Методы обработки информации

Введение 

      В настоящее время во внутренних войсках МВД России стоит проблема в отсутствии образовательного уровня офицерских кадров по вопросам военно-социального управления. Причин сложившегося положения дел много, но главная причина состоит в том, что существовавшая система  управления образованием сломана, а новая, более эффективная система еще не создана. Необходимость и потребность в стройной системе управления и воспитания в период реформирования внутренних войск МВД России ощущается сейчас особенно остро.

      Обострившиеся объективные и субъективные противоречия в содержании, организации, методах  управления и воспитательной работы с военнослужащими привели к тому, что в ряде воинских частей они не соответствуют  характеру решаемых задач, отстают от потребностей боевой подготовки. Заметно упал духовный, нравственный потенциал военнослужащих, что проявляется в различного рода нарушениях. Решение указанных проблем непосредственно связано с развитием системы военно-социального управления в воинских частях (соединениях).

      У многих офицеров проходящих сейчас службу в специальных моторизованных воинских частях внутренних войск МВД России слабо развиты знания и навыки военно-социального управления, что не позволяет им эффективно руководить. У большинства из них недостаточно развита и управленческая структура. Всё это приводит к тому, что актуальный для специальных моторизованных воинских частей ВВ МВД РФ количественный и качественный учёт показателей патрульно-постовой службы в состоянии вести лишь единицы, хотя на практике ежедневно сталкиваются с необходимостью применения методов статистического анализа военно-социальной информации.  
 
 
 

Глава 1. Статистика и этапы анализа информации 

      Для более конкретного представления  совокупности методов статистики, необходимо изучить их структуру и основные понятия.

      В сегодняшней практике анализа социальной информации наиболее широко применяются  методы математической статистики.

      Статистика – самостоятельная наука, изучающая количественную сторону массовых общественных явлений в нераздельной связи с их качественной стороной.

      Математическая  статистика является по отношению к  статистике разработчиком и поставщиком используемого математического аппарата. Она занимается математическим описанием случайных явлений, построением и проверкой пригодности их моделей.

      1 ЭТАП - выбор и обоснование метода математико-статистической обработки.

1. Первый уровень представляет собой частотный анализ, предназначенный для агрегирования (статистического обобщения) исходной информации.
2. Второй уровень включает анализ преимущественно количественной информации, для реализации которого используются традиционные процедуры математической статистики, науки, изучающей количественную сторону массовых общественных явлений в нераздельной связи с их качественной стороной.
3. Определение параметров положения данных (мер центральной тенденции и изменчивости, мер связи и статистического вывода).
4. Третий уровень – процедуры анализа преимущественно качественной информации (использование отдельных процедур статистики объектов нечисловой природы), а также ряда других математических процедур.
5. Четвертый уровень представлен различными методами прикладного статистического анализа.

2 ЭТАП - подготовка исходных данных к обработке.

      Он  включает кодирование информации, контроль и выбраковку случайных ошибок, выявление систематических ошибок, заведение информации в электронную форму.

      3 ЭТАП - первичная обработка данных исследования.

      Полученные  данные называются выборкой.

      Первый  этап обработки выборки – это  составление вариационного ряда (расположение чисел в порядке возрастания или убывания). 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

    Глава 2. Методы обработки  информации 

      Наиболее  простым из известных математических методов первичной обработки является подсчет накопленных абсолютных величин шкальных значений, или метод простой группировки данных. Его сущность заключается в суммировании данных по определенным позициям (суммировании случаев проявления некоторого признака). Однако абсолютные величины неудобны, например, для сравнения с данными других подобных исследований.

      Для этого абсолютные величины переводятся  в относительные. Основные применяемые при этом методы – расчет частостей и вычисление процентных отношений (процентирование).

      Частость (относительная частота) – отношение частоты признака к общему количеству наблюдений.

                                     n

                                f=---

                                     N

      Процентное  отношение – исчисление относительной  частоты в виде процентов:

                                      n

                             f % = --- *100%

                                       N

      Метод простой группировки широко используется, например, для обработки анкет.

      В процессе анализа социальной информации часто приходится иметь дело с большими массивами статистических данных. С целью облегчения работы часто прибегают к уплотнению массивов статистической информации.

      Для свертки материала наряду с другими  статистиками широко используются меры центральной тенденции и изменчивости – различные характеристики центрального положения совокупности (Мо, Ме, Мср). Все они тесно связаны со шкалами.   

    Меры  центральной тенденции

      1. Мода (Мо) – это наиболее вероятное значение в исследуемом объеме данных. Если значения признака разбиты на некоторые классы, то мода соответствует классу с максимальной частотой. Этот класс называется модальным. В одном ряду данных мода может быть рассчитана для любых типов шкал.

      Например: наиболее часто встречающиеся  оценки являются модальным классом.

      2. Медиана (Ме) – количественный показатель, характеризующий значение признака на упорядоченной (построенной по принципу возрастания или убывания величины) шкале измерений, которое соответствует середине исследуемой выборочной совокупности.

      Ме  – точнее отражает типичный уровень  признака в неоднородной совокупности, чем средняя величина.

      Пример: Если значение признака составляет 114, 119, 127, 129, 140, 148, 296 – Ме =129, а Мср=1073 : 7=157,3 (Шесть  значений признака из семи меньше Мср, значит, она плохо отражает типичный размер признака).       

      3. Среднее арифметическое ( или ) – величина, характеризующая среднее значение признака по каждой из групп с учетом их численности.

      Примечание: Не следует применять , когда в совокупности исходные данные имеют значительный разброс по величине.

      Среднее арифметическое равно сумме отдельных  значений, поделенной на их количество.  

      Вычисляется по формуле:

      В Excel эта функция  обозначается СРЗНАЧ.

      Другие  виды арифметических средних: взвешенная, квадратическая, геометрическая, гармоническая, степенная.

    Пример  со средним баллом 2 и 5:

               средняя гармоническая

               а средняя кубическая  

    Применение  Мо, Ме, Мср для  различных шкал: 

     Меры  изменчивости 

     С их помощью можно оценить вариации значений внутри совокупности. К мерам изменчивости относятся меры рассеивания, асимметрии и эксцесса.

     Рассмотрим  некоторые меры рассеивания.

     1) Простейшей мерой рассеивания является размах вариации. Размахом вариации называют амплитуды колебаний, определяемую как разность между максимальным и минимальным значением признака. Если обозначить максимальное значение Х мах, а минимальное Х min, то размах вариации R = X max – X min

     Эта мера применима для информации, измеренной в шкалах порядка, интервалов и отношений.

     Например: В подразделениях анализировалась  дисциплинарная практика. В частности, выяснялось, как часто в среднем накладываются командиров (по 6 человек из каждой мотострелковой и танковой роты). Было установлено, что за летний период обучения число поощрений колебалось от 3 до 11. В этом случае размах вариации R = X max – X min = 11 – 3 = 8.

       Следует иметь в виду, что размах  вариации определяется лишь двумя  крайними значениями признака, поэтому размах вариации в некоторых случаях может быть нетипичным для данного ряда. 

     2) Более чувствительной мерой рассеивания, но только для информации, измеренной в шкалах интервалов и отношений, выступают дисперсия (D) и среднее квадратическое отклонение (δ). сигма

      Дисперсией называется средний квадрат отклонений индивидуальных значений признака от их средней величины. Дисперсия вычисляется по формуле: 

                                    _{D = =}        

  где:   

( - ) – величина отклонения случайного значения от центра рассеивания;

n – число возможных значений случайной величины.

      Дисперсия показывает рассеяние  данных вокруг среднего значения. В Excel эта  статистическая функция обозначается ДИСПР.

      3) На практике при расчетах иногда пользуются формулой среднеквадратического отклонения d .

      Среднее квадратическое отклонение соответственно равно корню квадратному из дисперсии: 

                          =

    Геометрически является показателем того, насколько в среднем кривая распределения размыта относительно ее среднего арифметического. Измеряется в тех же единицах, что и изучаемый признак.

    В Excel эта функция обозначается СТАНДОТКЛОНП, в англоязычных программах обозначается standart deviation, s.d., s.

      4) Коэффициент вариации .

      Коэффициент вариации определяется в долях или  процентах как отношение среднеквадратического отклонения (G) к среднему арифметическому значению (М). Коэффициент существенно зависит от (М), поэтому его применение ограничено.

     Смысл применения дисперсии, стандартного отклонения или коэффициента вариации:

      Чем меньше D или δ, тем однороднее совокупность, тем типичнее средняя, тем меньше разброс мнений, устойчивее явление или процесс, больше его предсказуемость, меньше риск. 

     Чем выше коэффициент вариации, то есть чем больше возможное отклонение получающихся результатов от среднего, тем менее устойчива ситуация, тем выше степень риска.

     Принята следующая качественная градация результатов  для значений коэффициента вариации:

• если коэффициент вариации меньше 10%, то имеет место слабая неустойчивость (колеблемость) результата;
• если его значения лежат в пределах от 10 до 25%, то имеет место умеренная неустойчивость;
• если он выше 25%, то степень неустойчивости считается высокой.

    Меры  связи

      Исследование  объективно существующих связей между  явлениями имеет большое значение при анализе социальных процессов.

      В настоящее время разработано  множество методов изучения связей. Выбор метода зависит от цели исследования, от поставленной задачи.

      При решении практических задач часто  требуется определить воздействие одних факторов на другие, определить направление, характер связи и его величину. Проще говоря, исследователя интересует, как связаны между собой две переменные.

      Чтобы количественно оценить связи  между интересующими нас случайными величинами, используют коэффициенты сопряженности и корреляции (КК), которые количественно измеряют направление и плотность (тесноту, мощность) линейной зависимости. Плотность показывает, как сильно влияет изменение переменной, например x на у, а направление показывает: уменьшается или увеличивается у при увеличении х.

      В зависимости от того, в какой шкале  измерены переменные, на практике используются несколько видов КК. Мы рассмотрим четыре из них. Это коэффициенты:

      1) ассоциации (Q),

      2) контингенции (Ф),

      3) ранговой корреляции Спирмена (Rs),

      4) корреляции Пирсона (rxy).

      Вид коэффициента корреляции выбирается в  зависимости от типа измеряемой шкалы. Необходимо запомнить, что

• если переменные в номинальной шкале, то используются коэффициенты ассоциации (Q) и контингенции (Ф),
• если в порядковой, то коэффициент ранговой корреляции Спирмена (Rs),
• если в интервальной или отношений, то коэффициент корреляции Пирсона (Rxу).

      Рассмотрим  в порядке очередности все  заявленные выше коэффициенты корреляции.

      Шкала наименований (коэффициент ассоциации Q и контингенции Ф). Рассматривая меры связей, посчитываемые по таблицам сопряженности, обычно выделяют случай измерения связи 2-х переменных. Приведем пример двухмерного (дихотомического) распределения ответов на 2 вопроса социологического исследования. При этом таблица сопряженности для расчета Q и Ф имеет вид 2∙2:

      Для изменения связи между 2-мя неколичественными (номинальными) переменными разработаны специальные показатели:

• Q – коэффициент ассоциации (предложенный К. Пирсоном);
• Ф – коэффициент контингенции (английские статистики Э. Юл, М. Кендел).

      В числителе коэффициента ассоциации разность произведения чисел с одинаковыми ответами на оба вопроса: да-да и нет-нет и произведения чисел с неодинаковыми ответами: да-нет и нет-да. В знаменателе - корень квадратный из произведения всех четырех частных итогов. В буквенных обозначениях по таблице имеем:

                               Q=

    Числитель коэффициента контингенции совпадает  с числителем коэффициента ассоциации, а в знаменателе – сумма тех же произведений, разность которых стоит в числителе:

                           Ф=       

      Сравнение Q и Ф показывает, что |Ф| ≥ Q. На этом основании Q иногда называют более строгой мерой связи. 

      Пределы измерения коэффициентов Q  и Ф: - 1 ≤ Q ≤ 1;       

                                                                                   - 1 ≤ Ф ≤ 1.

      Если  Q и Ф равны нулю – связи нет. Когда их значения ≥ 0,5, говорят о существовании заметной связи.

1. Порядковая или ранговая.

      Для характеристик социального объекта, измеренных в ранговых шкалах, используются меры связи, по величине которых можно  сделать достаточно обоснованные выводы о тесноте и направленности связи. Для определения меры тесноты и направленности связи ранжированных переменных используются коэффициенты ранговой корреляции. Рассмотрим коэффициент рангов по Спирмену (Rs), названному по имени английского психолога Ч. Спирмена (1863-1945).

      Его значение вычисляется по формуле:

            Rs =                или                       

Где:

      Xi, Yi – величины рангов, соответствующих некоторому i-му значению  социального показателя;        

      n – количество пар таких значений.

      Коэффициент Rs может находится в пределах: - 1 ≤ Rs ≤ 1.

      По  величине коэффициента можно делать заключение о выраженности корреляции:

      |Rs| = 0,75 – 1,00 – связь (корреляция) сильная;

      |Rs| = 0,5 – 0,74 – корреляция выражена средне;  

      |Rs| = 0,1 – 0,49 – корреляция слабая;

      |Rs| < 0,1 – корреляции нет.

      3) Интервальная шкала и шкала отношений. Если интересующие нас переменные изменяются в шкале интервалов или отношений, то в данном случае мерой связи выступает коэффициент линейной корреляции Пирсона (Rxy), английского статистика и философа (1857-1936): 

      Где:

      Xi, Yi – пары корреляционных переменных;

      n – количество пар коррелируемых переменных.

      Коэффициент Rxy может находится в пределах: - 1 ≤ Rxy ≤ 1.

      По  величине коэффициента можно делать заключение о характере корреляции между характеристиками объекта:

      |Rxy| = 1 – сильная линейная связь (зависимость);

      |Rxy| = 0,75 – 0,99 – корреляция близка к линейной;

      |Rxy| = 0,5 – 0,74  - корреляция достаточно выражена;

      |Rxy| = < 0,5– корреляция слабая, линейная зависимость просматривается плохо;

      Rxy = 0 – корреляции нет.

      Следует заметить, что в исследованиях  коэффициент Rxy нужно применять с большой осторожностью: во-первых, нужно быть уверенным, что характеристики объекта действительно измерены в метрической шкале; во-вторых, значения характеристик должны описываться законом распределения, близким к нормальному.

      В Excel эта функция обозначается ПИРСОН.

      Из  методов вторичной обработки следует выделить метод корреляционных плеяд. Он основан на обнаружении и статистическом анализе устойчивых связей между значениями показателей с целью получения групп (факторов) связанных признаков, описывающих военно-социальное явление или процесс. Особенно целесообразно использование этого метода при анализе качественных признаков, наиболее распространенных в ВСУ.

      В тех случаях, когда исследователя  интересует более глубокая информация о характере социальных процессов, могут использоваться методы многомерного статистического анализа. Среди них можно выделить:

• детерминантный анализ;
• дисперсионный анализ;
• корреляционный анализ;
• регрессионный анализ;
• кластерный анализ;
• метод распознавания образов (таксономия);
• факторный анализ и др.

      Существуют  другие методы социального измерения: статистическое изучение динамики, индексы, статистическое изучение структуры  совокупности и ее изменений. Отдельно изучается выборочное наблюдение, испытание статистических гипотез.

    Для облегчения численных расчетов целесообразно  использовать ЭВМ, производя расчет c помощью табличного процессора Excel, а также программ статистической обработки данных Statistica, SPSS и других.

      Основными направлениями использования ЭВМ  являются:

• организация автоматизированного сбора военно-социальной информации;
• создание, ведение и использование баз данных;
• математико-статистическая обработка данных.

      Заключение 

      В практической деятельности специальных моторизованных воинских частей ВВ МВД России наиболее широко применяются методы математической статистики.

      Благодаря применяемым методам обработки  информации становится более качественным ряд мероприятий проводимых в частях:

• подведение итогов служебно-боевой деятельности за месяц (период);
• подведение итогов состояния воинской дисциплины и правопорядка в воинских частях;
• проведение инвентаризаций и стоимостных учётов;
• анализ результативности и эффективности патрульно-постовой службы.

      Практическое  применение научных методов обработки  информации помогает командирам воинских частей принять правильные обоснованные решения в служебно-боевой деятельности своих подразделений.   
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

      Список  литературы: 

      1. Военно-социальное управление. Учебник.  Под ред. М.И. Ломакина  и  А.А. Чертополоха. М.: ВУ - 2000.

      2. Социология. Словарь-справочник. Т.2. – М.: Наука, 1990.

      3.  Кузьменко Б.В. Социально-политические процессы в воинских коллективах: анализ, управление и моделирование. – М.: ВУ - 1997.

      4. Афанасьев В.Г. Научное управление обществом. М.: Изд-во полит. литературы, 1973.