粗糙集和神经网络在心理测量中的应用3.pdf

　心 　理 　学 　报 　2008, 40 ( 8) : 939～946　 　A cta P sych o log ica S in ica 粗糙集和神经网络在心理测量中的应用 余嘉元 (南京师范大学心理学系 ,南京 2 10097) 摘 　要 　探讨当因素分析和多元回归方法的使用条件未得到满足时 ,是否可采用粗糙集方法进行观察变量的精 简 , 以及是否可采用神经网络方法进行预测效度检验 。理论分析了粗糙集和神经网络在心理测量中应用的可能 性 ,并运用粗糙集对于人事干部胜任力评估数据进行分析 , 比较了 7种离散化方法和 2 种约简算法构成的 14 种组 合 ,发现当采用 M anual方法进行离散化 、遗传算法进行约简时 ,能够很好地对观测变量进行精简 ;运用概率神经网 络能够比等级回归方法更好地进行预测效度检验 。研究结果表明对于处理心理测量中的非等距变量 ,粗糙集和神 经网络是非常有用的方法 。 关键词 　心理测量 ,粗糙集 ,神经网络 ,胜任力 。 分类号 　B 84 1. 7 样本预测效度的检验就是非常重要的工作 , 目前人 1　前言 们大多是采用多元回归的方法 ,例如多元线性回归 　　在心理测量中为了用较少的因子解释较多的观 方法 [ 8 ] 或逻辑斯谛回归方法 [ 9 ] 。但是这些方法都 ( 要求自变量是等距变量 , 多元线性回归还要求因变 测资料 ,往往采用因素分析的方法 主要是探索性 ) 量和自变量之间为线性关系 ,模型符合正态性假设 , 因素分析 来编制和分析各种测量工具 ,包括各种 量表 [ 1 ] 、问卷 [ 2 ] 和调查表 [ 3 ] 等 。探索性因素分析的 逻辑斯谛回归的假设是样本在因变量上的概率分布 实质是通过对各个观测变量间关系的研究 ,找到若 呈 S型分布 [ 10 ] 。但是 ,实际的研究数据有时是难以 干个能够反映数据基本结构的潜在变量 ,从而达到 满足上述要求的 ,那有什么其他办法来获得预测因 对观测变量进行精简的目的 ,它对于心理测量是非 子和效标之间的关系呢 ? 常有用的。但是也必须注意到因素分析的运用必须 　　因此 ,本研究主要是探讨 : [ 4 ] ( ) 满足一定条件 , 因素分析是 以积矩相关为基础 　　 1 在编制测量工具时 ,如果因素分析的条件 的 ,因此它就得满足积矩相关的条件 :数据是来自于 不能满足 ,是否可以用其他方法来精简观测变量 ? ( ) 等距或等比的变量 ,变量之间为线性相关 ,样本所在 　　 2 在检验预测因子和效标关系时 ,如果多元 的总体呈正态分布 。如果这些条件没有得到满足 , 回归的条件不能满足 ,是否可以用其他方法来进行 建立在因素分析基础上的观测变量精简就是不合理 预测效度检验 ? 的 ,那么对于无法满足因素分析条件的数据 ,是否有 　　近年来人工智能技术有了很大的发展 ,其中的 其他方法可以完成变量精简的任务呢 ? 粗糙集方法可以进行属性的约简 ,人工神经网络方 　　心理测量能否达到预期 目的 , 效度检验是非 法可以建立变量间关系的模型 , 因此本研究考虑运 常重要的 。效度是 “根据指