Волнение в океане личностных факторов

как выглядят выборочные корреляционные матрицы психологических переменных в динамике. Пять вопросов на экстраверсию и нейротизм, генеральная совокупность 2800 человек, из которой извлекаются выборки по 100 испытуемых. Истинные связи только проглядываются на фоне случайных волн, перекатывающихся через личностные факторы - щелкнуть для просмотра

Красиво, но...
Если я правильно понял эту мозаику, можно предположить, что N1 и N2, как минимум, психометрические, а скорее даже и смысловые антонимы. В несколько меньшей степени E2 и E4 - психометрические синонимы...
В "хорошей", но короткой, шкале межпунктовые корреляции должны быть менее вариабельными и центрироваться в районе 0,3 - 0,4.
В визуализированном примере эти критерии, похоже, не соблюдены

наоборот, функция corrplot несколько неинтуитивно использует цвета. Данные не мои (personality self report items taken from the International Personality Item Pool (ipip.ori.org) were included as part of the Synthetic Aperture Personality Assessment (SAPA) web based personality assessment project), а я всего лишь хотел показать, как плещутся выборочные корреляционные матрицы

по 5 вопросов (не мало?)

Для чего?

5 вопросов на шкалу мало для того, чтобы выявить различия. Нет? Даже при такой выборке.

Еще раз хочу повторить: цель этой демонстрации - показать меру изменчивости структуры связей, которая вызывается выборочными флуктуациями, а не измерение. Поэтому все равно, сколько пунктов приходится на фактор, пять или пятьдесят

Александр Геннадьевич,

увы, почему-то я не могу схватить эту картинку (за отводимые 2-3 минуты). Может быть, я не прочитал каких-то пояснений к ней, так как не нашел их? Что по строкам и столбцам матрицы-то? Факторные шкалы, выборки или их комбинация?

Ваш АШ

Пять вопросов по шкале экстраверсии (E1-E5) и пять - нейротизма (N1-N5). Анимация создана с целью показать, как меняется выборочная структура корреляций (см. первый пост в этой теме)

Да, теперь понятно, что ключевое слово "выборочные".
Выборочные по-индикаторные корреляции - это не статистика, это - эстетика ))

Александр Геннадьевич,

Спасибо за пояснение, что это вообще отдельные вопросы, а не шкалы.
Тогда... понимаю, кажется, что меня сбивает с толку. Почему внутри
группы вопросов из шкалы Нейротизма (переменные N) корреляции
положительные, а внутри группы из шкалы Экстраверсии (переменные E)
отрицательные - коричневатые? Кстати, с точки зрения цветовой семиотики,
принятой для физической географии, коричневато-красный цвет должен
был бы обозначать положительные корреляции (возвышения), а темно-синий
- океанские впадины (негативные связи). А тут наоборот... Но не в этой несуразности
дело, конечно. А в том, что я подозреваю, для этого "фокуса", может быть, специально
подобраны вопросы из "Экстраверсии", которые являются разнородными. Это усиливает
эффект "волнения"... На вскидку, только первые две пары вопросов
внутри двух факторов (E1-E2, N1-N2) действительно устойчиво положительно
скоррелированы. Если я не прав, помогите, разобраться.

Ваш АШ

Это, безусловно, эстетика . Но мне непонятно, почему Вы полагаете, что это не статистика. Это статистика в чистом виде, потому что вся эта возня вокруг статистической значимости возникает именно потому, что из генеральной совокупности случайным образом извлекаются выборки. Однако именно этот момент для большинства психологов остается скрыт, потому что на самом деле случайным образом выборки мы не извлекаем, а используем выборки доступности (samples of convenience), наивно полагая эти вещи эквивалентными

отрицательные корреляции в факторе экстраверсии возникают потому, что в массиве Уильяма Ревелле, который я взял в качестве основы, 2 пункта имеют обратную шкалу, а в факторе нейротизма вопросов с обратным ключом почему-то не оказалось.
Да, в функции corrplot цвета положительным и отрицательным связям назначены неинтуитивно, согласен.

Насколько я понял, общая идея этой визуализации - показать, что, когда исследователь работает с выборкой, кажущейся приличной (100 человек), он всё равно сильно рискует - и на такой выборке примешивается случайности, искажающие картину настолько, что на другой выборке в 100 человек будет несколько иная картина корреляций. Один из выходов, как писал Александр Геннадьевич в другом посте, - повторные исследования на других выборках; только при подтверждении в нескольких исследованиях (желательно разных исследователей) можно рассчитывать на более надежный результат.
Полезно показывать студентам. Добросовестные студенты, набрав 100 человек, с искренним рвением пытаются содержательно проинтерпретировать каждую "высветившуюся" корреляцию, - достаточно бессмысленная работа, как показано в этом моделировании.

Конечно, статистика! Демонстрация же в динамике - еще и красиво... Чувственная ткань статистики ))

Совершенно верно, Александр Николаевич! Это всего лишь дидактическая иллюстрация, помогающая психологам (прежде всего, студентам) понять, как объем выборки (и "городские легенды" о достаточном объеме) могут сказываться на результатах исследований.

Во-первых, технический вопрос - corrplot - это функция R или MATLAB?
Во-вторых, мне кажется видно очень наглядно, что корреляции конечно "гуляют", но между вопросами из N и E, а вот внутри - они достаточно стабильны, ну может немножко блекнут или становятся ярче, но явно сохраняют свои знаки. Так что вот это как раз важно. Что если берем маленькую выборку, то может чего-то и не получим, но устойчивые корреляции все-таки не потеряем. Это методически, мне кажется важным. Если на небольшой пилотажной выборке что-то не появилось, то наивно ожидать общей устойчивости на большей выборке. Т.е. там мы можем получить нужные корреляции, но гарантии что на подвыборках это будет сохранятся нет, а значит и достоверности в корреляциях нет.
Другой вывод для студентов - не нужно интерпретировать все получившиеся корреляции, нужно интерпретировать содержательно осмысленные, теоретически обоснованные.

Спасибо! Картинка + пояснения = ценный опыт и пища для понимания

Как и Ольга Валентиновна, я увидел в представленной демонстрации, прежде всего, именно свидетельство довольно неплохой воспроизводимости межпунктовых корреляций.
Что же касается их вариативности, то, конечно, студентам нужно говорить об ошибках выборки. Равно как и о других ошибках, влияющих на уровень точечных оценок величины эффекта (аттенюации вследствие неидеальной надежности, ограничения диапазона варьирования признака...)
Почему-то даже в академических публикациях эти проблемы обсуждаются крайне редко.
Складывается впечатление, что редактора психологических изданий чуть ли не поголовно инфицированы еще одной "городской легендой" - о священном статусе "(p<0,05)", а вот встретить коррекцию тех же коэффициентов корреляции с учетом влияния различных артефактов довольно непросто.
И, конечно, студентов (и не только) полезно учить, что любой коэффициент корреляции (фактор, различие и др.) заслуживает интерпретации и обнародования только после кросс-валидизации (полагаю, на независимой выборке - убедительнее, чем формульной).

Ольга Валентиновна, я воспользовался функцией R. Да, внутри факторов корреляции кажутся более стабильными, но частично это следствие анимации, когда устойчивые "фамильные черты", как на гальтоновских наложенных фотографиях, четче выявляются из-за большей стабильности. Если же остановить анимацию на отдельном слайде, порой структура факторов едва проглядывает на фоне шума. Теперь представим, что мы выстраиваем модель конфирматорного факторного анализа для такого слайда, пытаясь объяснить все особенности корреляционной матрицы, "рихтуя" на основании индексов модификации нагрузки и корреляции остатков.

Второй момент, который выделил ранее Константин Владимирович: факторы оказываются устойчивыми благодаря более сильным корреляциям, но таике корреляции (0.6-0.7) возможно получить главным образом на явных синонимах или антонимах (второе сложнее)