An expert-analytical method for assessing latent variables in psychophysiology: a theoretical foundation based on fuzzy set theory

Research article
  • Косачев Валерий Ефимович0000-0001-5465-530XФедеральный научно-клинический центр космической медицины и биологии, Москва, Российская Федерация
  • Демина Полина Николаевна0009-0009-6939-7759Федеральный научно-клинический центр космической медицины и биологии, Москва, Российская Федерация
  • Орлов Артемий Владимирович0000-0003-1290-0113Федеральный научно-клинический центр космической медицины и биологии, Москва, Российская Федерация
  • Малюсин Юрий Владимирович0009-0004-2285-1364Федеральный научно-клинический центр космической медицины и биологии, Москва, Российская Федерация
https://doi.org/10.60797/IRJ.2026.173.62
DOI:
https://doi.org/10.60797/IRJ.2026.173.62
EDN:
BUSOPW
Suggested:
07.10.2026
Accepted:
22.10.2026
Published:
17.11.2026
Issue: № 11 (173), 2026
Issue: № 11 (173), 2026
Rightholder:authors.
License:Attribution 4.0 International (CC BY 4.0)
6
0
XML
PDF

Abstract

An expert-analytical method for the quantitative assessment of latent variables in psychophysiological and medical research has been suggested and theoretically substantiated. The method integrates expert modelling of the structure of a latent variable, the standardisation of recorded indicators via reference points based on empirical percentiles—with the possibility of expert-based correction—and the transformation of indicators into a unified scale using membership functions of fuzzy sets. The aggregation of individual estimates is carried out using the geometric mean, which implements the principle of compensatory hyperdiagnosis. A systematic comparison of the suggested approach with classical methods for estimating latent constructs, IRT, SEM and fuzzy-SEM, has been conducted. It is shown that the method offers advantages when working with small samples, heterogeneous data and non-linear relationships. The mathematical properties of the membership functions used, their relationship with the Harrington desirability function, and the limits of the method’s applicability are discussed.

1. Введение

Проблема количественной оценки латентных переменных является одной из центральных в психофизиологии, психодиагностике и медицине труда. Латентные переменные — это теоретические конструкты (работоспособность, функциональное состояние, профессиональная пригодность, уровень тревожности), которые не могут быть измерены напрямую, а проявляются через совокупность регистрируемых индикаторов

,
. Переход от наблюдаемых к латентным переменным требует применения специальных методов вычисления, обеспечивающих валидность и воспроизводимость получаемых оценок.

В современной психометрике доминируют два класса подходов к оценке латентных конструктов: модели теории тестовых заданий (Item Response Theory, IRT)

и модели структурных уравнений (SEM)
. Оба подхода хорошо формализованы и имеют развитый статистический аппарат. Однако их практическое применение в прикладных психофизиологических исследованиях наталкивается на ряд ограничений: требование больших выборок (n > 200 для SEM, n > 500 для многопараметрических моделей IRT), допущение о нормальности распределений, сложность интерпретации результатов для практиков-неспециалистов в математической статистике
,
.

Альтернативный подход к оценке латентных переменных был заложен в квалиметрии — науке о количественной оценке качества

,
. Квалиметрический подход предполагает построение иерархической структуры показателей, их нормирование и агрегирование в сводную оценку. Применение этого подхода к психофизиологическим конструктам осуществлялось в отечественных работах начиная с 1980-х годов
,
, однако до настоящего времени отсутствует систематическое теоретическое обоснование применяемых процедур с позиций теории нечётких множеств.

Теория нечётких множеств, основы которой заложил Л.А. Заде

, позволяет формализовать переход от количественных показателей, результатов наблюдения к качественным оценкам через функции принадлежности. В отличие от классической бинарной логики, нечёткие множества допускают промежуточные степени принадлежности элемента к множеству (от 0 до 1), что адекватно отражает «размытую» природу психофизиологических конструктов
,
.

Целью настоящей работы является теоретическое обоснование экспертно-аналитического метода оценки латентных переменных, интегрирующего квалиметрический подход с аппаратом теории нечётких множеств, и систематическое сравнение предложенного метода с альтернативными подходами (IRT, SEM, fuzzy-SEM).

2. Теоретические основы метода

2.1. Структура латентной переменной: экспертное моделирование

Латентная переменная L определяется как теоретический конструкт, проявляющийся через конечное множество регистрируемых индикаторов X = {x1, x2, ..., xn}. Структурная модель латентной переменной представляет собой ориентированный граф, в котором узлы соответствуют индикаторам, а рёбра — связям между индикаторами и латентной переменной.

Построение структурной модели осуществляется экспертным путём с привлечением специалистов предметной области (3–5 экспертов) и включает: определение перечня информативных тестов и их показателей; установление направленности влияния каждого показателя на латентную переменную (прямая или обратная); при необходимости — верификацию экспертных решений на обучающей выборке методами корреляционного или факторного анализа

.

Оценка согласованности экспертных решений. Каждый из m экспертов (m = 3–5) независимо ранжирует k индикаторов-кандидатов по информативности для латентной переменной L (допускаются связанные ранги) и указывает направленность влияния каждого индикатора. Согласованность ранжировок оценивается коэффициентом конкордации Кендалла W = 12S / [m²(k³ − k) − m·ΣTⱼ], где S — сумма квадратов отклонений сумм рангов индикаторов от их среднего, Tⱼ — поправка на связанные ранги у j-го эксперта

. Статистическая значимость W проверяется критерием χ² = m(k − 1)W с df = k − 1 (при k > 7) либо по точным таблицам распределения S (при k ≤ 7)
. Экспертная структурная модель принимается при W ≥ 0,70 и p < 0,05. При 0,50 ≤ W < 0,70 проводится дополнительный тур согласования по процедуре Дельфи с анонимной обратной связью; при W < 0,50 пересматривается состав индикаторов-кандидатов или группы экспертов.

Критерии включения индикатора в структурную модель:

а) медиана экспертной оценки информативности ≥ 4 по 5-балльной шкале при межквартильном размахе ≤ 1;

б) единогласие экспертов в отношении направленности влияния индикатора на L;

в) при наличии обучающей выборки — статистически значимая связь с внешним критерием (|r| ≥ 0,30) либо нагрузка на общий фактор ≥ 0,40

.

Критерии исключения:

а) избыточность — |r| > 0,90 с уже включённым индикатором (дублирование фактически удваивает вес соответствующего компонента в среднем геометрическом);

б) противоречивая, по мнению экспертов, направленность влияния;

в) недоступность индикатора для регистрации в типовых условиях применения метода.

В качестве модельного примера в настоящей работе используется латентная переменная «работоспособность человека-оператора», оцениваемая по тесту простой зрительно-моторной реакции (ПЗМР) через три индикатора: среднее время реакции (μ, мс), среднеквадратическое отклонение времени реакций (σ, мс), суммарное число ошибок (ε, шт.). Все три индикатора удовлетворяют критериям включения; парные корреляции между ними в обучающих выборках не превышают 0,6, что исключает избыточность.

2.2. Реперные точки и нормирование: связь с функцией желательности Харрингтона

Ключевым этапом метода является преобразование разнородных регистрируемых показателей в сопоставимую шкалу. Для этого используются реперные точки — пороговые значения, разделяющие диапазон показателя на качественно различные интервалы.

Реперные точки определяются на основе эмпирического распределения показателя в обучающей выборке как значения, соответствующие заданным процентилям. Для четырёхуровневой лингвистической шкалы используются три Реперные точки, соответствующие 10-му, 37-му и 67-му процентилям. Эти процентили не случайны: для нормально распределённого показателя они соответствуют значениям, отстоящим от среднего примерно на -1.28σ, -0.33σ и +0.44σ, что позволяет использовать их как эмпирические аналоги статистических границ нормы и патологии.

Выбор именно этих процентильных границ не является произвольным — он основан на свойствах экспоненциальной функции желательности Харрингтона

. Функция желательности d(y) = exp(−exp(−y)) имеет две характерные точки: точку перегиба при y = 0, d = 1/e ≈ 0,37 (вторая производная d″ = d·e⁻ʸ·(e⁻ʸ − 1) обращается в нуль только при y = 0), в которой функция меняет характер кривизны с выпуклой на вогнутую, и уровень d = 1 − 1/e ≈ 0,63. Эти значения совпадают с границами «неудовлетворительно / удовлетворительно» и «удовлетворительно / хорошо» стандартной шкалы Харрингтона (0,20; 0,37; 0,63; 0,80)
и определяют границы между «средним» и «выше среднего», «выше среднего» и «высоким» уровнями. В качестве эмпирической границы верхнего уровня принят 67-й процентиль — ближайшее к d = 0,632 значение, традиционно используемое в квалиметрических шкалах
,
; расхождение в 3–4 процентильных пункта лежит внутри интервала выборочной неопределённости реперной точки при n ≤ 200 (см. табл. 4). Нижняя граница (10-й процентиль) соответствует области, в которой функция желательности близка к нулю (d ≈ 0,07–0,10), что маркирует зону неудовлетворительных значений.

(1)

Соответствие значений функции желательности Харрингтона и оценочных уровней четырехбалльной шкалы

значения d в первом интервале представлены как ориентировочные; точное значение d на границе 10-го процентиля зависит от эмпирического распределения; лингвистические метки mᵢ являются дискретным аппроксимантом функции d и выбраны для удобства интерпретации на четырёхуровневой шкале

Уровень

Процентильный интервал

Значение d Харрингтона

Лингвистическая метка (mᵢ)

Балл

Низкий

0,00 – 0,10

0,00 – 0,07

0,10

2

Средний

0,10 – 0,37

0,07 – 0,37

0,25

3

Выше среднего

0,37 – 0,67

0,37 – 0,63

0,50

4

Высокий

0,67 – 1,00

0,63 – 1,00

0,75

5

2.3. Функции принадлежности: дискретная и непрерывная формы

В базовом варианте метода используется дискретная (ступенчатая) функция принадлежности, присваивающая каждому лингвистическому интервалу фиксированное значение (0,10; 0,25; 0,50; 0,75). Данные метки не являются точным отображением значений функции Харрингтона, а выступают в качестве дискретного аппроксиманта, обеспечивающего простоту расчётов и однозначность интерпретации. Дискретная форма является некоторым упрощением. Для повышения точности может быть использована непрерывная трапецеидальная или сигмоидальная функция принадлежности. Трапецеидальная функция принадлежности для i-го лингвистического уровня определяется четвёркой параметров (a, b, c, d):

(2)

Выбор между дискретной и непрерывной формой функции принадлежности определяется точностью, с которой по обучающей выборке объёма n могут быть установлены границы лингвистических интервалов. Дифференциация внутри интервала (непрерывная форма) содержательна лишь тогда, когда неопределённость положения границ существенно меньше ширины самого интервала. Для количественной оценки выполнено Монте-Карло-моделирование: для каждого n ∈ {20, 30, 50, 100, 200} генерировалось 3000 выборок из нормального, логнормального (σ = 0,5) и экспоненциального распределений; по каждой выборке оценивались реперные точки P₁₀, P₃₇, P₆₇, определялись их положение в шкале процентильных рангов истинного распределения и доля лиц в независимой выборке (N = 2000), отнесённых по выборочным реперным точкам к иному лингвистическому уровню, чем по истинным. Результаты (табл. 4) показывают, что при n ≥ 100 полуширина 95%-го интервала выборочной изменчивости нижней реперной точки (≈ 6 процентильных пунктов) становится меньше ширины наиболее узкого лингвистического интервала (10 пунктов), а доля ошибочной классификации снижается до ≈ 10%; в этих условиях переход к непрерывной функции принадлежности оправдан. При n < 50 неопределённость положения реперных точек (≥ 8 пунктов) сопоставима с шириной интервала или превышает её, доля ошибочной классификации составляет 14–22%, и уточнение оценки внутри интервала не превышает ошибки положения его границ: дискретная форма здесь адекватна точности данных и предпочтительна по простоте расчёта, что важно в задачах экспресс-диагностики. Диапазон 50 ≤ n < 100 является переходным: базовой остаётся дискретная форма, непрерывная допустима при подтверждении устойчивости реперных точек бутстреп-процедурой (раздел 4). Указанные пороги являются ориентировочными; при планировании конкретного исследования критерием служит отношение полуширины бутстреп-интервала реперной точки к ширине прилегающего лингвистического интервала, которое для применения непрерывной формы не должно превышать 0,6.

Устойчивость процентильных реперных точек в зависимости от объёма обучающей выборки: полуширина 95%-го интервала выборочной изменчивости реперной точки, процентильные пункты, и доля ошибочной классификации

Монте-Карло, 3000 репликаций; приведены результаты для нормального распределения; для логнормального и экспоненциального распределений различия по всем показателям не превышают 0,5 пункта (ранговая инвариантность процентильных оценок)

n

P₁₀

P₃₇

P₆₇

Доля ошибочной классификации, %

20

13,7

19,7

19,0

22,1

30

11,4

16,7

15,9

18,2

50

8,3

13,0

12,3

14,1

100

6,1

9,2

9,3

10,2

200

4,2

6,6

6,3

7,0

2.4. Обоснование выбора способа агрегирования

Обобщённый показатель латентной переменной рассчитывается как среднее геометрическое частных оценок μᵢ = μA(xᵢ) ∈ (0, 1], i = 1, …, n:

(3)

Выбор среднего геометрического в качестве оператора агрегирования обусловлен следующими математическими и содержательными соображениями:

Свойство асимметричной компенсации. Среднее геометрическое является частным случаем степенного среднего Mp при p → 0. При p = 1 (среднее арифметическое) полная компенсация низкого показателя высоким возможна; при p → −∞ (минимум) компенсация невозможна. Среднее геометрическое обеспечивает промежуточный режим: асимметричную компенсацию, при которой низкий показатель «тянет вниз» общую оценку существенно сильнее, чем высокий — «вверх». Это реализует принцип гипердиагностики: если хотя бы один частный показатель снижен, обобщённая оценка снижается непропорционально сильно

.

Инвариантность к масштабу. Среднее геометрическое инвариантно относительно мультипликативных преобразований шкалы, что существенно при работе с безразмерными оценками функции принадлежности.

Корректность при ограниченном диапазоне. Необходимо отметить, что все частные оценки, как и обобщенная оценка (среднее геометрическое) находятся в одинаковом интервале значений (0, 1], что обеспечивает их идентичность и интерпретацию.

Сравнение операторов агрегирования для задачи оценки латентных переменных

Оператор (модель агрегирования)

Формула

Чувствительность к низким значениям

Особенность применения

Среднее арифметическое (аддитивная модель)

Σxi/n

Низкая

Аддитивная модель предполагает компенсацию (низкое качество по одному параметру можно компенсировать высоким качеством по другому параметру)

Среднее геометрическое (мультипликативная модель)

(∏xi)1/n

Высокая

Мультипликативная модель предполагает асимметричную компенсацию (реализует принцип гипердиагностики: низкий показатель сильнее тянет оценку вниз, чем высокий — вверх)

OWA (Ordered Weighted Averaging) или оператор Ягера

Σwi·xσ(i)

Настраиваемая

Модель позволяет за счет «весовых коэффициентов» сделать упор на лучшие результаты (увеличение веса лучшего показателя) или на худшие результаты (увеличение веса худшего показателя)

Дополнительным аргументом в пользу среднего геометрического является его использование в квалиметрии

и в индексных методах (например, Индекс человеческого развития ООН рассчитывается как среднее геометрическое трёх компонент).

3. Сравнительный анализ с альтернативными подходами оценки латентных переменных

Сравнительный анализ показывает, что IRT (Item Response Theory) наиболее часто применяется для создания, анализа и оценки эффективности тестов и опросников; SEM (Structural Equation Modeling) — метод моделирования структурными уравнениями, который объединяет факторный анализ и множественную регрессию; Fuzzy-SEM (Fuzzy Structural Equation Modeling) — гибридный метод статистического анализа, объединяющий моделирование структурными уравнениями (SEM) и теорию нечетких множеств (Fuzzy Set Theory).

Систематическое сравнение экспертно-аналитического метода с методами IRT, SEM и fuzzy-SEM

*для расчёта реперных точек; с ростом n устойчивость оценок возрастает; при n <30 рекомендуется бутстреп-оценка доверительных интервалов для процентилей; ** валидность процентильных реперных точек не зависит от формы распределения; выборочная устойчивость реперных точек в исходных единицах измерения при малых n зависит от плотности распределения в окрестности квантиля (см. раздел 4)

Критерий

IRT

SEM

Fuzzy-SEM

Предлагаемый метод

Минимальный размер выборки

200–500

200+

50–100

10–30*

Тип данных

Дихотомические / порядковые

Непрерывные

Нечёткие

Любые

Допущение нормальности

Частичное

Да

Нет

Нет**

Роль эксперта

Минимальная

Умеренная

Умеренная

Ведущая

Интерпретируемость

Средняя

Сложная

Средняя

Высокая

Учёт нелинейности

Ограниченно

Ограниченно

Да

Да

Лингвистическая интерпретация

Нет

Нет

Да

Да

Возможные программы обработки

Mplus, R (ltm, mirt)

Mplus, AMOS, R (lavaan)

MATLAB (Fuzzy Logic Toolbox), R (lavaan + процедуры фаззификации)

Excel, R, Python (легко реализуем в виде скрипта или пакета)

Предлагаемый метод не претендует на замену IRT или SEM в задачах, для которых они предназначены (масштабное тестирование, конфирматорные модели, подтверждающие гипотезу о взаимосвязях между латентными и наблюдаемыми переменными). Его ниша — прикладные психологические, психофизиологические, медицинские исследования с ограниченными выборками, гетерогенными показателями и потребностью в интерпретируемых результатах.

4. Ограничения применения

Метод имеет ряд ограничений, которые необходимо учитывать при его применении.

Зависимость от качества экспертных решений. Первый этап (построение структурной модели) целиком зависит от знаний и опыта экспертов. Ошибки в определении структуры латентной переменной (включение нерелевантных индикаторов, пропуск значимых) непосредственно влияют на валидность результата. Для минимизации этого риска рекомендуется привлечение нескольких экспертов с оценкой согласованности их решений.

Устойчивость реперных точек. При малых обучающих выборках (n <30) процентильные оценки реперных точек имеют широкие доверительные интервалы. Для оценки устойчивости рекомендуется бутстреп-процедура (B ≥ 1000 репликаций) с построением 95%-х доверительных интервалов для каждой реперной точки. Дополнительно рекомендуется проводить анализ чувствительности — расчёт итогового индекса при смещении реперных точек на ±1 процентиль. Если оценка меняется кардинально (более чем на 0,1 в абсолютном выражении), результаты считаются нестабильными, и требуется увеличение выборки.

Зависимость устойчивости реперных точек от формы распределения. Процентильная оценка реперных точек не требует допущения нормальности: положение реперных точек в шкале процентильных рангов и доля ошибочной классификации инвариантны к монотонным преобразованиям показателя и, следовательно, к форме его распределения (табл. 4). Однако стандартная ошибка выборочного квантиля в исходных единицах измерения SE(x̂ₚ) ≈ √[p(1 − p)/n] / f(xₚ) обратно пропорциональна плотности распределения f в точке квантиля. Для асимметричных распределений, типичных для психофизиологических показателей (время реакции описывается экс-гауссовым распределением с тяжёлым правым хвостом

), реперные точки, лежащие в области хвоста, оцениваются менее точно: в модельном примере (экс-гауссово распределение времени реакции, μ = 250, σ = 25, τ = 80 мс) при n = 30 полуширина 95%-го интервала составляет ≈ 21 мс для 10-го и ≈ 39 мс для 67-го процентиля. Отсюда два практических следствия:

1) при экспертной коррекции реперных точек в исходных единицах необходимо учитывать их неодинаковую точность;

2) при n < 50 для асимметричных индикаторов целесообразно использовать сглаженную оценку квантилей Харрелла–Дэвиса

, обладающую меньшей дисперсией, чем выборочная порядковая статистика, в сочетании с бутстреп-оценкой доверительных интервалов.

Дискретность шкалы. Четырёхуровневая дискретная функция принадлежности может быть недостаточна для ситуаций, когда значение слабо изменяется и может оставаться в пределах одного интервала. Этот эффект критичен при мониторинге динамических процессов, когда изменения показателя происходят внутри одного лингвистического интервала.

Равновесность частных показателей. В базовом варианте метода все частные показатели вносят одинаковый вклад в обобщённую оценку. При наличии содержательных оснований для дифференциации вклада показателей возможна модификация формулы (3) с использованием взвешенного среднего геометрического частных оценок μᵢ:

(4)

Для эмпирического обоснования весов wᵢ может быть использован корреляционный анализ частных показателей с внешним критерием (например, с интегральным показателем успешности профессиональной деятельности). Весовой коэффициент для i-го показателя может быть рассчитан как нормированная величина его корреляции с внешним критерием: wᵢ = |rᵢ| / Σ|rⱼ|. Это позволяет адаптировать метод к специфике конкретной прикладной задачи.

5. Заключение

1. Предложен и теоретически обоснован экспертно-аналитический метод оценки латентных переменных, интегрирующий квалиметрический подход с аппаратом теории нечётких множеств. Метод развивает идеи, заложенные в квалиметрии

,
и в работах по оценке функционального состояния операторов
,
, обеспечивая им строгое математическое обоснование через связь с функцией желательности Харрингтона.

2. Показана математическая обоснованность выбора реперных точек (10-й, 37-й и 67-й процентили), определяемая свойствами экспоненциальной функции желательности. Обоснован выбор среднего геометрического как оператора агрегирования, реализующего принцип компенсаторной гипердиагностики.

3. Проведено систематическое сравнение метода с IRT, SEM и fuzzy-SEM. Установлено, что метод обладает преимуществами при работе с малыми выборками (n <50), гетерогенными данными и в ситуациях, требующих понятной для практиков интерпретации результатов.

4. Определены границы применимости метода и сформулированы рекомендации по повышению устойчивости результатов (бутстреп-оценка реперных точек, переход к непрерывным функциям принадлежности при n ≥ 100, обоснованный результатами моделирования устойчивости реперных точек, табл. 4).

5 Метод рекомендуется к дальнейшей верификации и валидации с использованием психологических аппаратно-программных комплексов, например аппаратно-программным комплексом «Психофизиолог-НМ» и «ЭГОСКОП» (ООО НПКФ «Медиком МТД»), и дальнейшему практическому внедрению.

Article metrics

Views:6
Downloads:0
Views
Total:
Views:6