Дипломная работа: Взаимосвязь между типом игрока и построением эффективной социальной коммуникации (на примере игр CS:GO и DOTA2)

Кластер №1: В первый кластер вошли респонденты с положительным отношением к переменным, связанным с продвижением в игре. Они нацелены на постоянное развитие в игре, которое выражается через повышение уровня.

Кластер №2: Игроки принадлежащие ко второму кластеру имеют ярковыраженный положительный коэффициент по переменной «отношение к инвентарю», что позволяет сделать вывод, что их задачей в игре является развитие персонажа не через повышение уровня, а через создание его идентичности. Они склонны приобретать вещи, которые позволяют отличить их персонажа от персонажей других игроков.

Кластер№3: В третий кластер вошли игроки, которые хотят отвлечься от реальности с помощью игры. Они не склонны общаться с другими игроками, но при этом им нравится погружаться в игру через создание уникального персонажа.

Кластер №4: Четвертый кластер собрал в себя игроков, которые в качестве своей цели выбирают общение. Они знакомятся с другими игроками и заводят с ними дружеские отношения. Они используют игру как еще один способ узнать новых людей.

Кластер №5: В пятом кластере можно увидеть игроков, которые имеют сильно выраженную склонность к проявлению агрессии и повышению уровня. Таким образом, людей, принадлежащих данному кластеру можно описать как своеобразных киллеров, которым необходимо постоянно доминировать над остальными игроками.

Вывод: В итоге, классификация респондентов по типу игрока выглядит следующим образом:

Карьеристы

Искатели

Эскаписты

Социальные игроки

Киллеры

Далее необходимо вернуться к изначальной исследовательской гипотезе о том, что игроки, принадлежащие к типу киллеров проводят в онлайн-играх меньше времени по сравнению с игроками других типов. Для этого будет проведен непараметрический тест Краскела-Уоллеса. С его помощью будет проверена нулевая гипотеза о равенстве средних рангов суммы часов, проведенных в играх, для каждого типа игрока.

Таблица 18 - Тест Краскела-Уоллеса

На уровне доверительной вероятности 95% и при уровне значимости не выше 0,05, нулевая гипотеза о равенстве средних рангов отвергается в пользу альтернативной гипотезы о существовании статистически значимой разницы в средних рангах среди пяти типов игроков и сумме часов, проведенных в игре.

Таблица 19 - Средние ранги суммы часов, проведенных в онлайн-играх для каждого типа игрока

Первоначальная исследовательская гипотеза о том, что игрокам, принадлежащим к типу киллеров свойственно меньшее, по сравнению с остальными типами игроков, проведение времени в онлайн играх, не подтвердилась. Более того, как видно из диаграммы ниже, игроки данного типа в рамках данного исследования склонны проводить в играх намного больше времени, чем другие игроки.

Рис. 1. Критерий Краскала-Уоллиса для независимых выборок

3.3 Задача №2: Определить аспекты, влияющие на эффективность коммуникации

Гипотеза №2: Большинство значимых предикторов, влияющих на построение эффективной социальной коммуникации, будут принадлежать к социально-демографическому блоку характеристик респондента.

Для того, чтобы решить данную задачу, было принято решение воспользоваться линейной регрессией. Зависимой переменной в данном случае является переменная «эффективность коммуникации». Это интервальная переменная, полученная в результате индексации шкалы сумматорного типа, которая была разработана для выявления эффективности коммуникации.

Для того, чтобы проведение линейной регрессии было возможным, зависимая переменная должна быть нормально распределена. Уже из графика ниже видно, что она стремиться к нормальному распределению.

Рис. 2. Проверка на нормальность распределения

Тем не менее, чтобы удостовериться, что распределение действительно является нормальным, необходимо провести тест Колмогорова-Смирнова.

Таблица 20 - Тест Колмогорова-Смирнова

Таким образом, мы можем сделать вывод, что полученная переменная дает нам возможность провести линейную регрессию. В нее будут включены такие переменные, как факторы мотивации, временные характеристики, связанные с играми, способы взаимодействия внутри игры и блок с социально-демографическими характеристиками.

Перед тем, как мы сможем перейти к анализу и интерпретации предикторов линейной регрессии, необходимо провести несколько анализов, которые продемонстрируют правильность построения модели.

Прежде всего необходимо проверить модель на наличие мультиколлинеарности. Это позволит избежать присутствия связи между независимыми переменными в модели. Так как в данном анализе используется линейная регрессия, необходимо обратить внимание на такие параметры, как «Допуск» и «VIF». Первый параметр должен быть выше 0,5, а второй ниже 2. Ниже представлена таблица, в которой демонстрируется, что у всех значимых предикторов данные показатели находятся в пределах допустимых значений.

Таблица 21 - Показатели наличия мультиколлинеарности в линейной регрессионной модели.

Проверка на нормальность распределения остатков

Следующий тест, который стоит провести - анализ распределения остатков на нормальность. Для анализа нормальности распределения остатков приводим тест Колмогорова-Смирнова.

Таблица 22 - Критерии нормального распределения

Нулевая гипотеза для данного теста состоит в том, что распределение остатков, которые были получены в результате регрессионного анализа, не отличается от нормального. Альтернативная же гипотеза заключается в утверждении о том, что распределение не соответствует нормальному. Из таблице выше видно, что уровень значимости достигает 0,2, что означает, что нулевая гипотеза принимается. Таким образом, мы можем продолжать анализировать регрессионную модель. При уровне значимости равном 95% мы можем сделать вывод, что здесь присутствует достоверное отсутствие различий. Таким образом, распределение, которое является экспериментальным, не отличается от нормального.

Ниже представлена гистограмма, которая, судя по линии огибающей вершины, показывает нам, что остатки тяготеют к нормальному распределению.

Рис 3. Нормальность распределения остатков

Проверка модели на гомоскедастичность

Также стоит обратить внимание тесту, который позволит подтвердить устойчивость модели - проверке на гомоскедастичность. Разумеется, отклонения способны принимать абсолютно произвольные значения каких-либо вероятностных распределений. Предположим, что дисперсии случайных составляющих не являются одинаковыми в различных наблюдениях: у2ui ? у2u у const, i, j = 1; n (i ? j), следовательно, можно будет сказать о гомоскедастичности. Тем не менее, в построенной модели у2ui = у2u, что означает, что гипотеза о присутствии гомоскедастичности принимается и мы можем говорить о наличии одинаковой дисперсии остатков при каждом различном значении фактора. Дисперсия каждого отклонения e1 будет одинакова для всех значений xi. Подтверждение данного утверждения можно увидеть на рисунке 9.

Рис4. Регрессионные остатки

Оценка качества модели и коэффициент детерминации

В построенной модели R2 = 0,665. Для получения данного значения было произведено 14 итераций, и, как раз 14 модель продемонстрировала наиболее высокую устойчивость. Необходимо также акцентировать внимание на том, что коэффициент детерминации за 14 шагов довольно сильно изменился. Это объясняется тем, что в регрессию могли входить предикторы, которые оказывают влияние друг на друга. Эти предикторы были исключены в процессе построения. Нужно также отметить, что остаточная изменчивость значений эффективности коммуникации будет равна 1-0,665. То есть, полученная модель объясняет 67% дисперсии.

Таблица 23 - Значение коэффициента детерминации

Станд. Ошибка

1

0,691

0,580

7,9

43

0,665

0,624

7,4

Анализ уровня значимости и качества модели

Для анализа данных был выбран уровень значимости, равный 95%. В связи с этим, можно сказать, что каждый из оставшихся в модели предикторов значим и не переходит за фиксированное значение 0,05. В таблице ниже можно заметить, что значимость одного из предикторов близка к границе, тем не менее, она не переходит границы, оставаясь на уровне 0,037. Следовательно, можно сделать вывод о том, что нулевая гипотеза, которая предполагает, что предикторы не значимы для простроенной регрессионной модели отклоняется, а альтернативная принимается.

Таблица 24 - Значения предикторов

Далее необходимо рассмотреть регрессионную модель, где зависимая переменная (y) «эффективность коммуникации и (х) предикторы. Таким образом, уравнение для регрессионной модели будет выглядеть следующим образом: Y= 7,12 + 5,116 Х1 + 3,553 Х2 + 0,614 + 0,793Х4 + 1,315 Х5 + 1,152 Х6 - 2,354 Х7 + 1,038 Х8 - 1,093 Х9.

Интерпретация коэффициентов