается в корректировке наблюдателем переменного раздражителя от точки явного неравенства до точки субъективного равенства с эталоном. Восходящие и нисходящие пробы чередуются вместе со случайно изменяемым начальным отклонением переменного раздражителя от эталона.
Метод постоянных раздражителей. Этот метод предписывает предъявление наблюдателю в каждой отдельной пробе только одного раздражителя, выбранного из фиксированного набора, включающего от 4 до 9 раздражителей. При определении абсолютного порога наблюдатель в каждой пробе дает ответ в форме "да/нет". При определении дифференциального порога наблюдатель, сравнивая тестовый раздражитель из определенного набора с предъявляемым в каждой пробе эталоном, дает ответ в форме "больше чем/меньше чем". После предварительного опробования тестовых раздражителей их набор формируется т. о., чтобы они заключали порог в вилку и чтобы все они (в идеале) давали какой-то процент реакций обнаружения или различения, но ни один из них не воспринимался в 100% случаев.
Психофизические методы шкалирования надпороговых раздражителей. Представляют собой собрание самых различных методов, общее у которых только то, что они предписывают правила, по которым испытуемые (прямо или косвенно) присваивают значения числовой шкалы физическим стимулам. Эти методы часто использовались для проверки некоторых психофизических законов. Среди них - методы бисекции, субъективно равных интервалов, фракционирования и оценки величины. При использовании метода бисекции испытуемому дается инструкция отрегулировать величину переменного раздражителя т. о., чтобы результирующее ощущение казалось ему равноудаленным от ощущений, вызываемых двумя постоянными раздражителями, задающими границы интервала, который нужно разделить пополам. Эта процедура многократно повторяется, после чего вычисляется среднее арифметическое подобранных испытуемым значений переменного раздражителя. Метод субъективно равных интервалов - разновидность метода категорий - предоставляет наблюдателю возможность относить предъявляемые раздражители к одной из "равношироких" категорий, число которых (напр., 5) задается экспериментатором и не меняется в ходе опыта. Первыми предъявляются крайние по величине раздражители и идентифицируются как таковые, чтобы служить опорными точками для последующих суждений. После классификации наблюдателем всех раздражителей их субъективные значения, определяемые как усредненные, или медианные, категории, представляются графически в виде функции от объективной величины раздражителя. Метод фракционирования требует от наблюдателя в каждой пробе создавать (путем регулировки или подстройки) новый раздражитель, составляющий заранее определенную часть (напр., половину) предъявляемого ему раздражителя. Это делается для каждого из раздражителей, входящих в стимульный набор. Метод оценки величины - широко используемая процедура, предоставляющая возможность наблюдателю оценивать величину раздражителей, приписывая им числа. Более сильные по сравнению с эталонным стимулом раздражители получают обычно большие числовые значения, а более слабые - меньшие. Для каждого раздражителя вычисляется среднее арифметическое или среднее геометрическое числовых оценок, полученных на группе испытуемых. Полученные средние субъективных оценок величины раздражителя представляются графически в виде функции от реальной величины раздражителя. Теория обнаружения сигналов Мотивация, ожидание и отношение наблюдателя вызывают смещение результатов измерения относительно истинного значения в психофизических экспериментах по определению порогов. Так, при использовании метода постоянных раздражителей, в пустых пробах ("пробах-ловушках"), когда наблюдателю не предъявляют никаких раздражителей, все равно появляются ответы "да". Такая реакция в теории обнаружения сигналов (ТОС) называется ложной тревогой. Безошибочное обнаружение раздражителя (ответ "да" при его наличии) называется попаданием. Изменения мотивации, ожиданий или отношения могут увеличивать процент попаданий, но ценой повышения доли ложных тревог. В каждом из трех основных методов ТОС - "да - нет", оценки и вынужденного выбора - задается случайная последовательность проб (напр., 200), в которых сигнал либо подается на фоне каких-то др., случайных сигналов (пробы "сигнал + шум"), либо отсутствует (пробы "чистого шума"). При использовании метода "да - нет" задача наблюдателя - давать ответ "да" в пробах с наличием сигнала и ответ "нет" в пробах с его отсутствием. В процедуре оценивания реакция наблюдателя сводится к выбору из заданного набора оценочных категорий той, которая отражает степень его уверенности в наличии сигнала в данной пробе. В эксперименте с вынужденным выбором предлагаются ситуации выбора из двух или более альтернатив (напр., при разнесении интервалов наблюдения во времени), одна и только одна из которых содержит сигнал плюс шум. Наблюдатель должен выбрать ту из них, в которой вероятнее всего содержится сигнал. Влияние мотивации, ожиданий и отношения на реакции испытуемых в психофизических экспериментах трактуется как критерий наблюдателя, оцениваемый по проценту ложных тревог. На этот критерий можно влиять, изменяя долю проб с сигналом (и соответственно информируя наблюдателя), инструктируя наблюдателя быть более расслабленным либо, наоборот, более внимательным и точным или изменяя выплаты за возможные реакции. Если процент попаданий откладывать по оси ординат, а процент ложных тревог - по оси абсцисс, полученные точки будут соответствовать различным уровням критерия наблюдателя, а построенная по ним кривая будет называться рабочей характеристикой приемника. Различные кривые порождаются сигналами разного уровня, тогда как все точки одной кривой отображают один уровень обнаружительной способности наблюдателя. Т.о., появляется возможность разграничить действие сенсорных и внесенсорных факторов. Приложения Помимо использования для поиска ответов на вопросы теоретической психофизики, различные П. м. широко применяются для решения практических задач как в области психологии, так и за ее пределами. Сведения о нормальных зрительных и слуховых порогах (и, в несколько меньшей степени, о порогах др. органов чувств) учитываются при проектировании оборудования и анализе человеческих факторов в инженерной психологии, а также используются практической медициной в качестве эталонов сравнения при постановке клинического диагноза. Методы шкалирования надпороговых раздражителей применяются в промышленности и торговле для оценки предпочтений. Методы ТОС также находят самое широкое применение: от оценки пределов "чистой" сенсорной чувствительности до принятия решений в медицине.

Психофизические законы. Бугера - Вебера, Вебера - Фехнера, Стивенса, обобщённый психофизический закон
Основной психофизический закон. Исходя из закона Вебера, Фехнер сделал допущение, что едва заметные разницы в ощущениях можно рассматривать как равные, поскольку все они - величины бесконечно малые, и принять их как единицу меры, при помощи которой можно численно выразить интенсивность ощущений как сумму (или интеграл) едва заметных (бесконечно малых) увеличений, считая от порога абсолютной чувствительности. В результате он получил два ряда переменных величин - величины раздражителей и соответствующие им величины ощущений. Ощущения растут в арифметической прогрессии, когда раздражители растут в геометрической прогрессии. Отношение этих двух переменных величин можно выразить в логарифмической формуле:
Е = KlogJ + С,
где К и С суть некоторые константы. Эта формула, определяющая зависимость интенсивности ощущений (в единицах едва заметных перемен) от интенсивности соответственности раздражителей, и представляет собой так называемый психофизический закон Вебера-Фехнера.
Порогу чувствительности соответствует точка в сенсорном пространстве. В этой точке отражается значение стимула, при котором сенсорная система переходит из одного состояния в другое. В случае абсолютного порога она переходит от отсутствия ощущения к появлению едва заметного ощущения, В случае разностного порога - от отсутствия ощущения разницы к появлению ощущения различия. Таким образом, пороговые измерения - измерения точечные. Их результаты могут очертить границы (диапазон изменений величины стимулов), в которых действует сенсорная система, но они ничего не говорят о ее структуре.
Три самых известных психофизических закона представляют собой теоретические модели структуры сенсорного пространства. В основе этих моделей лежит эмпирический закон Бугера - Вебера. На границе XVIII - XIX вв. французский физик Бугер открыл некий эффект для зрительной модальности, а немецкий физиолог Вебер проверил его действие для других модальностей. Этот эффект заключается в том, что отношение величины едва заметного увеличения стимула к исходному его значению остается постоянным в весьма широком диапазоне значений величины стимула, т.е.
R/R=k
Это соотношение получило название закона Бугера - Вебера.
Закон Фехнера. Решая свою задачу о взаимоотношении субъективного и объективного, Фехнер рассуждал примерно следующим образом. Предположим, что наше сенсорное пространство состоит из очень маленьких дискретных элементов е - едва заметных различений. Эти элементы равны между собой, т.е. постоянны:
e=k,
где k - константа.
С учетом коэффициента пропорциональности две константы можно приравнять друг другу. Таким образом, постоянное отношение закона Бугера - Вебера можно приравнять константе, связанной с едва заметным различением:
R/R=Ke,
где К - коэффициент пропорциональности.
Далее Фехнер сделал шаг, от этого уравнения, связывающего малые величины е и R, он перешел к дифференциальному уравне¬нию
dR/R=K×dE
где dE - дифференциал, соответствующий очень маленькой величине е. Решением этого уравнения будет соотношение
E=C1×LnR+C2
где C1 и C2 - константы интегрирования.
Определим C2. Ощущение начинается с какого-то значения стимула, соответствующего пороговому (R1). При R=R1 ощущение отсутствует и появляется только при малейшем превышении R над R1, т.е. в этом случае Е=0. Подставим в полученное решение:
О = C1 x InR1+C2,
отсюда C2 = - C1 x InR1, следовательно,
Е = C1 x InR- C1x In R1 = C1 x ln(R/ R1).
Соотношение E = C1x ln (R/ R1) называется законом Фехнера или иногда законом Вебера - Фехнера. Отметим, что закон Фехнера активно использует понятие порога. R1 - это, очевидно, абсолютный порог; е-элементарные ощущения, аналог порога различения.
Закон Стивенса. Американский психофизик Стивенс предложил свое решение задачи. Исходным пунктом для него был также закон Бугера - Вебера. Но модель сенсорного пространства он представлял себе иначе. Стивенс предположил, что в сенсорном пространстве действует отношение, аналогичное закону Бугера - Вебера в пространстве стимулов:
E/E=k
т.е. оглашение едва заметного приращения ощущения к его исходной величине является постоянной величиной. Опять же с точностью до коэффициента пропорциональности мы можем приравнять две постоянные величины:
E/E=K R/R
Так как Стивенс не постулировал дискретность сенсорного про¬странства, он вполне корректно мог перейти к дифференциальному уравнению
dE/E=dR/R
решение этого уравнения Е = k x Rn получило название закона Стивенса. Показатель степени n для каждой модальности имеет свое значение, но, как правило, меньше единицы.
Американские ученые Р. и Б. Тетсунян предложили объяснение смысла показателя степени n. Составим систему уравнений для двух крайних случаев - минимального и максимального ощущения:
Emin=k xRnmin xEmax=K x Rnmax
Прологарифмируем обе части уравнения и получим:
LnEmin=n x LnRmin+Lnk
LnEmax=n x LnRmax+Lnk
Решив систему уравнений относительно n, получаем
n=(LnEmax-LnEmin)/Ln(Rmax-Rmin),
или
n=Ln(Emax/Emin)/Ln(Rmax/Rmin)
Таким образом, по мнению Тетсунян, значение n для каждой модальности определяет соотношение между диапазоном ощущений и диапазоном воспринимаемых стимулов.
Сто с лишним лет не прекращаются споры между сторонниками логарифмической зависимости силы ощущения от величины стимула (закон Фехнера) и степенной (закон Стивенса). Результаты экспериментов с одними модальностями лучше аппроксимируются логарифмом, с другими - степенной функцией.
Рассмотрим один из подходов, примиряющих эти две крайности.
Обобщенный психофизический закон. Ю.М.Забродин предложил свое объяснение психофизического соотношения. Мир стимулов представляет опять закон Бугера - Вебера, а структуру сенсорного пространства Забродин предложил в следующем виде:
E/Ez
т.е. добавил константу. Отсюда обобщенный психофизический закон записывается:
dEz/E=dR/R
Очевидно, при z = 0 формула обобщенного закона переходит в логарифмический закон Фехнера, а при z = 1 - в степенной закон Стивенса. Величина этой константы определяет степень осведомленности испытуемого о целях, задачах и ходе проведения эксперимента. В экспериментах Фехнера принимали участие "наивные" испытуемые, которые попали в абсолютно незнакомую экспериментальную ситуацию и ничего, кроме инструкции, не знали о предстоящем эксперименте. Это требование работы с "наивными" испытуемыми следует, во-первых, из постулирования Фехнером невозможности проведения человеком прямых количественных оценок величины ощущения, во-вторых, из его надежды выделить в эксперименте работу сенсорной системы в "чистом" виде, исключив влияние других психических систем. Таким образом, в законе Фехнера z = 0, что означает полную неосведомленность испытуемых.
Стивенc решал более прагматические задачи. Его скорее интересовало, как воспринимает сенсорный сигнал человек в реальной жизни, а не абстрактные проблемы работы сенсорной системы. Он доказывал возможность прямых оценок величины ощущений, точность которых увеличивается при надлежащей тренировке испытуемых. В его экспериментах принимали участие испытуемые, прошедшие предварительную подготовку, обученные действовать в ситуации психофизического эксперимента. Поэтому в законе Стивенса z = 1, что показывает полную осведомленность испытуемого.
Обобщенный психофизический закон Забродина снимает противоречие между законами Стивенса и Фехнера, но для этого он вынужден выйти за рамки парадигм классической психофизики. Очевидно, что понятия "осведомленность", "неосведомленность" относятся к работе интегральных психических образований, включающих сенсорную систему только как канал получения информации о внешнем мире.
Психофизические законы устанавливают связь между психофизическими коррелятами. При этом ощущение измеряется в физических величинах, Т.е. в значениях вызывающего это ощущение стимула. Например, значению высоты звука в один сон (субъективная величина) соответствует частота звука в 1000 Гц при силе звука в 40 дБ (объективная величина). Психофизические законы показывают, как пространство стимулов (внешних раздражителей) преобразуется в сенсорное пространство. При этом благодаря виду функции преобразования (психофизическому закону) происходит "сжатие" диапазона изменений значений стимулов.
Но в реальной жизни почти не встречаются в чистом виде пары психофизических коррелятов. Даже сигналы одной модальности представляют собой весьма сложную совокупность физических характеристик, результирующая величина которых не аддитивна относительно своих составляющих. Это хорошо видно на примере тембра звука, физическим коррелятом которого служит совокупность гармоник, составляю¬щих звуковой сигнал, причем эту характеристику невозможно измерить в простой физической шкале. Не имея физической шкалы, измерения психических величин теряют основу, «повисают в воздухе». Как быть в этом случае? Классическая психофизика, ограниченная рамками своих двух основных парадигм, не смогла ответить на этот вопрос.

Психофизическое шкалирование
Психофизические методы шкалирования надпороговых раздражителей. Представляют собой собрание самых различных методов, общее у которых только то, что они предписывают правила, по которым испытуемые (прямо или косвенно) присваивают значения числовой шкалы физическим стимулам. Эти методы часто использовались для проверки некоторых психофизических законов.
Среди них - методы бисекции, субъективно равных интервалов, фракционирования и оценки величины. При использовании метода бисекции испытуемому дается инструкция отрегулировать величину переменного раздражителя т. о., чтобы результирующее ощущение казалось ему равноудаленным от ощущений, вызываемых двумя постоянными раздражителями, задающими границы интервала, который нужно разделить пополам. Эта процедура многократно повторяется, после чего вычисляется среднее арифметическое подобранных испытуемым значений переменного раздражителя.
Метод субъективно равных интервалов - разновидность метода категорий - предоставляет наблюдателю возможность относить предъявляемые раздражители к одной из "равношироких" категорий, число которых (напр., 5) задается экспериментатором и не меняется в ходе опыта. Первыми предъявляются крайние по величине раздражители и идентифицируются как таковые, чтобы служить опорными точками для последующих суждений. После классификации наблюдателем всех раздражителей их субъективные значения, определяемые как усредненные, или медианные, категории, представляются графически в виде функции от объективной величины раздражителя.
Метод фракционирования требует от наблюдателя в каждой пробе создавать (путем регулировки или подстройки) новый раздражитель, составляющий заранее определенную часть (напр., половину) предъявляемого ему раздражителя. Это делается для каждого из раздражителей, входящих в стимульный набор.
Метод оценки величины - широко используемая процедура, предоставляющая возможность наблюдателю оценивать величину раздражителей, приписывая им числа. Более сильные по сравнению с эталонным стимулом раздражители получают обычно большие числовые значения, а более слабые - меньшие. Для каждого раздражителя вычисляется среднее арифметическое или среднее геометрическое числовых оценок, полученных на группе испытуемых. Полученные средние субъективных оценок величины раздражителя представляются графически в виде функции от реальной величины раздражителя.
Теория обнаружения сигналов. Мотивация, ожидание и отношение наблюдателя вызывают смещение результатов измерения относительно истинного значения в психофизических экспериментах по определению порогов. Так, при использовании метода постоянных раздражителей, в пустых пробах ("пробах-ловушках"), когда наблюдателю не предъявляют никаких раздражителей, все равно появляются ответы "да". Такая реакция в теории обнаружения сигналов (ТОС) называется ложной тревогой. Безошибочное обнаружение раздражителя (ответ "да" при его наличии) называется попаданием. Изменения мотивации, ожиданий или отношения могут увеличивать процент попаданий, но ценой повышения доли ложных тревог.

Психологический эксперимент начинается с инструкции, точнее - с установления тех или иных отношений между испытуемым и экспериментатором. Другая задача, которая стоит перед исследователем, это формирование выборки: с кем должен проводиться эксперимент, чтобы результаты его могли считаться достоверными. Финал эксперимента - это обработка его результатов, интерпретация полученных данных и представление их психологической общественности.

	Процедуры
подготовительный	1.необходимость решения определенной проблемы, ее осознание, изучение, подбор литературы. 2.формулировка задач 3.определение объекта и предмета исследования 4.формулировка гипотезы 5.подбор методов и методик.
исследовательский	Сбор фактических данных с помощью разных методов. Проводятся различные этапы из серии исследований.
Обработка данных исследования	Количественный и качественный анализ исследования. 1.анализ зафиксированного фактора. 2.установление связи: зафиксированный факт - гипотеза. 3.выделение повторяющихся факторов. Происходит статистическая обработка, составление таблиц, графиков и т.д.
Интерпретация данных. Вывод	1.установление правильности, либо ошибочности гипотезы исследования. 2.соотнесение результатов с существующими концепциями и теориями.

Понятие контроля используется в науке в двух - в определенной мере взаимосвязанных - различных смыслах.

Второй смысл, вкладываемый в слово контроль, относится к исключению действия выбранных исследователем переменных в экспериментах или наблюдениях, проводимых в искусственно созданных условиях, - т. о. «контролируется» их влияние. Устранение вариации контролируемых переменных дает возможность более эффективно оценить влияние др. переменной, наз. независимой, на измеряемую, или зависимую, переменную. Подобное исключение посторонних источников вариации позволяет исследователю снизить неопределенность, сопутствующую естественным условиям, к-рая затемняет картину причинно-следственных отношений, и т. о. получать более точные факты.

Переменную можно контролировать двумя осн. способами. Наиболее простой способ состоит в том, чтобы поддерживать контролируемую переменную неизменной при всех условиях или во всех группах испытуемых; примером может служить устранение вариации испытуемых по полу путем привлечения в качестве испытуемых только мужчин или только женщин. При втором способе допускается нек-рое влияние контролируемой переменной, но при этом предпринимается попытка удержать его на одном уровне при всех условиях или во всех группах испытуемых; соотв. пример - привлечение равного количества мужчин и женщин в каждую из принимающих участие в эксперименте групп.

Контроль критических переменных не всегда прост или даже вообще возможен. Примером здесь может быть астрономия. Разумеется, не представляется возможным манипулировать движением звезд и планет или др. небесных тел, что позволяло бы поставить наблюдения под полный контроль. Тем не менее существует возможность заранее планировать наблюдения, с тем чтобы заранее учесть возникновение определенных естественных событий - в т. н. природных экспериментах (natural experiments) - и тем самым добиться нек-рой степени контроля в наблюдениях.

Планирование эксперимента - продукт нашего времени, однако истоки его теряются в глубине веков.

Истоки планирования эксперимента уходят в глубокую древность и связаны с числовой мистикой, пророчествами и суевериями.

Это собственно не планирование физического эксперимента, а планирование числового эксперимента, т.е. расположение чисел так, чтобы выполнялись некоторые строгие условия, например, на равенство сумм по строкам, столбцам и диагоналям квадратной таблицы, клеточки которой заполнены числами натурального ряда.

Такие условия выполняются в магических квадратах, которым, по-видимому, принадлежит первенство в планировании эксперимента.

Согласно одной легенде примерно в 2200 г. до н.э. китайский император Ю выполнял мистические вычисления с помощью магического квадрата, который был изображен на панцире божественной черепахи.

Квадрат императора Ю

Клетки этого квадрата заполнены числами от 1 до 9, и суммы чисел по строкам, столбцам и главным диагоналям равны 15.

В 1514 г. немецкий художник Альбрехт Дюрер изобразил магический квадрат в правом углу своей знаменитой гравюры-аллегории «Меланхолия». Два числа в нижнем горизонтальном ряду A5 и 14) составляют год создания гравюры. В этом состояло своеобразное «приложение» магического квадрата.

Квадрат Дюрера

В течение нескольких веков построение магических квадратов занимало умы индийских, арабских, немецких, французских математиков.

В настоящее время магические квадраты используются при планировании эксперимента в условиях линейного дрейфа, при планировании экономических расчетов и составлении рационов питания, в теории кодирования и т.д.

Построение магических квадратов является задачей комбинаторного анализа, основы которого в его современном понимании заложены Г. Лейбницем. Он не только рассмотрел и решил основные комбинаторные задачи, но и указал на большое практическое применение комбинаторного анализа: к кодированию и декодированию, к играм и статистике, к логике изобретений и логике геометрии, к военному искусству, грамматике, медицине, юриспруденции, технологии и к комбинации наблюдений. Последняя область применения наиболее близка к планированию эксперимента.

Одной из комбинаторных задач, имеющей прямое отношение к планированию эксперимента, занимался известный петербургский математик Л. Эйлер. В 1779 г. он предложил задачу о 36 офицерах как некоторый математический курьез.

Он поставил вопрос, можно ли выбрать 36 офицеров 6 рангов из 6 полков по одному офицеру каждого ранга от каждого полка и расположить их в каре так, чтобы в каждом ряду и в каждой шеренге было бы по одному офицеру каждого ранга и по одному от каждого полка. Задача эквивалентна построению парных ортогональных 6x6 квадратов. Оказалось, что эту задачу решить невозможно. Эйлер высказал предположение, что не существует пары ортогональных квадратов порядка п=1 (mod 4).

Задачей Эйлера, в частности, и латинскими квадратами вообще занимались впоследствии многие математики, однако почти никто из них не задумывался над практическим применением латинских квадратов.

В настоящее время латинские квадраты являются одним из наиболее популярных способов ограничения на рандомизацию при наличии источников неоднородностей дискретного типа в планировании эксперимента. Группировка элементов латинского квадрата, благодаря своим свойствам (каждый элемент появляется один и только один раз в каждой строке и в каждом столбце квадрата), позволяет защитить главные эффекты от влияния источника неоднородностей. Широко используются латинские квадраты и как средство сокращения перебора в комбинаторных задачах.

Возникновение современных статистических методов планирования эксперимента связано с именем Р. Фишера.

С 1918 г. он начал свою известную серию работ на Рочемстедской агробиологической станции в Англии. В 1935 г. появилась его монография «Design of Experiments», давшая название всему направлению.

Среди методов планирования первым был дисперсионный анализ (кстати, Фишеру принадлежит и термин «дисперсия»). Фишер создал основы этого метода, описав полные классификации дисперсионного анализа (однофакторный и многофакторный эксперименты) и неполные классификации дисперсионного анализа без ограничения и с ограничением на рандомизацию. При этом он широко использовал латинские квадраты и блок-схемы. Вместе с Ф. Йетсом он описал их статистические свойства. В 1942 г. А. Кишен рассмотрел планирование по латинским кубам, которое явилось дальнейшим развитием теории латинских квадратов.

Затем Р. Фишер независимо опубликовал сведения об ортогональных гипер-греко-латинских кубах и гипер-кубах. Вскоре после этого 1946-1947 гг.) Р. Рао рассмотрел их комбинаторные свойства. Дальнейшему развитию теории латинских квадратов посвящены работы X. Манна A947-1950 гг.).

Исследования Р. Фишера, проводившиеся в связи с работами по агробиологии, знаменуют начало первого этапа развития методов планирования эксперимента. Фишер разработал метод факторного планирования. Йегс предложил для этого метода простую вычислительную схему. Факторное планирование получило широкое распространение. Особенностью полного факторного эксперимента является необходимость ставить сразу большое число опытов.

В 1945 г. Д. Финни ввел дробные реплики от факторного эксперимента. Это позволило резко сократить число опытов и открыло дорогу техническим приложениям планирования. Другая возможность сокращения необходимого числа опытов была показана в 1946 г. Р. Плакеттом и Д. Берманом, которые ввели насыщенные факторные планы.

В 1951 г. работой американских ученых Дж. Бокса и К. Уилсона начался новый этап развития планирования эксперимента.

Эта работа подытожила предыдущие. В ней ясно сформулирована и доведена до практических рекомендаций идея последовательного экспериментального определения оптимальных условий проведения процессов с использованием оценки коэффициентов степенных разложений методом наименьших квадратов, движения по градиенту и отыскания интерполяционного полинома (степенного ряда) в области экстремума функции отклика («почти стационарной» области).

В 1954-1955 гг. Дж. Бокс, а затем Дж. Бокс и П. Юл показали, что планирование эксперимента можно использовать при исследовании физико-химических механизмов процессов, если априори высказаны одна или несколько возможных гипотез. Здесь планирование эксперимента пересекалось с исследованиями по химической кинетике. Интересно отметить, что кинетику можно рассматривать как метод описания процесса с помощью дифференциальных уравнений, традиции которого восходят к И. Ньютону. Описание процесса дифференциальными уравнениями, называемое детерминистическим, нередко противопоставляется статистическим моделям.

Бокс и Дж. Хантер сформулировали принцип ротатабельности для описания «почти стационарной» области, развивающейся в настоящее время в важную ветвь теории планирования эксперимента. В той же работе показана возможность планирования с разбиением на ортогональные блоки, указанная ранее независимо де Бауном.

Дальнейшим развитием этой идеи было планирование, ортогональное к неконтролируемому временному дрейфу, которое следует рассматривать как важное открытие в экспериментальной технике - значительное увеличение возможностей экспериментатора.