Ричард Нисбетт - Что такое интеллект и как его развивать. Роль образования и традиций
- Название:Что такое интеллект и как его развивать. Роль образования и традиций
- Автор:
- Жанр:
- Издательство:Альпина диджитал
- Год:2015
- Город:Москва
- ISBN:978-5-91671-162-2
- Рейтинг:
- Избранное:Добавить в избранное
-
Отзывы:
-
Ваша оценка:
Ричард Нисбетт - Что такое интеллект и как его развивать. Роль образования и традиций краткое содержание
Что такое интеллект и как его развивать. Роль образования и традиций - читать онлайн бесплатно ознакомительный отрывок
Интервал:
Закладка:
Множественная регрессия — это способ одновременного установления корреляции между несколькими независимыми, или предикторными, переменными и какой-то целевой, или зависимой, переменной. Например, нам может понадобиться сравнить зависимость стоимости жилья от разных переменных. Мы должны измерить площадь жилья, количество комнат, состояние ванной комнаты (например, используя индекс, вычисляемый на основании количества раковин, наличия или отсутствия горячей воды и использования высоко- или низкокачественных материалов), средний доход населения района и состояние дома по оценкам экспертов или потенциальных покупателей. Затем мы устанавливаем корреляцию этих переменных с привлекательностью дома, измеряемой его стоимостью на рынке — с рабочей (выходной) переменной. Определив коэффициент корреляции каждой из переменных с рыночной ценой, вне зависимости от других переменных (приняв их за постоянные), мы можем оценить, насколько каждая из них влияет на итоговую цену. Так, например, при постоянстве прочих значений корреляция между состоянием дома и его рыночной ценой может быть равна 0,25, а между качеством ванной комнаты и ценой дома — 0,10. Но все используемые переменные должны коррелировать друг с другом, при этом в реальной жизни, как правило, одни переменные измеряются более точно, чем другие, некоторые из них зависимы друг от друга, в то время как другие — нет, а на ряд переменных могут оказывать влияние те, которые не были измерены. В результате множественный регрессионный анализ может нас подвести. Подлинная степень влияния состояния дома на его рыночную цену может оказаться существенно выше или ниже 0,25, полученных в результате регрессионного анализа.
Есть бесчисленное количество примеров, когда множественный регрессионный анализ дает одну оценку, а в экспериментах, которые почти всегда предпочтительнее с точки зрения выявления причинно-следственных связей, обнаруживается совсем другое. Например, около 15 лет назад я присутствовал на конференции, организованной Государственным институтом здравоохранения. Целью конференции был обзор исследований по медикаментозным и хирургическим методам лечения закупорки коронарной артерии и достижение консенсуса по вопросу применимости тех и других. Участникам конференции были доступны данные многочисленных дорогостоящих исследований, осуществленных на средства налогоплательщиков. В этих исследованиях использовался большой набор данных, в том числе по историям болезни, возрасту и социально-экономическому положению пациентов, которые подвергались множественному регрессионному анализу, а затем были сделаны выводы об эффективности типов лечения «независимо» от всех других факторов, по которым отличались пациенты. Но поскольку совет, определяющий политику исследований в США (Internal Review Board), требует, чтобы пациентам было разрешено выбирать себе лечение (хотя далеко не очевидно, что это действительно в интересах пациентов), все данные по Соединенным Штатам в результате самоотбора были искажены (см. ниже). Но помимо американских исследований на конференции рассматривались данные двух европейских, основанных на произвольном назначении лечения разным пациентам. И специалисты очень правильно проигнорировали результаты, полученные в США, и сосредоточились на данных, предоставленных европейскими учеными.
Рассмотрим пример, более близкий к тематике этой книги, а именно, влияет ли размер класса на успеваемость учеников. Согласно данным множественного регрессионного анализа, размер класса, рассмотренный независимо от количества учеников во всей школе; среднего дохода семей, проживающих в районе, где расположена школа; размера зарплаты учителей; процента учителей, имеющих сертификат; количества денег, затрачиваемых на каждого ученика в этом округе, и так далее, не коррелирует с оценками учеников. (Hanushek, 1986; Hoxby, 2000; Jencks et al., 1972). Но в одном правильно поставленном, основанном на случайной выборке эксперименте, где размеры класса изменялись достаточно широко (сравнивались классы с количеством учеников, равным 13-17, с классами, где было по 22-25 учеников), обнаружилось, что такие изменения размера класса приводят к разнице в результатах стандартизированных тестов в 0,25 СО, причем эффект для чернокожих школьников был выше, чем для белых (Krueger, 1999). Это было не просто очередное исследование значения размера класса. Оно заменило все исследования размера класса с помощью множественного регрессионного анализа.
В этой книге я временами ссылаюсь на результаты множественного регрессионного анализа, однако лишь изредка, и всегда предупреждаю, что они могут оказаться недостоверными.
Самоотбор — одна из проблем, которые приводят к трудностям в интерпретации данных исследований с применением корреляции и множественного регрессионного анализа; в этом важно разобраться по многим причинам. Когда мы говорим, что IQ коррелирует с профессиональными достижениями в определенной степени — скажем, на 0,40, — логичным кажется предположить, что между этими двумя переменными существует причинно-следственная зависимость: чем выше IQ у человека, тем больших профессиональных успехов он добьется. Однако IQ коррелирует и с другими факторами. Например, более высокие показатели IQ у ребенка связаны с более высоким СЭС родителей, который, к примеру, делает более вероятным поступление ребенка в колледж независимо от его интеллекта. А высшее образование, в свою очередь, независимо от IQ повышает вероятность достижения высокого профессионального статуса. Таким образом, корреляция между IQ и профессиональными достижениями искажается под влиянием других переменных, таких как общественное положение родителей и высшее образование, которые представляют для этого ребенка фактор «самоотбора». (Наверное, термин «самоотбор» звучит странно применительно, например, к положению родителей, которых ребенок, очевидно, не выбирает. Однако в данном случае речь идет о точке зрения исследователя, который явно не может определить уровень этой переменной, так что получается, что его определяет сам испытуемый. Так или иначе, какие-то факторы, связанные с человеком, участвующим в эксперименте, величина которых не может быть установлена исследователем, могут изменять значение переменных таким образом, что исследователь не влияет на это или даже не знает.)
Если в исследовании какая-то переменная подвергается просто измерениям, а не манипуляциям, мы должны понимать, что уровень этой интересующей исследователя переменной определяется не им, а самим испытуемым, — наряду с остальными переменными, которые измеряются или не измеряются в данном эксперименте. Это дает возможность делать вполне обоснованные выводы. В примере с размером класса исследователь, применяющий множественную регрессию, сталкивается с самоотбором переменной (то есть он не сам определяет размер класса), и переменная размера класса может испытывать воздействие других переменных, которые искажают или вовсе уничтожают влияние этой переменной на успеваемость. Единственный способ полностью избежать самоотбора — выбрать значение независимой или предикторной переменной (например, сравнивать большие и маленькие классы), а затем исследовать ее влияние на целевую переменную (например, результат тестирования). Увы, это не всегда возможно, так что порой мы вынуждены удовлетвориться корреляционным или множественным регрессионным анализом, стараясь учитывать в своих выводах возможное влияние самоотбора.
Читать дальшеИнтервал:
Закладка: