Upload
jasper-browning
View
53
Download
7
Embed Size (px)
DESCRIPTION
Nedostaci tradicionalnih metodoloških postupaka u istraživanju ličnosti Zanemarivanje idiografičnosti i dimaničkih promjena u ličnosti - j edan od najznačajnijih naglasaka u suvremenoj psihologiji ličnosti upravo je dinamika i promjenjivost ličnosti, za što tradicionalni postupci nisu adekvatni. - PowerPoint PPT Presentation
Citation preview
Nedostaci tradicionalnih metodoloških postupaka u istraživanju ličnosti
1. Zanemarivanje idiografičnosti i dimaničkih promjena u ličnosti - jedan od najznačajnijih naglasaka u suvremenoj psihologiji ličnosti upravo je dinamika i promjenjivost ličnosti, za što tradicionalni postupci nisu adekvatni.
2. Ateoretičnost - od istraživača redovito ne zahtijevaju postavljanje nikakvih specifičnih hipoteza deriviranih iz neke teorije, nego dopuštaju čisti empirizam i naknadno teorijsko tumačenje rezultata.
3. Nemogućnost integracije niza pojedinačnih istraživanja istog problema.
1. Što je strukturalno modeliranje?
Možemo reći da je to sumarni termin za cijelu obitelj linearnih statističkih modela kao što
su ANOVA, regresijska analiza, itd. Čak i jednostavan t-test može se promatrati kao
strukturalni model, u kojem se ishodna (zavisna) varijabla može u potpunosti opisati
grupnom pripadnošću.
2. Zbog čega je značajno razmišljati u terminima modela?
Jedna od glavnih prednosti korištenja strukturalnog modeliranja je u tome da ono od
istraživača zahtijeva da bude jasan u pogledu pretpostavljenih mehanizama. Svaki
prepostavljeni model je «zatvoreni» sustav i zbog toga svi značajni izvori varijacija
moraju u njemu biti uključeni. U onoj mjeri u kojoj model ne sadrži potencijalno važne
varijable (npr. model s t-testom u kojem efekti rezultiraju iz individualnih razlika) on će
biti pogrešan i neće se moći potvrditi. Prednost strukturalnog modeliranja je i u tome što
ono može uključiti i individualne razlike i eksperimentalne manipulacije.
3. U čemu je prednost strukturalnog modeliranja nad korelacijama?
U novije vrijeme u društvenim znanostima postoji trend rigoroznijeg ispitivanja odnosa
među konstruktima. Npr. meta-analizom se nastoji utvrditi agregirani efekt koji se za isti
fenomen dobiva kroz veći broj različitih istraživanja. Strukturalno modeliranje omogućava
najbolju moguću procjenu povezanosti između konstrukata.
4. Zbog čega su nam potrebne latentne varijable?
U brojnim područjima psihologije latentne varijable su od ključne važnosti. Fenomeni kao
što su ličnost, stavovi, emocije, motivacija i slično su latentne varijable o čijem postojanju
zaključujemo na osnovi opaženog ponašanja.
5. U kakvom su odnosu latentne varijable s prikupljenim podacima?
Često se za procjenu latentnog konstrukta koji nas interesira koristi samo jedna mjera.
Podrazumijeva se da ta mjera zahvaća cjelokupni varijabilitet pretpostavljene latentne
varijable (npr. upitnik depresivnosti je identičan s latentnom varijablom depresivnost). U
tom se slučaju ne može razlikovati konstrukt od njegovog mjerenja. Strukturalno
modeliranje omogućava simultano uključivanje više indikatora istog latentnog konstrukta,
pri čemu je idealno kada su različiti indikatori istog konstrukta mjereni na različite načine.
6. Jesu li latentne varijable najbolja aproksimacija psihologijskih konstrukata?
Da, ali jedino ako su latentne varijable mjerene različitim indikatorima i različitim
metodama. Tipična je empiristička pogreška vjerovanje da je ono što je u podacima «bolje»
nego ono što se podrazumijeva da postoji. Strukturalno modeliranje s latentnim varijablama
mjerenim različitim indikatorima i različitim metodama omogućava najbolju aproksimaciju
teorijskim konstruktima.
7. Mogu li se strukturalno modelirati i podaci prikupljeni u eksperimentu?
Da, pogotovo ako simultano postoje višestruke operacionalizacije istog konstrukta.
Strukturalno modeliranje je u početku uglavnom bilo korišteno za neeksperimentalne
podatke.
8. Omogućuje li nam strukturalno modeliranje kauzalno zaključivanje?
Ne. Kauzalno zaključivanje je moguće je samo kod dobro organiziranih eksperimentalnih
istraživanja. U određenim slučajevima strukturalno modeliranje nam omogućuje
zaključivanje o većoj ili manjoj vjerojatnosti neke kauzalne veze.
9. Jesu li tradicionalni statistički postupci dovoljno dobri?
U najvećem broju slučajeva ne. Tradicionalni statistički postupci, kao što je npr. ANOVA
statistički reprezentiraju S-R modele u psihologiji. Već nešto složeniji S-O-R modeli ne
mogu se adekvatno testirati statističkim postupcima koji proizlaze iz S-R modela jer oni ne
omogućavaju testiranje medijacijskog efekta. Danas se za veliki dio psihologije može reći da
se konceptualno ne poklapa s tradicionalnim statističkim postupcima; znatno se više poklapa
sa strukturalnim modeliranjem.
10. Kako možemo odrediti je li testirani model dobar?
Strukturalno modeliranje omogućava i dobivanje različitih indeksa koji govore o tome koliko
se testirani model poklapa s podacima. U podacima može postojati i više od jednog statistički
značajnog teorijskog modela, pa nam indeksi pogodnosti omogućavaju evaluaciju različitih
modela. Kod strukturalnog modeliranja naglasak nije samo na statističkoj značajnosti jednog
modela, nego i na dokazivanju da je taj model bolji od drugih kompetetivnih modela.
11. Jesu li za strukturalno modeliranje potrebni veliki uzorci ispitanika?
Ovisi o veličini testiranog modela, te o broju mjerenih i latentnih varijabli. Obično se navodi
da je minumum 100, a preferirani broj 200 ili više ispitanika. Može se koristiti i kod manjih
uzoraka, ali se tada u interpretaciji podataka treba ograničiti na deskriptivne aspekte (npr. na
veličinu dobivenih efekata) a ne na formalne kriterije za testiranje hipoteza. Broj ispitanika
nikako ne može biti veći od broja varijabli.
12. Hoće li moje istraživanje biti loše ako ne koristim strukturalno modeliranje?
Da, ako je pretpostavljen nekakav model, ako su u modelu prisutne latentne varijable
operacionalizirane različitim indikatorima, te medijacijski procesi.
Analize vremenskih nizova
Fiksna ličnost – ličnost je stabilan i fiksan skup crta koje određuju, opisuju i sumiraju klase ponašajnih, afektivnih i kognitivnih odgovora. Naglasak na konzistenciji ignorira one aspekte ponašanja koji su promjenjivi i fluidni.
Nomotetički pristup implicira dvije problematične i međusobno povezane posljedice (Magnusson i Torestad, 1993):
1. zaključci o pojedinačnom funkcioniranju i razvoju izvode se na osnovi istraživanja interindividualnih razlika,
2. odnosi među varijablama koriste se za zaključivanje o tome kako te varijable stvarno funkcioniraju unutar pojedinca, tj. podrazumijeva se da su odnosi između varijabli i načini njihova funkcioniranja identični za sve pojedince.
Fluidna ličnost - ispitivanje ponašajnih, afektivnih i kognitivnih uzoraka promjena tijekom vremena. Najprije je potrebno razumjeti procese unutar pojedinca, a nakon toga tražiti individualne razlike (idiografički-nomotetički pristup).
Osnovna pretpostavka - opažanja u jednoj vremenskoj seriji nisu nezavisna i zbog toga ne zadovoljavaju uvjete za upotrebu standardnih statističkih tehnika kao što su npr. analiza varijance ili regresijska analiza. Postoje tri glavna tipa zavisnosti:
1. trend - odnosi se na sistematske promjene tijekom vremena koje se mogu pripisati faktorima kao što su npr. uvježbavanje, navikavanje i sl.
2. ciklus - odnosi se na ritmičnost promjena unutar određene vremenske serije,
3. serijalna zavisnost ili autokorelacija - odnosi se na činjenicu da su vremenski bliža opažanja međusobno više povezana nego opažanja ili mjerenja koja su vremenski udaljenija.
Ako se vremenska serija u potpunosti može predvidjeti na osnovi prošlih opažanja onda je ona deterministička. Psihološki su procesi pod utjecajem brojnih faktora, često i nepoznatihi. Mnoge vremenske serije u psihologiji su zato stohastičke, što znači da se rezultat budućih opažanja samo djelomično može predvidjeti na osnovi prošlih opažanja.
Autokorelacija - korelacija jedne vremenske serije sa samom sobom pomaknutom u vremenu.
Kroskorelacija - korelacija jedne vremenske serije s drugom koja je pomaknuta u vremenu.
Spektralna analiza - dekomponira vremenske serije u sinusoidalne komponente različitih frekvencija i različitih amplituda.
Krosspektralna analiza - bivarijatna metoda zasnovana na frekvencijama i rezultira tzv. funkcijom koherencije koja je mjera najbolje linearne povezanosti svakog opaženog ritma u jednoj varijabli sa istim ritmom druge varijable.
P-tehnika faktorske analize – omogućava kvantificiranje stupnja vremenske koherencije većeg broja varijabli unutar jednog ispitanika, te strukturiranost određene pojave
Nedostaci analiza vremenskih nizova:
1. Mali broj ispitanika,
2. Nestacionarnost podataka,
3. Nesinusoidalnost podataka,
4. Prisustvo periodičkih i neperiodičkih komponenti.