等级效标分数的概率神经网络预测方法研究.pdf

6 砧心理科学几卯hcJ姆祀司反ience 20 07 ,30(3) 6肠一66 了
等级效标分数的概率神经网络预测方法研究‘
余嘉元”
(南京师范大学心理学系,南京,2100 97 )
摘要针对基于统计学的等级效标分数顶侧存在的问题,提出了运用概率神经网络进行等级效标分数预侧的方法。在20 种
条件下进行了计算机模拟实验包括侧验分数为单变量和多变量,以及各种水平的白澡声千扰条件,结果表明在洲脸分数为多
变蚤的倩况下,或者在有白噪声干扰的条件下运用概率神经网络方法可以比统计学方法更好地对等级效标分数进行预侧。
关扭词:心理侧, 派军神经网络植侧等级回归
本研究采用计算机模拟方法,对于每一种实脸条件都进
1 引言
行 5 次模拟实验,然后计算出它们正确预测百分率的平均
在许多研究中需要通过测验分数对效标分数进行预测数。对于每一种实验条件下的模拟数据都分别进行等级回
其中有些研究中所涉及的效标分数是连续记分的等距分数, 归分析和概率神经网络处理,然后将回归分析和神经网络处
可以用侧验分数和效标分数的积矩相关系数来表示效标关理的正确预侧百分率进行比较。在每一次模拟实验中,均按
联效度的高低,并通过回归方程对效标分数进行预测。当测以下步骤进行:
验分数和效标分数都是多变量、它们之间的关系为非线性对于每一个自变量 X ,产生〔0 ,1] 区间均匀分布的随机数
时,常用的回归方法就难以对效标分数进行很好的预侧,在 15 0 个,在白噪声水平为非 0 的情况下,还要产生 150 个均匀
文献[l1 中笔者提出了采用人工神经网络进行效度凭证求取分布的白噪声数据,把它们调节到相应实验条件的水平 N ,
的新方法。但是在实际工作中还可能遇到测验分数是等距然后迭加到自变量 X 上面。
变量、效标分数是等级变量的情况,例如在人员招聘工作中, 以 x 为自变盆、Y 为因变量构造单调递增函数,将 Y 值
招聘时的测验分数是等距的,但作为效标的工作绩效考评分线性变换到【0 ,1的」区间,并将该区间划分为 5 等分,从而将
数则往往是等级分数,例如“优秀、良好、中等、合格、不合 Y 值映射到 5 个等级上,使其转化为等级分数。于是得到
格”。对于这种情况,如何建立测验分数和效标分数的关系 15 0 对数据,从中随机取出 100 对数据作为训练集,其余 50
呢? 怎样从测验分数来预侧效标的等级呢? 是不是也可以对数据作为测试集。
用径向基神经网络呢? 对于等级效标分数,在统计学中可以对于训练集的数据进行等级回归,得到各个分类水平的
采用等级回归的方法来处理,但是实际的工作绩效考评往往助 git 连接函数,然后运用这些等级回归的结果对侧试集中的
会受到各种因素的干扰在这种情况下等级回归能够得到良数据进行类别预侧,得到它们属于各个类别的估计概率,确
好的预侧结果吗? 本研究在文献[l1 的基础上,针对效标分数定其所属等级,并计算出预测正确百分率。
为等级数据的特点,采用了概率神经网络来对等级效标分数将训练集的数据作为概率神经网络的愉人,相应的等级
进行预侧,同时和统计学中的等级回归方法进行比较。数作为网络的输出,对神经网络进行训练,在训练过程中对
散布常数进行了优化。然后运