Statistica Aplicata in Stiintele Socio-Umane. Volume 2 (Romanian)

S
ST TA AT TI IS ST TI IC C A AP PL LI IC CA AT T N N
T TI II IN N E EL LE E S SO OC CI IO O
-
-U UM MA AN NE E
Analiza asocierilor i a diferenelor statistice

Cristian Opariuc-Dan

Constana, august 2011


3

Fiicei mele, Riana-Ingrid

Statistic aplicat n tiinele socio-umane

4

Cuprins

Cuprins ............................................................................................................. 4
Prefa .............................................................................................................. 7
Cuvntul autorului ......................................................................................... 11
I. Relaii ntre variabile ............................................................................. 13
I.1 Coeficieni de corelaie neparametrici ............................................ 18
I.1.1 Coeficientul de corelaie a rangurilor (rho) Spearman ......... 19
I.1.2 Coeficientul de corelaie a rangurilor (tau) Kendall ............. 26
I.1.3 Coeficientul de contingen
2
(chi ptrat) .............................. 36
I.1.4 Coeficientul de asociere (phi), coeficientul V Cramer i
coeficientul de contingen (cc), derivai din
2
.................................... 42
I.1.5 Coeficientul de asociere (lambda) Goodman i Kruskal ...... 48
I.1.6 Coeficientul de asociere (gamma) ........................................ 53
I.1.7 Coeficientul tetrachoric i polichoric ....................................... 56
I.1.8 Coeficientul de concordan W Kendall .................................. 58
I.1.9 Coeficientul de corelaie rang biserial ................................... 62
I.2 Coeficieni de corelaie parametrici ................................................ 64
I.2.1 Coeficientul de corelaie r Bravais-Pearson ............................ 64
I.2.2 Coeficientul de corelaie biserial, punct biserial i triserial ..... 78
I.2.3 Coeficientul de corelaie eneahoric ......................................... 87
I.3 Corelaii pariale .............................................................................. 90
I.3.1 Corelaii semi-pariale ............................................................. 95
I.3.2 Corelaii pariale pentru date neparametrice ............................ 96
I.3.3 Semnificaia corelaiilor pariale ............................................ 100
I.4 Interpretarea coeficienilor de corelaie ........................................ 102

5

I.4.1 Grade de libertate ................................................................... 106
I.4.2 Efecte exercitate i varian ................................................... 107
I.4.3 Strategii de analiz i interpretare a corelaiilor .................... 109
I.5 Obinerea coeficienilor de corelaie n SPSS ............................... 117
I.5.1 Coeficieni de corelaie bazai pe date parametrice ............... 117
I.5.2 Coeficieni de corelaie bazai pe date neparametrice ........... 134
I.5.3 Raportarea studiilor corelaionale .......................................... 155
II. Diferene statistice bivariate ................................................................ 160
II.1 Planuri de cercetare ....................................................................... 161
II.1.1 Planuri de cercetare de baz .................................................. 165
II.1.2 Planuri de cercetare complexe ............................................... 174
II.2 Teste statistice pentru date neparametrice .................................... 182
II.2.1 Diferena dintre frecvene. Testul
2
...................................... 182
II.2.2 Teste pentru eantioane independente ................................... 188
II.2.3 Teste pentru eantioane dependente ...................................... 200
II.3 Teste statistice pentru date parametrice ........................................ 205
II.3.1 Teste pentru un singur eantion ............................................. 206
II.3.2 Teste pentru dou eantioane independente .......................... 212
II.3.3 Teste pentru dou eantioane perechi .................................... 216
II.4 Teste statistice de normalitate i teste pentru valori aberante ....... 220
II.4.1 Teste pentru valori aberante ................................................... 221
II.4.2 Teste de normalitate ............................................................... 226
II.5 Interpretarea testelor statistice ...................................................... 234
II.5.1 Puterea testului i mrimea efectului ..................................... 238
II.6 Realizarea testelor statistice n SPSS ............................................ 253
II.6.1 Procedee neparametrice ......................................................... 254

6

II.6.2 Procedee parametrice ............................................................. 267
II.6.3 Analiza normalitii i a scorurilor aberante .......................... 274
III. Analiza fidelitii .............................................................................. 283
III.1 Metode de analiz a fidelitii ................................................... 288
III.1.1 Metoda test-retest ................................................................... 290
III.1.2 Metoda njumtirii .............................................................. 291
III.1.3 Metoda consistenei interne ................................................... 298
III.1.4 Metoda formelor paralele ...................................................... 306
III.1.5 Metoda acordului ntre evaluatori .......................................... 307
III.1.6 Interpretarea coeficienilor de fidelitate ................................. 310
III.2 Analiza fidelitii n SPSS for Windows ................................... 312
III.2.1 Analiza consistenei interne ................................................... 318
III.2.2 Analiza fidelitii prin metoda njumtirii .......................... 337
III.2.3 Analiza fidelitii prin metoda formelor paralele .................. 341
III.2.4 Analiza fidelitii inter-evaluatori .......................................... 343
III.2.5 Analiza fidelitii test-retest (stabilitii) ............................... 346
III.2.6 Consideraii finale .................................................................. 347
Bibliografie .................................................................................................. 350
Anexe ........................................................................................................... 352


7

Prefa

Cartea domnului Cristian Opariuc-Dan, intitulat Statistic aplicat
n tiinele socio-umane. Analiza asocierilor i diferenelor statistice este o
continuare fireasc a primului volum aprut, nu cu mult timp n urm, la edi-
tura ASCR din Cluj-Napoca. Continuarea realizat n lucrarea de fa este
semnului unei perseverene ludabile, dovad a pasiunii domniei sale fa de
coninutul acestei onorabile discipline. Continuitatea se manifest i n partea
stilului nvalnic, care parc vrea s spun totul dintr-o suflare, care vrea s
epuizeze ultimele rezerve fa de disciplina statisticii din sufletul cititorului
dornic de iniiere. Ca atare, exemplele sunt foarte numeroase i ct se poate
de adecvate.
Nu sunt aa de ndeprtate vremurile n care cunotinele statistice
erau o raritate n arealul specialitilor din domeniul tiinelor socio-umane. n
rndul psihologilor, acestea erau pstrate i rspndite de o elit intelectual,
din care amintim numele lui Nicolae Mrgineanu ca fiind cel mai reprezenta-
tiv. ntre 1950 i 1989, pregtirea n sfera metodelor cantitative din domeniul
psihologiei era destul de sumar, delimitat strict la prezentarea ctorva noi-
uni fundamentale i, mai ales, a distribuiei normale Gauss Laplace, n as-
pectul figurativ, nu de coninut. O bun parte dintre psihologii practicieni nu
au terminat sau aprofundat studii de psihologie, ca atare, chiar construcia
etaloanelor li se prea o tain de neptruns. Analizele multivariate preau
realiti galactice, greu accesibile pentru psihologul practician care nu avea o
ambian profesional de pregtire continu. ncercarea de lichidare a psiho-
logiei din ultimii ani ai dictaturii comuniste prea s extind ignorana n pri-
vina metodelor tiinifice de abordare a acestui domeniu.
Dup anul de cotitur 1989, nvmntul romnesc de psihologie s-a
revigorat i a evoluat rapid, cred eu mai mult extensiv, situaie care s-a reper-

8

cutat i asupra domeniul statisticii aplicate. Au aprut o serie de autori com-
peteni, cu deosebit potenial, cu stagii de pregtire n strintate, care au ela-
borat lucrri n domeniu comparabile cu cele din rile cu tradiie n cerceta-
rea psihologic. Dintre aceti autori amintim pe Ilie Puiu Vasilescu, practic
un deschiztor de drumuri n domeniu, dup 1989, Florin Sava, Mihai Hohn,
Filaret Sntion, regretatul coleg Horia Pitariu, Drago Iliescu, Marian Popa,
Adrian Viceniu Labr, Monica Albu. n acest cerc select cred c a reuit s
intre i Cristian Opariuc-Dan.
Ne putem ntreba: care este motivul pentru care autorul d dovad de
pedantism n cursul lucrrii, care face coninutul comprehensibil i pentru
persoane cu o slab pregtire academic? Pentru cineva care nu lucreaz n
domeniul pe care l-a mbriat autorul crii, suprasaturarea cu explicaii
pare de neneles. Adevrul este c statistica se prezint ca o disciplin greu
asimilabil de ctre studenii de la psihologie. Venind s studieze psihologia,
o disciplin prin excelen umanist, o parte dintre ei cred c au scpat defini-
tiv de tabelele, ecuaiile i demonstraiile din anii de liceu, dar, constat c,
chiar din primul an, rencep o disciplin matematizat pentru care nu au pasi-
une i nclinaii. n rile cu tradiie n studiul psihologiei au aprut articole
care explic de ce studenii au aversiune fa de statistic i tratamente mate-
matice. Strict vorbind, statistica nu este chiar matematic, ci mai mult o co-
lecie de metode i teorii care vizeaz modul de gestionare a ansamblurilor
de date rezultate din cercetarea i practica profesional, care implic parial
tratament matematic. n plus, s nu uitm, exist n psihologie i n varii do-
menii un curent de gndire anti-statistic care exagereaz n ideea inadecvrii
metodelor cantitative n abordarea unor areale ale preocuprilor academice
caracterizate de hiper-complexitate structural i suplee funcional. Un ex-
ponent al unui astfel de mod de gndire este cuprins n bestsellerul libanezu-
lui Nassim Nicholas Taleb, intitulat Lebda Neagr. Impactul foarte puin
probabilului, aprut la Curtea Veche Publishing n 2010. La pagina 265 a
acestei cri, el spune: Uitai tot ce ai auzit n facultate despre statistic sau

9

teoria probabilitilor. Dac nu ai urmat niciodat astfel de cursuri, e foarte
bine. Ce putem s spunem despre astfel de reacii? A constata inadecvarea
modelului gaussian, cum a fcut-o Taleb, nu i d dreptul s negi importana
unei discipline tiinifice aflat n extindere rapid n aproape toate ndeletni-
cirile omeneti.
Pentru psihologi, absena disciplinei Statistic din programul de pre-
gtire universitar de baz ar nseamn lipsirea de un instrument absolut ne-
cesar de comunicare i de verificare a cercetrilor tiinifice. Contientiznd
importana predrii acestei discipline pentru viitorul cercettor sau profesio-
nist practician, cei care au proiectat curriculumul facultilor de psihologie au
nregistrat statistica n rndul disciplinelor fundamentale, alturi de introdu-
cere n psihologie, psihologia dezvoltrii, psihologia social, fundamentele
tiinifice ale psihoterapiei, psihodiagnostic, metodele de cercetare i psiho-
logia diferenial. O anchet efectuat n Statele Unite ale Americii n rndul
fotilor absolveni de psihologie, referitoare la importana disciplinelor tiin-
ifice predate n facultate asupra succesului profesional, indic statistica pe
locul al treilea, dup psihologia social i psihoterapie.
Lucrarea domnului Opariuc-Dan are ca baz de pornire dificultile
ntmpinate de studeni n nelegerea statisticii. Experiena n predarea disci-
plinei Statistic aplicat n psihologie, m-a ajutat s detectez dou puncte
eseniale ale acestor dificulti: clara nelegere a noiunilor predate i apli-
carea robotic a unor formule pentru a evidenia semnificaia rezultatelor
cercetrii. Insuficienta insistare asupra acestor dou aspecte duce la formarea
unor deprinderi procustiene, care vor avea drept consecin simplismul inter-
pretativ. La aceiai concluzie pare s fi ajuns i autorul crii atunci cnd in-
sist, precum Cato n senatul Romei, asupra combaterii proastelor deprinderi
n practicarea statisticii.
Imensa mainrie statistic numit SPSS este o invenie minunat, ca-
re ajut studenii, cercettorii i practicienii s scurteze la minimum timpul

10

acordat pentru realizarea unor activiti rutiniere, ns care nu poate fi utiliza-
t fr cunoaterea suficient specificului aplicativ al unor proceduri. Nu n-
tmpltor, autorul insist att de mult pe corectitudinea unor aplicaii statisti-
ce i pe oportunitatea lor. n aplicarea unor tipuri de analize factoriale, reali-
zatorii unor studii trebuie s cunoasc bine exigene referitoare dimensiunea
scalar a datelor, la liniaritatea relaiilor ntre variabile i la numrul minim
de subieci care trebuie s fie prezeni n cercetare. Dac nu suntem ateni la
astfel de aspecte, riscm s fim catalogai drept creatori de artefacte n activi-
tatea tiinific i de folosire abuziv, incompetent a unor creaii tehnice de
excepie. Cristian Opariuc-Dan a relevat bine deficienele de nelegere ale
statisticii de ctre studeni, i ne ofer o lucrare de un impresionant efort ana-
litic i sintetic.

Conf. univ. dr. Aurel Stan
Universitatea Al. I. Cuza Iai
Facultatea de Psihologie i tiine ale Educaiei

11

Cuvntul autorului

Bine v-am regsit! Dup ce am aprofundat aspectele referitoare la
analiza unei singure variabile statistici pe care le-am numit statistici
univariate , a venit timpul s ne concentrm asupra analizei relaiilor dintre
dou sau mai multe variabile. Lucrurile nu sunt deloc complicate, n compa-
raie cu cele prezentate n prima lucrare. Avem i aici algoritmi clari de lucru,
i ne ajut acelai pachet binecunoscut de programe, SPSS.
De data aceasta, nu vom mai analiza n detaliu o singur variabil, ci
ne vom concentra asupra legturilor care exist ntre variabile. Vom ncerca
s aflm care este legtura dintre lungimea prului i coeficientul de inteli-
gen, sau dac pletoii sunt, ori nu sunt, mai inteligeni n comparaie cu cei
care au prul scurt. De asemenea, vom ncerca s vedem n ce mod o variabi-
l poate fi influenat de alte variabile; dac inteligena unui copil poate fi
apreciat n baza notelor pe care acesta le are la matematic, fizic, chimie,
limba romn ori alte discipline. Pornind tot de la relaiile dintre variabile,
vom ncerca s aflm dac din rspunsurile la ntrebrile unui chestionar pu-
tem afla un element comun, i ct de precis este acesta.
n limbaj tehnic, vom studia elemente legate de corelaii, diferene
i studiul fidelitii, toate cu referire la date parametrice i neparametrice.
Unii vor spune c analiza fidelitii prezint un grad mai ridicat de di-
ficultate, iar aceste elemente nu trebuie tratate mpreun. S vedem dac este
chiar aa.
Nu-i voi uita pe cei care m-au ajutat s scriu acest volum i care au
contribuit, ntr-o form sau alta, la apariia crii.
i mulumesc soiei mele, Iulia-Laura, pentru rbdarea pe care a avut-o
cu mine, n lungile zile n care nu m-am desprit de computer, scriind aceste

12

rnduri. Scutindu-m, de multe ori, de treburile casnice, ncurajndu-m s
scriu, soia mea a accelerat n mod semnificativ apariia acestui volum.
Recunotina mea se ndreapt ctre profesorul universitar Ilie Puiu
Vasilescu de la universitatea Wise din Virginia, Statele Unite, din ale crui
cri am nvat statistic, i care a binevoit s analizeze critic documentul,
corectndu-m atunci cnd am greit. De asemenea, profesorul universitar
Corneliu Eugen Havrneanu i-a adus o important contribuie, fiind att cel
de la care am nvat elementele de baz ale analizei de date, ct i cel care a
avut rbdarea de a citi documentul, a-mi face observaii pertinente i a furni-
za impresiile sale referitoare la carte.
Ca ntotdeauna, profesorul Aurel Stan s-a ocupat i de aceast carte,
de la impresii i corectur la procesul redacional, lucru pentru care i sunt
profund recunosctor.
De asemenea, in s aduc mulumiri profesorului Filaret Sntion, de la
universitatea Ovidius Constana, pentru numeroasele seri petrecute mpreun,
momente n care discuiile noastre pe aceast tem au contribuit la consolida-
rea i sistematizarea acestui volum. Mulumiri speciale a dori s aduc doam-
nei profesor Monica Albu. Observaiile i criticile constructive aduse de
domnia sa au contribuit, sper, la o calitate superioar a acestei lucrri. Exi-
gena de care a dat dovad m ajut s m perfecionez i s pot, la un mo-
ment dat, s ating standardele la care doamna profesor se raporteaz.
Nu n ultimul rnd, v mulumesc dumneavoastr, celor care ai cum-
prat aceast carte, onorndu-m astfel cu dorina de a nva.
V-am promis n primul volum c v voi scoate la lumin, n ceea ce
privete metoda statistic, aplicat n tiinele socio-umane. Consider c am
fcut-o. Acum haidei s schimbm becul de 60 de wai, pe care l-am aprins
n primul volum, cu un bec de 100 de wai, i s facem i mai mult lumin
Constana, 9 august 2011

13

I I. . R RE EL LA A I II I N NT TR RE E V VA AR RI IA AB BI IL LE E
n acest capitol se va discuta despre:
Conceptul de covarian i corelaie;
Calculul coeficienilor de corelaie parametrici
i neparametrici;
Analiza i interpretarea coeficienilor de corela-
ie;
Reprezentarea grafic i analiza graficelor core-
laiilor;
Dup parcurgerea capitolului, cititorii vor fi capabili s:
neleag diferena dintre covarian i corela-
ie;
Calculeze coeficienii de corelaie parametrici i
neparametrici;
Analizeze i s interpreteze coeficienii de core-
laie;
Utilizeze SPSS n calculul coeficienilor de core-
laie.

n general, ntr-o cercetare tiinific, nu ne putem rezuma doar la stu-
diul unei singure variabile, dei acest pas este important pentru stabilirea
normalitii distribuiei. Faptul c notele obinute de ctre candidai la un
examen de admitere la facultate sunt sau nu sunt distribuite normal, este de
mare importan, att pentru aflarea nivelului candidailor respectivi, ct i n
vederea stabilirii procedurilor ulterioare de analiz. Nu ne putem, ns, rezu-
ma doar la acest lucru. Ne-ar interesa, poate, s aflm dac exist vreo legtu-
r ntre aceste note i coeficientul de inteligen, s vedem dac, ntr-adevr,
cei cu medii mari la admitere au i un coeficient de inteligen ridicat, sau din
contra.
Aceasta este o problem specific, ce poate fi abordat printr-un stu-
diu corelaional. Ca n orice studiu tiinific, ncepem de la un fapt de obser-
vaie. De exemplu, constatm n ultimii ani o reducere a calitii sistemului
de nvmnt universitar. Problema poate fi la nivelul cadrelor didactice, al

14

studenilor, sau poate reprezenta o combinaie a acestor elemente. Dup ce
am citit o sut de articole referitoare la aceast tem, dup ce am studiat
cercetrile existente, putem ajunge la concluzia investigrii relaiei dintre
mediile anilor de studiu din liceu, media de la bacalaureat i coeficientul de
inteligen. Putem, aadar, formula obiectivul studiului: investigarea relaiei
dintre media de admitere la universitate i coeficientul de inteligen. n mod
cert, dup stabilirea obiectivului, va trebui s formulm ipoteza sau ipotezele
cercetrii. n cazul nostru, ipoteza de cercetare devine:
H
1
: Exist o relaie ntre nivelul de inteligen i media de admitere a
candidailor n nvmntul superior.
Aceast ipotez este evident o ipotez bidirecional, i ne duce cu
gndul la un studiu corelaional. Dup cum tim, ipoteza de cercetare nu poa-
te fi confirmat sau infirmat. Toate analizele se fac pe baza ipotezei nule. n
situaia de fa, ipoteza nul va fi:
H
0
: Nu exist nicio relaie ntre nivelul de inteligen i media de ad-
mitere a candidailor n nvmntul superior.
Din simpla parcurgere a ipotezei, putem identifica foarte uor att
planul de cercetare evident un plan corelaional cu dou variabile continui
ct i variabilele coeficientul de inteligen i media de admitere. Nu ne
rmne dect s colectm datele prin administrarea unui test de inteligen i
prin nregistrarea mediilor de admitere ale candidailor i astfel obinem baza
de date a cercetrii noastre. Ambele variabile fiind scalare, n urmtoarea
etap vom proceda la analiza normalitii distribuiei acestora. Dar dup ace-
ea, ce facem? Bineneles, intenionm s studiem relaia dintre aceste dou
variabile.
Relaiile stabilite din analiza a dou variabile se numesc analize biva-
riate, deoarece este posibil s studiem relaiile dintre mai multe variabile,

15

metode reunite sub numele de analize multivariate. Ai observat c prefer
folosirea termenului de relaie i nu a celui de corelaie. Care ar fi diferena?
ntregul concept al investigrii gradului de asociere ntre dou variabi-
le se bazeaz pe covarian. Ce este, ns, covariana? V mai amintii de
termenul de varian folosit n prima lucrare? Am definit atunci acest element
ca fiind media abaterilor scorurilor fa de tendina central (Opariuc-Dan,
2009). Lucram atunci doar cu o singur variabil. Dac am include nc o
variabil, am spune c cele dou covariaz dac scorurile celei de-a doua se
abat n acelai sens de la medie, chiar dac magnitudinile abaterilor pot fi
altele.

Var. X
+1,4
+0,4 +0,4
-0,6
-1,6
Figura 1.1 Diferenele dintre scorul observat i
medie pentru dou variabile, n cazul unui singur
subiect examinat
Var Y
+2,3
+0,8
+0,5
-0,2
-0,6

16

Urmrii figura 1.1. Am reprezentat aici dou variabile, variabila X i
variabila Y. Observm c scorurile primei variabile se abat negativ fa de
medie n primele dou cazuri i pozitiv fa de medie n ultimele trei cazuri.
Acelai model este urmat i de cea de-a doua variabil, dei magnitudinea
abaterilor este diferit. Putem suspecta faptul c cele dou variabile
covariaz, adic subiecii care au scoruri mici la prima variabil, au scoruri
mici i la a doua variabil. Cei care au scoruri mari la prima variabil, au sco-
ruri mari i la a doua variabil. Acesta este principiul covarianei. Problema
care se pune este s stabilim magnitudinea acestei covariane, n acelai mod
n care am aflat magnitudinea varianei pentru fiecare variabil luat separat.
Cu alte cuvinte, se poate da un indicator unic, numeric, al covarianei, n mod
similar coeficientului de varian (s
2
)? Rspunsul este, din fericire, pozitiv.
V aducei aminte c, n cazul calculrii varianei unei singure varia-
bile, am ridicat la ptrat fiecare abatere de la medie, pentru a compensa pro-
blemele legate de semn. Este necesar s facem acest lucru i aici? Gndii-v
nainte de a rspunde! Ei bine, nu. Fiind dou variabile, nmulind, pentru
fiecare subiect, abaterile de la medie ale fiecrei variabile, rezolvm aceast
problem. Dac ambele abateri sunt ori pozitive, ori negative, vom obine un
produs pozitiv, artnd faptul c variabilele covariaz n acelai sens (se aba-
te pozitiv de la medie una, se abate pozitiv de la medie i cealalt; se abate
negativ una, se abate negativ i cealalt). Dac o abatere este pozitiv i cea-
lalt este negativ, vom obine un produs negativ, artnd faptul c variabile-
le covariaz invers (dac una se abate pozitiv de la medie, cealalt se abate
negativ). Mai simplu nici nu se putea.
Cum obinem ns o valoare numeric unic a acestor abateri? Nu este
deloc complicat. Adunm toate produsele i mprim la numrul de cazuri
minus unu (efectund corecia cunoscut pentru lucrul cu eantioane). Iat ce
greu e:

17

(formula 1.1)
Am obinut, astfel, formula covarianei pe care o putem acum aplica
datelor noastre.

Cele dou variabile din exemplul de mai sus covariaz pozitiv (adic
dac scorul la o variabil se afl peste medie, scorul la cealalt variabil se
afl i el peste medie i invers), valoarea acestei covariaii fiind de 1,20.
Marea problem a covarianei este aceea c relaiile dintre cele dou
variabile depind de scala de msur. Dac avem dou instrumente ce msoa-
r, fiecare, o singur variabil, unul cu 100 de itemi i unul cu 10 itemi, n
condiiile n care itemii sunt cotai la fel, modul n care se vor abate scorurile
individuale de la medie difer extrem de mult, coeficientul de covarian fi-
ind foarte mare n comparaie cu situaia analog n care cele dou instrumen-
te ar avea, fiecare, 10 itemi. n realitate acest coeficient nu ne spune, practic,
nimic. Avem nevoie, aadar, de o msur standardizat a covarianei, iar
aceast msur o regsim sub denumirea de corelaie.
Corelaia exprim, practic, sub form numeric, gradul de asociere
dintre variabile. Dou variabile sunt asociate, n situaia n care comporta-
mentul uneia este legat de comportamentul celeilalte, cu alte cuvinte, dac nu
sunt independente. Dou variabile independente arat c modificarea valori-
lor ntr-o variabil nu are niciun efect asupra valorilor din cealalt variabil.
(Gibbons, 1993).
n teorie e simplu. n practica tiinific din domeniul socio-uman, am
artat c variabilele pot fi dificil msurate la un nivel de interval, majoritatea
lor fiind, strict vorbind, la o scal de msur ordinal. Este greu s gsim o

18

relaie matematic ntre dou variabile. Ar fi mai degrab vorba de covariane
dect de corelaii.
Un alt aspect important, pe care muli l ignor, este acela c nu putem
stabili legturi cauzale n urma studiilor corelaionale. Din corelaii nu se pot
face inferene cauzale, nu putem stabili care este cauza i care este efectul.
Dac n urma unui studiu ajungem la concluzia c exist o legtur puternic
ntre anxietate i depresie, care este cauza i care este efectul? Anxietatea
determin depresia sau depresia produce anxietate? Studiile corelaionale
permit stabilirea intensitii i a sensului unei legturi ntre variabile, nu i
stabilirea relaiei cauz-efect. Accentuez asupra acestui aspect, deoarece am
ntlnit multe asemenea confuzii n care se vorbea despre relaii cauzale, fapt
complet eronat din punct de vedere tiinific.
Relaiile dintre dou variabile se studiaz n baza a dou categorii de
indici de corelaie. Vorbim de indici de corelaie parametrici i indici de
corelaie neparametrici, n funcie de condiiile ndeplinite de variabile i
anume dac ndeplinesc sau nu cerinele de administrare ale statisticilor pa-
rametrice.
I.1 Coeficieni de corelaie neparametrici
Aceti coeficieni de corelaie se utilizeaz n cazul n care cel puin
una dintre cele dou variabile nu ndeplinete condiiile unei distribuii nor-
male, fie din cauza specificului datelor, fie din aceea a nivelului de msur la
care se situeaz. Numii i coeficieni de asociere pentru distribuii libere,
coeficienii de corelaie neparametrici pot fi folosii att n cazul n care dis-
tribuia este cunoscut, de obicei normal, dar mai ales n cazul n care distri-
buia nu se cunoate, nu este normal sau datele nu pot fi asociate unui nivel
de msur cel puin de interval. Motivul este acela c, datele aflate la un nivel
de interval ori de raport, pot fi uor convertite n ranguri sau n frecvene (la
nivel ordinal ori nominal). Invers nu este, ns, posibil.

19

n acest sens, exist mai muli indici ai relaiilor dintre variabile, utili-
zabili n funcie de tipul variabilelor.
I.1.1 Coeficientul de corelaie a rangurilor (rho) Spearman
Este un coeficient bazat pe ranguri, nu este influenat de reprezentati-
vitatea mediei i se utilizeaz, n general,
atunci cnd lotul de cercetare are dimensiuni
mici (sub 30 de cazuri), sau cnd cel puin
una dintre variabile nu ndeplinete condiiile
de administrare ale testelor parametrice. A
fost dezvoltat de psihologul englez Charles
Spearman i, datorit similaritii sale cu coe-
ficientul r Bravais-Pearson, acest indicator
este frecvent utilizat n tiinele socio-umane.
De fiecare dat cnd avei de calculat coefici-
entul de corelaie bivariat, iar datele dum-
neavoastr nu se distribuie normal pentru cel puin una dintre variabile, ape-
lai cu ncredere la acest coeficient.
Coeficientul nu face altceva dect s transforme scorurile originale n
ranguri i s analizeze relaia dintre acestea. Formula de calcul nu este com-
plicat i poate fi rezumat la:

(formula 1.2)
unde d reprezint diferena dintre rangurile valorilor msurate la un
subiect, iar n se refer la numrul de subieci
S considerm un exemplu n care avem un numr de 10 elevi de cla-
sa a XI-a care obin urmtoarele rezultate la matematic i la fizic (tabelul
1.1).
Tabelul 1.1 Rezultate obinute
de 10 elevi la matematic i fizic
Nr. Matematic Fizic
1 2 3
2 3 4
3 4 4
4 5 5
5 6 6
6 6 7
7 7 7
8 8 7
9 9 8
10 10 9

20

Dup cum observm, cele dou variabile se afl la un nivel de msur
scalar, ns numrul mic de subieci (n=10) nu permite analiza distribuiei
rezultatelor, fiind sub 30 de cazuri. n aceast situaie, nu putem folosi coefi-
cieni de corelaie parametrici. Pentru a uura lucrurile, notele la matematic
i la fizic au fost ordonate astfel nct s putei nelege mai uor algoritmul.
Vom decide s folosim coeficientul de corelaie a rangurilor Spearman.
Evident, primul pas este acela al calculrii rangurilor. Nu intram n amnunte
asupra acestei proceduri, deoarece a fost tratat n lucrarea anterioar, capito-
lul referitor la median i ranguri.
Dup calculul rangurilor, facem diferena dintre rangul primei variabi-
le (matematic) i rangul celei de-a doua variabile (fizic). Valoarea d va fi,
aadar, d=Rang
Matematic
Rang
Fizic
.
n urmtoarea etap, ridicm la ptrat diferena rangurilor, pentru a
elimina problemele generate de semnul diferenelor, i facem suma ptratelor
diferenelor.
Rezultatele acestor etape sunt prezentate n tabelul 1.2. Avem acum
toate datele necesare nlocuirii n formul.

Tabelul 1.2 Calculul coeficientului de corelaie Spearman
Nr. Matematic Fizic Rang Matematic Rang Fizic d d
2

1 2 3 1 1 0 0
2 3 4 2 2,5 -0,5 0,25
3 4 4 3 2,5 0,5 0,25
4 5 5 4 4 0 0
5 6 6 5,5 5 0,5 0,25
6 6 7 5,5 6 -0,5 0,25
7 7 7 7 6 1 1
8 8 7 8 6 2 4
9 9 8 9 9 0 0
10 10 9 10 10 0 0
d
2
6

21

Iat i coeficientul de corelaie a rangurilor, n valoare de 0,96. Am
obinut o corelaie pozitiv i puternic ntre notele obinute de ctre cei 10
elevi la matematic i fizic. Putem spune c cei care obin note mari la ma-
tematic, obin note mari i la fizic; cei cu note mici la matematic au note
mici i la fizic.
Calculul dup aceast formul poate fi efectuat numai n situaia n
care nu exist ranguri egale. Atunci cnd apar ranguri egale (cum se poate
observa i n cazul nostru), se folosete o formul uor diferit, formul de
corecie pentru ranguri egale. Aceast formul se aplic n cazul n care am-
bele variabile au ranguri egale, sau atunci cnd ntlnim ranguri egale doar n
situaia unei singure variabile.

(
(formula 1.3)
unde r
x
i r
y
reprezint rangurile celor dou variabile
Revenind la exemplul nostru, vom avea un alt tip de tabel, ceva mai
complex.

Tabelul 1.3 Calculul coeficientului de corelaie Spearman
Nr. Mate Fizic Rang Mate Rang Fizic R
M
xR
F
R
M
2
R
F
2

1 2 3 1 1 1 1 1
2 3 4 2 2,5 5 4 6,25
3 4 4 3 2,5 7,5 9 6,25
4 5 5 4 4 16 16 16
5 6 6 5,5 5 27,5 30,25 25
6 6 7 5,5 6 33 30,25 36
7 7 7 7 6 42 49 36
8 8 7 8 6 48 64 36
9 9 8 9 9 81 81 81
10 10 9 10 10 100 100 100
=55 =52 =361 =384,5 =343,5

22

Dup calculul rangurilor, am efectuat produsul rangurilor i ridicarea
la ptrat a fiecrui rang. Apoi, am calculat sumele necesare. Nu rmne, n
final, dect nlocuirea n formul. Rezultatul va fi, n acest caz, foarte apropi-
at cu cel de mai sus. Evident, numrul foarte mic de cazuri, face ca efectul
coreciei pentru ranguri egale s fie, i el, foarte mic.

(

Acest coeficient de corelaie, foarte uor de calculat, are, ns, o pro-
blem. Ai observat c cele dou variabile utilizate se situeaz la un nivel
scalar de msur. Dup unii autori (Vasilescu, 1992, apud Yule i Kendall,
1969; Lohse, Kudwig i Rohr, 1986), acest coeficient de corelaie este ina-
decvat pentru ranguri, deoarece presupune c datele au, toate, proprietile
necesare pentru calcularea coeficienilor parametrici. Indicatorul reduce, de
fapt, datele de la un nivel scalar la un nivel ordinal. n acest sens, mai adecva-
t ar fi calcularea altor coeficieni, specifici pentru rang (Vasilescu, 1992).
Totui, datorit uurinei calculrii acestui coeficient i a faptului c
poate fi folosit pentru date parametrice care nu ndeplinesc condiiile aplicrii
de teste parametrice, coeficientul Spearman are o larg utilizare. n general,
folosim acest coeficient de corelaie atunci cnd ambele variabile se afl la un
nivel de msur ordinal, cnd o variabil se afl la un nivel ordinal, iar cealal-
t la un nivel scalar, ori cnd ambele se afl la nivel scalar, dar cel puin una
dintre ele nu prezint o distribuie normal.
I.1.1.1 Semnificaia coeficientului de corelaie Spearman
n cazul studiilor corelaionale, i nu numai, nu este suficient obine-
rea coeficientului de corelaie pentru a respinge sau nu ipoteza nul. tim
foarte bine c avem nevoie i de pragul de semnificaie care ne arat, practic,

23

ce anse avem ca indicatorul obinut s rezulte n urma unor erori de eantio-
nare. Putem accepta semnificaia acestui indicator i respinge ipoteza nul,
doar dac aceast ans este mai mic de 5%, cu alte cuvinte, dac ne situm
la un prag de semnificaie mai mic de 0,05.
Cea mai simpl metod de a determina semnificaia coeficientului de
corelaie a rangurilor este aceea n care putem compara valoarea acestuia cu
valoarea de referin pentru nivelul de semnificaie dorit, valoare publicat n
tabele speciale. Stabilirea modului n care au fost construite aceste tabele nu
face obiectul prezentei lucrri, deoarece calculele sunt mai complicate i s-au
realizat n decursul anilor pe eantioane de diferite dimensiuni, folosindu-se
distribuii teoretice de probabiliti. n anexa 1 am furnizat un asemenea ta-
bel. Dac relum exemplul nostru, am obinut un coeficient de corelaie a
rangurilor de 0,96, studiind un lot de cercetare de 10 elevi. n prima coloan
avem mrimea eantionului. Dac nu gsim numrul exact de cazuri, vom lua
valoarea inferioar cea mai apropiat. n situaia noastr, avem 10 subieci,
iar rndul care ne intereseaz este al aselea rnd din acel tabel, unde avem
numrul 10 pe coloana n. Observm c pentru a fi semnificativ la un prag de
semnificaie mai mic de 0,05, coeficientul trebuie s aib cel puin valoarea
0,64. Dac dorim s fim mai riguroi, la un prag de semnificaie mai mic de
0,02, valoarea acestui coeficient trebuie s fie mai mare de 0,74 iar la un prag
mai mic de 0,01, coeficientul trebuie s depeasc valoarea 0,794. Coefici-
entul nostru de corelaie a rangurilor este de 0,96 i constatm c ne aflm la
un prag de semnificaie mai mic de 0,01. Putem spune c exist o legtur
puternic ntre cele dou variabile, la un prag de semnificaie mai mic de
0,01.
n condiiile n care numrul de subieci este mai mare de 10, putem
testa semnificaia coeficientului de corelaie a rangurilor Spearman i n alt
mod, folosind distribuia t, deoarece am artat faptul c acest coeficient nu

24

este altceva dect o variant ordinal a coeficientului r Bravais-Pearson, de-
spre care vom discuta mai trziu.

(formula 1.4)
n situaia noastr, am obinut un coeficient de corelaie a rangurilor
de 0,96 pentru un numr de 10 subieci. Valoarea testului t va fi:

n tabelul din anexa 4 referitor la distribuia t, vom cuta semnificaia
valorii testului t pentru un numr de 10-2=8 grade de libertate. La un numr
de 8 grade de libertate, pentru a fi semnificativ corelaia, valoarea testului t
trebuie s depeasc 1,86 la un prag de semnificaie mai mic de 0,05 i 2,89
la un prag de semnificaie mai mic de 0,01. Rezultatul obinut, 9,60, este mai
mare de 2,89, rezultnd c acest coeficient de corelaie = 0,96 este semnifi-
cativ la un prag de semnificaie p < 0,01.
O alt variant prin care putem testa semnificaia acestui coeficient de
corelaie, are n vedere faptul c pentru eantioane mari, distribuia se apropie
de o distribuie normal i putem calcula statistica z, dup formula:
(formula 1.5)
n situaia noastr, statistica z va fi 2,88. Raportat la distribuia z, coe-
ficientul arat o valoare puternic semnificativ a corelaiei, la un prag de
semnificaie mai mic de 0,01.

Coeficientul de corelaie a rangurilor Spearman este un coeficient de
corelaie direcional i poate avea valori cuprinse ntre -1 i +1. Valorile
apropiate de +1 indic existena unei asocieri directe (pozitive) ntre cele do-

25

u variabile, n timp ce valorile apropiate de -1 indic existena unei asocieri
inverse (negative). Cu ct valorile se apropie mai mult de 1 (indiferent de
semn), cu att asocierea este mai puternic, variabilele fiind mai legate
ntre ele.
Un coeficient de corelaie care are exact valoarea +1 arat c
n cele dou variabile exist exact aceleai ranguri ale scoruri-
lor. Dac Ionel obine rangul 5 la matematic, obine tot rangul
5 i la fizic; Viorel are rangul 7 la matematic i rangul 7 la
fizic; Viorica are rangul 3 la matematic i rangul 3 la fizic
i aa mai departe.
Un coeficient de corelaie care are exact valoarea -1 arat c
rangurile dintr-o variabil sunt inversul perfect al rangurilor
din cealalt variabil. Dac Dan are rangul 8 la matematic,
are rangul 3 la fizic; Mioara are rangul 6 la matematic i
rangul 4 la fizic; Costel are rangul 9 la matematic i rangul 2
la fizic.
Un coeficient de corelaie cu valoarea 0 semnific lipsa oric-
rei legturi ntre cele dou variabile i spunem c cele dou
variabile sunt necorelate liniar ntre ele.
n practic nu gsim aproape niciodat aceste extreme (-1; 0; +1), de-
ct n cazul n care copiem, pur i simplu, datele dintr-o variabil ntr-o alt
variabil i apoi calculm coeficientul de corelaie, ceea ce, fiind vorba ntre
noi, s-a mai vzut pe la unii studeni n lucrrile lor tiinifice. Cu ct valo-
rile coeficientului de corelaie se apropie mai mult de zero, cu att variabilele
sunt necorelate, fr legtur ntre ele; cu ct sunt mai apropiate de 1, cu att
sunt mai asociate, mai strns legate, au elemente comune. ntre aceste dou
extreme, independen i covarian, se situeaz ntreaga filozofie i ntrea-
ga putere a coeficienilor de corelaie.

26

Exist o legtur logic ntre mrimea coeficientului ce corelaie i
semnificaia acestuia. Nu trebuie demonstrat faptul c n cazul n care coefi-
cienii de corelaie se apropie de valoarea 1, deci variabilele sunt puternic
asociate, aceast asociere este i semnificativ, pragul de semnificaie
apropiindu-se de zero, n timp ce la apropierea coeficientului de corelaie de
valoarea zero, pragul de semnificaie se apropie i el de 1, legtura nefiind
semnificativ.
Am fcut aceste precizri n cadrul primului coeficient de corelaie
studiat, coeficientul de corelaie Spearman. Informaiile prezentate mai sus
se aplic tuturor coeficienilor direcionali, astfel nct nu le vom mai repeta
n cazul altor coeficieni de corelaie, ci ne vom axa doar asupra posibilelor
completri i proceduri speciale de calcul.
Un ultim aspect care merit a fi menionat: coeficientul de corelaie
al rangurilor Spearman este, alturi de marea majoritate a coeficienilor de
acest tip, adimensional i situat la un nivel ordinal. Adic nu are o unitate de
msur i permite comparaii directe. Putem compara un coeficient cu un
alt coeficient de corelaie, putem lucra cu mediana coeficienilor de corelaie,
etc. Bineneles, fiind situat la un nivel de msur ordinal, nu putem calcula
statistici metrice, nu putem vorbi de media coeficienilor de corelaie.
I.1.2 Coeficientul de corelaie a rangurilor (tau) Kendall
Este un alt coeficient de corelaie
pentru date neparametrice, dezvoltat de
statisticianul englez Maurice Kendall n
anul 1938, fiind mai precis dect
Spearman n cazul variabilelor ce se situ-
eaz ntr-un mod real la un nivel pur or-
dinal. Procedurile de calcul ale acestui
coeficient difer ntre ele, ns toate se
Tabelul 1.4 Rezultate obinute de 4
elevi la romn i chimie
Nr. Romn Chimie
1 Satisfctor
(2)
Nesatisfctor
(1)
2 Bine
(3)
Foarte bine
(4)
3 Nesatisfctor
(1)
Bine
(3)
4 Foarte bine
(4)
Satisfctor
(2)

27

bazeaz pe numrarea inversiunilor (cazul n care un element care are un
rang mai mare pentru o variabil, se situeaz n faa unui element cu un rang
mai mic, datele fiind ordonate dup cealalt variabil) i a opusului acestora,
numit i proversiuni (Vasilescu, 1992).
Ca s nelegem mai bine cum stau lucrurile, s lum un exemplu. S
presupunem c ntr-o clas au fost evaluai un numr de patru elevi la limba
romn i la chimie, obinndu-se rezultatele din tabelul 1.4. Aceste date nu
pot fi asociate unor date la un nivel scalar, fiind n mod cert date ordinale.
Dac notm calificativul nesatisfctor cu 1, satisfctor cu 2, bine cu
3, foarte bine cu 4 i excepional cu 5, putem obine expresia numeric a
acestor evaluri. V reamintesc faptul c aceste cifre nu reprezint dect nite
coduri asociate calificativelor i nu au valoare n sine. La acest nivel putem
doar ordona elevii n funcie de calificative (de la nesatisfctor la excepio-
nal) i nu putem preciza cu ct un elev este mai bun dect cellalt (vezi refe-
rinele la scale de msur din lucrarea anterioar).
Calcularea numrului de inversiuni se face prin ordonarea datelor du-
p prima variabil. Ordonnd datele, tabelul se prezint n felul urmtor (ta-
belul 1.5).
Inversiunile vor fi calculate n ba-
za celei de-a doua variabile (chimie)
urmrindu-se, pe rnd, ordinea natural a
rangurilor. Pentru prima linie, subiectul
are rangul 3 la chimie. Acest rang este
mai mare dect rangul la chimie pentru a
doua linie (1), deci avem de-a face cu o
inversiune. Prima inversiune gsit este (3 1). Comparnd prima linie cu a
treia (rangul 3 cu rangul 4, tot pe coloana chimie), observm c cele dou
ranguri sunt n ordine natural, deci nu apare o inversiune n acest caz. O alt
inversiune apare la compararea primei linii cu ultima (inversiunea 3 2).
Tabelul 1.5 Ordonarea dup variabi-
la Romn
Nr. Romn Chimie
3
Nesatisfctor
(1)
Bine
(3)
1
Satisfctor
(2)
Nesatisfctor
(1)
2
Bine
(3)
Foarte bine
(4)
4
Foarte bine
(4)
Satisfctor
(2)

28

A doua linie nu presupune inversiuni, toate comparaiile fiind n ordi-
nea natural (att comparaia rangului 1 cu rangului 4 ct i comparaia ran-
gului 1 cu rangului 2), lucru evident, deoarece rangul acestei linii este 1 i nu
exist nici un rang mai mic dect 1. A treia linie presupune compararea ran-
gului 4 cu rangul 2 (liniile 3 i 4). Observm, n sfrit, o ultim inversiune
sub forma perechii 4 2.
Aadar, n irul determinat de variabila chimie, avem un numr de 3
inversiuni (perechile 3 1, 3 2 i 4 2) i un numr de 3 proversiuni (pere-
chile 3 4, 1 4 i 1 2). Calculul coeficientului Kendall se face diferit, n
funcie de existena sau inexistena elementelor cu acelai rang. n cazul nos-
tru, observm c nu exist elemente cu acelai rang, situaie n care putem
aplica prima formul de calcul a coeficientului Kendall:

(formula 1.6)
unde I reprezint numrul de inversiuni, iar n numrul de subieci
nlocuind n formula noastr, un-
de au fost 3 inversiuni i 4 subieci, obi-
nem urmtorul coeficient de corelaie a
rangurilor:

Iat o prim situaie n care nu
exist nici o legtur ntre cele dou va-
riabile. Acest lucru se datoreaz, evident,
numrului extrem de mic de subieci luai n calcul, faptului c informaia
este insuficient pentru a ne permite formularea unor concluzii utile. Acest
coeficient de corelaie se mai numete coeficientul de corelaie
a
. Exist i
alte variante ale acestui coeficient, avnd exact aceeai semnificaie, (
b
i
c
),
Tabelul 1.6 Ordonarea dup variabi-
la Romn
Nr. Romn Chimie
1 Nesatisfctor
(1)
Bine
(3)
2 Satisfctor
(2)
Nesatisfctor
(1)
3 Bine
(3)
Foarte bine
(4,5)
4 Foarte bine
(4)
Satisfctor
(2)
5 Excepional
(5)
Foarte bine
(4,5)

29

pe care nu le vom discuta aici. Menionm numai ca
b
se folosete n cazul
variabilelor cu un numr egal de modaliti de realizare (tabele ptratice), iar
c
se folosete n cazul variabilelor cu un numr inegal de modaliti de reali-
zare (tabele rectangulare).
Dac exist elemente cu acelai rang n cazul celei de-a doua variabi-
le, lucrurile se complic puin. Vom relua exemplul anterior pentru 5 subieci,
la aceleai discipline (tabelul 1.6).
Observm c n cazul primei variabile nu avem ranguri care se repet,
n timp ce pentru variabila chimie avem dou cazuri n care se repet califica-
tivul foarte bine. n aceste situaii, ordonm datele dup variabila care nu are
elemente cu acelai rang n cazul nostru, dup variabila romn. tim c
dac dou sau mai multe elemente ocup aceeai poziie, rangul lor devine
media poziiilor pe care se afl. Cele dou elemente cu calificativul foarte
bine ocup poziiile 4 i 5, rangul lor fiind acelai, 4,5. Aceste elemente poar-
t numele de ambiversiuni i reprezint un nou concept n calculul coefici-
entului de corelaie, alturi de inversiuni i proversiuni.
n condiiile n care nu sunt elemente cu ranguri egale, atunci putem
spune c numrul inversiunilor i cel al proversiunilor este egal cu suma pri-
melor n-1 numere naturale. Adic
. Din acest lucru putem de-

duce un alt element, numit suma lui Kendall i notat cu S. Suma lui Kendall
se definete dup formula
. Dac nu ar exista inversiuni,

adic I=0, atunci s-ar obine valoarea maxim a acestei sume, astfel nct

n baza acestor sume, formula generalizat a coeficientului de corela-
ie a rangurilor Kendall devine:

(formula 1.7)

30

Practic nu am fcut dect s generalizm formula anterioar de calcul
a acestui coeficient, pentru a include un alt element i anume cel de corecie
a ambiversiunilor. Dac apar ambiversiuni, suma maxim se reduce cu acest
element de corecie, dup formula urmtoare:

(formula 1.8)
unde f
p
este numrul de asocieri de p elemente i p se refer la num-
rul elementelor.
n exemplul nostru, avem o singur pereche de elemente, i anume ce-
le cu rangurile 4,5. Astfel, valoarea A devine
.
Pentru o clarificare mai bun a modalitii de calcul al acestui element, s
lum un alt exemplu de ranguri:
Note: 2; 3; 5; 5; 5; 6; 7; 7; 8; 9; 10; 10; 11; 12
Poziie: 1; 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12; 13; 14
Rang 1; 2; 4; 4; 4; 6; 7,5; 7,5, 9; 10; 11,5; 11,5; 13; 14
Observm c avem dou perechi de elemente (7 cu rangurile 7,5 i 10
cu rangurile 11,5) i o asociere cu 3 elemente (5 cu rangurile 4). Aplicnd
formula pentru ambiversiune, obinem (
) (
)
.
Existena acestor ambiversiuni reduce att numrul maxim de legturi
ierarhice, ct i suma lui Kendall, cu valoarea inversiunilor (Vasilescu, 1992).
Astfel,
i, de asemenea, (
) . Cu-
noscnd acum aceste date i formula generalizat pentru coeficientul Ken-
dall de corelaie a rangurilor, putem deduce cu uurin noua formul pentru
cazul n care una dintre variabile are elemente de acelai rang.

31

(formula 1.9)
Relund exemplul de mai sus, avem un numr de 3 inversiuni (3 1;
3 2; 4,5 2) i o ambiversiune (4,5 4,5). Toate datele sunt cunoscute i nu
ne rmne dect s nlocuim n formul, obinnd coeficientul Kendall de
0,55.

Dei este puin mai complicat i
presupune calculul unui indicator supli-
mentar, algoritmul nu pune probleme
deosebite.
S vedem n continuare modul de
calcul al acestui coeficient n condiiile n
care ambele variabile au elemente de
acelai rang. De data aceasta, algoritmul
implic mai multe etape, deoarece avem
ambiversiuni att n cazul primei variabi-
le, ct i n cazul celei de-a doua variabi-
le. Suma Kendall va deveni

iar suma maxim se calculeaz n baza
formulei
) (
), unde A
x
i A
y
sunt ambiversiunile din
cele dou variabile, iar S
-
i S
+
sunt sumele calculate numai din rangurile ce-
Tabelul 1.7 Calificativele obinute la
limba romn i la chimie
Nr. Romn Chimie
1 Satisfctor
(2)
Bine
(3)
2 Satisfctor
(2)
Nesatisfctor
(1)
3 Bine
(3)
Bine
(3)
4 Foarte bine
(4)
Satisfctor
(2)
5 Excepional
(5)
Foarte bine
(4)
6 Foarte bine
(4)
Bine
(3)
7 Nesatisfctor
(1)
Satisfctor
(2)
8 Bine
(3)
Foarte bine
(4)

32

lei de-a doua variabile. Nu va speriai. Clarificm imediat aceste concepte
abstracte.
Avnd n vedere formula generalizat pentru coeficientul de corelaie
Kendall i cunoscnd sumele, putem da expresia formulei de calcul a coefi-
cientului, n condiiile n care gsim ambiversiuni att n prima, ct i n a
doua variabil:

)(
)
(formula 1.10)
Pentru a nu intra n detalii teoretice inutile, s considerm c un nu-
mr de 8 elevi au obinut urmtoarele calificative la limba romn i la chi-
mie (tabelul 1.7).
Datele din tabelul 1.7 nu sunt ordonate dup nicio variabil i putem
observa cu uurin c att calificativele la limba romn, ct i cele de la
chimie, vor conine elemente cu ranguri egale.
Pentru a calcula S
+
, se ordoneaz cresctor elementele dup prima va-
riabil (romn). n cazul n care ntlnim ranguri egale ale primei variabile
(romn), elementele vor fi aranjate cresctor, n funcie de a doua variabil
(chimie). Obinem, astfel, un nou ir numit n termeni de specialitate Y
+
, pe
baza cruia calculm ambiversiunile A
y
i inversiunile, dup care putem afla
suma S
+,
n mod similar sumei prezentate n capitolul anterior. Vom rearanja
tabelul de mai sus pentru a putea calcula mai uor aceste elemente.
Tabelul 1.8 Rearanjarea rangurilor n vederea calculului S
+

Numr elev 7 2 1 3 8 4 6 5
Calificativ romn 1 NS 2 S 2 S 3 B 3 B 4 FB 4 FB 5 E
Poziie 1 2 3 4 5 6 7 8
Rang romn 1 2,5 2,5 4,5 4,5 6,5 6,5 8
Calificativ chimie 2 S 1 NS 3 B 3 B 4 FB 2 S 3 B 4 FB
Rang chimie 2,5 1 5 5 7,5 2,5 5 7,5


33

Suma S
+
se va calcula innd cont doar de rangurile celei de-a doua
variabile, n cazul nostru, chimia. Din tabelul 1.8 observm c apare de dou
ori rangul 2,5, de trei ori rangul 5 i de 2 ori rangul 7,5. Numrul de legturi
ambiverte (A
y
) va fi, prin urmare,
)
(
) , deoarece avem dou legturi cu 2 elemente i o singur

legtur cu 3 elemente.
Perechile de inversiuni n variabila chimie vor fi (2,5 1), (5 2,5),
(5 2,5), (7,5 2,5), (7,5 5), (5 7,5), vorbind, astfel, de un numr de 6
inversiuni. Cu toate aceste elemente putem acum calcula suma S
+
, aplicnd
formula de mai sus i obinem valoarea 11.
)

Calcului sumei S
-
se face n mod similar, singura diferen este c la
ranguri egale ale primei variabile, elementele celei de-a doua variabile se
ordoneaz descresctor, obinndu-se irul Y
-
, restul algoritmului rmnnd
neschimbat.
Fiind acelai numr de ranguri egale n cea de-a doua variabil, indi-
cele legturilor ambiverte nu se schimb. Se modific doar numrul de inver-
siuni n acest caz, astfel (2,5 1), (5 1), (5 2,5), (7,5 5), (7,5 5), (7,5
2,5), (5 2,5), (5 2,5), rezultnd un numr de 8 inversiuni. nlocuind n
formul, vom avea S
-
n valoare de 7.
Tabelul 1.9 Rearanjarea rangurilor n vederea calculului S
-

Numr elev 7 1 2 8 3 6 7 5
Calificativ romn 1 NS 2 S 2 S 3 B 3 B 4 FB 4 FB 5 E
Poziie 1 2 3 4 5 6 7 8
Rang romn 1 2,5 2,5 4,5 4,5 6,5 6,5 8
Calificativ chimie 2 S 3 B 1 NS 4 FB 3 B 3 B 2 S 4 FB
Rang chimie 2,5 5 1 7,5 5 5 2,5 7,5

34

)
Avnd valorile pentru S+ i S-, putem acum calcula suma lui Kendall

Pentru a putea calcula S
max
,va trebui s aflm doar numrul de leg-
turi ambiverte din prima variabil (A
x
), n cazul nostru limba romn. Avem
trei legturi de cte 2 elemente, 2,5 4,5 i 6,5. tim acum formula de calcul i
putem afla uor aceast valoare.
)
Nu ne rmne dect s completm formula de calcul i obinem valoarea
23,97.
) (

) (

)

Coeficientul de corelaie Kendall, n acest caz ca raport al celor dou
sume, devine
.
Se pare c v-ai obinuit cu mai puine calcule n lucrarea anterioar.
Aceasta este situaia. n definitiv, am trecut la stabilirea relaiilor dintre vari-
abile, nu mai lucrm cu una, ci cu dou variabile n acelai timp i este nor-
mal s se complice puin i calculele. Din fericire, avei ceva mai mult de
adunat, sczut sau nmulit iar formulele v pot speria doar la prima vedere.
n definitiv, algoritmii de calcul sunt destul de simpli. Singura problem este
aceea c la un numr mare de subieci trebuie s fii extrem de ateni, altfel v
putei ncurca uor. Bine c avem, ns, computerele care ne scot din impas.
Imaginai-v doar cum lucrau cercettorii prin anii `30 ai secolului XX i vei
putea nelege ce norocoi suntem noi acum.

35

Acest coeficient de corelaie se poate utiliza n condiiile n care am-
bele variabile sunt ordinale sau o variabil este ordinal, iar cealalt este sca-
lar.
I.1.2.1 Semnificaia coeficientului Kendall
Care este semnificaia coeficientului de corelaie Kendall? Deoarece
acest coeficient se bazeaz practic pe numrarea perechilor diferite provenite
din dou iruri ordonate de date, ea nu reprezint altceva dect o diferen
dintre probabilitatea elementelor de a fi n aceeai ordine i probabilitatea
elementelor de a fi ntr-o alt ordine (Kenny, 1987).
Coeficientul Kendall este un coeficient direcional, avnd aceeai
semnificaie interpretativ ca i coeficientul Spearman. n anexa 2 am fur-
nizat tabelele de referin ale valorilor acestui coeficient pentru diferite pra-
guri de semnificaie.
Deoarece la valori mari ale numrului de subieci, distribuia Ken-
dall se apropie de distribuia normal, este posibil, atunci cnd numrul de
subieci este mai mare de 30, s se calculeze statistica z pentru coeficientul
de corelaie Kendall, dup formula urmtoare:
(formula 1.11)
Dac am obine un coeficient de corelaie Kendall de 0,42 pe un
numr de 34 de subieci, atunci statistica z a acestui coeficient devine 5,25,
valoare puternic semnificativ ce indic legtura dintre cele dou variabile
analizate.


36

Statistica z a coeficientului de corelaie Kendall se raporteaz la dis-
tribuia z, pe baza tabelelor de distribuie z prezentate n anexa 8.
I.1.3 Coeficientul de contingen
2
(chi ptrat)
Este greu de definit
2
. A fost conceput de Pearson i putem afirma,
fr s ne nelm prea tare, c statisticile neparametrice ncep i se termin
cu
2
, att de mare este importana acestui indicator utilizat n studii corelai-
onale i factoriale cu date nominale. Rolul su este esenial n analiza datelor
nominale, coeficientul putnd fi folosit n stabilirea relaiilor dintre dou va-
riabile dihotomice, ale unei variabile dihotomice cu una nominal, i ale celor
n care intervin o variabil nominal i una ordinal, sau o variabil nominal
i una scalar. Practic, atunci cnd avem de a face cu o variabil nominal,
cel mai pertinent indicator este acest
2
.
2
este un coeficient de asociere ntre dou variabile nominale. El m-
soar gradul de contingen al celor dou variabile, verificnd dac sunt sau
nu sunt asociate n vreun fel. n realitate, acest coeficient pare mai degrab un
test statistic dect un indicator al gradului de asociere. Spre exemplu, avem o
cercetare n care dorim s stabilim n ce msur se asociaz genul biologic al
unor subieci i calitatea de fumtor. Suntem n situaia unei variabile nomi-
nale i a unei variabile dihotomice. n acest caz vom utiliza aa-numitele ta-
bele de contingen, pe baza crora vom calcula
2
.
Tabelul 1.10 Tabelul de contingen cu frecvenele estimate pentru
2

Calitate fumtor

Da Nu
Gen biologic
Brbai
35
(27,87)
64
(71,12)
Brbai
99
Femei
23
(30,12)
84
(76,87)
Femei
107

Fumtori
58
Nefumtori
148
Total
206


37

La aceast cercetare au participat un numr de 206 persoane, 99 br-
bai i 107 femei. Dintre acetia, 58 sunt fumtori, iar 148 nefumtori.
Ipoteza nul de la care pleac
2
este aceea conform creia nu exist
nicio asociere ntre aceste dou variabile. Cu alte cuvinte, frecvenele de apa-
riie ale cazurilor nu sunt diferite de situaia n care toate cele patru variante
ar avea o frecven de apariie teoretic (frecvena corespunztoare situaiei
n care cele dou variabile ar fi independente). Datorit acestui fapt, atunci
cnd lucrm cu
2
, ne putem exprima n frecvene relative sau n frecvene
absolute. Ideea testului
2
este aceea a comparrii acestor frecvene observate
cu situaia n care celulele ar avea frecvenele teoretice estimate, prin frecven-
e teoretice estimate nelegnd frecvenele pentru cazul n care cele dou
variabile ar fi independente. Dac diferenele ntre frecvenele observate i
cele estimate (teoretice) sunt mari, atunci vorbim de un
2
semnificativ, fapt
care indic existena unei asocieri ntre cele dou variabile. Dar cum se obi-
ne practic acest lucru? Primul pas este acela al calculrii frecvenelor estimate
pentru fiecare dintre cele patru celule care ne intereseaz. Acest lucru se face
foarte simplu pe baza formulei:
(formula 1.12)
Pentru prima coloan (brbai fumtori) vom avea o frecven estima-
t de
. Pentru brbai nefumtori avem
, pentru femeile fumtoare frecvena ateptat devine
, iar pentru femeile nefumtoare vom avea
.
Odat stabilite frecvenele teoretice (estimate), urmeaz calcularea
coeficientului
2
. La acest nivel putem distinge dou situaii.
n cazul n care cel puin una dintre cele dou variabile are mai
mult de dou categorii (de exemplu o variabil de tipul ocupa-

38

iei cu variantele muncitor, maistru i inginer), se aplic for-
mula general a coeficientului
2
.
(formula 1.13)
Dac cele dou variabile au exact cte dou categorii fiecare,
atunci se aplic o formul de corecie pentru continuitate.
(formula 1.14)
Noi ne aflm n cea de-a doua situaie, astfel nct vom aplica, pentru
fiecare dintre cele patru celule, formula corectat i vom obine valoarea 4,2
pentru coeficientul de contingen
2
.
| |
| |
| |
| |

Ce facem acum cu acest coeficient obinut? Va trebui s-l verificm la
un prag de semnificaie stabilit, pentru a vedea dac putem sau nu respinge
ipoteza nul. Dar nainte de aceasta vom stabili gradele de libertate. tiu c
nu avei o idee prea clar referitoare la acest concept. Avei rbdare, o vom
discuta imediat. n cazul nostru, gradele de libertate se calculeaz nmulind
numrul categoriilor fiecrei variabile din care se scade unu. Adic,
df=(Cat
X
-1)(Cat
Y
-1). Noi avem dou variabile cu dou categorii i rezult (2-
1)(2-1)=1 grad de libertate. n acest moment avem toate informaiile pentru a
stabili dac acest coeficient de contingen este sau nu este semnificativ.

39

Coeficientul de contingen
2
, dup cum ai putut constata, este sim-
plu de neles i de calculat. De aceea, voi risca s abordez, n cele ce ur-
meaz, o perspectiv ceva mai matematizat asupra datelor neparametrice,
deoarece un stil asemntor l putei ntlni n cele mai multe lucrri din acest
domeniu.
Tabelele de contingen (asociere) sunt intens folosite atunci cnd lu-
crm cu date discrete. n momentul n care reprezentm, folosind un aseme-
nea tabel, doar dou variabile, vorbim de tabele de contingen bidimensio-
nale, deoarece exist posibilitatea reprezentrii mai multor variabile n ace-
lai tabel, caz n care ne vom referi la tabele de contingen multidimensio-
nale.
n tabelul 1.11 v-am furnizat reprezentarea general a unui tabel de
contingen bidimensional. Putem observa c variabila X are un numr de i
categorii (unde, spre exemplu, i poate fi 2, n cazul variabilei sex masculin
i feminin, ori 4 n cazul culorii ochilor albastru, verde, negru, cprui), iar
variabila Y are un numr de j categorii. Prin nsumarea datelor, la nivelul
fiecrei categorii, obinem un nou tip de rubric, numit seciunea datelor
marginale. Coloana Total X, respectiv linia Total Y se refer exact la
acest tip de date.
Tabelul 1.11 Reprezentarea general a unui tabel de contingen bidimensional

Variabila Y
Categorie 1 Categorie 2 Categorie j Total X
Variabila
X
Categorie 1
n
11
e
11

n
12
e
12

n
1j
e
1j

n
X1
e
X1

Categorie 2
n
21
e
21

n
22
e
22

n
2j
e
2j

n
X2
e
X1

.
.
.
.
.
.

.
.
.
.
Categorie i
n
i1
e
i1

n
i2
e
i2

n
ij
e
ij

n
Xi
e
X1

Total Y
n
Y1
e
Y1
n
Y2
e
Y2

n
Yj
e
Yj

n
e

40

Numrul de cazuri din fiecare categorie l notm, aa cum tim deja,
cu litera n, creia i se adaug indici artnd numrul liniei i numrul coloa-
nei. Astfel, subiecii din categoria 1 pentru variabila X i categoria 1 pentru
variabila Y, se noteaz cu n
11
(spre exemplu, brbaii cu ochi albatri). Sub-
iecii din categoria 2 pentru variabila X i din categoria 1 pentru variabila Y
se noteaz cu n
21
(de exemplu femeile cu ochi albatri) i aa mai departe.
Generaliznd parial, vom spune c subiecii din categoria 1 pentru variabila
X i din categoria j pentru variabila Y se noteaz n
1j
; similar, subiecii din
categoria 1 pentru variabila Y i din categoria i pentru variabila X se noteaz
n
i1
. nelegnd acest stil de notare, vom spune c numrul de subieci din ca-
tegoria i n cazul variabilei X i din categoria j n cazul variabilei Y se poate
nota n
ij
.
Rezultatele marginale urmeaz aceeai logic. Toi subiecii aflai n
categoria 1 a variabilei X sunt reprezentai de n
X1
(de exemplu, toi brbaii,
indiferent de culoarea ochilor). Toi subiecii aflai n categoria 1 a variabilei
Y sunt reprezentai de n
Y1
(de exemplu, toi subiecii cu ochi albatri, indi-
ferent de sex). n general, toi subiecii din categoria i a unei variabile i din
categoria j a celeilalte variabile sunt reprezentai de n
ij
.
Referindu-de strict la
2
, putem raiona n acelai mod atunci cnd
vorbim despre frecvenele estimate, notate n cazul nostru cu e. Nu vom deta-
lia raionamentul, v lsm pe dumneavoastr s o facei.
Cunoscnd toate aceste date, s revedem formula pentru
2
, n condiii
de maxim generalitate. V reamintim formula iniial, apoi vom proceda la
deducerea noii formule.
(formula 1.15)

41

Nu s-a schimbat nimic n logica aplicrii formulei. S-a schimbat doar
notaia i modul n care s-au abstractizat conceptele. Formula 1.15 este vala-
bil doar dac cel puin una dintre variabile are mai mult de dou categorii.
Desigur, intuiesc ntrebarea care v vine n minte n acest moment.
Probabil c v gndii la ce folosete complicarea lucrurilor. Nu era suficient
o singur formul? Nu ajunge prezentarea modalitii efective de calcul? De
ce avem nevoie de formule generalizate i alte asemenea lucruri care in mai
mult de o abordare matematic? Rspunsul comport o serie de aspecte. n
primul rnd, formule de acest tip, i altele, mult mai complexe, gsii n lu-
crri de specialitate, comunicri tiinifice i articole. Este bine s le putei
nelege i s putei lucra cu ele. n al doilea rnd, cel mai probabil c n cari-
er vei fi pus n situaia de a redacta un articol tiinific. Normele de accepta-
re i de publicare ale unor asemenea lucrri impun prezentarea formulelor
generalizate, folosindu-se notaii universale. n al treilea rnd, v dezvoltai,
pas cu pas, gndirea matematic i v familiarizai cu limbajul. Vrem nu
vrem, statistica este totui o ramur a matematicii, iar noi nu putem face abs-
tracie de acest lucru.
I.1.3.1 Semnificaia coeficientului de contingen
2

Acest coeficient este unul nedirecional i dimensional; nu putem
compara acest coeficient cu ali coeficieni de asociere. Aceast ultim situa-
ie creeaz probleme n interpretare, probleme legate de magnitudinea asocie-
rii dintre cele dou variabile.
Dup stabilirea gradelor de libertate, comparm coeficientul obinut
cu valoarea de referin a distribuiei
2
pentru numrul de grade de libertate
gsit. Tabelul distribuiei
2
pentru diferite grade de libertate este prezentat n
anexa 3.
n cazul nostru, avem o valoare
2
de 4,2 la un numr de 1 grade de li-
bertate. Parcurgnd prima linie, corespunztoare unui singur grad de libertate,

42

observm c acest coeficient este semnificativ la un prag de semnificaie mai
mic de 0,05, deoarece valoarea este mai mare de 3,84146, valoarea de refe-
rin pentru acest prag. Coeficientul nu este semnificativ la un prag de semni-
ficaie mai mic de 0,02 sau mai mic de 0,01, deoarece 4,2, pe care l-am obi-
nut, este mai mic dect valoarea de referin pentru pragul de semnificaie
0,02 sau 0,01 (5,02389, respectiv 6,63490). Nu putem deocamdat spune care
este intensitatea, magnitudinea acestei asocieri, din motivele expuse mai sus.
2
permite doar identificarea unei contingene
ntre variabile. Nu putem fi siguri, ns, de intensitatea acesteia.
Observm c acest coeficient este sensibil la mrimea lotului de cer-
cetare. Dac lotul de cercetare este prea mic,
2
va fi supraestimat; dac lotul
de cercetare este prea mare,
2
poate fi subestimat. Va fi necesar, aadar,
gsirea unei soluii de standardizare, soluie prin care s evitm aceste supra
sau subestimri i s gsim magnitudinea contingenei. Pentru a se elimina
aceste dezavantaje, au fost calculai ali coeficieni derivai din
2
, i anume
coeficientul de asociere , coeficientul V Cramer, coeficientul de contingen
(cc) i alii.
I.1.4 Coeficientul de asociere (phi), coeficientul V Cramer
i coeficientul de contingen (cc), derivai din
2

Coeficientul de asociere este un coeficient foarte simplu, derivat
din
2
i se calculeaz pentru dou variabile dihotomice, care nregistreaz, n
special, prezena sau absena unei caracteristici. Dac ne intereseaz relaia
dintre ochii albatri i prul blond, vom putea concepe dou variabile prin
care s stocm prezena i absena ochilor albatri, respectiv prezena i ab-
sena prului blond. Evident, ambele variabile sunt la un nivel nominal de
msur, i se bazeaz pe un tip special de distribuie discret, astfel nct coe-
ficientul este un coeficient ce lucreaz cu frecvene absolute sau relative.
La modul general, tabelul de lucru se prezint sub forma unei structuri
cu 4 celule.

43

Tabelul 1.12 Schema general de calcul a coeficientului

Variabila X
Prezen X Absen X
Variabila Y
Prezen Y
Prezent X
Prezent Y
Absent X
Prezent Y
Absen Y
Prezent X
Absent Y
Absent X
Absent Y

n calculul acestui coeficient suntem interesai doar de cteva cazuri:
cazul n care sunt prezente caracteristicile pentru ambele variabile (celula
Prezent X i Prezent Y), cazul n care este prezent doar variabila X (suma
celulelor Prezent X, Prezent Y i Prezent X, Absent Y) i cazul n care este
prezent doar variabila Y (suma celulelor Prezent X, Prezent Y i Absent X,
Prezent Y). Formula de calcul a acestui coeficient este:

(formula 1.16)
Aceast formul nu este, practic, altceva dect rdcina ptrat din ra-
portul dintre
2
i numrul de cazuri. Putem spune c
.
S relum exemplul legturii dintre prezena prului blond i prezena
ochilor albatri.
Tabelul 1.13 Coeficientul pentru relaia dintre prul blond i ochii
albatri

Ochi albatri
Da Nu
Pr blond
Da
Blond cu ochi
albatri
(n=80)
Blond fr ochi
albatri
(n=54)
Total blonzi
(80+54)
(n=134)
Nu
Fr blond cu
ochi albatri
(n=33)
Fr blond, fr
ochi albatri
(n=48)

Total albatri
(80+33)
(n=113)


44

Avem urmtoarele date: un numr de 80 de blonzi cu ochi albatri
(P
XY
), un numr total de 134 de blonzi (P
X
) i un numr total de 113 persoane
cu ochi albatri (P
Y
). Sigur c posedm toate datele necesare pentru a calcula
coeficientul . Putem nlocui n formul aceste frecvene absolute sau putem
converti frecvenele absolute n proporii, pentru evitarea numerelor kilome-
trice. n definitiv, rezultatul va fi acelai. La cercetarea noastr au participat
un numr de 80+54+33+48=215 persoane. Proporia blonzilor cu ochi alba-
tri este P
XY
=80/215=0,37, proporia blonzilor P
X
=134/215=0,62 i proporia
celor cu ochi albatri este de P
Y
=113/215=0,52. Aceste date pot fi acum in-
troduse n formul, obinndu-se valoarea 0,21 pentru coeficientul de corela-
ie .

Acest coeficient de corelaie se folosete doar ntr-un singur caz, res-
pectiv cel n care ambele variabile sunt dihotomice. n cazul n care una din-
tre variabile nu mai este dihotomic, acest coeficient devine nerelevant.
Pearson, autorul acestui coeficient, a sesizat aceast dificultate n uti-
lizarea lui; dac dimensiunea tabelului de contingen crete (dac una dintre
variabile nu mai este dihotomic), amplitudinea acestui coeficient crete i ea
(Liebetrau, 1983). Pentru a contracara acest efect, s-a propus o variant ajus-
tat, numit ajustarea Sakoda, rezultnd coeficientul de contingen Pearson.
Coeficientul de contingen Pearson reprezint o alt variant deri-
vat din
2
, de fapt fiind vorba despre coeficientul ajustat, i se calculeaz
n baza formulei urmtoare:

(formula 1.17)

45

Nu intrm n detalii legate de acest coeficient, simplitatea lui exclu-
znd orice fel de comentarii. Vom nlocui doar n formul datele utilizate n
exemplul anterior.

Coeficientul de contingen nu este altceva dect o form ajustat a
coeficientului de asociere , putnd fi utilizat pentru orice tip de variabile
neparametrice. Dac nu m credei, aplicai a doua formul a coeficientului
de asociere , bazat pe valoarea lui
2
, i vei obine acelai rezultat.
Coeficientul de contingen Tschuprow se noteaz cu t (nu este ace-
lai lucru cu testul de diferen semnificativ ntre mediile eantioanelor,
Student t) i are, la baz, de aceast dat, coeficientul .
A fost propus n anul 1919 de ctre matematicianul rus Alexander
Alexandrovici Tschuprow, formula de calcul fiind:

(formula 1.18)
Acest coeficient ine seama doar de numrul de categorii din cadrul
fiecrei variabile i de valoarea lui , fiind vorba, de fapt, de o ajustare a
acestui coeficient, similar celei efectuate de Pearson.
Dac relum exemplul relaiei dintre ochii albatri i prul blond, n
care am obinut =0,21, observm c fiecare variabil are doar dou catego-
rii. n acest caz, coeficientul de contingen Tschuprow devine:

Desigur, am obinut valoarea iniial a coeficientului . n realitate,
acest coeficient ajusteaz valoarea lui n condiiile n care cel puin una

46

dintre variabile prezint mai mult de dou categorii, fiind o versiune mai pre-
cis a coeficientului de contingen Pearson.
Coeficientul de asociere v Cramer se folosete n cazul n care cel
puin una dintre variabile are mai mult de dou modaliti de realizare i poa-
te fi definit dup formula urmtoare:

(formula 1.19)
unde l reprezint minimum dintre numrul liniilor i numrul coloa-
nelor, iar n numrul subiecilor.
Dac o variabil are 3 categorii i una 2 categorii, atunci l va lua va-
loarea 2, valoarea variabilei cu cele mai puine categorii.
Relund exemplul utilizat la analiza coeficientului ce contingen
2
,
am avut fumtorii i genul biologic, variabile cu dou categorii fiecare, deci l
va avea valoarea 2. n acelai timp, numrul total a fost de 206 subieci pen-
tru care am obinut valoarea 4,2 pentru
2
. nlocuind n formul, obinem 0,14
valoarea coeficientului de asociere v Cramer.

I.1.4.1 Semnificaia coeficienilor de asociere
Aceti coeficieni de asociere au fost stabilii n ideea compensrii
dezavantajelor coeficientului de contingen
2
. Prin urmare, toate interpret-
rile legate de semnificaia acestora se bazeaz pe interpretarea coeficientului
2
, de aceea nu vom intra n detalii. Practic, nti se interpreteaz semnificaia
lui
2
la un prag de semnificaie stabilit i apoi intensitatea asocierii n baza
unuia dintre coeficieni.

47

Dac lum exemplul coeficientului de contingen, acesta are valoarea
0,14. Am artat deja c aceast valoare este semnificativ la un prag de sem-
nificaie mai mic de 0,05 (
2
avea valoarea 4,2; pragul de semnificaie la un
numr de 1 grade de libertate fiind mai mic de 0,05). Din coeficientul de con-
tingen putem deduce faptul c asocierea dintre cele dou variabile este sla-
b (vom vedea imediat ce nseamn acest lucru), ns semnificativ. Iat c
pe baza acestor coeficieni derivai, putem stabili acum i intensitatea contin-
genei.
Toi coeficienii sunt nedirecionali. Aceasta nseamn c pot lua va-
lori cuprinse ntre 0 i 1, unde apropierea de zero indic lipsa asocierii dintre
variabile, iar valorile apropiate de 1 arat puterea asocierii acestora.
O singur observaie se mai impune la acest capitol. M vei ntreba,
desigur, cum stabilesc semnificaia pentru coeficientul , dac aplic direct
prima formul de calcul, fr s mai ajung la
2
? Nu ntmpltor am dat a
doua formul. Dac tii puin matematic, vei descoperi c:

Putem, practic, extrage valoarea lui
2
, dac tim numrul de subieci
i valoarea lui . n exemplul nostru, avea valoarea 0,21, cercetare realizat
pe 215 persoane. Atunci
. Fiind un
singur grad de libertate, observm c aceast valoare este semnificativ, la un
prag de semnificaie mai mic de 0,01. Putem spune c exist o asociere slab
ntre prul blond i ochii albatri. Adic, n majoritatea cazurilor, persoanele
cu pr blond au i ochii albatri, restul situaiilor fiind excepii.

48

I.1.5 Coeficientul de asociere (lambda) Goodman i
Kruskal
Coeficientul a fost stabilit de Goodman i Kruskal, prin anul 1980,
alturi de un alt coeficient similar, coeficientul de asociere Goodman i
Kruskal, pe care nu-l vom aborda n aceast lucrare, deoarece se refer apro-
ximativ la acelai lucru. Se calculeaz n situaia asocierii unei variabile no-
minale cu o variabil dihotomic, cu o alt variabil nominal, cu o variabil
ordinal sau cu o variabil scalar, n condiiile n care aceasta este grupat n
clase.
Practic, acest coeficient se refer la cantitatea de cunotine cuprins
ntr-o variabil, ce poate acoperi informaiile din cealalt variabil. Sau, cu
alte cuvinte, avnd o anumit cantitate de informaie n variabila X, ct din
variabila Y putem prezice? Formula de calcul este urmtoarea:

)
(formula 1.20)
unde n
Mi
este cea mai mare frecven de pe rndul i i Max(C
j
) este
frecvena cea mai mare dintre frecvenele coloanelor, iar n se refer la nu-
mrul subiecilor.
tii ce m bucur acum cel mai tare? Faptul c nu v mai speriai de
formule. Ai observat c ele devin din ce n ce mai stufoase i, totui, n reali-
tate, aplicarea lor este foarte simpl. S lum un nou exemplu. Presupunem
c am desfurat o cercetare n cadrul creia dorim s studiem asocierea ntre
dou variabile: preferina pentru un partid politic (1 PSD; 2 PNL; 3
PDL; 4 PC i 5 PRM) i nivelul de stres al subiecilor pe o scal Likert de
la 1 la 5 (1 Foarte slab; 2 Slab; 3 Mediu; 4 Ridicat; 5 Foarte ridicat).
Suntem n situaia asocierii dintre o variabil nominal (preferina pentru
partide) i o variabil ordinal (nivelul de stres). Vom construi tabelul de
contingen pentru cele dou variabile.

49

Structura tabelului este clar. Dintre cei care prefer PSD, 12 persoa-
ne au un nivel de stres foarte sczut, 9 un nivel de stres sczut, 7 un nivel de
stres mediu, 4 ridicat i o persoan prezint nivelul stresului foarte ridicat.
Situaia este analog n cazul celorlalte partide.
Avem partidele afiate pe linii i nivelul de stres pe coloane. n primul
rnd, va trebui s stabilim, pentru fiecare linie, celula cu frecvena cea mai
mare. Pentru PSD, categoria cu frecvena cea mai mare este reprezentat de
nivelul de stres foarte sczut (12 persoane). Pentru PNL ntlnim categoria cu
nivelul de stres sczut (45 de persoane), pentru PDL nivelul de stres mediu
(42 de persoane), pentru PC tot nivelul de stres mediu (10 persoane), iar pen-
tru PRM nivelul de stres sczut (5 persoane).
Efectum acum totalul pe coloane. n mod clar, categoria cu frecvena
cea mai mare este cea a stresului sczut (82 de persoane), n timp ce numrul
total de participani la studiu a fost de 244 de persoane. n acest moment,
informaiile sunt suficiente pentru a putea completa formula.

Am obinut acum valoarea 0,19 pentru acest coeficient, valoare pe ca-
re o vom analiza din punctul de vedere al semnificaiei.
Tabelul 1.14 Tabelul de contingen pentru calculul coeficientului

Nivelul de stres
1
Foarte
sczut
2
Sczut
3
Mediu
4
Ridicat
5
Foarte
ridicat
Partidul
1 PSD 12 9 7 4 1
2 PNL 8 45 21 6 5
3 PDL 7 19 42 13 1
4 PC 8 4 10 7 3
5 - PRM 1 5 1 3 2
Total coloane 36 82 81 33 12

50

I.1.5.1 Semnificaia coeficientului
Coeficientul este un alt coeficient nedirecional. Aceasta nseamn
c poate lua valori ntre 0 i 1, unde apropierile de zero ne arat c informaii-
le coninute ntr-o variabil nu pot prezice cealalt variabil, variabilele nea-
vnd nimic n comun, iar apropierile de 1 sunt semnificative pentru gradul de
predicie a evoluiei unei variabile, n baza informaiilor coninute n cealalt
variabil.
Analiza semnificaiei acestui coeficient se face n baza statisticilor z,
iar valorile vor fi raportate la distribuia z. Prin urmare, va trebui s definim
formula de calcul pentru statistica z a coeficientului i apoi s comparm
aceast valoare cu valorile de referin z la diferite praguri de semnificaie.
Pentru a v reaminti de semnificaia notelor z, parcurgei capitolul referitor la
distribuia normal din lucrarea anterioar. Formula de transformare a coefi-
cientului n statistica z este urmtoarea:
(formula 1.21)
unde
ref
nseamn valoarea de referin , iar s
reprezint valoarea
varianei acestui coeficient.
Deoarece acest coeficient msoar ct dintr-o variabil se poate gsi
ntr-o alt variabil, valoarea de referin se exprim sub form de proporii.
Dac presupunem c nivelul de stres influeneaz preferinele pentru partide-
le politice, sau cu alte cuvinte putem prezice preferina pentru partide n baza
analizei nivelului de stres, atunci plecm de la o baz, de la o referin, n
care presupunem, de exemplu, c 10% din nivelul de stres poate prezice pre-
ferina pentru partide. Aceast valoare de referin este aleas n funcie de
necesitile cercetrii. Soluia pesimist este aceea conform creia valoarea
de referin se apropie de zero. Altfel spus, nu avem niciun motiv s presu-
punem c cele dou variabile sunt legate n vreun fel. n acest caz, vom alege

51

valori mici de referin, de 10%, 5%, 3% sau 1%. Exprimat sub form de
proporii, valori de 0,10, 0,05, 0,03 sau 0,01 pentru
ref
.
Dac avem motive suficiente s credem c exist legturi ntre cele
dou variabile, atunci putem aborda soluii optimiste, n sensul c vom consi-
dera o mare parte dintre informaiile unei variabile ca fiind dependente de
informaiile din cealalt variabil. n acest sens, putem alege valori de 50%,
60%, 70% pentru
ref
.
Nu exist o regul de atribuire n acest sens. Personal, v recomand s
fii sceptici i s nu considerai valori mai mari de 0,10 0,15 pentru
ref
.
Evident, cu ct valorile lui
ref
se apropie cu zero, cu att legtura trebuie s
fie mai puternic pentru a fi semnificativ.
n exemplul nostru, am plecat de la presupunerea c doar 10% din ni-
velul de stres poate determina preferine pentru un anumit partid politic. Va-
loarea pentru
ref
va fi, aadar, 0,10 i vom analiza dac la acest nivel putem
vorbi despre o legtur semnificativ.
Urmtorul aspect din formula 1.21 se refer la variana coeficientului
. Aceast varian poate fi calculat n baza relaiei urmtoare:
)(
)
((
))
(formula 1.22)
unde n
Mi
este cea mai mare frecven de pe rndul i, Max(C
j
) cea mai
mare frecven dintre frecvenele calculate pe coloane i
este suma
tuturor frecvenelor maxime asociate coloanei cu frecvena cea mai mare, m
reprezentnd numrul de rnduri.
Aceasta este chiar complicat, nu-i aa? Oare cum o calculm? Poate
v gndii s o nvai pe de rost pentru examene. Sau poate o memorai s
impresionai prietenul ori prietena. Nu are rost. n condiii de examen, ar tre-
bui s vi se dea formula, iar dumneavoastr s tii s o aplicai. Pentru prie-

52

ten ori prieten, cred c putei s impresionai i altfel. Dac vei scrie formu-
la asta ntr-o scrisoare de amor, n mod sigur nu vei reui dect s ndeprtai
partenerul. Haidei totui s vedem ce ne cere formula i dac e att de com-
plicat calculul. Vom relua tabelul de contingen.
Numrul total de persoane este 244. l avem, aadar, pe n. Suma celor
mai mari frecvene de pe rnduri o tim deja. Este 114 i nu reprezint altce-
va dect valoarea
. Cea mai mare frecven dintre frecvenele calcu-

late pe coloane este situat n a doua coloan i are valoarea 82. Iat c avem
i rezultatul pentru (
).
Ce trebuie s mai facem? Trebuie s calculm suma tuturor frecvene-
lor maxime asociate coloanei cu frecvena cea mai mare. Am stabilit deja
care este aceasta. Este a doua coloan. Care sunt frecvenele maxime din
aceast coloan? Pe primul rnd avem frecvena 9, pe al doilea rnd frecvena
45, pe al treilea rnd frecvena 19, pe al patrulea rnd frecvena 4 i pe al cin-
cilea rnd frecvena 5. Care este frecvena cea mai mare? Evident, cea de pe
al doilea rnd, frecvena 45. Mai vedei i alte cifre de 45 acolo? Nu. Ei bine,
aceasta este i suma mult cutat. Dac aveai 45 pe rndul 2 i 45 pe rndul
4, atunci suma frecvenelor maxime ar fi fost 90 (45+45). n cazul nostru,
avem o singur frecven maxim, 45, i aceea reprezint valoarea pentru

. Relaxai-v. V-am spus c formulele mai mult sperie prin aspect


Nivelul de stres
1
Foarte
sczut
2
Sczut
3
Mediu
4
Ridicat
5
Foarte
ridicat
Partidul
1 PSD 12 9 7 4 1
2 PNL 8 45 21 6 5
3 PDL 7 19 42 13 1
4 PC 8 4 10 7 3
5 - PRM 1 5 1 3 2
Total coloane 36 82 81 33 12

53

dect prin modalitatea de calcul. Acum haidei s nlocuim i s gsim vari-
ana coeficientului .
)(
)
( (
))

Am gsit variana coeficientului. Nu trebuie dect s calculm statisti-
ca z dup formula de mai sus i obinem scorul z de 1,5.

Acest scor l vom compara cu valoarea de referin z pentru pragul de
semnificaie ales. Pentru un prag de semnificaie de 0,05, valoarea z este de
1,96. Valoarea noastr (1,5) este mai mic dect valoarea prag. Prin urmare,
nu exist nicio legtur ntre nivelul de stres i preferina pentru partide poli-
tice, n condiiile n care 10% dintr-o variabil ar explica cealalt variabil.
Drept exerciiu, calculai valoarea z pentru situaia n care presupu-
nem c 50% din preferina pentru partide politice este influenat de nivelul
de stres. Este aceast legtur semnificativ sau nu? Argumentai.
I.1.6 Coeficientul de asociere (gamma)
Un alt coeficient de asociere este coeficientul de asociere Goodman
Kruskal. La fel ca i coeficientul de corelaie a rangurilor Kendall, i acest
coeficient se bazeaz pe numrul de inversiuni i proversiuni, adic pe num-
rul de perechi concordante i discordante. Coeficientul se calculeaz foarte
simplu pe baza formulei:

54

(formula 1.23)
n care P
c
reprezint numrul perechilor concordante, iar P
d
numrul
perechilor discordante.
Vom considera un exemplu, astfel nct s lmurim rapid bazele aces-
tui coeficient. S presupunem c efectum un studiu n mai multe orae, pen-
tru a vedea dac exist o legtur ntre nivelul intelectual al primarilor i m-
rimea oraelor. Cele dou variabile au fost operaionalizate astfel: oraele pot
fi considerate orae mici, medii i mari n funcie de numrul de locuitori,
iar nivelul intelectual al primarilor poate fi considerat superior sau inferior.
Ambele variabile se afl la un nivel ordinal de msur i pot fi ierarhizate.
Menionez faptul c toate datele din lucrri sunt date fictive i nu au
nicio legtur cu fapte sau persoane reale. De aceea, nimeni nu are niciun
motiv s se simt lezat n vreun fel. Exemplele au fost alese astfel nct s se
refere la fapte sociale de actualitate, n vederea unei nsuiri mai bune a in-
formaiei. Fac aceast precizare deoarece mi s-a sugerat c prin demersul
meu mi exprim preferine politice sau de alt natur. Departe de mine acest
gnd. Nu intenionez dect s redactez o lucrare pe nelesul tuturor, indife-
rent de specificul formrii iniiale umanist sau realist. i, ca s folosesc un
stereotip verbal, orice asemnare cu realitatea este pur ntmpltoare. Cine se
simte lezat de aceste exemple, l asigur c nu a fost intenia mea, iar concluzi-
ile care decurg sunt rezultatul unor date absolut fictive i nu au nicio legtur
cu vreo realitate politic, economic sau social.

Dimensiune ora
Mic Mediu Mare
Intelect
primari
Superior
A
10
B
15
C
20
Inferior
D
10
E
5
F
3


55

Acum s revenim. Convenim s reprezentm rezultatul acestei cerce-
tri sub forma unui nou tabel de contingen.
Avem 10 primari cu un intelect superior n oraele mici, 15 n oraele
medii i 20 n oraele mari. De asemenea, avem 10 primari cu un intelect
inferior n oraele mici, 5 n oraele medii i 3 n oraele mari. n total cerce-
tarea a cuprins un numr de 63 de orae. Cum calculm perechile? V voi
prezenta o procedur foarte simpl, fr a mai intra n detalii matematice,
deoarece acestea implic anumite cunotine de combinatoric. n cazul nos-
tru, perechile reprezint suma produselor nmulirii frecvenei unei celule de
la un nivel superior cu suma frecvenelor celulelor succesive de la un nivel
inferior, datele fiind ordonate ascendent pentru perechile concordante i des-
cendent pentru perechile discordante. Aa-i c nu ai neles nimic? Iat, poa-
te, prima situaie n care lucrurile transpar mult mai clar din formule.
P
c
=A(E+F)+BF; P
d
=C(D+E)+BD
Am notat cu litere mari celulele din tabelul de mai sus. Nu-i aa c
acum lucrurile sunt clare? Avem toate datele necesare. S le nlocuim n for-
mul.

[ ] [ ]
[ ] [ ]

Am obinut valoarea -0,56 pentru coeficientul de asociere . Aceast
valoare va trebui s o analizm apoi din punctul de vedere al semnificaiei.
I.1.6.1 Semnificaia coeficientului
Coeficientul reprezint un raport al diferenelor dintre perechile
concordante i cele discordante, bazat pe numrul total de perechi, fr a se
lua n calcul perechile cu rangurile egale. Coeficientul este un coeficient
direcional i poate lua valori cuprinse ntre -1 i +1, la fel ca i coeficientul
Spearman sau Kendall, avnd aceeai semnificaie. n termenii coeficientu-

56

lui anterior (i aici vorbim de coeficientul propus de aceiai savani), un
coeficient de 0,56 nseamn c avem 56% anse s prezicem o variabil,
cunoscnd rangul (nu valoarea) celeilalte variabile. Analiza semnificaiei
acestui coeficient se face similar coeficientului Kendall.
I.1.7 Coeficientul tetrachoric i polichoric
Coeficientul de corelaie tetrachoric este notat, n general, sub forma
r
tet
, fiind definit de Pearson n anul 1901 i se folosete atunci cnd ambele
variabile sunt dihotomice, la fel ca i coeficientul , ns aceste variabile tre-
buie s provin din variabile continui i normal distribuite (spre exemplu,
prin gruparea vrstei subiecilor n subieci tineri i vrstnici). Dac variabile-
le sunt situate la un nivel ordinal, au mai multe grade de intensitate i pot
respecta caracteristica provenienei din variabile continui, se folosete un alt
coeficient de corelaie, i anume coeficientul polichoric. Ambii coeficieni se
bazeaz pe acelai principiu. Vom relua tabelul explicativ al coeficientului
pentru a stabili formula de calcul n cazul coeficientului de corelaie
tetrachoric.
Tabelul 1.17 Schema general de calcul a coeficientului tetrachoric

Variabila X
Absent X Prezent X
Variabila Y
Prezen Y
Absent X
Prezent Y
A
Prezent X
Prezent Y
B
Absen Y
Absent X
Absent Y
C
Prezent X
Absent Y
D
Formula coeficientului de corelaie tetrachoric se bazeaz pe calculul
cosinusului, dup urmtoarea expresie:
) (formula 1.24)

57

n cadrul acestei formule, coloanele A, B, C, D reprezint proporii i
nu frecvene absolute. Coeficientul este folosit mai ales n situaiile n care se
dorete msurarea gradului de acord ntre doi evaluatori. S presupunem c
doi psihologi evalueaz un lot de subieci n vederea depistrii prezenei sau
absenei anxietii. Rezultatele pot fi sistematizate n tabelul de mai jos:
Tabelul 1.18 Tabelul de calcul a coeficientului tetrachoric

Psiholog X
Absent Prezent
Psiholog Y
Prezent
A
40%
B
10%
Absent
C
20%
D
30%

Analiznd acest tabel, constatm c 40% dintre subieci (n proporie
de 0,4) au fost considerai non-anxioi de psihologul X i anxioi de psiholo-
gul Y situaie de dezacord ntre cei doi -, 20% dintre subieci (n proporie
de 0,2) au fost considerai non-anxioi de ambii psihologi situaie de acord
pe non-anxietate -, 10% dintre subieci (proporie de 0,10) sunt considerai
anxioi de ambii psihologi situaie de acord pe anxietate - i 30% dintre
subieci sunt considerai anxioi de psihologul X i non-anxioi de psihologul
Y din nou situaie de dezacord. Se pune acum problema n ce msur cei
doi psihologi au czut sau nu de acord n privina anxietii subiecilor evalu-
ai. Iat o situaie tipic n care vom folosi coeficientul tetrachoric.
)

Observm, n primul rnd, o corelaie negativ, ceea ce ne duce cu
gndul la un dezacord puternic ntre cei doi psihologi, fapt indicat de valoa-
rea ridicat a coeficientului de corelaie.

58

n cazul n care anxietatea ar fi fost evaluat, s presupunem, pe o sca-
l de la 1 la 5, unde 1 ar nsemna foarte puin anxios iar 5 foarte anxios, coe-
ficientul tetrachoric nu poate fi folosit. n acest scop se utilizeaz coeficientul
polichoric, bazat pe acelai principiu. Din nefericire, algoritmul de calcul este
unul iterativ, presupune mai multe etape i are un grad ridicat de complexita-
te, motiv pentru care nu-l vom prezenta aici. Pachetul de programe SPSS for
Windows nu conine aceti doi coeficieni. Dac dorii s efectuai analize
bazate pe coeficienii de corelaie tetrachoric, polichoric sau poliserial (o va-
riant a coeficientului polichoric n care se asociaz o variabil scalar i o
variabil ordinal), v recomand utilizarea pachetului LISREL i a compo-
nentei PRELIS, pachet software produs de SSI Scientific Software Interna-
ional (http://www.ssicentral.com).
n general, analizele bazate pe aceti coeficieni intr n componena
ecuaiilor structurale i a modelelor de ecuaii structurale (SEM).
I.1.8 Coeficientul de concordan W Kendall
Coeficientul de concordan W Kendall se bazeaz pe ranguri, fiind
folosit, de obicei, la stabilirea acordului dintre evaluatori. Fiind mult mai
simplu de calculat n
comparaie cu procedeul
tetrachoric sau
polichoric, tehnica este
larg rspndit printre
specialiti. Pentru a ne-
lege exact semnificaia
acestui coeficient, s
presupunem c un numr de 6 studeni sunt evaluai de ctre o comisie de
licen format din trei evaluatori. Rezultatele vor fi trecute ntr-un tabel si-
milar tabelului 1.19.
Tabelul 1.19 Notele obinute de 6 studeni evaluai de 3
profesori
Evaluator 1 Evaluator 2 Evaluator 3
Student 1 7 8 7
Student 2 6 5 8
Student 3 9 10 8
Student 4 8 8 7
Student 5 6 7 6
Student 6 7 8 9

59

Nu putem lucra direct cu aceste note, fiind necesare, pentru calculul
acordului dintre evaluatori, rangurile la care se situeaz notrile fiecrui eva-
luator. Notele acordate de ctre fiecare evaluator vor fi transformate n ran-
guri i introduse ntr-un
tabel asemntor cu tabe-
lul 1.20. Nu trebuie s
uitm faptul c ne refe-
rim la evaluatori i nu la
studeni.
Despre modul n
care putem calcula ran-
gurile nu mai discutm, subiectul fiind epuizat cu alt ocazie. n urma stabili-
rii rangurilor, vom obine tabelul 1.20. Se poate observa c profesorii au
acordat aceeai not mai multor studeni, fapt obinuit. Ne amintim c rangul
pe care l ocup dou scoruri identice este reprezentat de media poziiilor pe
care se afl scorurile respective.
n urmtoarea etap vom calcula suma rangurilor pentru fiecare dintre
cei ase studeni i vom ridica la ptrat fiecare sum.
Tabelul 1.21 Calculul coeficientului de concordan W Kendall
Evaluator 1 Evaluator 2 Evaluator 3 rang SR
2

Student 1 3,5 4 2,5 10 100
Student 2 1,5 1 4,5 7 49
Student 3 6 6 4,5 16,5 272,25
Student 4 5 4 2,5 11,5 132,25
Student 5 1,5 2 1 4,5 20,25
Student 6 3,5 4 6 13,5 182,25
63 SR
2
=756
Operaiile finale impun calculul totalului att pentru suma rangurilor,
ct i pentru ptratul acesteia. n final, pentru calculul coeficientului de con-
cordan W Kendall, va trebui s avem un tabel similar tabelului 1.21

Tabelul 1.20 Rangurile acordate celor 6 studeni de
ctre fiecare evaluator
Evaluator 1 Evaluator 2 Evaluator 3
Student 1 3,5 4 2,5
Student 2 1,5 1 4,5
Student 3 6 6 4,5
Student 4 5 4 2,5
Student 5 1,5 2 1
Student 6 3,5 4 6

60

Coeficientul de concordan W Kendall poate fi obinut prin aplicarea
formulei:

(formula 1.25)
unde k reprezint numrul de evaluatori, n numrul de persoane eva-
luate, iar S reprezint suma ptratelor abaterilor dintre suma rangurilor
relative la fiecare subiect i media acestor sume.
n situaia de fa, avem majoritatea elementelor. Numrul de evalua-
tori este 3 (k=3), numrul de studeni este 6 (n=6), singurul lucru care ne
lipsete este suma ptratelor abaterilor, S. Din fericire, exist o formul de
calcul i pentru acest coeficient, astfel:

(formula 1.22)
unde SR
2
se refer la totalul ptratelor sumelor rangurilor, toate ce-
lelalte elemente fiind cunoscute.
De fapt, am putea scrie cel mai simplu formula coeficientului de con-
cordan W Kendall astfel:

(formula 1.26)
De data aceasta avem toate elementele i putem nlocui n formul,
obinnd coeficientul de concordan W Kendall, n valoare de 0,60.


61

I.1.8.1 Semnificaia coeficientului de concordan W Kendall
Coeficientul de concordan W Kendall verific gradul de acord din-
tre evaluatori i poate lua valori cuprinse ntre 0 i 1, fiind un coeficient nedi-
recional. Valorile apropiate de 0 indic lipsa acordului, n timp ce valorile
apropiate de 1 arat acordul perfect. ntre cei trei profesori evaluatori din
exemplul precedent am obinut un acord de 0,60, sub forma coeficientului de
concordan W Kendall. Putem suspecta existena unui acord destul de ridicat
ntre cei 3 evaluatori. Problema care se pune este aceea a semnificaiei acestui
acord. Putem spune c acordul dintre cei trei evaluatori este semnificativ sau
nu? n acest sens, exist dou cazuri speciale (Radu, i alii, 1993):
Prima situaie este aceea n care numrul de subieci evaluai
se situeaz ntre 3 i 7, iar numrul de evaluatori ntre 3 i 20.
Este exact situaia de fa;
n al doilea caz se are n vedere un numr de subieci evaluai
peste 7, nefiind important numrul de evaluatori.
Pentru prima situaie se poate folosi direct valoarea sumei ptratelor
abaterilor (S), ori coeficientul de concordan (W), utiliznd tabelele propuse
de Kendall i prezentate n anexa 5. Avem 3 evaluatori i 6 subieci, s-a obi-
nut un coeficient de concordan W de 0,60, iar suma ptratelor abaterilor
este de 94,5. Privind n tabel pe linia k=3 i coloana n=6, obinem valoarea
critic pentru S de 103,6 iar pentru W, de 0,66. n ambele cazuri, nu putem
vorbi despre un acord semnificativ ntre cei trei profesori. Suma ptratelor
(94,5) este mai mic dect valoarea de referin (103,6) la un prag de semni-
ficaie p<0,05. La fel, coeficientul de concordan obinut (0,60) este mai mic
dect valoarea de referin (0,66). Prin urmare, nu putem spune c cei trei
profesori au ajuns la un acord n privina celor ase studeni evaluai.

62

n cea de-a doua situaie, se va transforma coeficientul de concordan
W Kendall n
2
i se vor folosi tabelele pentru
2
la un numr de n-1 grade de
libertate. Transformarea n
2
se face dup formula urmtoare:
(formula 1.27)
Aplicnd aceast formul (dei situaia nu o impune pentru c avem
doar ase subieci), putem obine

. Folosind tabelul
2
pentru un numr de 5 grade de libertate (anexa 3), vom
observa c valoarea de referin pentru un prag de semnificaie mai mic de
0,05 este de 11,07. Cum valoarea noastr este 9, inferioar lui 11,7, gradul de
acord ntre cei trei profesori nu este semnificativ. Se accept, aadar, ipoteza
nul.
I.1.9 Coeficientul de corelaie rang biserial
Corelaiile biseriale vor fi expuse pe larg n subcapitolul destinat date-
lor parametrice. Tot ceea ce trebuie s tii dumneavoastr este c atunci cnd
vorbim de corelaii biseriale, punem n legtur o variabil dihotomic i o
variabil scalar ori ordinal. Coeficientul de corelaie rang biserial ne d
expresia numeric a legturii dintre o variabil dihotomic i o variabil or-
dinal, calculndu-se dup formula urmtoare:
(formula 1.28)
unde mr
1
reprezint media rangurilor pentru situaia prezenei carac-
teristicii la nivelul variabilei dihotomice, mr
0
se refer la media rangurilor n
cazul absenei acestei caracteristici, iar n reprezint numrul de cazuri ana-
lizate.
S presupunem c suntem interesai de relaia care exist ntre genul
biologic (0 femeie i 1 brbat) i gradele militare la nivelul cadrelor dintr-
o unitate a ministerului aprrii. Suntem n situaia unei variabile nominale ce

63

poate fi asociat unei variabile dihotomice (este sau nu este brbat), n relaie
cu o variabil ordinal (gradele militare cu valorile 1 locotenent; 2 cpi-
tan; 3 maior; 4 locotenent colonel; 5 colonel; 6 general). Colectm
datele de la un numr de 15 persoane din unitatea militar respectiv,
centralizndu-le ntr-un tabel.
Tabelul 1.22 Calculul coeficientului rang biserial

Cadre militare
mr
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Sex
0 1 3 4 2 2 4 1 2,42
1 1 5 4 1 6 3 1 5 3,25

Observm c primul subiect este femeie locotenent, al doilea subiect
brbat locotenent, al treilea femeie maior, al patrulea femeie locotenent colo-
nel, al cincilea femeie cpitan, al aselea brbat colonel i aa mai departe.
Avem un numr de 15 perechi (n=15). Ne intereseaz media valorilor pentru
femei i pentru brbai, date pe care le includem n ultima coloan. Media
pentru femei este de 2,42, iar pentru brbai 3,25. Avem acum toate datele
pentru a nlocui n formul.

Am obinut un coeficient de corelaie rang biserial de 0,11, ceea ce
indic o corelaie slab sau inexistent ntre cele dou variabile. Despre pro-
blema semnificaiei acestui coeficient vom discuta la corelaiile biseriale i
punct biseriale, deoarece situaiile sunt analoage.
Ne vom opri aici cu prezentarea coeficienilor de corelaie pentru date
neparametrice. Desigur, nu am epuizat subiectul, ar fi nc multe de spus.
Considerm, totui, c avei deja suficiente informaii pentru a face fa soli-
citrilor din cadrul studiilor corelaionale care implic date neparametrice.
Putei gsi n literatura de specialitate descrieri complexe ale acestor tehnici.
Probabil c v-am sufocat prezentndu-v o mulime de coeficieni de corela-

64

ie pentru asemenea date. Credei-m, toi sunt importani i se folosesc n
situaii bine precizate. Cnd i cum i folosii, sunt aspecte ce nu pot fi tratate
aici, deoarece se refer la metodologia cercetrii pe care o vom aborda n alte
lucrri. Nu v panicai. Cu rbdare i puin exerciiu vei reui s stpnii
toate aceste informaii i s decidei metoda statistic adecvat fiecrui caz
particular.
I.2 Coeficieni de corelaie parametrici
Coeficienii de corelaie parametrici se calculeaz, cu unele excepii,
ntr-o singur situaie i anume atunci cnd cele dou variabile respect cerin-
ele parametrice de calcul. Adic, n situaia n care se afl la un nivel de m-
sur cel puin de interval i prezint o distribuie normal. Bazndu-se pe
medie ca indicator al tendinei centrale, coeficienii de corelaie parametrici
trebuie s ndeplineasc, aadar, condiiile de reprezentativitate a mediei.
I.2.1 Coeficientul de corelaie r Bravais-Pearson
Iat tartorul studiilor corelaionale, Zeus al relaiilor dintre dou vari-
abile, dictatorul absolut i incontestabil. Coeficientul de corelaie r Bravais-
Pearson reprezint dezideratul tiinific al oricrui cercettor. Se mai numete
coeficientul de corelaie produs-moment, una dintre cele mai reprezentative
msuri ale relaiei dintre dou variabile.
Am s ncep descrierea acestui coeficient prin a v povesti o serie de
ntmplri. Dou dintre multele mele defecte, care cred c sunt i cele mai
importante, se refer la faptul c nu pot sta prea mult ntr-un loc i c am
probleme cu subordonarea fa de efi. Acestea cred c sunt i motivele pen-
tru care am schimbat pn acum mai multe locuri de munc, ndeosebi uni-
versiti. Oricum, m-am trezit, la un moment dat, ntr-o universitate, prednd
statistic i analiza datelor, psihodiagnostic i cam att. Ei bine, chiar de la
nceput am rmas oarecum surprins s aflu c acolo, toat lumea, profesori,
studeni, toi, tiau una i bun. Coeficientul de corelaie r Bravais-Pearson.

65

Nu conta c variabilele erau la nivel ordinal, uneori chiar nominal, sau c
analiza univariat scotea n eviden asimetrii evidente. Se aplica, peste tot,
coeficientul de corelaie r Bravais-Pearson. Cnd, timid i cu prietenie, am
ncercat s explic c acest coeficient se folosete numai n anumite condiii,
c exist i ali coeficieni ce pot fi utilizai, c statisticile neparametrice sunt
i ele, acolo, un capitol de studiu, am fost privit cu nencredere, cu ostilitate
chiar. Dei majoritatea crilor de statistic ncep studiul corelaiilor cu acest
coeficient, eu am preferat s nu procedez aa. Nu de alta, dar poate dac scriu
la nceput despre statistici neparametrice, vor nelege unii c i acestea au un
rol. Dac prezenta carte va ajunge n minile profesorilor i ale fotilor stu-
deni la care m refer, sper c vor ti s se identifice perfect cu situaia. Avei
dreptate, am fost ru aici i am profitat de situaie pentru a plti o poli. V
rog s nu m judecai prea aspru, ns diletantismul nu cred c are ce cuta n
lumea tiinific i universitar. Acum, s trecem la treab.
Avnd dou variabile, X i Y, distribuite normal i, evident, aflate cel
puin la un nivel de interval, putem analiza relaia dintre ele pe baza coefici-
entului de corelaie r Bravais-Pearson, dup formula:

(formula 1.29)
unde x barat reprezint media scorurilor pentru variabila X, iar y ba-
rat reprezint media scorurilor pentru variabila y.
Sunt deja convins c formula nu v mai sperie deloc. Acum privii la
ea ca la un tablou de Picasso i ateptai cu mult drag exemplele concrete de
calcul. Vom prezenta, n cele ce urmeaz, cteva modaliti de calcul ale
acestui coeficient, pentru date luate ca atare sau grupate n interval, folosind
att formula de definiie (formula 1.29), ct i alte formule derivate.
S considerm c un psiholog a evaluat un numr de 10 subieci cu
dou inventare de personalitate, reinnd scorurile pentru scala anxietate i

66

pentru scala depresie. Menionm c ntotdeauna vei lucra cu note brute i
nu cu notele standard obinute dup raportarea la etalon. Spun acest lucru,
deoarece la aceeai instituie la care am activat o perioad a vieii mele mi s-a
ntmplat s vd i o asemenea minunie. Rezultatele obinute de ctre cei
10 subieci au fost trecute ntr-un tabel prezentat n continuare.
Tabelul 1.23 Calculul coeficientului de corelaie r dup formula de definiie
Subiect Anxietate Depresie x
anx
-m
anx
x
dep
-m
dep
(x
anx
-m
anx
)( x
dep
-m
dep
) (x
anx
-m
anx
)
2
(x
dep
-m
dep
)
2

DD 22 24 8,5 10,3 87,55 72,25 106,09
AS 12 9 -1,5 -4,7 7,05 2,25 22,09
BS 6 5 -7,5 -8,7 65,25 56,25 75,69
EA 21 18 7,5 4,3 32,25 56,25 18,49
FS 16 20 2,5 6,3 15,75 6,25 39,69
AZ 15 16 1,5 2,3 3,45 2,25 5,29
MN 13 11 -0,5 -2,7 1,35 0,25 7,29
TG 10 10 -3,5 -3,7 12,95 12,25 13,69
RM 6 7 -7,5 -6,7 50,25 56,25 44,89
MA 14 17 0,5 3,3 1,65 0,25 10,89
=277,5 =264,5 =344,1

Dac v uitai cu atenie la formula de definiie, ce observai? Nu
cumva ceva asemntor cu scorul minus media supra abaterea standard?
Chiar aa i este. n realitate, coeficientul de corelaie r Bravais-Pearson asta
i face. Transform totul n scoruri z i stabilete relaia dintre dou variabile
care conin scoruri z. Iat de ce putem analiza linitii relaia liniar dintre
rezultatele obinute n urma administrrii a dou instrumente complet diferite.
Nu conteaz c un instrument are 20 de itemi i altul are 2000 de itemi, c o
scal are o amplitudine teoretic ntre 0 i 20 de puncte, iar alta ntre 23 i
190 de puncte. tim deja c statisticile z reprezint numitorul comun ce per-
mite analiza relaiilor dintre dou variabile.
Desigur, prima etap o reprezint verificarea normalitii distribuiei
celor dou variabile; s presupunem c cele dou variabile se distribuie nor-
mal. Urmeaz s calculm mediile celor zece scoruri la anxietate i depresie
i obinem m
anxietate
=13,5 i m
depresie
=13,7. Ce ne spune formula? n primul
rnd, s scdem fiecare scor din medie, apoi s facem produsul acestor dife-

67

rene i n final s le adunm. Numrtorul fraciei din formul va avea valoa-
rea 277,5. Pentru numitor, va trebui s ridicm diferenele la ptrat, s facem
suma acestor ptrate pentru fiecare variabil, s nmulim aceste sume i apoi
s extragem radicalul din rezultat. Cele dou sume sunt de 264,5 pentru anxi-
etate i 344,1 pentru depresie. Produsul lor este 91014,45 iar rdcina ptrat
din acest produs devine 301,68, valoarea numitorului. Nu avem acum dect
s calculm fracia pentru a obine coeficientul de corelaie r Bravais-
Pearson. Prin urmare, r=
277,5
/
301,68
=0,91, un coeficient de corelaie ridicat,
care indic o relaie puternic i pozitiv ntre cele dou variabile. Dac este
sau nu semnificativ, vom vedea imediat.
Dac avem un volum mare de date, formula de definiie devine inefi-
cient. Ne-a fost destul de dificil s lucrm cu 10 subieci, darmite cu 100
sau 1000. Pentru volume mari de date, lucrurile sunt mai simple dect credei
i se rezum la a efectua 3-4 clicuri de maus n SPSS for Windows. Dar pro-
babil c suntei, totui, curioi s aflai cum am face pe hrtie o asemenea
corelaie. Sper c v mai aducei aminte de datele grupate n interval. Vom
relua exemplul, de data aceasta cu intervale de grupare.
Metoda se bazeaz pe aa-numita operaie de codare, fiind descris de
Ioan Radu i colaboratorii (Radu, i alii, 1993), drept pentru care o vom pre-
lua cu adugirile noastre. Cele dou variabile vor fi grupate n intervale, fiind
prezentate simultan n tabelul de analiz.
Prima etap n operaia de codare este stabilirea mediei de lucru, va-
loare situat de obicei n mijlocul irului. Dac numrul de clase este par (ca
n situaia noastr), vom alege media de lucru din clasa cu frecvena cea mai
mare. n general, media de lucru o vom nota prin m
l
. Avnd dou variabile,
evident, vom avea dou medii de lucru: m
la
i m
ld
.

68

Tabelul 1.24 Calculul coeficientului de corelaie r pentru variabile grupate pe intervale
Anx.
Depresie Valori de calcul
5-8 9-12 13-16 17-20 21-24 25-28 u
anx
f
anx
f
anx
u
anx
f
anx
xu
anx
2

8-11 - 2 - 3 - 7 -2 12 -24 48
12-15 - 5 8 3 3 9 -1 28 -28 28
16-19 - 10 3 17 2 9 0 41 0 0
20-23 3 11 2 5 2 6 1 29 29 29
24-27 1 13 1 1 1 3 2 20 40 80
28-31 2 12 1 2 7 1 3 25 75 225
u
dep
-3 -2 -1 0 1 2

f
dep
6 53 15 31 15 35 n=155
f
dep
u
dep
-18 -106 -15 0 15 70

anx
=92
dep
=-54
f
dep
x u
dep
2
54 212 15 0 15 280
fu
2
anx
=410
fu
2
dep
=576

G -33 -128 1 0 22 -16 g -154

Concret, media de lucru pentru anxietate se poate situa undeva n cele
dou intervale centrale, intervalele 16-19 sau 20-23. Vom alege media de
lucru din intervalul care are frecvena cea mai mare. Primul interval (16-19)
are valorile 10, 3, 17, 2 i 9 pentru anxietate. Frecvena total va fi aadar 41.
Al doilea interval (23-23) are valorile 3, 11, 2, 5, 2, 6 cu frecvena total 29.
Intervalul cu frecvena cea mai mare va fi intervalul 16-19, din care vom ex-
trage media de lucru. n mod analog, stabilim intervalul din care vom extrage
media de lucru pentru depresie. Avem de ales ntre intervalul 13-16 i inter-
valul 17-20. Primul interval are o frecven total de 15 iar al doilea de 31.
Evident, media de lucru va fi aleas din intervalul 17-20. Odat stabilite in-
tervalele, extragerea mediei de lucru este un fapt banal. n cazul variabilei
anxietate, media de lucru va fi n intervalul 16-19, adic media valorilor 16,
17, 18, 19 rezultnd m
la
=17,5. Similar, pentru depresie rezult m
ld
=18,5. Va-
lorile codate sunt notate de ctre autorii mai sus menionai, folosind litera u,
codarea fcndu-se dup formula:

69

(formula 1.30)
unde x reprezint valoarea, m
l
se refer la media de lucru, iar i este
intervalul de clas
Vom avea, n mod evident, dou variabile codate: variabila anxietate
i variabila depresie. Codarea este foarte simpl. Pentru fiecare dintre variabi-
le se acord valoarea 0 n dreptul intervalului care conine media de lucru.
Apoi, succesiv, se scade sau se adaug o unitate pentru intervalele situate
sub, respectiv peste intervalul care conine media de lucru. Intervalul care
conine media de lucru n cazul variabilei anxietate este intervalul 16-19.
Acesta va primi valoarea 0 pentru coloana u. Intervalul 12-15 primete valoa-
rea -1 i intervalul 8-11 primete valoarea -2. Similar, intervalul 20-23 pri-
mete valoarea 1, intervalul 24-27 primete valoarea 2, iar intervalul 28-31
primete valoarea 3. Analog, se procedeaz i n cazul celeilalte variabile.
Urmtorul pas este reprezentat de calculul frecvenei absolute pentru
fiecare dintre cele dou variabile. Pentru intervalul 8-11 al variabilei anxieta-
te, avem 2 subieci care au depresia n intervalul 9-12, 3 subieci cu depresia
n intervalul 17-20, 7 subieci cu depresia n intervalul 25-28. n total avem
12 subieci, noua valoare pentru frecvena absolut a acestui interval. Proce-
dm similar pentru celelalte intervale ale anxietii i pentru intervalele de-
presiei. n final, suma frecvenelor absolute pentru variabila depresie trebuie
s fie egal cu suma frecvenelor absolute pentru variabila anxietate i repre-
zint, practic, numrul total de subieci. Avem, n cazul nostru, un numr de
155 de subieci evaluai cu cele dou probe (n=155).
Urmtorul pas este reprezentat de nmulirea valorii codate u cu frec-
vena absolut pentru fiecare dintre cele dou variabile analizate i efectuarea
sumelor acestor produse. Suma pentru anxietate va fi de 92, iar suma pentru
depresie va fi de -54.

70

n continuare, vom face produsul dintre frecvena absolut a variabilei
i ptratul codrii acesteia. Atenie, nti ridicm la ptrat valoarea codat i
apoi nmulim cu frecvena absolut. Sursa citat mai sus a fost folosit i de
mine atunci cnd eram student. mi aduc aminte c nu nelegeam deloc cum
au ieit valorile de acolo. Bineneles c nti fceam produsul frecvenei ab-
solute cu valoarea codat i apoi ncercam s ridic la ptrat. M-am prins, pn
la urm, i de aceea nu doresc s facei i dumneavoastr aceeai eroare. Pen-
tru intervalul 8-11 al variabilei anxietate, avem frecvena absolut 12 i va-
loarea codat -2. nti ridicm la ptrat valoarea codat i obinem 4, apoi
nmulim 4 cu 12 i obinem 48, cifr pe care o trecem n ultima coloan a
tabelului. Similar procedm cu toate intervalele celor dou variabile i n fi-
nal nsumm rezultatele.
Ultimul lucru pe care l mai avem de fcut este reprezentat de obine-
rea valorii g, valoare al crei calcul necesit puin atenie i concentrare. Ea
rezult din intersecia celor dou variabile, inndu-se cont de numrul de
subieci i de valoarea codat. Pentru intervalul 5-8 al variabilei depresie,
avem valoarea codat -3. Pe acest interval, gsim 3 subieci aflai n interva-
lul 20-23 pentru anxietate (cu valoarea codat 1), 1 subiect aflat n intervalul
24-27 pentru anxietate (cu valoarea codat 2) i 2 subieci aflai n intervalul
28-31 pentru anxietate (cu valoarea codat 3). Valoarea g este dat de suma
produselor pariale, astfel: (-3)x3x1=-9 pentru intervalul 20-23 anxietate i 5-
8 depresie, (-3)x1x2=-6 pentru intervalul 24-27 anxietate i 5-8 depresie i, n
final, (-3)x2x3=-18 pentru intervalul 28-31 anxietate i 5-8 depresie. Aadar,
valoarea g pentru intervalul 5-8 depresie devine -9-6-18=-33, cifr pe care o
scriem n prima coloan. A doua coloan corespunde intervalului 9-12 pentru
depresie, iar algoritmul este asemntor. Avem 2 subieci la intersecia inter-
valului 9-12 depresie cu 8-11 anxietate, prin urmare (-2)x2x(-2)=8; 5 subieci
la intersecia intervalului 9-12 depresie cu 12-15 anxietate, atunci (-2)x5x(-1)
rezult 10. Similar, 10 subieci la intersecia intervalului 9-12 depresie cu 16-
19 anxietate i, deci, (-2)x10x0=0, 11 subieci la intersecia intervalului 9-12

71

depresie cu 20-23 anxietate genernd (-2)x11x1=-22, 13 subieci la intersec-
ia intervalului 9-12 depresie cu 24-27 anxietate i (-2)x13x2=-52. n final, 12
subieci la intersecia intervalului 9-12 depresie cu 28-31 anxietate, calculul
fiind (-2)x12x3=-72. Valoarea g pentru aceast coloan va deveni 8+10+0-
22-52-72=-128. Cred c ai prins deja ideea. Desigur, intervalul n care varia-
bila codat are valoarea 0, va avea i aici tot valoarea 0. n restul intervalelor,
vom proceda ca mai sus. La sfrit, efectum suma acestor valori obinute.
Finaliznd tabelul necesar calculului coeficientului de corelaie r
Bravais-Pearson, probabil c v ntrebai acum ce formul aplicm. Iat, mai
jos, formula necesar n acest caz:

)(
)
(formula 1.31)
Toate datele sunt cunoscute i au fost deja tratate. Nu rmne dect s
nlocuim n formul, obinnd un coeficient de corelaie de -0,41.

) (
) (

Constatm c cele dou variabile coreleaz negativ. Nimic mai firesc,
avnd n vedere faptul c am folosit date absolut fictive. Avnd coeficientul
de corelaie, se pune din nou problema semnificaiei acestuia.
Putei observa c acest calcul este, poate, cel mai elaborat de pn
acum. Este i normal s fie aa, deoarece am lucrat cu o serie de convenii i
ne-am bazat pe cteva proprieti ale datelor grupate n intervale. Dup cte-
va exersri, procedura va deveni familiar. Nu este foarte greu, ns necesit

72

ceva concentrare. Iat motivul pentru care s-au inventat programele de anali-
z statistic.
n cazul n care dorii s calculai direct coeficientul de corelaie r
Bravais-Pearson, fr a mai calcula, n prealabil, mediile, putei aplica urm-
toarea formul:

][
]
(formula 1.32)
Formula este foarte simpl i nu comport explicaii suplimentare.
Vom relua exemplul celor 10 subieci evaluai cu inventarele de anxietate i
depresie pentru a verifica, prin aceast metod, dac ajungem la acelai rezul-
tat. n tabelul 1.25 am reluat
exemplul.
Operaiile nu sunt
complicate deloc. Trebuie
s efectum ridicarea la
ptrat a valorilor celor dou
variabile i apoi nmulirea
valorilor celor dou variabi-
le (nu a valorilor variabile-
lor ridicate la ptrat). n final, efectum suma scorurilor pentru valorile cele
dou variabile, pentru ptratul acestora, i suma produsului lor. Acestea sunt
toate datele necesare aplicrii formulei.

][

Tabelul 1.25 Calculul coeficientului de corelaie r
Subiect Anxietate Depresie Anx
2
Dep
2
AnxDep
DD 22 24 484 576 528
AS 12 9 144 81 108
BS 6 5 36 25 30
EA 21 18 441 324 378
FS 16 20 256 400 320
AZ 15 16 225 256 240
MN 13 11 169 121 143
TG 10 10 100 100 100
RM 6 7 36 49 42
MA 14 17 196 289 238
Total 135 137 2087 2221 2127

73

Observm c am obinut exact acelai coeficient de corelaie Bravais-
Pearson, 0,91, cele dou formule fiind echivalente.
V lsm dumneavoastr plcerea de a alege ntre cele trei metode de
calcul propuse. Metoda a doua, dei mai complicat la prima vedere, v asi-
gur posibilitatea calculrii acestui coeficient pentru volume mari de date.
Aceasta este situaia. Analiza statistic a datelor nu este complicat, ns pre-
supune calcule laborioase i mult atenie. Iar dac acestea vi se par calcule
complexe, stai s vedei analiza factorial cum se prezint. Glumeam! Nu v
speriai i nu aruncai cartea din mn. Vom discuta acum despre semnificaia
acestui coeficient.
I.2.1.1 Semnificaia coeficientului de corelaie r Bravais-
Pearson
Acest coeficient de corelaie este un coeficient direcional i poate lua
valori ntre -1 i +1, cu o semnificaie analoag coeficientului de corelaie a
rangurilor Spearman sau ca a oricrui coeficient direcional.
Fiind bazat pe date scalare, pragul de semnificaie se poate raporta la
distribuia t, n funcie de valoarea testului t pentru un numr de n-2 grade de
libertate, dup relaia:

||
(formula 1.33)
n primul exemplu am obinut un coeficient de corelaie r Bravais-
Pearson de 0,91 pe un lot de 10 subieci. Valoarea testului de semnificaie t
va fi de 6,198

||

Vom compara aceast valoare cu valoarea critic a testului t din anexa
4 pentru un numr de 10-2=8 grade de liberate. Observm c pentru a fi

74

semnificativ la un prag de semnificaie mai mic de 0,05, valoarea testului t
trebuie s fie mai mare de 1,860, i la un prag de semnificaie mai mic de
0,01 va trebui s fie mai mare de 2,89 (pentru o ipotez bidirecional). Va-
loarea noastr, 6,198, este mult mai mare dect aceste praguri critice, ceea ce
nseamn c acest coeficient de corelaie obinut este semnificativ la un prag
de semnificaie mai mic de 0,01.
Aceast analiz are doar un rol de exemplu. Numrul de subieci nu
permite generalizarea rezultatelor. n realitate, dup cum tim, valoarea unui
studiu efectuat pe doar 10 persoane este extrem de limitat, concluziile nepu-
tnd fi extinse la nivelul populaiei.
n al doilea exemplu, am obinut un coeficient de corelaie de -0,41,
studiind un numr de 155 de persoane. n mod cert, vom dori s tim dac
aceast corelaie invers este sau nu este semnificativ. Vom folosi din nou
testul t.

Nu suntem interesai de semnul testului t. Este normal s fie negativ,
deoarece i corelaia este negativ. Ne intereseaz doar s comparm aceast
valoare (12,33) cu valoarea de referin pentru un prag de semnificaie mai
mic de 0,05 sau mai mic de 0,01 la un numr de 155-2=153 grade de liberta-
te. n tabelul din anexa 4 nu avem exact valorile pentru 153 grade de liberta-
te. Valoarea inferioar cea mai apropiat este 150 de grade de libertate, va-
loare cu care vom efectua comparaia. Pentru un prag de semnificaie mai
mic de 0,05, valoarea de referin este 1,96 iar pentru un prag de semnificaie
mai mic de 0,01 este 2,57. ncercai s memorai aceste valori deoarece le
vei folosi frecvent. Ce constatm? Ceea ce am obinut (12,33) este mult mai
mare n comparaie cu 2,57, valoarea de referin pentru un prag de semnifi-

75

caie mai mic de 0,01. Aadar, coeficientul de corelaie este semnificativ la
un prag de semnificaie mai mic de 0,01.
Sigur c cea mai simpl metod este aceea de a compara valoarea coe-
ficientului de corelaie Bravais-Pearson cu pragurile critice din tabelul special
(anexa 6). Coeficientul de corelaie -0,41 obinut n urma studiului unui ean-
tion de 155 de subieci va fi comparat cu pragul critic pentru un numr de
155-2=153 grade de libertate. Tabelul conine valori doar pentru 100 de grade
de libertate, acesta fiind i rndul pe care-l vom lua n calcul. Pentru a fi
semnificativ la un prag de semnificaie mai mic de 0,05, coeficientul de core-
laie trebuie s depeasc valoarea 0,195, iar la un prag de semnificaie mai
mic de 0,01 trebuie s depeasc valoarea 0,25. Desigur, valoarea noastr
(0,41) este mai mare dect aceste praguri critice, corelaia fiind semnificativ.
M-am tot gndit dac s m opresc aici sau s v mai prezint un ele-
ment important referitor la acest coeficient de corelaie. Pn la urm am de-
cis s v mai bombardez cu o informaie. tim deja c scopul unei cercetri
efectuate pe un eantion este acela de a extinde cunotinele dobndite la ni-
velul ntregii populaii. Stabilind c ntre anxietate i depresie exist un coefi-
cient de corelaie de 0,41
1
i observnd c aceast corelaie este semnificativ
lucrnd pe un eantion de 155 de persoane (presupunnd c vorbim de un
eantion i nu de un lot de cercetare), am putea extinde aceast informaie la
nivelul ntregii populaii, spunnd c ntre nivelul de anxietate i cel al depre-
siei exist o corelaie pozitiv, semnificativ i de nivel mediu. Lund un alt
eantion de 150 sau 200 de persoane, vom obine cam aceleai rezultate, coe-
ficientul de corelaie fiind, s spunem, de 0,51. Pe un alt eantion am obine
un coeficient de corelaie de 0,38 i aa mai departe. Ideea este aceea dac
putem gsi o msur a acestei corelaii la nivelul populaiei. Care ar fi oare

1
Nu am mai menionat c este negativ. n realitate corelaia exist, ntr-adevr, i este pozi-
tiv. Noi am obinut o corelaie negativ, deoarece am lucrat cu date la ntmplare care nu au
rezultat din cercetri. M i mir c a rezultat o corelaie semnificativ.

76

coeficientul de corelaie dac, presupunnd prin absurd, am investiga ntreaga
populaie a globului? n mod normal, acest parametru l notm cu litera gre-
ceasc i nu are nici o legtur cu notaia folosit pentru a desemna coefici-
entul de corelaie a rangurilor Spearman. Ei bine, valoarea exact a acestui
parametru nu o vom putea ti niciodat. n mod sigur ns, valorile obinute
prin studiul eantionului se pot apropia mai mult sau mai puin de acest pa-
rametru. n realitate, valoarea parametrului este situat ntr-un interval, numit
interval de ncredere. Putem spune c [r
inf
< < r
sup
], adic valoarea exact
a parametrului la nivelul populaiei este situat undeva ntre o limit inferioa-
r i o limit superioar a unui interval de ncredere. Din fericire, dei nu pu-
tem calcula valoarea exact a parametrului, putem ns calcula, cu o anumit
probabilitate, acest interval de ncredere.
Relund exemplul cu cei 155 de subieci examinai, pentru care am
obinut un coeficient de corelaie de 0,41, demonstrnd c aceast corelaie
este semnificativ, s vedem care este intervalul de ncredere, ntre ce limite
putem gsi valoarea real a acestei corelaii la nivelul ntregii populaii. n
acest sens, Fisher a introdus o variabil teoretic, avnd o distribuie aproxi-
mativ normal, numit variabila u (Vasilescu, 1992) i calculat dup formu-
la:

(formula 1.34)
unde prin ln am desemnat logaritmul natural, iar r reprezint coefici-
entul de corelaie care ia valori ntre -1 i +1.
Cunoscnd aceast relaie general, putem stabili variabilele u necesa-
re limitelor inferioare i superioare ale intervalului de ncredere, astfel:

(formula 1.35)
unde n este numrul de subieci, iar z
1-
reprezint valoarea distribu-
iei z la pragul 1- ales.

77

n baza acestor formule putem acum stabili modalitile de calcul ale
limitelor intervalului de ncredere:
(formula 1.36)
unde e este o constant matematic, numit i numrul lui Euler, i
are valoarea 2,71828.
Nu v speriai, c nu este greu deloc. Calculm imediat intervalul de
ncredere pentru coeficientul de corelaie din exemplul de mai sus. Desigur,
nti vom calcula variabila u.

Am obinut valoarea 0,435 pentru variabila u. Obinerea logaritmului
natural se face cu ajutorul unui calculator tiinific. Nu v pune nimeni s-l
calculai cu creionul pe hrtie. Desigur, va trebui s stabilim acum probabili-
tatea intervalului de ncredere. La o probabilitate de 95% (=0,05), valoarea z
va fi de 1,645, valoare extras din tabele (tabelul distribuiei t din anexa 4, n
general ultima linie a tabelului). Folosind aceste date, vom putea calcula va-
riabilele u pentru limitele inferioare i superioare.

Putem acum stabili limitele inferioare i superioare ale intervalului de
ncredere, aplicnd ultimele formule:


78

Am obinut, cu o probabilitate de 95%, intervalul n care se regsete
acest parametru la nivelul populaiei. Coeficientul de corelaie dintre anxieta-
te i depresie se gsete, la nivelul populaiei, cu o probabilitate de 95%, ntre
un coeficient de corelaie de 0,293 i un coeficient de corelaie 0,513.
mi exprim sperana c acum avei o imagine clar asupra coeficientu-
lui de corelaie r Bravais-Pearson i vei ti s-l folosii n mod corect. Indife-
rent dac efectuai calculele manual sau folosind un program computer, este
absolut necesar s nelegei semnificaia acestui indicator i condiiile n care
l putei folosi. Altminteri, riscai obinerea de date i interpretri incorecte.
i, ca s parafrazez un mare statistician, nu statistica minte ci oamenii mint
folosindu-se de statistic.
I.2.2 Coeficientul de corelaie biserial, punct biserial i
triserial
Avem deja o idee asupra corelaiei biseriale din capitolul destinat co-
relaiilor neparametrice, unde am vorbit despre corelaia rang biserial i am
promis, tot atunci, c vom reveni. ntr-adevr, corelaia biserial presupune
analiza relaiei existente ntre o variabil scalar i o variabil nominal, de
obicei dihotomic. Metoda este frecvent folosit la validarea testelor psiholo-
gice. De exemplu, construim un test de inteligen pe care l administrm
unor candidai la coala de aviaie militar. Evident, dintre aceti candidai,
unii vor fi admii, iar alii respini. Ne intereseaz s tim dac exist vreo
legtur ntre admiterea sau respingerea candidailor i rezultatele la test. Cu
alte cuvinte, dac testul construit poate sau nu poate prezice admiterea la
coala de aviaie. Desigur, a prezice este grosier folosit, mai degrab prefe-
rm termenul a diferenia. Pentru predicii, avem tehnici diferite i mult
mai sensibile, pe care le vom studia n alt volum. De fapt, aceast corelaie
seamn mai mult cu un test statistic dect cu o corelaie real.

79

nc de la nceput, menionm faptul c acest coeficient de corelaie
(biserial) are un frate geamn. Este vorba despre coeficientul de corelaie
punct biserial care face exact acelai lucru, diferena dintre ele fiind una de
nuan subtil i innd de variabila dihotomic. n cazul coeficientului de
corelaie punct biserial, variabila dihotomic are o aa numit dihotomie dis-
cret, n timp ce coeficientul de corelaie biserial prezint o variabil cu o
dihotomie continu (Field, 2000). Ce nseamn acest lucru?
Relund exemplul candidailor la coala de aviaie, statutul de admis
i respins reprezint o dihotomie continu. De ce? Foarte simplu, deoarece
variabila dihotomic provine dintr-o variabil continu (media de admitere).
n definitiv, exist o continuitate n categoria admiilor i a respinilor,
acetia avnd medii diferite. Eecul unui candidat poate fi la cteva sutimi de
ultima medie de admitere sau la cteva puncte. Un alt exemplu ar fi dihoto-
mia btrni-tineri sau dihotomia gras-slab. Toate aceste variabile, dei evi-
dent dihotomice i nominale, provin din variabile continui, de aceea se folo-
sete termenul de dihotomie continu.
n cazul dihotomiei discrete, aceast continuitate nu mai este prezent.
Dihotomia brbat-femeie este o dihotomie discret, deoarece ntre brbai nu
se poate spune c unii sunt mai mult brbai, iar alii mai puin, unii sunt mai
brbai, iar alii mai femei (dect, eventual, din punct de vedere compor-
tamental, ar spune unii mai mucalii). Dei transsexualul X se d femeie, ntr-
o asemenea clasificare, strict pe criterii biologice, X este n definitiv brbat.
Alte exemple ar fi: dihotomia viu-mort, nu poi fi mai mort sau mai puin
mort, dihotomia nsrcinat-nensrcinat i lista poate continua.
Sper c ai neles aceste dou tipuri de dihotomii. n condiiile n care
avem o dihotomie continu, se folosete coeficientul de corelaie biserial, iar
pentru variabila cu o dihotomie discret, utilizm coeficientul de corelaie
punct biserial. Aceasta este diferena subtil dintre cei doi coeficieni de core-
laie.

80

M gndesc acum s compar statistica i analiza datelor cu o pereche
de pantofi noi i foarte frumoi. i ncali, te mndreti cu ei, dei de cele mai
multe ori, la nceput, te rod teribil i faci rni la picioare. Comparaia se po-
trivete de minune cu aceti doi coeficieni. tii analiz de date, eti invidiat
de muli, se uit la tine, te apreciaz, dei numai tu nelegi cte rni ai fcut
la creier s pricepi, de exemplu, dihotomia continu i dihotomia discret.
Din moment ce am clarificat aceste elemente, s mergem mai departe
i s vedem cum se calculeaz coeficientul de corelaie biserial, coeficientul
de corelaie punct biserial i s discutm cteva lucruri despre coeficientul de
corelaie triserial care face parte din aceeai familie.
Coeficientul de corelaie biserial se noteaz r
bis
i se poate calcula du-
p formula:
(formula 1.37)
n care cu x barat s-au notat mediile valorilor variabilei continui n
situaia de prezen a caracteristicii dihotomice, respectiv n situaia de ab-
sen a acestei caracteristici, cu p s-a notat proporia subiecilor care prezin-
t caracteristica, cu q proporia subiecilor care nu prezint caracteristica,
iar z reprezint ordonata punctului de separaie. Sigma se refer la abaterea
standard a datelor variabilei continui.
S considerm c testul de inteligen are un numr de 10 itemi. Un
item primete 1 punct dac subiectul rspunde corect i 0 puncte dac rs-
punde greit. Prin urmare, amplitudinea teoretic este cuprins ntre 0 i 10
puncte. Rezultatele obinute de candidai la acest test, grupate dup calitatea
lor de admii ori respini, sunt urmtoarele:

81

Tabelul 1.26 Calculul coeficientului de corelaie biserial
Rezultat
Test inteligen (punctaj total)
Total
0 1 2 3 4 5 6 7 8 9 10
Admis 0 0 1 2 4 6 0 9 7 6 8 43
Respins 0 0 3 5 8 5 4 5 2 4 1 37
Total 0 0 4 7 12 11 4 14 9 10 9 80

Structura tabelului este clar. Un punctaj de 0 puncte i de 1 punct nu
a fost realizat de niciun candidat. 2 puncte au fcut 3 candidai respini i 1
singur candidat admis, 3 puncte au avut 2 candidai admii i 5 candidai res-
pini i aa mai departe. n total, avem 80 de candidai, dintre care 43 de can-
didai admii i 37 respini.
Vom stabili acum proporiile candidailor admii i respini raportnd
numrul de candidai admii, respectiv numrul de candidai respini, la nu-
mrul total de candidai. Astfel,
. n reali-
tate, avem 53,7% candidai admii i 46,3% candidai respini. Adunnd pro-
centele (53,7+46,3=100%), obinem expresia ntregului volum de subieci
studiat.
Singurul lucru care ne lipsete este ordonata punctului de separaie
(z). De fapt nici nu avem nevoie de aceast valoare, deoarece raportul
se
citete dintr-un tabel special (tabel prezentat n anexa 7), lund ca referin
valoarea p sau valoarea q. Nu conteaz dac ne raportm la proporia candi-
dailor admii sau la proporia candidailor respini, deoarece ntotdeauna
p=1-q i q=1-p, fapt evident. De obicei se ia n considerare valoarea cea mai
mic, tabelul fiind conceput pn la o proporie de 0,500, altminteri ar fi fost
redundant.
n tabelul din anexa 7, lund ca referin q=0,463, obinem valoarea
raportului 0,6259. Urmeaz calculul mediilor pentru subiecii admii i pen-
tru subiecii respini. Media se calculeaz nsumnd produsele obinute prin

82

nmulirea numrului de subieci cu scorul fiecrei categorii i mprind la
numrul total al subiecilor admii, respectiv respini. n cazul subiecilor
admii vom avea (1x2)+(2x3)+(4x4)+(6x5)+(9x7)+(7x8)+(6x9)+(8x10)=307.
mprind suma la 43, rezult media admiilor de 7,139. Procedm similar i
n cazul respinilor. Suma rezultat va fi 199, mprit la 37, ne d media
respinilor, care are valoarea 5,378. Nu ne trebuie acum dect abaterea stan-
dard a ntregului lot de cercetare pentru a putea calcula coeficientul de corela-
ie biserial. Nu intrm n amnunte referitoare la calculul abaterii standard,
aceste elemente fiind tratate n lucrarea anterioar. Revedei capitolul referi-
tor la calculul abaterii standard pentru date grupate pe interval. Abaterea
standard pentru ntregul set de date (variabila test de inteligen) este 2,0.
Avnd acum toate informaiile necesare, putem cu uurin completa
formula de calcul i obinem valoarea coeficientului de corelaie biserial:

Coeficientul de corelaie biserial are valoarea 0,55, lucru care ne indi-
c posibilitatea ca testul de inteligen s prevad succesul sau eecul la exa-
menul de admitere. Urmeaz doar s verificm semnificaia acestui coeficient
de corelaie.
n cazul unei variabile dihotomice discrete, coeficientul de corelaie
biserial devine inadecvat. Situaia impune calculul coeficientului de corelaie
punct biserial dup relaia:
(formula 1.38)
n care cu x barat s-au notat mediile valorilor variabilei continui n
situaia de prezen a caracteristicii dihotomice, respectiv n situaia de ab-
sen a acestei caracteristici, cu n
1
i n
2
s-au notat frecvenele absolute n

83

cele dou situaii, iar sigma se refer la abaterea standard a datelor variabi-
lei continui.
Formula nu se mai bazeaz pe proporii, ci pe frecvene absolute, fiind
mai uor de calculat n comparaie cu coeficientul biserial. Vom relua exem-
plul anterior, considernd de data aceasta c testul de inteligen dorete s
prezic diferena, sub acest aspect, dintre brbai i femei.
Variabila dihotomic are acum o dihotomie discret, calculul coefici-
entului biserial nu mai are sens, prin urmare vom aplica formula coeficientu-
lui de corelaie punct biserial.
Tabelul 1.27 Calculul coeficientului de corelaie punct biserial
Sex
Total
0 1 2 3 4 5 6 7 8 9 10
Brbai 0 0 1 2 4 6 0 9 7 6 8 43
Femei 0 0 3 5 8 5 4 5 2 4 1 37
Total 0 0 4 7 12 11 4 14 9 10 9 80

n mod absolut evident, exist o diferen ntre cei doi coeficieni de
corelaie, cel punct biserial fiind ntotdeauna mai mic n comparaie cu vari-
anta biserial. Dac nu suntei sigur de natura variabilei dihotomice, v nv
un truc. Luai-v o msur de precauie, calculnd ntotdeauna coeficientul de
corelaie punct biserial. Dac, ulterior, v dai seama c avei de a face cu o
variabil cu dihotomie continu, putei transforma uor coeficientul de core-
laie punct biserial n coeficient de corelaie biserial, dup formula:
(formula 1.39)

84

Valoarea raportului
se citete n acelai tabel ca i raportul
,
lundu-se ca referin proporia cea mai mic. n exemplul nostru, am luat ca
referin q=0,463. Gsisem, anterior, c raportul
. n acelai ta-
bel, raportul
. Obinnd coeficientul de corelaie punct biserial de

0,438, putem deduce coeficientul de corelaie biserial.

Valoarea obinut se apropie foarte mult de cea rezultat prin calcul
direct, diferenele fiind datorate rotunjirilor.
S-ar putea s ntlnii n practic situaii n care va trebui s punei n
relaie o variabil continu cu o variabil trihotomic, de tipul aceleia care
mparte un grup de subieci n slabi, medii i buni. n acest caz, se folosete
un alt coeficient de corelaie, numit coeficientul de corelaie triserial, care
ine cont doar de extremele variabilei trihotomice, nu i de clasa din mijloc.
Este, dac dorii, o variant a coeficientului de corelaie biserial, avnd apro-
ximativ aceeai structur.
Relaia de calcul a acestui coeficient este dat de urmtoarea formul:
(formula 1.40)
Expresia de mai sus nu presupune un tratament special, semnificaia
acesteia fiind deja cunoscut. Menionm doar c raportul
se citete din
acelai tabel, coninut n anexa 7, pentru proporia clasei inferioare, respectiv
superioare.
Am reluat exemplul anterior, modificnd puin datele, astfel nct s
pstrm acelai numr de subieci i aceeai abatere standard. De data aceas-

85

ta, avem o variabil trihotomic derivat dintr-o variabil continu (vrsta),
care mparte subiecii n subieci tineri, maturi i vrstnici.
Tabelul 1.28 Calculul coeficientului de corelaie triserial
Vrsta
Total
0 1 2 3 4 5 6 7 8 9 10
Tineri 0 0 1 2 4 3 0 7 3 4 5 29
Maturi 0 0 2 3 2 3 2 5 4 2 3 26
Vrstnici 0 0 1 2 6 5 2 2 2 4 1 25
Total 0 0 4 7 12 11 4 14 9 10 9 80

Abaterea standard are tot valoarea 2, media scorurilor obinute de ti-
neri este 6,82, media scorurilor obinute de vrstnici este de 5,80, proporia
clasei tineri este de 0,362 (36,2%) iar proporia clasei vrstnice este de 0,312
(31,2%). Nu am intrat n detalii legate de calculul acestor valori, noiunile
fiind bine cunoscute.
n tabelul din anex, pentru proporia clasei tinere (0,362) gsim ra-
portul
, iar pentru proporia clasei vrstnice (0,312) gsim rapor-

tul 1,0583, primul raport ntlnit, corespunztor proporiei de 0,350, deoarece
tabelul nu furnizeaz o valoare explicit pentru proporia calculat de 0,312.
Avnd acum toate aceste informaii, s calculm coeficientul de core-
laie triserial.

Obinem o corelaie slab ntre cele dou variabile. Desigur, se pune,
i n acest caz, problema semnificaiei acestei corelaii, aspecte pe care le
vom trata n continuare.

86

I.2.2.1 Semnificaia coeficienilor de tip serial
Coeficienii studiai n acest capitol sunt de tip direcional, lund va-
lori cuprinse ntre -1 i +1. Semnificaia interpretativ a acestora o tii deja,
ns va trebui s facem meniunea c lotul de cercetare trebuie c aib un
volum de minim 50 de cazuri pentru ca aceste statistici s poat fi calculate.
Fiind coeficieni de corelaie parametrici, pragul de semnificaie se
obine, dup cum v-ai obinuit deja, prin raportarea la distribuia t pentru un
numr de n
inf
+n
sup
-2 grade de libertate. Testul t de semnificaie poate fi calcu-
lat dup formula:

(formula 1.41)
unde r reprezint coeficientul de corelaie (biserial, punct biserial,
triserial, iar n
inf
i n
sup
frecvenele absolute ale celor dou categorii, inferioa-
r i superioar.
S verificm acum dac acei coeficieni obinui mai sus sunt sau nu
semnificativi. Am obinut un coeficient de corelaie biserial de 0,55 i un
coeficient de corelaie punct biserial de 0,43, pe un lot de cercetare de 80 de
subieci, precum i un coeficient de corelaie triserial de 0,24, pe un volum de
54 de subieci. nlocuind n formul, vom obine:


87

Valorile testului t vor fi verificate n tabelul din anexa 4, la pragul de
semnificaie de 0,05 i 0,01, pentru un numr de 78 grade de libertate n cazul
coeficienilor biserial i punct biserial i 52 de grade de libertate pentru coefi-
cientul triserial.
Nu avem o valoare exact pentru 78 de grade de libertate i vom lua
valoarea imediat inferioar, cea de 60 de grade de libertate. Pentru a fi semni-
ficativ la un prag de semnificaie mai mic de 0,05, testul t trebuie s fie mai
mare de 2,00, iar pentru a fi semnificativ la un prag de semnificaie mai mic
de 0,01, va fi mai mare de 2,66. Valorile testului t pentru coeficienii biserial
i punct biserial sunt mai mari dect aceast valoare, prin urmare corelaia
este semnificativ la un prag de semnificaie mai mic de 0,01.
Pragurile critice pentru 52 de grade de libertate le gsim, analog, la 50
de grade de libertate. Semnificaia pentru un p<0,05 este de 2,00, iar pentru
un p<0,01 este de 2,67. Valoarea testului t n cazul coeficientului de corelaie
triserial este de 1,78, valoare situat sub valoarea prag, aadar coeficientul de
corelaie triserial nu este semnificativ.
I.2.3 Coeficientul de corelaie eneahoric
Ultima situaie discutat n acest subcapitol este aceea n care vei dori
s asociai dou variabile, cel puin trihotomice, trihotomia fiind una conti-
nu. Acest coeficient, propus de Coumetou (Radu, i alii, 1993), reprezint o
extensie a coeficientului r Bravais-Pearson, mai exact a coeficientului
triserial, singura excepie constnd n faptul c nu mai avem de-a face cu va-
riabile continui, ci cu o variabile continui reduse la forma lor continuu-
categorial.
S clarificm puin lucrurile printr-un exemplu. Ne intereseaz s sta-
bilim relaia dintre vrsta subiecilor i coeficientul de inteligen, variabilele
fiind categorizate n patru grupe: inteligen foarte slab, slab, bun i foarte
bun, respectiv foarte tineri, tineri, vrstnici i foarte vrstnici. Nu am folosit

88

o clasificare trihotomic, deoarece am vrut s v prezint posibilitile acestui
coeficient de a se extinde la un numr orict de mare de clase. Singura condi-
ie este aceea a provenienei variabilelor din variabile continui. Dup colecta-
rea datelor, rezult urmtorul tabel:
Tabelul 1.29 Calculul coeficientului de corelaie eneahoric

Inteligen
TOTAL
Foarte
slab
Slab Bun
Foarte
bun
Vrst
Foarte tineri
1
T
4

2 10
7
T
1

8
T
D

Tineri 1 3 12
9

Vrstnici 2 5 11
3

Foarte vrstnici
4
T
3

8 9
1
T
2

5
T
C

TOTAL
5
T
B

8
T
A

88
n

Datele indic un total de 20 de persoane foarte tinere, 25 de persoane
tinere, 21 de persoane vrstnice i 22 de persoane foarte vrstnice. n acelai
timp, avem 8 persoane cu un intelect foarte slab, 18 persoane cu intelect slab,
42 de persoane cu un nivel bun al inteligenei i 20 de persoane cu inteligen
superioar. ntregul lot de cercetare (n) este format din 88 de persoane.
Nu suntem interesai de toate datele din tabel. Referitor la cele dou
variabile, vom avea n vedere totalurile marginale ale grupelor extreme. Mai
precis, grupa celor foarte tineri cu inteligen foarte slab i foarte bun
(T
D
=8 subieci), grupa celor foarte vrstnici cu o inteligen foarte slab i
foarte bun (T
C
=5 subieci), respectiv grupa celor cu inteligen foarte slab,
foarte tineri i foarte vrstnici (T
B
=5 subieci) i grupa celor cu inteligen
foarte bun, foarte tineri i foarte vrstnici (T
A
=8 cazuri).

89

Un alt element este reprezentat de frecvena extremelor. Subiecii
foarte tineri cu inteligen foarte slab (T
4
=1 subiect), subiecii foarte tineri
cu o inteligen foarte bun (T
1
=7 subieci), subiecii foarte vrstnici cu o
inteligen foarte slab (T
3
=4 subieci) i subiecii foarte vrstnici cu o inteli-
gen foarte bun (T
2
=1 subiect). Bineneles, ultimul aspect considerat are n
vedere volumul lotului de cercetare (n=88 subieci).
Toate aceste informaii rezult din tabelul de distribuie n baza unor
simple adunri. Calculul coeficientului eneahoric nu mai presupune dect
aplicarea formulei:
)(
)(
)
(formula 1.42)
Se poate constata cu uurin c absolut toate informaiile se regsesc
n tabel. Nu va trebui dect s nlocuim n formul i vom obine un coefici-
ent de corelaie de 0,689.
) (
) (

) (

I.2.3.1 Semnificaia coeficientului eneahoric
Coeficientul eneahoric este un coeficient direcional, iar analiza sem-
nificaiei acestuia se face n mod analog analizei coeficientului de corelaie r
Bravais-Pearson, motiv pentru care nu vom detalia, lsndu-v dumneavoas-
tr, ca exerciiu, stabilirea semnificaiei coeficientului de corelaie eneahoric.

90

I.3 Corelaii pariale
Corelaiile pariale reprezint un tip particular de analiz a relaiilor
dintre dou variabile, n condiiile n care ambele variabile sunt influenate de
o a treia variabil, iar efectul acesteia este meninut constant. Generaliznd, o
corelaie ntre dou varia-
bile n care efectul posibil
al altor variabile este men-
inut constant, poart nu-
mele de corelaie parial.
(Field, 2000).
Fiecare dintre dum-
neavoastr a susinut cel pu-
in un examen. Chiar dac
unii vor spune c niciodat
nu au avut emoii, eu consi-
der c la unele examene,
emoiile sunt inevitabile. n acest moment, am i eu emoii, gndindu-m la
modul n care vei citi i interpreta aceast carte. Fiind, de acum, cercet-
tori cu experien, ne i vine
ideea studierii relaiei dintre
notele obinute la examen i
emoiile din timpul acestuia.
Excelent, vom spune! Efec-
tum rapid un studiu corela-
ional i obinem o corelaie
negativ ntre emoiile din
timpul examenului i per-
forman, fapt absolut nor-
mal. Mndri de realizare, ne

Emoii examen
Not examen
Variana expli-
cat de emoii
Figura 1.2 Variana din nota de examen explicat de
emoii

Variana explicat de
timpul de studiu
Figura 1.3 Variana din nota de examen explicat de
timpul de studiu

Timp studiu
Not examen

91

i grbim s publicm rezultatele, ba chiar desenm i grafic relaia gsit.
tiu c v-ai fi ateptat la un tip de grafic mai serios. Coninutul figurii
1.2, explic, de fapt, printr-un coeficient de corelaie, cantitatea de varian
din nota obinut la examen, care se poate regsi n emotivitate. Grosier vor-
bind
2
, dac am fi obinut un coeficient de corelaie de 0,342 ntre nota obi-
nut la examen i emoiile din timpul acestuia, practic 11,6% din variana
contra-performanei de la examen se poate explica prin variana emotivitii
(zona de intersecie a celor dou figuri). Suntem, aadar, n pragul unei de-
scoperiri epocale: 11,6% din variana notelor la examen este reprezentat, de
fapt, de variana emotivitii. n sfrit am gsit i demonstrat statistic
motivul pentru care se obin note proaste. Iat-l! Emoiile de la examen.
Cnd credeai i dumneavoastr c vei obine premiul Nobel, iat c
apare cineva i face o afirmaie: Excelent, ns ai luat n calcul relaia dintre
timpul de studiu la o disciplin
i performana la examen?.
Ce-ai mai putea spune? Nu,
ns promitem c vom efectua
o alt cercetare.. Pentru c
suntei oameni de cuvnt, ai i
demarat un studiu analog. De
aceast dat obinei o corela-
ie pozitiv ntre timpul de
studiu i nota de la examen,
coeficientul de corelaie fiind
de 0,651. Desigur c vei ilus-

2
Variana se calculeaz ridicnd la ptrat coeficientul de corelaie. n acest caz, variana ar fi
0,342
2
, adic 0,116 sau 11,6%. Despre coeficientul de corelaie multipl i varian explicat
vom discuta ntr-un alt volum. Unii autori numesc aceast varian prin termenul de varian
comun.

Emoii examen

Timp studiu
Variana explicat de
timpul de studiu
Figura 1.4 Variana din emoiile de examen explicat
de timpul de studiu


92

tra acest lucru folosind un grafic asemntor celui din figura 1.3. Am rs-
puns, iat, la ntrebarea anterioar. Tipul de studiu explic 42,3% din variana
notei obinute la examen. Mult mai mult n comparaie cu emotivitatea. Do-
rind s fim i mai riguroi, putem acum asocia chiar timpul de studiu cu emo-
iile din timpul examenului. Desigur, surpriza nu va ntrzia s apar. Obi-
nem un coeficient de corelaie negativ, s spunem 0,410. Iat c timpul de
studiu se regsete, i el, n procent de 16,8%, n variana emoiilor din tim-
pul examenului. Cu ct un student aloc mai mult timp studiului unei disci-
pline, cu att performana sa la examen va fi mai mare i emoiile din timpul
examenului mai mici. Nu prea v convine. Cnd credeai i dumneavoastr c
v vei putea justifica notele mici la examene prin emoii, iat c vi se spulbe-
r teoria.
Cu un oarecare sentiment de tristee, vei reprezenta acest lucru n fi-
gura 1.4.
Problema, totui, nu s-a rezolvat. Nu am artat dect c timpul de stu-
diu contribuie la scderea emoiilor din timpul examenelor i la creterea no-
telor obinute la
examene. Dup o
logic simpl,
emoiile duc la
scderea notei
obinute la exa-
men, iar timpul de
studiu determin
creterea acestora.
Totui, cum ar-
tm relaia dintre
emoii i perfor-
mana n timpul

Emoii examen

Timp de studiu
Not examen
Variana comun explicat de
timpul de studiu i emoii
Variana pur
explicat de emoii
Variana pur explicat
de timpul de studiu
Figura 1.5 Variana comun explicat de timpul de studiu i emoii


93

examenului? Lucrurile ar fi simple n condiiile n care varianele explicate de
timpul de studiu i de emoiile din timpul examenului ar fi independente. Am
artat c, totui, o parte din variana emoiilor din timpul examenului este
explicat i de timpul de studiu. Logic, aceast varian comun va influena
performana de la examene. De fapt, ne intereseaz ct din variana pur a
performanei de la examene poate fi regsit n emoiile din timpul acestora.
Rspunsul poate fi gsit intuitiv n figura 1.5. Practic, dac meninem con-
stant timpul de studiu, putem stabili care este legtura pur dintre nota ob-
inut la un examen i emoiile din timpul examenului. Observai deja c va-
riana acoperit este mult mai mic, cea mai mare parte fiind explicat prin
intermediul timpului de studiu. Soluia unui asemenea design de cercetare
poate s rezulte numai n baza corelaiilor pariale.
Am prezentat acest exemplu, pe care l-am dezvoltat dup A. Fields
(Field, 2000), din dou motive. Pe de o parte, am dorit s avei o imagine
clar asupra corelaiilor pariale i s v introduc n problema complex a
corelaiilor multiple, iar pe de alt parte, s nelegei la ce poate duce un plan
de cercetare greit conceput. De cele mai multe ori, o asemenea eroare se
pltete destul de scump, cu invalidarea ntregii cercetri.
Coeficientul de corelaie parial nu este altceva dect o variant a co-
eficientului de corelaie r Bravais-Pearson i poate fi obinut dup formula:
)(
)
(formula 1.43)
unde r
12.3
este coeficientul de corelaie parial ntre variabilele 1 i
2, cu meninerea constant (controlnd) variabila 3, r
12
este coeficientul de
corelaie r Bravais-Pearson ntre variabilele 1 i 2, r
13
este coeficientul de
corelaie r Bravais-Pearson ntre variabilele 1 i 3, iar r
23
se refer la ace-
lai coeficient, ntre variabilele 2 i 3.

94

Nu cred c mai rmne ceva de explicat n aceast formul. Tot calcu-
lul se rezum la aflarea unui numr de 3 coeficieni de corelaie r Bravais-
Pearson. Modalitatea de realizare efectiv a acestui lucru a fost tratat pe larg
anterior i nu vom reveni.
Avnd datele fictive din exemplul de mai sus, s procedm la aflarea
corelaiei dintre performana la examen i emoiile din timpul examenului, n
condiiile n care inem sub control timpul alocat studiului. Prima variabil va
fi performana la examen, a doua variabil emoiile din timpul examenului,
iar variabila controlat, timpul alocat examenului. Coeficientul de corelaie
dintre performana la examen i emoiile n timpului examenului (r
12
) este de
0,342. Coeficientul de corelaie dintre performana la examen i timpul alo-
cat studiului (r
13
) este de 0,651 iar coeficientul de corelaie dintre emoiile
din timpul examenului i timpul alocat studiului este de 0,410 (r
23
). Coefi-
cientul de corelaie parial r
12.3
va fi 0,109.

Iat c, meninnd sub control timpul de studiu, corelaia dintre per-
formana la examen i emoiile din timpul examenului este una negativ, de
doar 0,109. Variana performanei la examen nu este acoperit n procent de
11,6%, cum credeam iniial, ci ntr-un procent de doar 1,18%.
Un asemenea tip de corelaie parial poart numele de corelaie par-
ial de rang I, deoarece exist o singur variabil pe care dorim s o contro-
lm din punctul de vedere al efectului. Putem s controlm efectul unui nu-
mr de dou variabile, caz n care vorbim despre corelaie parial de rang
II, efectul a trei variabile corelaie parial de rang III i aa mai departe.
Coeficientul de corelaie se va scrie r
12.3
n cazul unei corelaii pariale de

95

ordin I, r
12.34
pentru o corelaie parial de rang II, r
12.345
pentru corelaiile
pariale de ordin III i aa mai departe.
Algoritmul de lucru este unul analog, bazat pe formula anterioar, ex-
tins pentru un ordin mai mare. Calculele pot deveni ns laborioase, de aceea
pentru corelaii pariale de ranguri mari se prefer utilizarea unui computer i
a unui program specializat.
I.3.1 Corelaii semi-pariale
Atunci cnd calculm coeficientul de corelaie parial ntre dou va-
riabile, controlm efectul exercitat de o a treia variabil asupra ambelor vari-
abile. n exemplul de mai sus, se controleaz efectul exercitat de variabila
timp de studiu att asupra variabilei performan la examen, ct i asupra
variabilei emoii din timpul examenului. Sunt cazuri n care dorim s contro-
lm efectul exercitat de a treia variabil doar asupra unei variabile, n timp ce
vom ignora efectul exercitat asupra celeilalte. De exemplu, dorim s contro-
lm efectul exercitat de variabila timp de studiu doar asupra emoiilor din
timpul examenului, i s-l ignorm n cazul variabilei performan la examen.
O astfel de corelaie poart numele de corelaie semi-parial.
Formulele de calcul, derivate din cea a corelaiilor pariale, vor fi:
(formula 1.44) sau
(formula 1.45)
n primul caz avem de a face cu o corelaie semi-parial n care con-
trolm doar efectul exercitat de a treia variabil asupra primei variabile, n
timp ce efectul exercitat asupra celei de-a doua variabile este ignorat, iar n al
doilea caz, controlm efectul exercitat de a treia variabil asupra celei de-a
doua, ignornd efectul asupra primei.

96

Pentru a fixa cunotinele, v invit s aplicai dumneavoastr cele do-
u formule, folosind datele din exemplul anterior, i s calculai cei doi coefi-
cieni de corelaie semi-parial.
I.3.2 Corelaii pariale pentru date neparametrice
Conceptul de corelaie parial este mai uor de neles n cazul n care
utilizm date parametrice. Pentru date neparametrice, situate la un nivel ordi-
nal, se poate calcula coeficientul de corelaie parial, n baza coeficientului
de corelaie Kendall. Logica analizei ine att de modalitatea de calcul a
coeficientului Kendall, ct i de specificul corelaiilor pariale.
Tabelul 1.30 Logica de calcul a coeficientului de corelaie parial pentru date neparame-
trice

Perechi concordante ntre
variabila Y i variabila Z
Perechi discordante ntre
variabila Y i variabila Z
Perechi concordante ntre
variabila X i variabila Z
A B
Perechi discordante ntre
variabila X i variabila Z
C D
n tabelul 1.30, am reprezentat modalitatea de lucru. Ne intereseaz
corelaia parial ntre dou variabile, X i Y, n condiiile n care meninem
sub control variabila Z. Pentru a putea calcula acest coeficient de corelaie,
trebuie s analizm numrul perechilor concordante i discordante, ntre X i
Y pe de o parte, ntre Y i variabila Z pe de alt parte, apoi putem utiliza
formula:
(formula 1.47)
Se poate observa c acest coeficient de corelaie nu face dect diferen-
a dintre perechile concordante i cele discordante, n condiiile n care se
elimin orice influen a celei de-a treia variabile. Similar datelor parametri-
ce, i acest coeficient se rezum la calcului unui numr de coeficieni de core-
laie Kendall, aa cum rezult i din formula detaliat:

97

(formula 1.48)
S presupunem c la un examen psihologic, un numr de 10 subieci
au fost evaluai cu trei teste: un test de atenie, unul de inteligen i unul de
memorie. Problema care se pune este aceea a calculrii coeficientului de co-
relaie parial ntre inteligen i memorie, n condiiile n care meninem
constant influena ateniei.
Tabelul 1.31 Scoruri obinute de subieci
Atenie (Z) Inteligen (X) Memorie (Y)
1 7 0
3 15 1
7 25 2
4 26 3
5 20 4
6 19 4,1
8 22 4,5
8,5 17 5
8,8 10 7
9 27 8
n mod absolut evident, chiar dac datele sunt la un nivel parametric,
numrul mic de cazuri nu permite utilizarea coeficientului de corelaie paria-
l r i va trebui s folosim corelaia parial pentru date neparametrice. Tre-
buie, nti, s calculm trei coeficieni de corelaie:
xy
,
xz
i
yz
, dup metoda
expus anterior n acest capitol.
V lsm pe dumneavoastr s facei calculele i sperm c vei ajun-
ge la urmtoarele rezultate:
xy
=0,155,
xz
=0,200 iar
yz
=0,866. nlocuind n
formul, se obine:

Pentru corelaii pariale de ordin doi, folosindu-se date neparametrice,
exist o formul derivat din coeficientul de corelaie parial Kendall, pe

98

care ne vom rezuma doar s o prezentm, fr vreun exemplu, deoarece cal-
culul se realizeaz identic, lsndu-v dumneavoastr plcerea gsirii i re-
zolvrii unui exerciiu n baza acestei relaii.
)(
)
(formula 1.49)
Un alt coeficient de corelaie parial a rangurilor, din pcate foarte
puin folosit, este coeficientul
12.3
Johnson. Coeficientul a fost lansat n anul
1966, se bazeaz tot pe ranguri, ca i coeficientul
xy.z
, ns nu mai presupune
ordonarea rangurilor, ca n cazul coeficientului Kendall.
Tabelul 1.32 Scoruri obinute de subieci
Rang Var. 2 < Rang Var. 3
Rang
Var. 2 > Rang Var. 3

Rang
Var. 1 > Rang Var. 3
A B
AB

Rang
Var. 1 < Rang Var. 3
C D
CD

AC

BD

Relaia de calcul a coeficientului de corelaie parial a rangurilor
Johnson este urmtoarea:
(formula 1.50)
Formula 1.50 nu mai presupune lucrul efectiv cu ranguri, ci vizeaz
compararea acestora, prin includerea numrului de cazuri care satisfac inecu-
aiile de mai sus. n plus, nu se mai compar rangurile variabilei 1 cu ranguri-
le variabile 2. Ce ne facem ns dac rangul variabilei 1 este egal cu rangul
variabilei 3, sau n cazuri asemntoare? Regula este foarte simpl - elemen-
tele respective se exclud din calcul.

99

Tabelul 1.33 Scorurile i rangurile obinute de subieci
Atenie (Z) Inteligen (X) Memorie (Y) Clasa
1 - 1 7 -1 0 -1 -
3 - 2 15 - 3 1 - 2 -
7 - 6 25 - 8 2 - 3 A
4 - 3 26 - 9 3 - 4 B
5 - 4 20 - 6 4 - 5 B
6 - 5 19 - 5 4,1 - 6 -
8 - 7 22 - 7 4,5 - 7 -
8,5 - 8 17 - 4 5 - 8 -
8,8 - 9 10 2 7 - 9 -
9 - 10 27 - 10 8 - 10 -

Am reluat exemplul celor 10 subieci de mai sus, n acest caz inclu-
znd, alturi de scoruri, i rangurile (cele scrise ngroat n tabelul 1.33). Mo-
dalitatea de calcul este de o simplitate uluitoare. Ne intereseaz corelaia par-
ial ntre inteligen i memorie, n condiiile n care meninem constant
efectul ateniei. Prima variabil este inteligena iar a doua variabil este
memoria. Comparnd scorurile la probele de inteligen i memorie, pentru
primul subiect, observm c au ranguri egale, deci cazul va fi exclus din ana-
liz. i al doilea subiect va fi exclus din analiz, deoarece rangul scorului la
proba de memorie este egal cu rangul scorului la ateniei. Pentru al treilea
subiect, rangul scorului la proba de inteligen este mai mare dect rangul
scorului la proba de ateniei (X
1
>X
3
) i rangul scorului la proba de memorie
este mai mic dect rangul scorului la proba de atenie (X
2
<X
3
), fiind inclus n
categoria A. Al patrulea subiect prezint ambele variabile memoria i inte-
ligena la un rang mai mare dect atenia i va fi inclus n categoria B. Al
cincilea subiect este inclus tot n categoria B, n timp ce toi ceilali subieci
sunt exclui din cauza egalitii. n final, avem un singur caz n categoria A i
2 cazuri n categoria B, restul categoriilor neavnd nicio valoare.


100

Iat un caz n care obinem coeficientul de corelaie al rangurilor ne-
definit. Desigur, nici coeficientul
xy.z
Kendall nu a indicat o corelaie parial
ntre cele dou variabile, ns chiar s nu obinem nimic? Care ar fi expli-
caia? Nu este greu s v dai seama c acest coeficient se bazeaz pe un nu-
mr de doar trei cazuri din zece, un volum de date extrem de mic. Poate i
acesta este un motiv pentru care popularitatea coeficientului Johnson este att
de redus. Dac volumul de date este mare iar numrul de ranguri egale rela-
tiv mic, se poate apela cu ncredere la indicatorul de mai sus.
I.3.3 Semnificaia corelaiilor pariale
Corelaiile pariale deriv din coeficientul de corelaie r Bravais-
Pearson, ori din coeficientul Kendall, pe care se i bazeaz. Ele sunt, aadar,
corelaii direcionale i pot lua valori cuprinse ntre -1 i +1, ca orice alt coe-
ficient de corelaie direcional.
Verificarea semnificaiei corelaiilor pariale se poate face n baza tes-
tului t, rezultatul fiind raportat la distribuia t, folosindu-se formula:
(formula 1.51)
unde r
jk.x
este coeficientul de corelaie parial, k reprezint numrul
de variabile corelate, iar n se refer la numrul de cazuri.
Valoarea testului t se raporteaz la distribuia t din anexa 4 pentru un
numr de n-2-k grade de libertate.
n cazul nostru, am obinut un coeficient de corelaie parial ntre
performana la examen i emoiile din timpul examenului, n condiii de con-
trol al timpului de examen de r
12.3
=-0,109, studiind un lot de cercetare de 103
persoane. Avem dou variabile corelate performana la examen i emoiile
din timpul examenului. Valoarea testului t va fi de 1,09.

101

Raportnd valoarea testului t (- 1,09) la un numr de 103-2-2=99 gra-
de de libertate, observm c acest coeficient de corelaie obinut nu este sem-
nificativ (pentru a fi semnificativ la un prag de semnificaie mai mare de
0,05, testul t trebuie s depeasc valoarea 1,990). Aadar, nu exist nicio
legtur ntre performana la examen i emotivitatea din timpul examenului.
V-ai fcut iluzii degeaba.
Pentru a v veni n ajutor, am furnizat n anexa 9 tabelul pragurilor de
semnificaie pentru coeficientul de corelaie parial Kendall, n cazul n
care v este mai comod s privii un tabel dect s efectuai propriile calcule.
n privina coeficientului de corelaie parial Johnson, analiza semni-
ficaiei se face n funcie de estimatorul
2
, dup relaia urmtoare:
(formula 1.52)
n aceast situaie, semnificaia coeficientului de corelaie este dat de
semnificaia lui
2
. Acest estimator poate fi folosit numai dac numrul total
de cazuri este mai mare de 40, iar frecvena minim ntr-o categorie (A, B, C
sau D) este de 10.
Cea de-a treia variabil, variabila controlat, o vei putea ntlni n li-
teratura de specialitate i sub numele de variabil supresoare deoarece efec-
tul controlului acesteia determin, dup cum ai vzut deja, reducerea coefici-
entului de corelaie bivariat ntre cele dou variabile (numit, n general, coe-
ficient de corelaie de rang zero). Din aceleai motive rezultate n urma
faptului c a treia variabil mediaz coeficientul de corelaie de rang zero ,
aceast variabil se mai poate numi i variabil mediatoare. Totui, cel mai
frecvent, aceast variabil se numete variabil de control.

102

Capitolul referitor la corelaiile pariale ncheie seciunea referitoare la
analiza relaiilor dintre dou variabile i deschide drumul ctre studiul corela-
iilor multiple i al regresiilor.
I.4 Interpretarea coeficienilor de corelaie
mi vei pune ntrebarea dac trebuie sau nu trebuie memorate toate
aceste relaii. Formulele, desigur, nu trebuie memorate, iar la examen este
prea puin probabil s vi se dea un subiect de genul: Explicai coeficientul
de corelaie tetrachoric. S-ar putea, ns, ca la examenul profesional al vie-
ii, s v confruntai cu o problem de cercetare. n funcie de tipurile de
variabile cuprinse n planul de cercetare, va fi nevoie s calculai un anumit
coeficient. Alegerea unui coeficient de corelaie inadecvat v poate crea mari
probleme la interpretarea rezultatelor.
Pentru a v veni n ajutor, avei mai jos un tabel (tabelul 1.34) care v
indic ce coeficieni de corelaie putei folosi pentru analiza corelaional
bivariat, n funcie de nivelul de msur al variabilelor.
Referitor la corelaii, exist trei elemente eseniale n interpretarea
unui coeficient de corelaie, i anume: sensul, valoarea i semnificaia.
Sensul unei corelaii este dat de semnul coeficientului de corelaie n
cazul coeficienilor de corelaie direcionali. O corelaie pozitiv arat c di-
recia n care evolueaz o variabil este i direcia de evoluie a celeilalte va-
riabile.
Dac rezult o corelaie pozitiv ntre notele obinute la matematic i
notele obinute la fizic, nseamn c, elevii care au note mari la matematic,
au note mari i la fizic. Cei cu note mici la matematic, obin note mici i la
fizic. Corelaiile negative sunt cele ale cror coeficieni de corelaie au sem-
nul minus, i indic faptul c, direcia de evoluie a unei variabile reprezint
evoluia invers a celeilalte variabile. O corelaie negativ ntre vrst i ca-
pacitatea de asimilare a cunotinelor indic faptul c subiecii tineri pot asi-

103

mila mai multe cunotine, n timp ce subiecii n vrst vor asimila cunotin-
e mai puine.
Tabelul 1.34 Utilizarea coeficienilor de corelaie

Variabila Y
Dihotomic Nominal Ordinal Scalar
Variabila X
Dihotomic
-
2
-
- cc
- tetrachoric
-
2

- V Cramer
- cc
-
- polichoric
- rang biserial
- poliserial
- biserial
- punct biserial
Nominal
-
2

- V Cramer
- cc
-
-
2

- V Cramer
- cc
-
-
2

- V Cramer
- cc
-
-
2

- V Cramer
- cc
- (grupat n
clase)
- triserial (provi-
ne din variabila
continu)
Ordinal
- polichoric
- rang biserial
-
2

- V Cramer
- cc
-
- Spearman
- Kendall
-
- polichoric
- W Kendall
- Spearman
(dac lotul este
mai mic de 30
sau dac cel
puin o variabil
nu se distribuie
normal)
- Kendall (dac
cel puin o una
dintre variabile
nu se distribuie
normal)
- (date grupate
n clase ierarhice)
- poliserial
Scalar
- poliserial
- biserial
- punct biserial
-
2

- V Cramer
- cc
- (grupat n
clase)
- triserial (provine
din variabila
continu)
- Spearman
(dac lotul este
mai mic de 30
sau dac cel
puin o variabil
nu se distribuie
normal)
- Kendall
(dac cel puin
o una dintre
variabile nu se
distribuie
normal)
- (date grupate
n clase ierarhi-
ce)
- poliserial
- r Pearson
- eneahoric (vari-
abile categori-
zate)

104

Sensul unei corelaii nu conteaz n cazul coeficienilor de corelaie
nedirecionali. n aceast situaie, accentul cade doar pe interpretarea semni-
ficaiei i a valorii.
Faptul c o corelaie poate fi sau nu poate fi semnificativ este deter-
minat de raportarea la pragul de semnificaie. Nu intrm n amnunte, deoa-
rece analiza semnificaiei s-a realizat la fiecare coeficient de corelaie studi-
at. Precizm doar c, n domeniul tiinelor socio-umane, limita maxim a
pragului de semnificaie este de 0,05. Cu alte cuvinte, putem accepta ca cel
mult 5% dintre rezultatele obinute s se datoreze unei erori de eantionare.
n 95% din cazuri relaia exist, cu adevrat, la nivelul populaiei. Desigur,
pragul de semnificaie nu garanteaz reprezentativitatea eantionului, aceasta
fiind o alt problem. Probabil c, v vei ntreba, n ce baz stabilim pragul
de semnificaie. Ideea este c, pe msur ce pragul de semnificaie este mai
mic, rezultatele sunt mai precise, mai valoroase. Stabilirea pragului se face n
funcie de importana cercetrii. n domeniul tiinelor sociale, putem accepta
faptul c 5% dintre rezultate se pot datora erorilor de eantionare. Dac ns
desfurm un studiu n industria farmaceutic, la lansarea unui nou medica-
ment, s-ar putea ca acest prag s fie mult prea mare, preferndu-se un prag de
semnificaie de 0,01 sau chiar mai mic. Oricum, alegerea pragului de semni-
ficaie influeneaz probabilitatea de producere a erorilor de tip I sau a erori-
lor de tip II respingerea ipotezei nule n condiiile n care nu ar trebui res-
pins sau, din contra, acceptarea ipotezei nule n condiiile n care ar trebui
respins. Pentru detalii suplimentare, consultai lucrarea anterioar.
Valoarea coeficientului de corelaie indic puterea corelaiei. Fie c
vorbim despre coeficieni de corelaie direcionali sau nedirecionali, analiza
valorii acestora se supune unor repere, dup cum urmeaz:
Coeficienii de corelaie cu valori absolute situate ntre 0,00 i
0,20 indic absena unei corelaii reale sau o corelaie foarte
slab;

105

Valorile absolute situate ntre 0,21 i 0,40 arat o corelaie sla-
b ntre cele dou variabile;
O corelaie moderat se obine atunci cnd valorile absolute
sunt cuprinse ntre 0,41 i 0,60;
Dac un coeficient de corelaie are valoarea absolut cuprins
ntre 0,61 i 0,80, vorbim despre o corelaie puternic;
n sfrit, coeficieni de corelaie cu valori absolute situate n-
tre 0,81 i 1,00 arat existena unei legturi foarte puternice n-
tre cele dou variabile;
Desigur, aceste repere sunt orientative. Coeficienii de corelaie de-
pind de volumul eantionului sau a lotului de cercetare studiat, dar i de ali
factori, dup cum vom vedea n continuare. Este mult mai uor s obinem
coeficieni de corelaie ridicai atunci cnd studiem 10 persoane, n compara-
ie cu situaia analizei unui numr de 1000 de persoane.
Trebuie, de asemenea, s tii c, nu ntotdeauna valoarea unei cerce-
tri este dat de respingerea ipotezei nule. Exist o tendin printre studeni,
i chiar printre anumii cercettori, de a respinge, prin orice mijloace, ipoteza
nul. Unii merg pn acolo nct afirm c dac un studiu nu respinge ipoteza
nul, i dac nu se accept una dintre ipotezele alternative, acel studiu nu are
valoare. Complet fals! Aceasta este o stereotipie a cercetrii tiinifice, ntl-
nit frecvent printre debutani. De multe ori, lipsa de respingere a ipotezei
nule are o valoare la fel de mare ca i respingerea acesteia. Dac, de exemplu,
se realizeaz un studiu n care se verific relaia dintre puterea mainii i ris-
cul de accident, credei c lipsa de respingere a ipotezei nule nseamn un
studiu invalid? n nici un caz. Faptul c nu exist nicio legtur ntre puterea
mainii i riscul de accident nu reprezint o invalidare a studiului, din contra,
ofer informaii preioase. Probabil c nu maina puternic crete riscul acci-
dentului de circulaie, ci lipsa de experien sau teribilismul oferului. Se cre-

106

eaz astfel premisele unei noi cercetri pe alte teme. S nu v mai fie fric,
aadar, de ne-respingerea ipotezei nule. Valoarea unui studiu tiinific nu este
dat de respingerea sau nu a ipotezei nule, ci de informaiile noi pe care le
aduce cercetarea. Am fcut aceast meniune, deoarece mi s-a ntmplat s
cunosc studeni n licen, disperai c nu obineau corelaii semnificative, i
crora profesorii coordonatori le spuneau c dac nu se obine o corelaie
semnificativ, lucrarea de licen nu este bun. Dincolo de tragi-comicul situ-
aiei, a trebuit s petrec ceva timp lmurind persoanele n cauz c lucrurile
nu stau chiar aa.
I.4.1 Grade de libertate
Am ntlnit, deseori, expresia grade de libertate. Cred c avei deja
o imagine asupra semnificaiei acestui termen. n principiu, gradele de liber-
tate arat numrul valorilor (al cazurilor) luate n calcul pentru un indicator
statistic, i difer de numrul total (n) al lotului de cercetare. Dac efectum
un studiu corelaional simplu, bazat pe 137 de subieci, coeficientul de core-
laie obinut se raporteaz la un numr de 136 (n-1) grade de libertate. Prin
urmare, se pierde un subiect. De ce se ntmpl acest lucru? Care este moti-
vul pentru care nu lucrm cu ntregul efectiv, ci cu efectivul minus un sub-
iect? Pentru a nelege logica, vom considera un exemplu.
S presupunem c lucrai la o fabric de confecii, iar pentru a stimula
angajaii unui birou, avei la dispoziie un numr de zece premii, n obiecte de
mbrcminte, dintre care acetia vor putea s aleag obiectul de mbrcmin-
te dorit. Dac biroul are exact 10 angajai, primul angajat poate alege un
premiu dintre cele zece expuse. Al doilea angajat alege un premiu dintre cele
nou rmase, al treilea unul dintre cele opt i aa mai departe. Cel din urm
angajat mai alege? Evident c nu. El trebuie s se mulumeasc lund ultimul
obiect rmas. Ultima persoan mai face vreo alegere? Ei bine, nu. n aceast
situaie, nu mai putem vorbi de probabiliti, nu exist nicio posibilitate de
alegere. Ca s putem folosi principii statistice, trebuie s existe cel puin o

107

ans de a alege. n cazul ultimului angajat, aceast ans nu mai exist. Care
a fi, aadar, soluia? Fie mrim numrul de premii (11), caz n care i cel de-
al zecelea angajat poate alege ntre dou obiecte de mbrcminte, fie renun-
m la al zecelea angajat i ne limitm la ultimul care a putut s fac o alegere
(al noulea, care a ales unul dintre cele dou obiecte rmase). Aceast ultim
situaie reflect exact principiul gradelor de libertate.
S nuanm puin lucrurile. Presupunem c cele 10 articole de mbr-
cminte sunt formate din 5 rochii i 5 costume brbteti. ntrebarea care se
pune este cte persoane pot accesa aceste articole, n condiia n care fiecare
persoan va trebui s aib o ans de a alege? Probabil c cele 5 rochii vor fi
alese de femei. Ca s poat alege, vom avea nevoie de cel mult 4 femei. Simi-
lar, cele 5 costume brbteti pot fi alese de maximum 4 brbai, ultimul
avnd posibilitatea de a alege ntre dou costume. Aadar, putem lua n calcul
maximum 8 persoane, i nu 10 cte aveam iniial.
n orice analiz multivariat, numrul total de subieci se reduce n
funcie de nivelurile unei variabile. Gradele de libertate exprim numrul de
cazuri luat n calcul pentru a obine indicatorul statistic dorit, n condiiile n
care se poate vorbi de probabiliti.
I.4.2 Efecte exercitate i varian
Muli nceptori consider c un coeficient de corelaie poate s ex-
prime i procentual puterea legturii dintre dou variabile. Dac obinem un
coeficient de corelaie de 0,34, acesta ar exprima faptul c 34% din variana
unei variabile se regsete (poate fi explicat) prin variana celeilalte variabi-
le (vezi figurile 1.2 1.5). n realitate nu este chiar aa.
Mrimea efectului reprezint o msur obiectiv i standardizat a
magnitudinii relaiei dintre dou variabile, i se obine, foarte simplu, prin
ridicarea la ptrat a coeficientului de corelaie. La un coeficient de corelaie
de 0,34, mrimea defectului va fi de 0,129, adic variana explicat este de

108

12,9% i nu de 34% aa cum am crezut iniial. Motivele care stau n spatele
acestei operaii se regsesc n suportul teoretic al varianei i nu le vom mai
trata aici. Alturi de coeficientul de corelaie, mrimea efectului este o alt
msur, mai versatil, mai intuitiv, a puterii statistice a unei cercetri. Ex-
primarea procentual este mai uor de neles n comparaie cu expresia sim-
pl a unui coeficient de corelaie. Este bine ca n orice studiu de acest tip,
alturi de coeficientul de corelaie, s indicai i mrimea efectului pe care l
genereaz, n termeni de varian explicat.
Strict orientativ, Andy Fields (Field, 2000) ofer o serie de repere n
interpretarea mrimii efectului, n funcie de valorile absolute ale coeficientu-
lui de corelaie liniar (notat generic cu r):
0,00 < r < 0,10 efecte reduse, explicnd pn la 1% din vari-
ana total;
0,11 < r < 0,30 efecte medii, explicnd ntre 1% i 9% din
variana total;
0,31 < r < 0,50 efecte mari, explicnd ntre 9% i 25% din
variana total;
r > 0,51 efecte foarte mari, explicnd peste 25% din variana
total.
Ar fi destul de multe lucruri de discutat aici, inclusiv aspecte referi-
toare la puterea indicatorilor statistici. Nu le vom aborda acum. Acestea vor fi
tratate pe larg n capitolul dedicat statisticilor infereniale. Cunotinele dum-
neavoastr n domeniul planurilor de cercetare de tip corelaional sunt, deo-
camdat, suficiente.

109

I.4.3 Strategii de analiz i interpretare a corelaiilor
nainte de a ncepe un studiu corelaional, de a ne apuca de calculat i
de interpretat coeficieni, este bine s ne punem o serie de ntrebri, pentru a
evita eventualele surprize neplcute.
1. Ce fel de date vom colecta?
Aceasta este o ntrebare pe ct de evident, pe att de mult ignorat.
Dac datele colectate sunt situate la un nivel nominal, evident, nu exist nicio
posibilitate de ierarhizare, ca s nu mai vorbim de medii i de abateri stan-
dard. n acest caz, utilizarea unor metode care implic ordinea (cum ar fi coe-
ficienii Spearman sau Kendall) ori, mai grav, a coeficienilor parametrici (r
Pearson) pot duce la erori serioase de interpretare i riscai s v facei de rs.
n acest caz, putei folosi
2
i coeficienii derivai din acesta.
Datele ordinale sunt ceva mai flexibile. Dac se pot ierarhiza categori-
ile variabilei, pe lng metodele specific nominale (pe care nu are sens s le
mai utilizai acum, fiind prea slabe), putem aborda corelaii bazate pe ranguri.
Msurarea datelor la nivel ordinal depinde de ordinea categoriilor, ignorarea
acestui lucru ducnd la pierderi semnificative de informaie. Dac folosim
corelaii pentru date nominale, evident c vom pierde informaie. Unii cerce-
ttori proiecteaz cercetarea n aa fel nct grupeaz, de la nceput, subiecii
n categorii. Un exemplu excelent n acest sens este variabila vrsta. Sunt
unii care n loc s solicite subiecilor vrsta n ani, realizeaz, pentru acest
lucru, categorii de vrst (ntre 20 i 25 de ani, peste 40 de ani i aa mai de-
parte). Iat c, la proiectarea cercetrii, aceast variabil, n mod natural con-
tinu, este transformat ntr-o variabil ordinal. Se pierde, prin urmare, foar-
te mult informaie. Nu mai putem vorbi de media de vrst, nu mai putem
efectua corelaii parametrice cu aceast variabil i va trebui s ne rezumm
doar la analize de date neparametrice. n mod evident, pierderea informaiilor
este cu att mai mare, cu ct numrul categoriilor este mai mic.

110

Cea mai fericit situaie este aceea n care colectm date aflate la un
nivel scalar (sau asimilate unui nivel scalar). Dar, i n acest caz, se pun anu-
mite probleme. n primul rnd, existena unui numr suficient de cazuri. Nu
are sens c calculm coeficientul de corelaie r Pearson sau corelaii seriale
ori pariale dac numrul de cazuri este foarte mic, n general sub 50 de sco-
ruri. n aceast situaie, o msur mai stabil ar fi calculul coeficientului de
corelaie Spearman. n al doilea rnd, datele sunt distribuite normal? Iat un
motiv foarte serios pentru a proceda la analiza normalitii distribuiei. Dac
numrul de subieci este mare, iar datele nu se distribuie normal, nu putem
lucra cu un coeficient de corelaie bazat pe medii, cum este r Pearson. Se pre-
fer, n acest caz, Spearman sau Kendall. Unii autori (Liebetrau, 1983)
interzic chiar utilizarea coeficientului Spearman n aceste situaii, recoman-
dnd doar analizele bazate pe Kendall.
2. Ce tip de ipoteze au fost formulate?
Tipul ipotezei formulate are o mare importan, ndeosebi sub aspec-
tul distinciei ntre ipotezele unilaterale i bilaterale. Stabilirea semnificaiei
unui coeficient se va face doar n strict concordan cu acest aspect. Rapor-
tarea pragului de semnificaie bilateral n condiiile unei ipoteze unilaterale i
invers, constituie o eroare. Din fericire, acest lucru poate fi uor remediat.
3. Care este motivul pentru care s-a analizat relaia dintre dou va-
riabile?
Iat o ntrebare care, la prima vedere, s-ar putea s v surprind. De-
sigur, rspunsul l putei gsi studiind obiectivele i ipotezele cercetrii. Cer-
cetarea urmrete analiza legturii (corelaiei) dintre dou variabile? Ori, poa-
te, dorete s precizeze gradul de acord ntre mai multe persoane referitor la o
anumit problem sau la un anumit grup de subieci. Sau, de ce nu, pentru a
efectua o predicie i a stabili o relaie cauzal.

111

Datele nu pot fi tratate mecanic, fr referire la scopul cercetrii.
Dac se urmrete simpla legtur ntre variabile (msurtori numite i anali-
ze simetrice), se pot folosi coeficieni de corelaie cum ar fi r Pearson,
Spearman, Kendall i alii. Gradul de acord ntre mai multe persoane (ana-
lize asimetrice) se poate investiga, mai curnd, prin coeficieni de concor-
dan. Prediciile sunt mai adecvate pentru coeficienii de asociere, cum ar fi
cei Goodman-Kruskal ori coeficientul d Somers.
4. Dorim s facem inferene pe baza datelor analizate?
Desigur! Altfel pentru ce mai cercetm ceva, dac nu pentru a extinde
cunotinele la nivelul populaiei. Doar c, acest lucru nu este chiar att de
simplu cum pare la prima vedere. Ne-ar interesa, n acest sens, s tim cum se
distribuie parametrul la nivelul populaiei. Din fericire, majoritatea parametri-
lor se distribuie normal la nivelul unei populaii (sau cel puin aa se presu-
pune matematic), ns, i n acest caz, se pune problema unei corecte estimri
a varianei. Nu ne mai putem rezuma doar la analiza coeficientului i a pragu-
lui de semnificaie. Suntem obligai s furnizm intervalele de ncredere ale
estimrilor, erorile de estimare i alte date care pot da valoare i pertinen
inferenei.
Tehnic, n analiza i interpretarea corelaiilor sunt importante trei as-
pecte (Urdan, 2005):
Analiza grafic a legturii dintre dou variabile;
Calculul coeficientului de corelaie, a semnificaiei acestuia i
a mrimii efectului determinat;
Calculul intervalelor de ncredere
I.4.3.1 Analiza grafic a relaiei dintre dou variabile
tii, probabil, c nu agreez, n mod deosebit, analizele statistice fun-
damentate pe poze i pe alte elemente grafice, deoarece consider c statistica

112

se bazeaz pe cifre. Iat, ns, un domeniu n care fac excepie de la regul, i
recomand nceperea analizei corelaionale prin inspectarea grafic a legturii
dintre dou variabile.
Asocierea dintre dou variabile msurate
pe o scal parametric se reprezint grafic
printr-o diagram numit nor de puncte (scat-
terplot n limba englez) sau diagram de core-
laie. Aceasta se prezint sub forma unui grafic
cu dou axe, pe fiecare dintre ele regsindu-se o
variabil. Nu exist nicio regul dup care re-
prezentm variabilele, pe abscis sau pe ordonat.
(Sava, 2004).
Orice corelaie presupune existena unei relaii ntre cele dou varia-
bile, fie pozitiv, fie negativ, monoton, liniar, etc.
n figura 1.6 este reprezentat diagrama
de corelaie n cazul unei corelaii pozitive
ntre variabilele X i Y. Observm liniaritatea
relaiei i traseul ascendent (pozitiv) al acesteia.
Subiecii cu scoruri mici la variabila X, au sco-
ruri mici i la variabila Y. Pe msur ce scoru-
rile subiecilor cresc la variabila X, cresc i la
variabila Y. Intuii deja existena unui coefici-
ent de corelaie ridicat ntre cele dou variabile,
corelaia fiind, de asemenea, semnificativ.
n figura 1.7 avei norul de puncte n cazul unei corelaii negative n-
tre variabilele X i Y. Asocierea dintre variabile este, de asemenea, liniar,
ns subiecii care au scoruri mici la variabila X, au scoruri mari la variabila
Y. Pe msur ce scorurile subiecilor cresc la variabila X, scad la variabila Y.
Figura 1.6 Corelaie pozitiv
puternic ntre dou variabile

Figura 1.7 Corelaie negativ
puternic ntre dou variabile


113

n acest caz, putem anticipa existena unui coeficient de corelaie ridicat,
semnificativ i negativ.
Figura 1.8 indic lipsa legturii dintre
cele dou variabile, X i Y. Dup cum se poate
observa, nu exist nicio relaie liniar ntre cele
dou variabile. Nu putem afirma c scorurile
sunt legate n vreun fel. n acest caz, valoarea
unui eventual coeficient de corelaie va fi foarte
mic, i, n mod cert, corelaia nu este
semnificativ. Spunem, n aceast situaie, c
cele dou variabile nu sunt relaionate.
Analiza norului de puncte, ne permite s apreciem forma relaiei din-
tre dou variabile (relaia liniar, neliniar sau absena relaiei), direcia aces-
tei relaii (ascendent sau pozitiv, ori descendent, negativ) i intensitatea
legturii dintre variabile (legtur puternic, punctele fiind apropiate de
dreapta de evoluie liniar sau legtur slab, punctele fiind mai deprtate de
aceast dreapt).
Analiza formei norului de puncte poate
releva aspecte importante, ndeosebi n situaia
n care coeficientul de corelaie are valori mici.
S nu ne grbim s afirmm c nu exist nicio
legtur ntre variabile, ci s analizm grafic
semnificaia acestei valori. S presupunem c,
ntr-un studiu, am obinut un coeficient de core-
laie r Bravais-Pearson de 0,15, corelaia nefiind
semnificativ. Cei mai muli se vor grbi s afirme c nu exist nicio legtur
ntre cele dou variabile. Desigur, acest lucru poate fi valabil dac norul de
puncte arat ca n figura 1.8.
Figura 1.8 Lipsa legturii
dintre dou variabile

Figura 1.9 Existena unui scor
extrem


114

Acelai coeficient de corelaie se poate obine i n cazul datelor re-
prezentate n figura 1.9. Putem spune c nu exist nicio legtur ntre cele
dou variabile? Sigur c nu. Legtura exist, este pozitiv i puternic. Ele-
mentul care conduce la scderea valorii coeficientului de corelaie este toc-
mai scorul extrem, pe care l putei remarca
foarte uor. Iat c, n absena analizei grafice,
ne putem pcli. Nu ne rmne dect s elimi-
nm acel scor extrem, i vom observa modifica-
rea radical a coeficientului de corelaie.
Un alt element important, se refer la
constana grosimii norului de puncte. n studiile
de tip corelaional, plecm de la presupunerea c
norul de puncte are o grosime constant pe n-
treaga distribuie. Aceast grosime constant poart numele de
homoscedasticitate, i se poate observa n figura 1.10.
ntr-o corelaie homoscedastic, un coe-
ficient de corelaie are valori mari. Semnificaia
este aceea c, pe ntreaga amplitudine a distribu-
iei celor dou variabile, relaia liniar se ps-
treaz.
Un coeficient de corelaie mic, poate fi
obinut i pe baza unei relaii heteroscedastice,
ca n figura 1.11. Acest caz ne poate induce n
eroare, ne poate face s considerm c nu exist nicio legtur ntre cele dou
variabile. n realitate, legtura exist, ns norul de puncte nu mai este omo-
gen, ca n primul caz, ci eterogen. n figura 1.11 observm existena unei co-
relaii pozitive ntre cele dou variabile. Corelaia este, ns, mai puternic n
cazul scorurilor mici, i mai slab sau inexistent la scorurile mari. Per an-
samblu, coeficientul de corelaie va avea valori mici, fapt care nu reflect nici
Figura 1.10 Relaie
homoscedastic ntre variabile

Figura 1.11 Relaie
heteroscedastic ntre variabile


115

pe departe realitatea. De exemplu (Sava, 2004), dac vom studia relaia dintre
coeficientul de inteligen i creativitate, vom obine un nor de puncte
heteroscedastic. Corelaia dintre aceste dou dimensiuni este puternic la
valori mici ale inteligenei i creativitii. Pe msur ce coeficientul de inteli-
gen crete, intensitatea legturii scade, datorit
interveniei unor factori intelectuali i non-
intelectuali. Problema care se pune este aceea a
stabilirii punctului pn la care relaia se ps-
treaz, iar interpretarea va ine seama de aceste
aspecte.
Dac vom studia relaia dintre venituri i
cheltuieli pe articole de mbrcminte, s-ar putea
s avei surpriza obinerii unui coeficient de core-
laie mic. Acceptarea ipotezei conform creia nu exist nicio legtur ntre
venituri i cheltuieli pe articole de mbrcminte s-ar putea s fie eronat, n
condiiile n care norul de puncte arat ca n figura 1.12.
Remarcm, n acest caz, existena a dou seturi distincte de date.
Putem suspecta existena unei variabile moderatoare, n acest caz genul bio-
logic al persoanei. Relaia poate exista n cazul femeilor (norul de puncte
compact din partea de stnga-sus a graficului), pentru brbai nefiind semni-
ficativ (norul de puncte din dreapta-jos). Dac
vom trata compact lotul de cercetare, sigur c
vom obine un coeficient de corelaie foarte mic.
n acest caz, analiza se realizeaz separat pentru
brbai i pentru femei, rezultatele raportndu-se
n consecin.
Ultimul element pe care l remarcm, din
punctul de vedere al formei distribuiei, se refer
la relaiile neliniare. Cei dintre dumneavoastr care au studiat psihologie,
Figura 1.12 Existena seturi-
lor de date

Figura 1.13 Relaiile nelinia-
re ntre variabile


116

cunosc relaia dintre motivaie i performan. Performana crete pe msur
ce crete motivaia, ns doar pn la un punct, numit optim motivaional.
Dincolo de acest punct, supra-motivarea conduce la scderea performanei.
Norul de puncte, ntr-o asemenea situaie, ar arta ca n figura 1.13.
Desigur, studiind legtura dintre motivaie i per-
forman, am obine un coeficient de corelaie foar-
te mic. S ne rezumm la interpretarea strict a
acestui coeficient, ar fi o eroare. n realitate, exist
o corelaie pozitiv puternic pentru prima jumtate
a graficului i o corelaie negativ puternic pentru
a doua jumtate. Nici vorb de absena corelaiei.
Lucrurile se rezolv simplu, prin depistarea punctu-
lui de optim motivaional, i prin tratarea datelor ca
dou seturi distincte de date. Cercetarea devine valoroas tocmai prin aceast
particularitate.
Puterea legturii dintre dou variabile este dat, evident, de coeficien-
tul de corelaie. Cu ct acesta se apropie de valoarea 1, n cazul unei corela-
ii liniare, cu att legtura este mai puternic, da-
tele sunt mai grupate n jurul unei drepte de evo-
luie imaginare. Valorile apropiate de zero conduc
la un nor de puncte mprtiat n jurul acestei
drepte imaginare.
n figura 1.14 este reprezentat norul de
puncte al unui coeficient de corelaie pozitiv de
0,91. Observai modul n care se grupeaz datele.
Este cazul unui studiu referitor la vrsta soului i a soiei. Desigur, n condi-
ii normale, vrsta soilor este apropiat, legtura dintre cele dou variabile
fiind puternic (excepiile de la aceast regul le putei gsi i singuri studiind
viaa monden din Romnia).
Figura 1.14 Corelaie puter-
nic ntre dou variabile

Figura 1.15 Corelaie slab
ntre dou variabile


117

Figura 1.15 arat norul de puncte al unei corelaii negative slabe de
0,28. Putem intui dreapta de evoluie a celor dou variabile, ns observai c
datele sunt mult mai mprtiate n jurul acesteia. Legtura, evident, exist,
ns nu are puterea celeia din figura 1.14. Variabilitatea datelor n acest caz
este mult mai mare.
Fcnd aceast incursiune prin analiza graficelor, am dorit s sublini-
em importana studiului diagramei de corelaie. Interpretarea exclusiv pe
baza coeficientului de corelaie nu se recomand, deoarece, foarte uor putem
cdea n capcana unei relaii neliniare sau specifice. Primul pas n interpreta-
rea coeficientului de corelaie este analiza diagramei de corelaie. n funcie
de aspectul datelor, se ajusteaz procedurile de calcul i de raportare.
Analiza datelor prin utilizarea creionului i a hrtiei reprezint un pro-
ces laborios, care presupune o important investiie de timp i este susceptibil
de a genera erori. Din fericire, programele specializate de analiz statistic
pot face aceste operaii n cteva fraciuni de secund. Iat c a venit timpul
s studiem corelaiile folosind cunoscutul pachet de programe, SPSS for
Windows.
I.5 Obinerea coeficienilor de corelaie n SPSS
Nu-i aa c v-ai sturat de attea calcule? Aa-i c v este dor de c-
teva clicuri? Sigur c vorbim despre o diferen enorm. Pe un lot de cerceta-
re de 200 de persoane, pentru a calcula pe hrtie coeficientul de corelaie r
Bravais-Pearson, probabil c v va lua jumtate de zi. Folosind SPSS for
Windows i presupunnd c avei deja datele introduse, v va lua sub un mi-
nut.
I.5.1 Coeficieni de corelaie bazai pe date parametrice
SPSS for Windows, n acest moment, a ajuns la versiunea 17, versiu-
ne cu multe mbuntiri i faciliti n comparaie cu variantele anterioare.
nainte de a ncepe, vom crea o baz de date nou, relund exemplul din capi-

118

tolul destinat studiului corelaiilor pariale. V reamintesc faptul c am dorit,
atunci, s aflm legtura dintre performana la examen i emoiile din timpul
examenului. Realizm, prin urmare, o baz de date cu urmtoarea structur:
Tabelul 1.35 Structura bazei de date
Variabila Eticheta Nivel de msur Tip Caractere
Timp Timp de studiu Scalar Numeric 2
Emotii Emotii examen Scalar Numeric 3.2
Gen Gen biologic Nominal Numeric 1
Nota Nota examen Scalar Numeric 3.2

Probabil c v mai amintii cum se creeaz o baz de date n SPSS.
Detalii despre aceste procedee putei gsi n lucrarea anterioar sau n alte
cri de specialitate. Observm c avem un numr de patru variabile, toate
elementele necesare realizrii bazei de date gsindu-se n
tabelul 1.29. Variabila Gen este o variabil nominal,
cu asocierile din tabelul alturat.
Dup realizarea structurii bazei de date, n fereastra principal SPSS,
seciunea Data view vei avea urmtoarea structur, prezentat n figura
1.16.
Aceast baz de date o vom folosi doar pen-
tru studiul coeficienilor de corelaie parametrici,
aprofundarea corelaiilor neparametrice fcndu-
se pe baza altor date.
Pentru acest studiu, am investigat un numr de 103 subieci, nregis-
trnd timpul de studiu (n ore) necesar susinerii examenului de statistic,
media obinut la examenul de statistic (nota la examen i activitatea de se-
Valoare Etichet
Gen 1 Masculin
2 Feminin
Figura 1.16 Structura bazei
de date


119

minar), genul biologic i scorul obinut la un instrument de evaluare a emoti-
vitii n condiii de examen
3
.
Nu este cazul s v mai explic modul n care vei introduce datele n
SPSS. Mai jos avei ntreaga baz de date, pe care v invit s o realizai. Nu
v speriai, nu v ia mai mult de 10 minute. Dup ce ai introdus datele, sal-
vai fiierul sub numele de Corelaii parametrice.
Tabelul 1.36 Baza de date Corelaii parametrice
Timp Emotii Gen Nota Timp Emotii Gen Nota
4 86,30 1 4,00 42 68,57 2 7,00
11 88,72 2 6,50 4 93,55 1 4,00
27 70,18 1 8,00 8 84,69 2 8,00
53 61,31 1 8,00 6 82,27 1 1,00
4 89,52 1 4,00 11 81,46 2 2,00
22 60,51 2 7,00 7 82,27 1 4,00
16 81,46 2 2,00 15 91,13 1 4,00
21 75,82 2 5,50 4 91,94 2 7,00
25 69,37 2 5,00 28 86,30 2 5,20
18 82,27 2 4,00 22 72,60 1 5,00
18 79,04 1 4,50 29 63,73 2 6,00
16 80,66 1 8,50 2 63,73 1 8,00
13 70,18 1 7,00 16 71,79 2 6,00
18 75,01 2 5,00 59 57,28 1 6,50
98 34,71 1 9,50 10 84,69 2 1,50
1 95,16 1 7,00 13 84,69 1 8,50
14 75,82 1 9,50 8 77,43 2 2,00
29 79,04 2 9,50 5 82,27 2 8,00
4 91,13 2 5,00 2 10,00 1 10,00
23 64,54 1 6,00 38 50,83 2 10,00
14 80,66 1 8,00 4 87,91 1 8,00
12 77,43 1 7,50 10 83,88 1 1,00
22 65,34 2 8,50 6 84,69 2 7,00
84 0,06 2 9,00 68 20,21 2 10,00
23 71,79 2 3,00 8 87,10 1 7,00
26 81,46 2 6,00 1 83,88 2 7,00
24 63,73 1 7,50 14 67,76 1 6,50
72 27,46 2 7,50 42 95,97 2 7,50
37 73,40 2 2,70 13 62,12 2 8,50
10 89,52 1 2,00 1 84,69 1 3,00
3 89,52 2 7,50 3 92,75 1 0,50
36 75,01 2 9,00 5 84,69 2 1,00
43 43,58 1 6,00 12 83,07 2 9,00

3
Datele sunt fictive i nu corespund unui studiu real. Ele au fost manipulate n aa fel nct
s corespund necesitilor didactice.

120

19 82,27 1 3,00 19 73,40 1 7,00
12 79,04 1 8,00 2 87,91 2 2,00
9 79,04 2 1,00 19 71,79 1 8,50
72 37,13 1 8,50 11 86,30 1 3,50
10 81,46 1 0,70 15 84,69 2 3,00
12 83,07 2 0,50 23 75,82 1 7,00
30 50,83 1 8,50 13 70,98 2 5,50
15 82,27 1 2,00 14 78,24 2 7,50
8 78,24 2 4,50 1 82,27 1 0,20
34 72,60 1 6,00 9 79,04 1 4,00
22 74,21 2 7,00 20 91,13 2 5,00
21 75,82 2 5,00 0 93,55 2 3,50
27 70,98 1 2,50 52 58,89 2 8,00
6 97,58 1 5,00 38 53,25 2 5,00
18 67,76 1 4,00 19 84,69 1 4,90
8 75,01 1 8,00 23 89,52 2 7,50
19 73,40 2 5,00 11 71,79 2 2,50
13 62,12 1

27 82,27 1 6,50

17 69,37 1 8,00

n primul rnd, s ncepem cu nceputul. Dorim
s aflm dac exist vreo legtur ntre nota obinut la
examen i emoiile din timpul examenului. nainte de a
ne grbi s calculm coeficientul de corelaie r Bravais-
Pearson, trebuie s ne asigurm c cele dou variabile
ndeplinesc condiiile de calcul ale statisticilor parame-
trice. Vom presu-
pune c ambele variabile au o distribu-
ie normal, deoarece este evident fap-
tul c se situeaz la un nivel scalar de
msur.
Lansarea procedurilor de calcul
ale corelaiilor se realizeaz prin acce-
sarea meniului Analyze, apoi din
submeniul Correlate vom alege op-
iunea Bivariate. Imediat se va
deschide o fereastr similar celei din
Figura 1.17 Lansarea
procedurii de calcul ale
corelaiilor

Figura 1.18 Fereastra corelaiilor
bivariate


121

figura 1.18.
Formularul conine dou liste, separate prin butonul de transfer n
form de sgeat. Cu ajutorul acestuia, putem transfera variabilele din baza
de date (fereastra din stnga) n lista variabilelor supuse analizei (fereastra
din dreapta). n cazul nostru, am inclus spre analiz, variabilele Nota exa-
men i Emoii examen, n conformitate cu planul de cercetare.
Sub aceste dou liste se afl seciunea Correlation Coefficients, ca-
re conine trei casete de bifare, corespunztoare celor trei coeficieni de core-
laie ce pot fi calculai: coeficientul de corelaie r Bravais-Pearson (Pearson),
coeficientul de corelaie Kendall (Kendalls tau-b) i coeficientul de corela-
ie a rangurilor Spearman (Spearman). Situaia noastr este clar; vom cal-
cula coeficientul de corelaie r Bravais-Pearson.
Urmtoarea seciune, Test of Significance are n vedere stabilirea
tipului de ipotez cu care lucrm. Putem alege ntre o ipotez nedirecional
(Two-tailed) i o ipotez direcional (One-tailed). Presupunem c ipoteza
noastr vizeaz stabilirea unei relaii ntre performana la examen i emoiile
din timpul examenului. tii deja c aceasta este o ipotez nedirecional,
corelaia fiind semnificativ att n cazul unei legturi pozitive, ct i n cazul
unei legturi negative.
ntrebare
Cum ai formula o ipotez direcional n acest design de cercetare?
Ce opiune ai alege n seciunea testelor de semnificaie?
Caseta de bifare Flag significant
correlations comunic programului SPSS s marche-
ze, n mod distinct, corelaiile semnificative. Aplicaia
va marca, folosind un asterisc pentru corelaiile semni-
ficative la un prag de semnificaie mai mic de 0,05, i
Figura 1.19 Fereastra
opiunilor avansate


122

dou asteriscuri n cazul corelaiilor semnificative la un prag de semnificaie
mai mic de 0,01.
Butonul Options v permite configurarea opiunilor avansate re-
feritoare la calculul coeficientului de corelaie. Seciunea Statistics ofer
posibilitatea calculului a dou elemente: mediile i abaterile standard pentru
fiecare dintre variabilele analizate (Means and standard deviation) i covari-
anele, respectiv produsului ncruciat al abaterilor (Cross-product deviations
and covariances). Acest din urm element se afieaz pentru fiecare pereche
de variabile supuse analizei. Produsul ncruciat al abaterilor reprezint suma
produselor mediilor corectate ale variabilelor. Acest indicator reprezint, de
fapt, valoarea numrtorului din formula de calcul a coeficientului de corela-
ie r Bravais-Pearson. Covariana, ca msur nestandardizat a relaiei dintre
cele dou variabile studiat la nceputul acestui capitol nu este altceva
dect produsul ncruciat, mprit la numrul gradelor de libertate (n cazul
nostru, n-1).
Seciunea Missing values cuprinde dou opiuni reciproc exclusive
i se refer la tratarea cazurilor lips. n situaia Exclude cases pairwise,
SPSS nu va lua n calcul nregistrrile n care lipsesc date din ambele variabi-
le. Dac o variabil conine date iar cealalt nu conine date, SPSS va calcula
totui coeficientul de corelaie, considernd valoarea lips ca fiind valoare
nul. n acest fel se asigur obinerea unui maximum de informaii din datele
introduse, dei exist riscul unor erori statistice. Situaia Exclude cases list-
wise exclude din analiz cazurile n care una dintre variabile nu are date.
Aceasta este o opiune mai riguroas, ns este posibil s se piard un volum
important de informaie. n general se utilizeaz prima opiune. Prsirea
ferestrei se face prin acionarea butonului Continue, caz n care se revine
la formularul iniial.
Celelalte butoane v sunt cunoscute i nu comport explicaii supli-
mentare. Lansarea procedurilor de calcul se face prin acionarea butonului

123

OK. n cteva fraciuni de secund, rezultatele analizei vor fi afiate n
fereastra de rezultate (Output).
Tabelul 1.37 Rezultatele corelaiei bivariate r Bravais-Pearson
Correlations
Nota examen Emotii examen
Nota examen
Pearson Correlation 1,000 -,441
**

Sig. (2-tailed) ,000
N 103,000 103
Emotii examen
Pearson Correlation -,441
**
1,000
N 103 103,000
**. Correlation is significant at the 0.01 level (2-tailed).

Tabelul 1.37 prezint rezultatele acestei analize. Att pe linii, ct i pe
coloane, sunt afiate cele dou variabile analizate (Nota examen i Emoii
examen). Linia Pearson Correlation conine valoarea coeficientului de
corelaie ntre cele dou variabile. Evident, corelnd variabila cu ea nsi,
coeficientul de corelaie va fi 1,00. Pe noi ne intereseaz coeficientul de core-
laie dintre cele dou variabile. Iat c am obinut 0,441, corelaie semnifi-
cativ la un prag de semnificaie mai
mic de 0,01, aa cum rezult i din
subsolul tabelului. Linia Sig. (2-
tailed) exprim n mod precis pragul
de semnificaie. Acesta este 0,00,
valoare rotunjit. n realitate, valoa-
rea exact este de 0,000003, n mod
evident mai mic de 0,01. n sfrit,
ultima linie, N, arat numrul de ca-
zuri. Cercetarea a fost realizat pe un
numr de 103 subieci.
Figura 1.20 Diagrama de corelaie
ntre cele dou variabile


124

Ce concluzii putem extrage de aici? Desigur, avem de a face cu o co-
relaie semnificativ, deoarece pragul de semnificaie este mai mic de 0,01.
Totodat, corelaia este negativ i moderat, aspecte rezultate din semnul
coeficientului de corelaie i din valoarea acestuia. Mrimea efectului acestei
relaii este de 0,194, sau 19,4% din variana unei variabile poate fi explicat
prin cealalt variabil, intensitatea efectului fiind una
medie. Putem, aadar, afirma c exist o corelaie
moderat, negativ i semnificativ ntre performana
la examen i emoiile din timpul examenului; persoa-
nele cu note slabe la examen prezint i un nivel
semnificativ mai mare al emoiilor.
Nu ne-ar mai rmne dect s facem o poz
a acestei corelaii; cu alte cuvinte s realizm norul de
puncte pentru a vedea dac apar situaii atipice.
Iat, n figura 1.20, diagrama de corelaie. Se observ clar sensul ne-
gativ al legturii, precum i intensitatea acesteia. n acelai timp, putem sus-
pecta o relaie heteroscedastic. Corelaia pare puternic doar n situaia note-
lor mici obinute la examen. Pentru notele mari, este posibil s nu existe nici-
un fel de legtur ntre cele dou variabile (vedei grosimea norului de puncte
n cele dou cazuri. De asemenea, ar fi posibil existena unei alte variabile
care s modereze aceast corelaie (cred c tii deja despre ce variabil este
vorba).
ntrebarea pe care mi-o vei pune acum
va fi una referitoare la modul n care am ajuns la
acest grafic. Puin rbdare.
Toate elementele grafice din SPSS se re-
gsesc n meniul Graphs. Exist, aici, dou
posibiliti: fie utilizarea unui expert de creare a
Figura 1.21 Crearea
manual a graficelor

Figura 1.22 Alegerea tipului
de diagram de corelaie


125

graficelor (opiunea Chart Builder, fie crearea manual a acestora (opi-
unea Legacy Dialogs). Pentru moment, vom avea n vedere a doua situaie,
urmnd ca pe parcursul acestui volum s detaliem i expertul n grafice
SPSS.
Graficul care ne intereseaz este Scatter/Dot. Accesarea acestui
meniu permite lansarea unei ferestre simple, de selecie a tipului de grafic,
aa cum se poate observa n figura 1.22.
Exist, n acest formular, un numr de 5 variante de grafice. Varianta
Simple Scatter este opiunea care ne intere-
seaz pe noi. n acest caz, graficul va desena
cele dou variabile pe ordonat i abscis, per-
mind eventual intervenia unei a treia variabila
categoriale (de exemplu sexul). Overlay Scat-
ter este o versiune a graficului simplu, permi-
nd afiarea, pe aceeai diagram, a mai multor
perechi de variabile, fiecare variabil fiind indi-
cat printr-un element de marcaj distinct. Vom
folosi acest grafic dac, de exemplu, intenionm
s reprezentm pe acelai grafic corelaia dintre performana la examen i
emoiile din timpul examenului (nor de puncte reprezentat prin cercuri) i
corelaia dintre timpul de studiu i perfor-
mana la examen (nor de puncte reprezentat
prin ptrate).
A treia form, Matrix Scatter, se
folosete n momentul n care avem de re-
prezentat mai mult de o pereche de variabile.
Dac, de exemplu, am include n analiz i
timpul de studiu, SPSS ar efectua un numr de
3 corelaii, corespunztoare perechilor de varia-
Figura 1.23 Grafic tip Over-
lay Scatter cu dou perechi de
variabile

Figura 1.24 Grafic tip
Matrix Scatter


126

bile. Pentru a nu desena mai multe grafice, se poate folosi aceast form.
Observm n figura 1.24 reprezentarea tuturor celor trei diagrame de
corelaie. Pe ambele axe sunt incluse variabilele. La
intersecia a dou variabile se afieaz norul de
puncte corespunztor. Putei remarca, pe al doilea
rnd, ultimul cadran, graficul din figura 1.20.
Aceasta este o modalitate ideal de a vizualiza an-
samblul legturilor dintre variabile.
Graficul 3-D Scatter este util n reprezen-
tarea tridimensional a corelaiilor ntre mai multe
perechi de variabile. Este o diagram de corelaie
mai dificil de analizat i presupune o oarecare experien n analiza datelor,
folosindu-se frecvent n ana-
liza factorial i n corelaii
pariale. n figura 1.25, re-
prezentnd tridimensional
cele trei variabile, putem
observa uor lipsa efectului
emoiilor din timpul exame-
nului. Norul de puncte este
concentrat preponderent n
zona variabilelor nota exa-
men i timp de studiu, cu
orientare ctre scoruri mici
ale dimensiunii emoiei din
timpul examenelor.
Graficul de tip Sim-
ple dot nu-l vom discuta.
Acesta nu reprezint un nor
Figura 1.25 Grafic tip 3-
D Scatter

Figura 1.26 Formularul de definire a graficului de tip
nor de puncte


127

de puncte propriu-zis ci o variant a graficului cu bare, prin care reprezentm
observaiile individuale ale unei singure variabile.
Acum s trecem la treab. Am ales norul de puncte simplu, am apsat
butonul Define pentru a intra n modul de definiie a graficului, acum pri-
vim la noua fereastr care ne ocup ecranul.
n partea stng, avem de acum obinuita list a variabilelor din baza
de date. n partea dreapt regsim butoanele de transfer, corespunztoare sec-
iunilor care trebuie definite. Seciunea Y-Axis permite includerea variabi-
lei ce va fi reprezentat pe abscis (axa O
Y
). n cazul nostru, am inclus emoi-
ile din timpul examenului. X-Axis va conine variabila reprezentat pe or-
donat (axa O
X
). Nota obinut la examen a fost selectat n vederea repre-
zentrii pe aceast ax. Caseta Set Markers by se folosete n cazul n care
dorim s includem o variabil categorial, ce va diferenia datele. De exem-
plu, dac dorim s reprezentm diferit norul de puncte al brbailor n compa-
raie cu cel al femeilor, vom include variabila Gen biologic n aceast sec-
iune. Graficul va reprezenta datele femeilor cu cercuri i datele brbailor cu
ptrate. Seciunea Label cases by reprezint un alt element deosebit de util
n condiiile n care dorim s identificm fiecare element din grafic. De
exemplu, dac am include genul biologic n aceast caset, deasupra fiecrui
cerc de pe grafic, se va afia genul biologic al subiectului respectiv. Desigur,
dac am dori s reprezentm datele separat pentru brbai i pentru femei,
vom prefera varianta Set Markers by, deoarece Label Cases by poate
duce la o supra-aglomerare a graficului. Alternativ, am putea include n
aceast caset variabila timp de studiu. ntr-o asemenea situaie, deasupra
fiecrui cerc de pe grafic, va fi afiat valoarea timpului petrecut de ctre
fiecare subiect n vederea pregtirii pentru examen.
Seciunea Panel by permite separarea graficului n funcie de o va-
riabil categorial. Dac dorim s afim separat norul de puncte pentru br-
bai i pentru femei, putem include n aceast seciune variabila gen biolo-

128

gic. n funcie de dorin, graficul va fi separat pe orizontal dac variabila
se include n caseta Rows sau pe vertical dac o includem n caseta Col-
umns.
Seciunea Template permite ncrcarea unui ablon grafic dintr-un
fiier. Colecii de abloane grafice pentru SPSS pot fi gsite pe Internet, n
galeria aplicaiei sau pot fi comandate la compania productoare.
Butonul Titles este destinat denumirii graficului. Putem include
dou linii de text n antetul graficului (partea superioar) i dou linii de text
n subsolul graficului (partea inferioar). Opiunea se folosete pentru denu-
mirea graficului i pentru eventualele explicaii suplimentare referitoare la
semnificaia acestuia, ori la drepturile de autor.
Nu mai intrm n detalii referitoare la butonul Options deoarece
nu cred c v-ar putea interesa n mod deosebit. Oricum, acest buton are cte-
va variante de configurare avansat, de natur grafic i statistic. Dac dorii
s aflai mai multe, consultai excelentul sistem de asisten al programului
SPSS, prin apsarea butonului Help. Sistemul de asisten este furnizat n
limba englez i reprezint o adevrat enciclopedie statistic. Finalizarea
definirii graficului i lansarea opiunii de desenare se poate face prin apsarea
butonului OK. n cteva momente, n fereastra de rezultate, vei obine dese-
nul solicitat.
Excelent! n acest moment, avem toate datele necesare elaborrii unui
raport, privind studiul acestei corelaii. Mai jos, vei gsi o analiz complet a
studiului propus. V voi ruga s comparai cele expuse cu activitile dum-
neavoastr de cercetare. Dac vei considera c studiile dumneavoastr sunt
mai complexe, v rog s-mi scriei. Dac nu, v rog ca de acum nainte s
abordai cel puin acest nivel.
Studiul efectuat pe un lot de cercetare de 103 studeni, n baza ipote-
zei nedirecionale conform creia exist o legtur semnificativ ntre per-

129

formana studenilor la examen i emoiile acestora n timpul examenului, s-a
bazat pe un plan corelaional. Cele dou variabile (Nota examen i Emo-
ii examen) se situeaz la un nivel de msur scalar, analiza distribuiei
acestora permind utilizarea statisticilor parametrice. n consecin, a fost
folosit coeficientul de corelaie r Bravais-Pearson, rezultnd o valoare a
corelaiei de r=-0,441, la un prag de semnificaie p<0,01. ntr-o prim eta-
p, putem respinge ipoteza nul i putem afirma c exist o corelaie medie,
negativ i semnificativ ntre cele dou variabile. Astfel, studenii cu note
mici la examen sunt caracterizai prin niveluri ridicate ale emoiilor n tim-
pul examenului. Cei care obin performane la acest examen, pot fi conside-
rai ca fiind puin emotivi. Mrimea efectului acestei corelaii este de 0,194,
corespunztoare unei variane explicate de 19,4%. Putem considera c, lipsa
de performan n condiii de examen, se datoreaz, n procent de 19,4%,
emoiilor din timpul examenului. Totui, studiind diagrama de corelaie, se
remarc imediat existena unei legturi heteroscedastice. Asocierea negativ
ntre cele dou variabile pare a exista doar n cazul notelor mici la examen,
corespunztoare scorurilor mari la emoii n timpul examenului. Pentru stu-
denii cu note mari, relaia nu se mai respect. Se poate suspecta existena
unei variabile moderatoare, care s influen-
eze att performana la examen, ct i emo-
iile din timpul examenului, ori existena
unui optim emoional pn la care aceast
atitudine poate corela cu o contraperfor-
man, n situaii de evaluare. n mod cert,
planul de cercetare este incomplet i urmea-
z a fi optimizat.
Iat cam cum putei prezenta rezultatele unui studiu de acest tip. n
mod cert vor exista diferene ntre ceea ce tiai pn acum i ceea ce ai gsit
mai sus. Ai observat c nu m-am hazardat s ofer vreo explicaie psihologi-

130

c, sociologic sau economic a faptelor constatate. Nici nu este cazul. Statis-
tica se bazeaz pe datele existente i ofer un raport constatativ i nu explica-
tiv a fenomenelor. Interpretarea statistic nu se poate confunda cu un alt tip
de interpretare. Dei sunt psiholog de profesie, nu m-a hazarda s fac apreci-
eri asupra acestor fapte, n condiiile unei lucrri destinate nsuirii tehnicilor
de analiz a datelor. Avnd la dispoziie aceste date, un sociolog i poate
exprima punctul de vedere, un psiholog poate avea viziune proprie, la fel i
un economist sau un medic psihiatru. Reinei c metodele de analiz a date-
lor ofer fapte. Interpretarea faptelor cade n sarcina analistului.
Exerciii:
Studiai legtura care exist ntre performana la examen i timpul
alocat studiului, precum i ntre emoiile din timpul examenului i timpul
alocat studiului. Stabilii ipotezele, precizai tipul acestora, analizai cifric i
grafic coeficienii de corelaiei, elaborai raportul.
Presupunnd existena unei a treia variabile, care s modereze att
performana la examen, ct i emoiile din timpul examenului, ne gndim la
timpul de studiu. Automat, vom avea n vedere o corelaie
parial. Meniul din care putem lansa calculul corelaiilor
pariale l regsim n aceeai locaie. De data aceasta, nu
mai apelm opiunea Bivariate ci vom folosi Par-
Partial.
Fereastra se aseamn foarte mult cu cea ntlnit
la corelaiile bivariate. Singura diferen const n locaia de includere a vari-
abilelor spre analiz. n acest caz, lista Variables conine variabilele ce
urmeaz a fi corelate, iar lista Controlling for se refer la variabilele de
control. Analiza noastr urmrete corelarea notei obinute la examen cu
emoiile din timpul examenului, n condiiile controlului asupra variabilei
Figura 1.27 Lansarea
corelaiilor pariale

131

tipul alocat studiului, astfel nct fe-
reastra dumneavoastr va trebui s arate
ca n figura 1.28.
Butonul Options va deschide
o alt fereastr, de configurare a opiu-
nilor avansate. Formularul este asem-
ntor cu cel de la corelaiile bivariate.
Singura diferen const n dispariia
produsului ncruciat al abaterilor i
apariia casetei de bifare Zero-order correlations, a crei selectare comu-
nic programului calcularea corelaiilor r Bravais-Pearson, ntre perechile
formate din cele trei variabile, fr moderare. Facilitatea este foarte util,
scutindu-ne de a efectua corelaii repetate, prin urmare am bifat-o i noi.
Apsarea butonului Continue nchide aceast fe-
reastr i se revine n primul formular.
Dup ce am introdus cu atenie variabile care
urmeaz a fi calculate, putem lansa operaiunea prin
apsarea butonului OK. n scurt timp, vei obine, n
fereastra de rezultate, tabelul 1.38.
Vi se pare un tabel complicat? Nu este cazul
s v speriai. n partea de sus, sunt afiate cele trei
variabile analizate i corelaiile de rang zero ntre ele. tim deja, ntre notele
obinute la examen i emoiile din timpul examenului, avem un coeficient de
corelaie semnificativ de r=-0,441, p<0,01. ntre nota la examen i timpul
alocat studiului, corelaia este semnificativ i pozitiv, r=0,397, p<0,01; si-
milar, ntre timpul de studiu i emoiile din timpul examenului exist o core-
laie negativ, r=-0,709, p<0,01. Ai observat c aceste corelaii de ordin zero
nu reprezint altceva dect coeficienii de corelaie r Bravais-Pearson ntre
cele trei variabile, luate dou cte dou. n loc s efectum trei corelaii biva-
Figura 1.28 Configurarea corelaiilor
pariale
Figura 1.29 Opiuni
avansate de configurare

132

riate, bifm caseta Zero-order correlations iar SPSS le va calcula automat,
realiznd astfel o important economie de timp.
n partea de jos a tabelului regsim corelaia parial solicitat. Obser-
vm c ntre nota obinut de ctre studeni la examen i emoiile din timpul
examenului, n condiiile n care controlm efectul timpului alocat pentru
studiu, exist o corelaie parial negativ i semnificativ r
12.3
=-0,247;
p<0,05, la un numr de 100 de grade de libertate. Efectul acestei corelaii este
de 0,06, adic doar 6% din variana notei obinute la examen poate fi regsit
n emoiile din timpul examenului.
Reprezentarea grafic adecvat acestei corelaii este graficul tridimen-
sional 3-D Scatter. Pe axele O
X
i O
Y
se reprezint cele dou variabile co-
relate, iar pe axa O
Z
vom afia variabila de control. Se remarc foarte uor
intensitatea slab a corelaiei dintre nota obinut i emoiile din timpul exa-
Tabelul 1.38 Rezultatele corelaiei pariale
Correlations
Control Variables Nota examen Emotii examen Timp de studiu
-none-
a
Nota examen Correlation 1,000 -,441 ,397
Significance (2-tailed) . ,000 ,000
Df 0 101 101
Emotii examen Correlation -,441 1,000 -,709
Significance (2-tailed) ,000 . ,000
Df 101 0 101
Timp de studiu Correlation ,397 -,709 1,000
Significance (2-tailed) ,000 ,000 .
Df 101 101 0
Timp de studiu Nota examen Correlation 1,000 -,247
Significance (2-tailed) . ,012
Df 0 100
Emotii examen Correlation -,247 1,000
Significance (2-tailed) ,012 .
Df 100 0
a. Cells contain zero-order (Pearson) correlations.

133

menului, n condiiile controlului exercitat de
timpul de studiu, precum i traseul descen-
dent al norului de puncte.
Interpretarea corelaiei pariale se rea-
lizeaz similar corelaiei bivariate simple, la
care se adaug elemente ce in de variabila
de control.
S-ar putea s fim interesai, la un moment dat, de relaia existent n-
tre genul biologic i timpul alocat studiului, pentru a vedea n ce msur se-
xul subiecilor determin efecte asupra timpului de studiu. Suntem n situaia
asocierii unei variabile dihotomice cu o dihotomie discret, real, cu o varia-
bil continu. Ce tip de corelaie folosim? Ai ghicit, corelaie punct biserial.
n SPSS, coeficientul de corelaie punct biserial nu este altceva dect coefici-
entul de corelaie r Bravais-Pearson, n condiiile n care una dintre variabile
este dihotomic. Unii autori (Field, 2000), (Bakeman, i alii, 2004),
(Swinscow, i alii, 2002) recomand codarea variabilei dihotomice cu valo-
rile zero i unu pentru a nu exista niciun fel de dubiu referitor la calculul
acestui coeficient. n realitate, SPSS realizeaz automat conversia. n cazul
nostru, variabila gen biologic este o variabil dihotomic codat cu unu i
doi, iar calculul coeficientului de corelaie punct biserial nu pune probleme.
Calculai coeficientul de corelaie r Bravais-Pearson ntre genul bio-
logic i timpul de studiu.
n tabelul 1.39, putei observa lipsa oricrei asocieri ntre cele dou
variabile. Putem afirma c cele dou variabile nu sunt corelate liniar, genul
biologic nu determin niciun efect asupra timpului de studiu.
Figura 1.30 Graficul corelaiei
pariale

134

Tabelul 1.39 Rezultatele corelaiei punct biseriale
Correlations

Gen biologic Timp de studiu
Gen biologic
Pearson Correlation 1,00 ,085
Sig. (2-tailed)

,391
N 103,00 103
Timp de studiu
Pearson Correlation ,085 1,00
Sig. (2-tailed)
,391

N 103 103,00
SPSS nu dispune de proceduri distincte de calcul a coeficientului de
corelaie biserial. n cazul n care variabila dihotomic are o dihotomie conti-
nu i se impune calculul acestui coeficient, putei calcula nti coeficientul
de corelaie punct biserial i apoi putei aplica formula de transformare n
coeficient biserial, aa cum s-a artat n capitolul dedicat acestor coeficieni.
I.5.2 Coeficieni de corelaie bazai pe date neparametrice
Pentru a studia, utiliznd SPSS, legtura dintre variabilele situate la
un nivel de msur neparametric, baza de date creat mai sus nu ne este de
prea mare ajutor. Vom realiza o nou baz de date, avnd o structur diferit.
Aceast baz de date corespunde unei cercetri imaginare, efectuat la
nivelul unei uniti militare, cercetare n care ne intereseaz s nregistrm
variabilele prezente n tabelul 1.40. Se observ existena unui numr de 2
variabile de nivel nominal, dou variabile ordinale i dou variabile scalare,
Variabila Eticheta Nivel de msur Tip Caractere
sex Genul biologic Nominal Numeric 1
culoare_ochi Culoarea ochilor Nominal Numeric 1
educatie Ultima scoala Ordinal Numeric 1
grad Grad militar Ordinal Numeric 1
inaltime Inaltimea Scale Numeric 3
greutate Greutatea Scale Numeric 3

135

structur suficient ndeplinirii scopurilor noastre. Etichetele variabilelor ne-
parametrice sunt prezentate n tabelul 1.41 i nu necesit explicaii.
Cunoscnd toate aceste elemente, nu
v rmne dect s proiectai baza de date i
s o salvai sub un nume, s spunem, Core-
laii neparametrice.sav.
Dup salvare, urmtorul pas este re-
prezentat de popularea bazei de date. n tabe-
lul 1.42 avei structura complet a acestor
informaii. Desigur, toate valorile sunt fictive
i nu corespund unei cercetri reale. nar-
mai-v aadar cu mult rbdare i completai
cele 50 de cazuri pentru a putea demara apoi
analiza. Desigur, la final nu vei uita s sal-
vai din nou baza de date, sub acelai nume,
pentru a evita surprizele provocate de o eventual blocare a computerului.
Tabelul 1.42 Baza de date pentru corelaii neparametrice
Sex Culoare Educatie Grad Inaltime Greutate Sex Culoare Educatie Grad Inaltime Greutate
1 3 4 4 172 87 2 3 2 2 193 94
2 2 4 4 180 102 1 1 2 2 175 96
2 1 4 3 184 79 1 4 2 2 177 92
2 3 4 3 176 86 1 4 2 2 170 69
1 1 3 3 173 85 2 2 2 2 188 81
1 3 3 3 187 77 2 2 2 2 172 76
1 4 3 4 178 80 1 2 2 1 170 93
1 3 3 4 180 100 1 3 2 1 173 98
2 1 3 4 170 82 1 4 2 1 171 74
1 1 3 3 171 71 2 3 2 1 186 77
1 3 3 3 172 79 2 1 2 1 187 92
Tabelul 1.41 Valorile variabilelor
Valoare Etichet
Sex 1 Masculin
2 Feminin
culoare_ochi 1 Albastri
2 Verzi
3 Caprui
4 Negri
Educatie 1 Liceul
2 Scoala postliceala
3 Facultate
4 Postuniversitare
Grad 1 Subofiter
2 Ofiter cu grad inferior
3 Ofiter cu grad superior
4 General

136

1 3 3 3 170 89 1 1 2 1 191 99
1 4 3 3 185 90 1 4 2 1 178 72
2 4 3 3 172 94 2 4 2 1 181 85
1 1 3 3 187 75 2 3 2 1 187 72
1 3 3 3 193 73 1 3 2 1 174 100
1 4 3 3 184 83 1 3 2 1 189 86
2 4 3 3 175 80 2 3 2 1 170 77
1 3 3 3 187 84 1 3 2 2 182 90
1 4 3 3 169 71 1 2 2 2 186 90
2 3 3 2 171 93 1 2 2 2 193 97
1 2 3 2 188 69 1 3 2 1 177 70
1 2 3 2 174 74 2 3 1 1 182 82
1 3 3 2 174 78 1 3 1 1 188 87
1 3 3 2 184 91 1 3 1 2 172 97

Pentru nceput ne propunem s analizm rela-
ia dintre nlimea i greutatea celor 50 de subieci.
Teoretic ambele variabile sunt de tip scalar, putndu-
se folosi coeficientul de corelaie r Bravais-Pearson.
S presupunem, ns, c nlimea subiecilor nu are
o distribuie normal, ci una puternic asimetric la
stnga, artnd faptul c tendina n grupul de studiu
este ctre subiecii nali. Media nu mai este un indi-
cator reprezentativ pentru tendina central, i, prin urmare, nu vom putea
folosi coeficientul de corelaie menionat mai sus. Urmtoarea alternativ este
aceea a coeficienilor de corelaie Spearman i Kendall. Pentru a ncepe
calculul acestor doi coeficieni, vei proceda exact la fel ca mai sus, la calcu-
lul coeficientului de corelaie r Bravais-Pearson. Vei accesa meniul Ana-
lyze, apoi submeniul Correlate i, n final, opiunea Bivariate. Se va
deschide cunoscuta fereastr din figura 1.32.
Figura 1.31 Meniul de
lansare a analizei

137

Atunci cnd ai calculat coeficientul
de corelaie r Bravais-Pearson, v amintii,
ai inclus cele dou variabile n lista varia-
bilelor supuse analizei, apoi ai bifat caseta
Pearson. n cazul nostru, lucrurile stau la
fel, cu o singur excepie. Nu vom mai bifa
caseta Pearson din cadrul seciunii Cor-
relation Coefficients, ci casetele Ken-
dalls tau-b pentru a calcula coeficientul
de corelaie Kendall i Spearman pen-
tru a calcula coeficientul de corelaie
Spearman. Alte explicaii, la acest nivel, nu sunt necesare, toate aspectele
fiind lmurite anterior. Nu rmne dect s apsai butonul OK pentru ca
programul s iniieze calculul acestor date.
Fereastra de rezultate va afia un tabel, la fel cu tabelul 1.43, n care
sunt prezentate cele dou analize bazate pe coeficientul de corelaie Kendall
i pe coeficientul de corelaie Spearman, ambii fiind, v reamintim, coefici-
eni de corelaie ai rangurilor.
La fel ca n cazul coeficientului de corelaie r Pearson, tabelul conine
trei elemente: valoarea coeficientului de corelaie, pragul de semnificaie pen-
tru o ipotez bilateral (sau unilateral dac am specificat acest lucru n fe-
reastra de configurare a analizei) i numrul de subieci investigai (n).
Situaia noastr ar trebui s bucure sau s supere cercettorul, n func-
ie de modul n care i-a formulat obiectivele. Se poate observa existena unor
coeficieni de corelaie nesemnificativi, foarte mici (=0,069, =0,097) ntre
nlimea i greutatea subiecilor.
Figura 1.32 Fereastra de analiz a
corelaiilor

138

Tabelul 1.43 Rezultatul analizei legturii dintre nlime i greutate
Correlations
nlimea Greutatea
Kendall's tau_b nlimea Correlation Coefficient 1,000 ,069
Sig. (2-tailed) . ,491
N 50 50
Greutatea Correlation Coefficient ,069 1,000
Sig. (2-tailed) ,491 .
N 50 50
Spearman's rho nlimea Correlation Coefficient 1,000 ,097
Sig. (2-tailed) . ,503
N 50 50
Greutatea Correlation Coefficient ,097 1,000
Sig. (2-tailed) ,503 .
N 50 50

n concordan cu datele cercetrii, nu exist nicio legtur ntre nl-
imea i greutatea subiecilor, cele dou variabile fiind independente, iar noi
putem s nu respingem ipoteza nul. O asemenea cercetare, presupunnd c
am fi lucrat cu date reale, poate fi lipsit de valoare? Depinde de modul n
care explicm rezultatele.
Privind figura 1.33, n care am repre-
zentat grafic aceast relaie, putem observa
cteva lucruri interesante. Exist, ntr-adevr,
o tendin ctre un tip de corelaie pozitiv,
tendin anulat ns de dou situaii particula-
re: de existena unui grup de persoane foarte
nalte i foarte slabe i de existena unui alt
grup de persoane ceva mai numeros scunde
i supraponderale. Lipsa unui coeficient de
corelaie semnificativ se poate datora tocmai acestui lucru i, putem suspecta,
Figura 1.33 Relaia dintre
nlime i greutate
nali-Slabi
Scunzi-Grai

139

influena unei variabile de grup probabil tipul constituional pe care nu
am luat-o n considerare.
Analiza coeficientului de corelaie Kendall ori a coeficientului de
corelaie Spearman se realizeaz la fel ca i cea a coeficientului de corelaie
r Bravais-Pearson, drept pentru care nu vom intra
n amnunte referitoare la acest lucru.
Cum vom proceda n condiiile n care do-
rim s aflm dac exist vreo legtur ntre genul
biologic al subiecilor i culoarea ochilor? Ambele
variabile sunt la un nivel de msur nominal, iar
singura posibilitate pe care o avem este aceea de a
utiliza tabelele de contingen.
n SPSS for Windows, construcia i analiza tabelelor de contingen
se afl n cadrul meniului Analyze la Descriptive Statistics i apoi opiu-
nea Crosstabs. Termenul semnific ideea de tabele ncruciate, de fapt
chiar ideea conceptului menionat
mai sus, cea de tabel de contingen-
.
La accesarea acestei opiuni
se va deschide o fereastr nou,
fereastra de configurare i de anali-
z a tabelului de contingen. Fiind
un element nou, ne vom concentra
atenia asupra formularului. Se ob-
serv cteva elemente comune: lista
variabilelor din baza de date, buto-
nul de lansare a analizei OK, de
copiere a codului Paste, de reiniializare a formularului Reset, de anula-
Figura 1.34 Meniul de
accesare a tabelelor de
contingen.
Figura 1.35 Fereastra de configurare i analiz
a tabelelor de contingen

140

re Cancel i de asisten Help, alturi de butoanele-sgeat de transfer.
Celelalte elemente sunt, n marea lor majoritate, controale noi, astfel nct le
vom trata n detaliu.
Listele Row(s): i Column(s): se refer la variabilele ce vor fi
reprezentate pe liniile, respectiv pe coloanele tabelului de contingen. SPSS
permite att analiza tabelelor de contingen bidimensionale, ct i a celor
multidimensionale. Rezult c putem include mai multe variabile n listele
Row(s) ori Column(s), n vederea construciei unor tabele multidimensi-
onale.
Seciunea Layer vizeaz includerea n analiz a uneia sau a mai
multor variabile de control, variabile care presupunem c ar putea influena
tabelul de contingen. De exemplu, dac am studia relaia dintre culoarea
ochilor i culoarea prului i am presupune c aceast relaie este influen-
at de genul biologic, atunci am include variabila gen biologic n lista
Layer, aceasta funcionnd ca variabil de control. Mai mult, SPSS ne
permite construcia de modele ierarhice folosind variabile de control pentru a
vedea efectul exercitat de introducerea succesiv a acestora.
La includerea uneia sau a mai multor variabile n aceast list, pro-
gramul efectueaz analize separate pentru fiecare categorie a fiecrei variabi-
le de control introduse. Vom obine, aadar, o analiz a relaiei dintre culoa-
rea ochilor i culoarea prului pentru brbai i o alt analiz, separat, pentru
femei. Butoanele Previous i Next permit navigarea prin modelele de
variabile de control n vederea adugrii sau n vederea modificrii acestora.
Dac bifai caseta Display clustered bar charts, comunicai pro-
gramului SPSS s construiasc un grafic cu bare, grupat dup o variabil,
fiecare grup coninnd categoriile celeilalte variabile. n cazul nostru, SPSS
ar construi dou grupuri de grafice cu bare pentru femei i pentru brbai
fiecare grup coninnd graficul cu bare pentru culoarea ochilor.

141

Bifarea casetei Suppress tables are ca efect includerea tuturor tabe-
lelor de contingen ntr-unul singur (dezactivndu-se i butoanele Cells
i Format). Personal nu recomand bifarea acestei opiuni deoarece re-
zultatele pot s piard foarte mult din lizibilitate. Caseta are efect numai asu-
pra modului de prezentare al datelor, nu i asupra
procedurilor de calcul.
Apsarea butonului Exact determin
deschiderea formularului de configurare a teste-
lor de semnificaie, furniznd o serie de metode
adiionale.
Varianta Asymptotic only este metoda
implicit, bazat pe calculul nivelului de semni-
ficaie n funcie de tipul distribuiei teoretice.
Este, dac dorii, metoda clasic de calcul a sem-
nificaiei, aa cum a fost ea descris pn acum,
n acest volum. O valoare este considerat semnificativ dac pragul de sem-
nificaie este mai mic de 0,05. Totui, varianta pleac de la premisa c setul
de date este suficient de mare i eterogen distribuit. Pentru un numr redus de
cazuri sau n condiiile n care omogenitatea distribuiei pune probleme,
aceast metod poate s nu reprezinte un bun indicator al pragului de semni-
ficaie.
Celelalte metode, Monte Carlo i Exact, se vor folosi n condiii-
le n care distribuia datelor nu permite utilizarea metodei clasice.
Metoda Monte Carlo reprezint o form precis de analiz a nive-
lului de semnificaie, bazat pe simulare, derivat din calculul repetat, efec-
tuat pe mai multe eantioane de tabele de contingen de aceleai dimensiuni
i cu aceleai totaluri marginale ca i tabelul analizat. Metoda Monte Carlo
permite estimarea precis a pragului de semnificaie, chiar n condiiile n
care nu se poate aplica metoda clasic, asimptotic. Se poate folosi n cazul
Figura 1.36 Configurarea
testelor de semnificaie

142

n care numrul subiecilor este suficient de mare, ns avem de a face cu o
distribuie problematic. Singurele elemente care trebuie configurate se refer
la nivelul de ncredere (Confidence level), care poate fi 95% pentru un
prag de semnificaie de 0,05 sau 99% pentru un prag de semnificaie de 0,01
i numrul de eantioane pe baza crora se va face simularea (Number of
samples). Valoarea implicit, 10.000, este suficient. O valoarea mai mare
determin i un nivel de precizie mai mare, ns consum foarte mult din pu-
terea de calcul a procesorului.
Metoda Exact permite calcularea precis a probabilitii de apariie
a unui rspuns. n mod normal, un nivel de semnificaie mai mic de 0,05 este
considerat, i aici, suficient, indicnd existena unei relaii ntre variabile.
Deoarece este o operaiune de durat, poate fi configurat limita de timp per
fiecare test. Bifnd caseta Time limit per test putei comunica programului
s nu execute teste care depesc durata menionat.
n general nu prea avem motive s folosim alt metod dect cea cla-
sic, asimptotic. Dac totui dorii s fii ex-
trem de precii, putei folosi metoda Monte
Carlo. Utilizarea metodei Exact presupune
un computer foarte puternic i mult rbdare,
analiza fiind de lung durat. Uneori s-ar putea
s avei surpriza c v nghea calculatorul i
singura variant va fi s-l scoatei din priz. S
nu spunei c nu v-am avertizat!
Apsarea butonului Continue permite
revenirea n formularul iniial, cu memorarea
testului de semnificaie dorit.
Butonul Statistics ne intereseaz n
mod deosebit, deoarece din aceast fereastr putem alege indicatorii care ne
coeficienilor de corelaie

143

intereseaz. Formularul este foarte intuitiv, grupat pe seciuni, conine doar
casete de bifare. Remarcai o serie de indicatori pe care-i cunoatei, dar i
indicatori de care probabil nu ai auzit. Haidei s-i lum pe fiecare n parte.
Caseta Chi-square se refer exact la coeficientul de contingen
2
.
Bifai aceast caset pentru a calcula coeficientul de contingen Pearson
2
,
coeficientul de contingen probabilistic-proporional
2
, testul de semnifica-
ie Fisher i coeficientul de contingen Yate
2
corectat pentru continuitate.
tiu c nu ai auzit de aceti coeficieni. n esen sunt forme derivate din
2
,
pentru a rspunde unor necesiti specifice de cercetare. Spre exemplu,
2

corectat pentru continuitate se folosete strict pentru tabele de continuitate
bidimensionale de tip 2x2, aa cum am vzut deja. Pentru tabele bidimensio-
nale cu mai multe linii i coloane, reperul este
2
Pearson sau
2
probabilistic
proporional. Dac cele dou variabile nu sunt nominale sau ordinale, ci se
situeaz la un nivel scalar, cel mai bun indicator va fi coeficientul de asociere
liniar
2
. Testul de semnificaie Fisher se folosete doar pentru tabele 2x2, n
cazul n care frecvena ateptat la nivelul unei celule este mai mic de 5. Nu
v impacientai. Toate aceste elemente le vom discuta n momentul n care
vom analiza rezultatele.
Caseta Correlations o putei folosi n condiiile n care tabelul de
contingen conine date aflate la un nivel ordinal sau scalar. Se va calcula
coeficientul de corelaie Spearman dac datele se afl la un nivel ordinal
sau/i coeficientul de corelaie r Pearson dac datele se afl la un nivel scalar.
Iat cel puin un motiv pentru care este important s definim corect nivelul de
msur atunci cnd proiectm baza de date.
Seciunea Nominal se refer la coeficieni de asociere pentru date
nominale. Putei bifa caseta Contingency coefficient pentru a calcula coe-
ficientul de contingen, caseta Phi and Cramers V pentru a calcula coe-
ficienii de contingen Pearson i v Cramer, caseta Lambda pentru coe-
ficientul de asociere Goodman i Kruskal, acela care permite realizarea

144

unui fel de predicii i caseta Uncertainty coefficient, cu ajutorul creia
calculai coeficientul de incertitudine. Acesta din urm nu a fost studiat, ns
seamn mult cu coeficientul Goodman i Kruskal. Msoar, de asemenea,
reducerea proporional a erorilor atunci cnd o variabil este folosit pentru
a prezice o alt variabil.
Seciunea Ordinal permite calculul coeficienilor de corelaie n si-
tuaia n care variabilele se afl la un nivel ordinal. Bifarea casetei Gamma
permite calculul coeficientului de corelaie , pe care l-am studiat. Casetele
Kendalls tau-b i Kendalls tau-c permit calculul variantelor b i c ale
coeficientului de corelaie al rangurilor Kendall. Singura diferen dintre cei
doi coeficieni este aceea c
b
ine seama de rangurile egale iar
c
nu ine
seama de aceste ranguri. Caseta Somers d ofer posibilitatea calculului
coeficientului de corelaie d Somers. Acest indicator nu a fost studiat, ns se
folosete ca i coeficientul ce corelaie Spearman sau Kendall
Seciunea Nominal by Interval se refer la cazul n care o variabil
se afl la un nivel de msur de interval iar o alt variabil este nominal.
Singurul coeficient pus la dispoziie de SPSS este coeficientul (eta), pe care
nu l-am analizat n detaliu n aceast lucrare. Coeficientul este unul nedireci-
onal, ia valori ntre 0 i 1 i exprim intensitatea legturii dintre o variabil
nominal i una ordinal sau scalar.
n imensa lor generozitate, pltit, desigur, cu bani grei, programa-
torii de la SPSS Inc. ne ofer o serie de indicatori suplimentari, astfel:
Caseta Kappa ne ofer o msur a acordului. De fapt calculeaz co-
eficientul Cohen , un coeficient asemntor coeficientului de concordan W
Kendall. SPSS nu ofer o modalitate direct de calcul a coeficientului de
concordan W Kendall, dei include aceast procedur n anumite teste sta-
tistice. Oricum, coeficientul Cohen se poate folosi ca o alternativ la coefi-
cientul W Kendall n situaia n care ambele variabile au acelai numr de
categorii i aceleai valori ale categoriilor.

145

Caseta Risk nu se refer la riscul de a v pierde buna dispoziie ci-
tind aceast carte, ci reprezint un coeficient care msoar puterea legturii
dintre prezena unui factor i apariia unui eveniment. Dac dorii s studiai
relaia dintre prezena soacrei i apariia unui
conflict n familie, acesta este coeficientul care
vi se potrivete cel mai bine.
Coeficientul McNemar studiaz leg-
tura dintre dou variabile dihotomice i se ba-
zeaz tot pe
2
. Se folosete, de obicei, n cerce-
tri de tipul nainte i dup, pentru a se identi-
fica modificarea rspunsurilor n urma apariiei
unei situaii experimentale.
Cellalt element din aceast fereastr nu
prezint un interes deosebit pentru subiectul
nostru, referindu-se mai mult la studiul diferenelor dect la studiul corelaii-
lor, motiv pentru care l vom discuta cu alt ocazie.
Butonul Cells permite configurarea datelor ce vor fi prezentate n
tabelele de contingen.
Seciunea Counts are dou casete de bifare: Observed i Ex-
pected. Ele permit afiarea n tabelul de contingen a frecvenelor actuale
(observate) i/sau a frecvenelor estimate (teoretice) n condiiile n care se
lucreaz cu
2
.
Seciunea Percentages permite adugarea i a frecvenelor relative
(procente) pentru variabilele situate pe linii (Row) i/sau pentru variabilele
situate pe coloane (Column) ori la nivelul rezultatelor marginale (Total).
Reziduurile nu reprezint altceva dect diferena dintre scorul obser-
vat i cel estimat. Controlul afirii acestor elemente se realizeaz prin inter-
mediul seciunii Residuals. Acestea se pot afia n form brut, nestandar-
datelor n tabele

146

dizat (Unstandardized), ca diferen ntre numrul de cazuri observate i
numrul de cazuri estimate. Ca s v reamintii, numrul de cazuri observate
reprezint numrul de subieci din baza de date care au acea caracteristic, iar
numrul de cazuri estimate (teoretice) se refer la numrul de cazuri care ar
trebui s existe n celula respectiv dac nu ar exista nicio relaie ntre cele
dou variabile. Dac rezultatul acestui reziduu este pozitiv, atunci nseamn
c numrul de cazuri din acea celul este mai mare n comparaie cu situaia
n care cele dou variabile ar fi independente.
Forma standardizat se poate afia prin bifarea opiunii Standard-
ized. SPSS va calcula raportul dintre valoarea rezidual brut i abaterea
standard a acestei estimri. Aceste date sunt reprezentate pe o distribuie z cu
media 0 i abaterea standard 1, avnd aceeai semnificaie ca i scorurile z.
Din acest motiv se mai numesc i reziduuri Pearson.
Bifarea casetei Adjusted standardized permite afiarea reziduurilor
n form standardizat, exprimate ns ca abateri standard n jurul mediei.
Este, dac dorii, un fel de etalonare n uniti sigma a reziduurilor.
Seciunea Noninteger Weights are n vedere modul de reprezentare
a rezultatelor n celulele tabelului de contingen. n mod normal, celulele
tabelului de contingen conin numere ntregi. Sunt ns situaii n care se
pot opera deplasri ori ponderri. O deplasare cu o valoare fracionar (spre
exemplu o multiplicare a tuturor datelor cu o constant de tipul 1,19) va de-
termina afiarea n celulele tabelului a unor numere zecimale. Aceste valori
pot fi rotunjite sau trunchiate folosindu-se opiunile acestei seciuni.
Opiunea Round cell counts are ca efect rotunjirea valorilor din ba-
za de date nainte de a se efectua calculele statistice.
Opiunea Truncate cell counts are ca efect trunchierea valorilor din
baza de date nainte de a se efectua calculele statistice. Diferena dintre rotun-
jire i trunchiere const n faptul c la rotunjire valorile zecimale se transfor-

147

m n ntregi n sensul superior (de exemplu 1,39 va fi rotunjit la 2), iar la
trunchiere valorile zecimale se transform n ntregi, n sensul inferior (1,39
va fi trunchiat la 1). Operaiunile nu afecteaz datele din baza de date, ci doar
rezultatele calculelor statistice.
Opiunea Round case weights are ca efect rotunjirea datelor direct
n baza de date naintea efecturii oricror calcule
statistice.
Opiunea Truncate case weights are ca
efect trunchierea datelor direct n baza de date
naintea efecturii oricror calcule statistice.
Desigur, opiunea No adjustments nu
efectueaz nicio ajustare, datele fiind folosite aa
cum sunt.
Ultimul buton rmas este butonul Format care controleaz ordi-
nea de sortare a variabilei reprezentate pe linii.
Putem opta pentru o sortare ascendent a categoriilor variabilei repre-
zentat pe linii (alegnd opiunea Ascending) sau pentru o sortare descen-
dent, de la mare la mic, a aceleiai variabile (alegnd opiunea
Descending).
Acestea sunt, n mare, opiunile referitoare la construcia i analiza ta-
belelor de contingen. Acum s revenim la problemele noastre. Ne-am pro-
pus s studiem relaia existent ntre genul biologic al persoanelor i culoarea
ochilor. Ambele sunt variabile situate la nivel nominal, singurele statistici ce
pot fi calculate sunt cele bazate pe date nominale.
n lista Row(s) vom include genul biologic iar n lista Column(s)
includem culoare ochilor. Vom bifa i caseta Display clustered bar charts
pentru a fora SPSS s reprezinte graficul cu bare al acestor variabile i
Figura 1.39 Configura-
rea formatrii datelor

148

cam att. Opiunea de calcul a testelor de semnificaie va rmne cea implici-
t opiunea asimptotic, astfel nct putem ignora butonul Exact. Buto-
nul Statistics ne intereseaz ceva mai mult. Aici vom bifa caseta Chi-
Square, pentru a calcula coeficienii
2
. De asemenea, n seciunea Nomi-
nal vom calcula coeficientul de contingen i coeficienii i v Cramer.
Celelalte casete nu le vom bifa deoarece nu suntem n situaia de a ncerca
predicii i nici nu avem variabile situate la vreun nivel superior de msur.
Apsnd butonul Cells vom comunica programului modalitatea
de afiare a rezultatelor. Dorim s prezentm att frecvenele ateptate ct i
cele observate, ne intereseaz i toate reziduurile. Dup bifarea opiunilor
respective, putem apsa butonul Continue pentru a reveni la formularul
iniial i apoi butonul OK n vederea lansrii analizei.
Acum, dac vei privi n fereastra de afiare a rezultatelor, vei rmne
surprini. SPSS a generat nu mai puin de patru tabele i un grafic.
Tabelul 1.44 Sumarul analizei
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
Genul biologic *
Culoarea ochilor
50 100,0% 0 ,0% 50 100,0%

Primul tabel se refer la sumarul analizei. Se poate observa c toi cei
50 de subieci au scoruri la cele dou variabile, nu exist cazuri lips, datele
sunt utilizabile 100%.
Al doilea tabel nu este altceva dect tabelul ncruciat de contingen.
Se poate observa reprezentarea pe coloane a variabilei culoarea ochilor, n
timp ce pe linii este reprezentat variabila gen biologic. Datele din acest
tabel ne ofer informaii valoroase referitoare la structura intern a analizei i
vor trebui incluse n orice raport de cercetare. Iat o prim situaie n care ar

149

fi trebuit s folosim opiunile de rotunjire sau trunchiere fr afectarea bazei
de date. Vei vedea imediat de ce.
Ce ne spune acest tabel? n primul rnd avem un numr de 34 de br-
bai. Dintre acetia, 5 au ochi albatri, 5 au ochi verzi, 16 au ochi cprui i 8
au ochi negri. Similar, am investigat 16 femei: 3 cu ochi albatri, 3 cu ochi
verzi, 7 cu ochi cprui i 3 cu ochi negri. Frecvenele estimate, pentru brbai,
sunt: 5,4 pentru ochi albatri, 5,4 pentru ochi verzi, 15,6 pentru ochi cprui,
7,5 pentru ochi negri. Situaia este redat n mod analog i pentru femei. To-
tui, ce nseamn, spre exemplu, 5,4? nseamn cumva cinci brbai i jum-
tate? La acest nivel de msur ar fi fost mai bine s folosim opiunile de ro-
tunjire pentru a evita asemenea exprimri zecimale. Cnd folosim ns trun-
chierea, i cnd folosim rotunjirea? n general, dac baza de date conine un
numr mare de cazuri vom folosi trunchierea. Chiar dac pierdem informaie,
ctigm precizie. Dac numrul de cazuri este relativ mic, este de preferat s
utilizm rotunjirea. Beneficiem de mai mult informaie n detrimentul preci-
ziei.
Urmtoarele linii din tabel se refer la reziduuri. Observm c pentru
culorile deschise (albatri i verzi) brbaii se situeaz sub frecvena atepta-
t, n timp ce femeile se situeaz sub frecvena ateptat la culorile nchise
(cprui i negri). Ne-am putea gndi la o predominan a culorilor nchise
pentru brbai i a culorilor deschise pentru femei, dei forma standardizat a
reziduurilor arat abateri mici de la situaia n care nu ar exista nici o relaie
ntre cele dou variabile.

150

Tabelul 1.45 Tabelul de contingen
Genul biologic * Culoarea ochilor Cross tabulation
Culoarea ochilor
Total Albastri Verzi Caprui Negri
Genul biologic Masculin Count 5 5 16 8 34
Expected Count 5,4 5,4 15,6 7,5 34,0
Residual -,4 -,4 ,4 ,5
Std. Residual -,2 -,2 ,1 ,2
Adjusted Residual -,4 -,4 ,2 ,4
Feminin Count 3 3 7 3 16
Expected Count 2,6 2,6 7,4 3,5 16,0
Residual ,4 ,4 -,4 -,5
Std. Residual ,3 ,3 -,1 -,3
Adjusted Residual ,4 ,4 -,2 -,4
Total Count 8 8 23 11 50
Expected Count 8,0 8,0 23,0 11,0 50,0
Presupunerile anterioare se confirm n tabelul 1.46. Observm c nu
exist nicio legtur ntre cele dou variabile. Nu se poate stabili nicio relaie
ntre culoarea ochilor i genul biologic al subiecilor.
Tabelul 1.46 Coeficientul de contingen
2

Chi-Square Tests

Value df
Asymp. Sig. (2-
sided)
Pearson Chi-Square ,361
a
3 ,948
Likelihood Ratio ,359 3 ,949
Linear-by-Linear Association ,320 1 ,571
N of Valid Cases 50
a. 3 cells (37,5%) have expected count less than 5. The minimum expected count is 2,56.

Absena legturii este confirmat i de coeficienii de asociere derivai
din
2
. ntr-adevr, putem s nu respingem ipoteza nul conform creia nu
exist nicio legtur ntre culoarea ochilor i genul biologic al subiecilor.

151

Tabelul 1.47 Coeficieni de asociere derivai din
2

Symmetric Measures
Value Approx. Sig.
Nominal by Nominal Phi ,085 ,948
Cramer's V ,085 ,948
Contingency Coefficient ,085 ,948
N of Valid Cases 50

Reprezentarea grafic
a datelor vine n sprijinul de-
monstraiei cifrice. Genul
persoanelor investigate nu are
nicio legtur cu culoarea
ochilor acestora. Graficul ara-
t doar o preponderen a
ochilor cprui la ambele sexe
i o oarecare frecven mai
ridicat a ochilor negri la br-
bai. Culorile deschise au n
continuare o frecven sczut,
att la brbai ct i la femei.
Iat c prin procedee neparametrice, situate chiar la un nivel nominal, s-a
putut demonstra o ipotez de cercetare.
nainte de a ncheia, vom furniza cteva exemple, fr a intra n deta-
lii, pentru a v putea familiariza cu procedurile de lucru.
S presupunem c dorim s aflm relaia dintre culoarea ochilor i
gradul militar, adic s vedem dac, ntr-adevr, coloneii au ochi albatri.
Suntem n situaia analizei legturii ntre o variabil nominal (culoarea ochi-
lor) i o variabil ordinal (gradul militar). n acest caz avem dou posibili-
ti. Fie abordm analiza la nivel nominal, la fel cum am procedat anterior,
Figura 1.40 Reprezentarea grafic a relaiei dintre
culoarea ochilor i genul biologic.

152

deoarece una dintre variabile se afl la acest nivel i aplicm principiul ana-
lizei bazate pe variabila cea mai slab, fie folosim coeficientul , coeficient
care relaioneaz o variabil nominal cu una ordinal sau scalar. Noi vom
aborda ambele situaii. Prin urmare, includem pe linii variabila culoarea
ochilor i pe coloane gradul militar. Bifm i caseta Display clustered bar
charts pentru a putea afia grafic variabilele, apoi alegem opiunile Chi-
square, Contingency coefficient, Phi and Cramers V, dar i opiunea
Eta din fereastra de configurare a statisticilor. Vom considera c una dintre
variabile nu ndeplinete condiiile testrii asimptotice i vom alege metoda
Monte Carlo din fereastra de configurare a testelor de semnificaie. n final,
apsm butonul OK pentru a lansa analiza.
Nu vom furniza toate tabelele, majoritatea fiind identice cu cele din
analiza de mai sus.
Tabelul 1.48 Coeficieni de asociere
2

Chi-Square Tests

Monte Carlo Sig. (2-sided) Monte Carlo Sig. (1-sided)

99% Confidence
Interval
99% Confidence
Interval

Value df
Asymp. Sig.
(2-sided) Sig.
Lower
Bound
Upper
Bound Sig.
Lower
Bound
Upper
Bound
Pearson Chi-Square 13,004
a
9 ,162 ,158
b
,149 ,168
Likelihood Ratio 14,002 9 ,122 ,210
b
,200 ,220
Fisher's Exact Test 11,963 ,159
b
,149 ,168
Linear-by-Linear
Association
,123
c
1 ,725 ,769
b
,758 ,779 ,397
b
,384 ,409
N of Valid Cases 50
a. 13 cells (81,3%) have expected count less than 5. The minimum expected count is ,80.
b. Based on 10000 sampled tables with starting seed 2000000.
c. The standardized statistic is -,351.
Constatm c statisticile bazate pe
2
sunt mult mai elaborate la utili-
zarea metodei Monte Carlo. Avem pragurile de semnificaie att pentru me-
toda clasic, asimptotic, dar i pentru metoda Monte Carlo, alturi de inter-
valele de ncredere. Desigur, nu exist nicio legtur ntre cele dou variabile,

153

aa cum reiese i din tabelul 1.49, tabelul coeficienilor de asociere derivai
din
2
.
Toi cei trei coeficieni de asociere calculai arat, din nou, lipsa core-
laiei ntre cele dou variabile. Oricum, se poate observa creterea preciziei
pragului de semnificaie la utilizarea metodei Monte Carlo n comparaie cu
testul clasic.
Tabelul 1.49 Coeficieni de asociere derivai din
2

Symmetric Measures

Monte Carlo Sig.
99% Confidence Interval
Value Approx. Sig. Sig. Lower Bound Upper Bound
Nominal by Nominal Phi ,510 ,162 ,158
a
,149 ,168
Cramer's V ,294 ,162 ,158
a
,149 ,168
Contingency Coefficient ,454 ,162 ,158
a
,149 ,168
N of Valid Cases 50
a. Based on 10000 sampled tables with starting seed 2000000.

Ultimul tabel analizat este cel al coeficientului de asociere . Aici va
trebui s facem cteva precizri, deoarece asocierea se trateaz direcional.
Acest lucru nseamn c avem o variabil dependent (variabila situat la
nivel scalar) i o variabil independent (variabila situat la nivel nominal).
SPSS nu are de unde s tie care este variabila dependent i care este varia-
bila independent, prin urmare furnizeaz ambele valori. n cazul nostru, va-
riabila dependent este gradul militar iar cea independent culoarea ochi-
lor. Coeficientul care ne intereseaz este aadar situat pe a doua linie linia
care trateaz gradul militar (=0,184).
Tabelul 1.50 Coeficientul de asociere nominal ordinal
Directional Measures
Value
Nominal by Interval Eta Culoarea ochilor Dependent ,120
Grad militar Dependent ,184

154

Remarcm valoarea mic a acestei legturi i, de asemenea, lipsa pra-
gului de semnificaie. SPSS nu furnizeaz valoarea semnificaiei pentru acest
coeficient, ea fiind tratat la analizele folosind date nominale. De aceea coe-
ficientul va fi ntotdeauna nsoit de analize bazate pe
2
.
Un ultim exemplu i propune analiza relaiei dintre ultima coal ab-
solvit i gradul militar. Ambele variabile se afl la nivel ordinal, astfel nct
putem bifa i caseta Correlations, dar i ceilali coeficieni de corelaie pen-
tru date ordinale: Gamma, Sommers d, Kendalls tau-b i Kendalls
tau-c. Dac avei curaj, alegei opiunea Exact cu limitare la 5 minute,
pentru a vedea cum funcioneaz i acest element. Apoi salvai dac ai lucrat
ceva, lansai analiza i luai-v o mic pauz. Glumeam! Numrul mic de
date permite analiza rapid a acestora.
Observm c legtura dintre cele dou variabile este semnificativ la
un prag de semnificaie mai mic de 0,01, prag furnizat att de testul clasic de
semnificaie, ct i de testul exact. Coeficienii au valori ridicate, fapt care
indic existena unei legturi pozitive, semnificative i puternice ntre gradul
militar i ultima coal absolvit. Desigur, gradele militare nalte presupun i
studii pe msur, relaia nefiind un fapt surprinztor.
Tabelul 1.51 Coeficieni de corelaie pentru date aflate la nivel ordinal
Symmetric Measures

Value
Asymp. Std.
Error
a
Approx. T
b
Approx. Sig. Exact Sig.
Ordinal by Ordinal Kendall's tau-b ,742 ,040 16,127 ,000 ,000
Kendall's tau-c ,661 ,041 16,127 ,000 ,000
Gamma ,942 ,040 16,127 ,000 ,000
Spearman Correlation ,823 ,034 10,025 ,000
c
,000
Interval by Interval Pearson's R ,780 ,041 8,629 ,000
c
,000
N of Valid Cases 50
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Based on normal approximation.

155

Exerciii:
Analizai i interpretai legturile dintre: gen biologic i grad mi-
litar, culoarea ochilor i ultima coal absolvit, gen biologic i
greutate. Explicai i argumentai utilizarea coeficienilor.
V voi lsa acum n compania SPSS s v jucai cu opiunile i cu in-
dicatorii corelaiilor, s experimentai mai multe variante, deoarece numai aa
vei putea s v perfecionai. Nu vom ncheia ns acest capitol, dect dup
ce vom realiza cteva referiri generale la modul de raportare al studiilor core-
laionale.
I.5.3 Raportarea studiilor corelaionale
Pe parcursul acestui capitol am fcut deseori referire la stilul, modul
n care se pot raporta studiile de tip corelaional. Desigur, nu exist un ablon
standard de raportare, acest lucru rmnnd la latitudinea, experiena i talen-
tul cercettorului. Exist ns o serie de principii generale a cror respectare
v poate scuti de surpriza neplcut a respingerii vreunei lucrri.
Am menionat deja c la raportarea unei corelaii sunt importante trei
elemente: intensitatea corelaiei, dat de valoarea coeficientului de corelaie,
sensul corelaiei, doar pentru coeficienii direcionali, dat de semnul coefici-
entului de corelaie i pragul de semnificaie. Unii autori (Field, 2000) afir-
m c este important raportarea efectului, sub forma varianei comune. De-
sigur, pot fi formulate i o serie de reguli, n general mai mult sau mai puin
acceptate i respectate:
1. Nu se recomand scrierea cifrei 0 naintea punctului zecimal,
deoarece reprezint o exprimare redundant atta timp ct i
coeficientul i pragul de semnificaie au o amplitudine cuprin-
s ntre 0 i 1. Prin urmare, nu se recomand publicarea unui

156

coeficient de corelaie r Bravais-Pearson sub forma r=0,57, ci
n forma r= ,57 sau r= .57. La fel raportm i pragul de semni-
ficaie. Nu vom scrie p<0,01 ci p< .01 sau p< ,05. Desigur, eu
nu am respectat aceast regul din considerente didactice. n
mod normal o respect n lucrrile tiinifice i v recomand i
dumneavoastr s o facei.
2. Se recomand precizarea situaiei n care s-a utilizat o ipotez
unilateral (unidirecional). Neprecizarea acestui lucru
determin, implicit, considerarea ipotezei ca fiind bilateral. n
general, ipotezele bilaterale nu se specific, ci se specific
doar ipotezele unilaterale. Dac avei o ipotez de tipul exist
o legtur pozitiv ntre anxietate i depresie, aceasta este o
ipotez unilateral. Regula impune o raportare de genul r= ,87;
p
(unilateral)
< ,01 sau, dac publicai n strintate, r= .87; p
(one-
tailed)
< .01
3. Fiecare coeficient de corelaie se exprim printr-o anumit
liter, n general acceptat n literatura de specialitate. De
exemplu, coeficientul de corelaie Bravais-Pearson se
reprezint prin litera r, coeficientul Spearman prin i aa mai
departe, dup cum ai observat. Va trebui s respectai aceast
notaie. Totui, n situaia n care folosii alte simboluri (repet,
situaie care trebuie evitat), suntei obligat s furnizai o
legend explicativ a acestora, nsoit de formulele, expresiile
de calcul.
4. n tiinele socio-umane, pragul de semnificaie acceptat este
de .05. Am susinut deja c, n general, o cercetare nu implic
raportarea exact a acestui prag ci raportarea sub forma unei
inegaliti. Aadar, nu folosii niciodat expresia p= .000 sau

157

p= .003 ci expresii de forma p< .05, p< .01 sau p< .001, acesta
fiind i standardul raportrilor tiinifice.
5. Un prag de semnificaie p= .05 nu este semnificativ. Sunt
semnificative doar pragurile mai mici de .05, nu i cele egale
cu aceast valoare. n tiinele sociale, de obicei raportm
semnificaii mai mici de .05 sau mai mici de .01. Foarte rar
ajungem la niveluri mai mici de .001 i n mod excepional la
praguri de semnificaie mai mici de .0001.
n sfrit am ajuns i la finalul acestui capitol. A fost, ntr-adevr, un
capitol destul de lung, ns i informaia a fost consistent. Acum sper c
avei o idee precis asupra semnificaiei conceptului de corelaie, mai exact a
celui de legtur ntre variabile. Putei s fii mndri i s dai lecii colegilor
n domeniul studiilor corelaionale, ns nu v bucurai prea tare, deoarece
avem de discutat lucruri cel puin la fel de interesante.
Luai-v o pauz. Mergei la un grtar, la iarb verde, relaxai-v, de-
oarece imediat vom aborda un alt capitol, i anume cel al testelor statistice.
n concluzie:
Relaiile stabilite n urma analizei a dou variabile poart numele de analize biva-
riate, spre deosebire de analizele univariate care au n vedere doar o singur vari-
abil;
Gradul de asociere ntre dou variabile se bazeaz pe conceptul ce covarian. M-
sura standardizat a covarianei poart numele de corelaie;
Coeficienii de corelaie pot fi parametrici i neparametrici, dup cum cele dou
variabile ndeplinesc sau nu condiiile de aplicare ale statisticilor parametrice;
Coeficientul de corelaie a rangurilor Spearman se poate folosi, n general, pen-
tru variabile ordinale provenite din variabile continui sau pentru variabile continui
care nu ndeplinesc condiiile necesare aplicrii statisticilor parametrice;
Coeficientul de corelaie a rangurilor Kendall are mai multe forme, se bazeaz pe
calculul inversiunilor i al proversiunilor i se folosete pentru variabile aflate na-
tural la un nivel de msur ordinal sau pentru variabile cantitative care nu ndepli-
nesc condiiile de aplicare a statisticilor parametrice;

158

2
are mai multe forme i se folosete n cazul variabile-
lor nominale, n calcule bazate pe tabele de contingen. Este un coeficient nedirec-
ional i nestandardizat;
Coeficientul de asociere este o form standardizat a coeficientului
2
i se utili-
zeaz, n general, pentru dou variabile dihotomice. n cazul n care una dintre va-
riabile nu mai este dihotomic, acest coeficient nu are relevan;
Coeficientul de contingen Pearson (cc) este o variant a coeficientului , care
poate fi utilizat pentru variabile cu mai multe categorii;
Coeficientul de contingen Tschuprow (t) se bazeaz tot pe coeficientul i ine
seama de acesta i de numrul de categorii din cadrul fiecrei variabile, fiind o
form ajustat a coeficientului ;
Coeficientul de asociere Cramer (V) se folosete dac cel puin una dintre variabile
este polihotomic, fiind bazat direct pe
2
;
Coeficientul de asociere Goodman i Kruskal () msoar reducerea proporional
a erorilor ntr-un tabel de contingen, fiind folosit pentru variabile strict ordinale
n scop predictiv;
Coeficientul de asociere Goodman i Kruskal () are la baz variabile ordinale, es-
te similar cu Kendall i se calculeaz innd cont de numrul perechilor concor-
dante i discordante;
Coeficienii tetrachoric, polichoric i poliserial se folosesc pentru variabile dihoto-
mice provenind din variabile continui sau pentru variabile ordinale, condiia fiind
aceea a provenienei din variabile continui;
Coeficientul de concordan Kendall (W) se bazeaz pe ranguri i permite aprecie-
rea gradului de acord dintre evaluatori. Datele folosite sunt date ordinale;
Coeficientul de corelaie rang biserial ofer expresia legturii dintre o variabil
dihotomic i o variabil ordinal;
Coeficientul de corelaie r Bravais-Pearson este cel mai cunoscut coeficient de co-
relaie pentru date parametrice i se folosete la analiza legturilor dintre dou va-
riabile cantitative care ndeplinesc toate condiiile aplicrii testelor parametrice;
Coeficienii de corelaie biserial, punct biserial i triserial se folosesc pentru anali-
za asocierii dintre o variabil scalar i o variabil nominal, dihotomic sau
polihotomic. Diferena dintre acetia este dat de natura dihotomiei dihotomie
discret sau continu;
Coeficientul de corelaie eneahoric permite asocierea unor variabile polihotomice,
polihotomia fiind una continu;
Corelaiile pariale, att cele parametrice ct i cele neparametrice, au n vedere
analiza relaiei dintre dou variabile n condiiile n care se menine controlul asu-
pra unei a treia variabile, susceptibil de a influena comportamentul celorlalte do-
u variabile analizate.
Raportarea corelaiei presupune raportarea intensitii acesteia, a sensului i a
pragului de semnificaie;

159

Gradele de libertate arat numrul de cazuri luate n calcul pentru un indicator
statistic, n condiiile n care exist cel puin o ans de alegere;
Mrimea efectului arat proporia de varian comun a variabilelor i se obine
prin ridicarea la ptrat a coeficientului de corelaie;
Analiza corelaiei nu const doar n interpretarea numeric, ci presupune obligato-
riu i analiza grafic;


160

I II I. . D DI IF FE ER RE EN N E E S ST TA AT TI IS ST TI IC CE E B BI IV VA AR RI IA AT TE E
Planuri de cercetare;
Ipoteze i variabile specifice statisticilor infe-
reniale;
Teste statistice pentru date parametrice i pentru
date neparametrice;
Relevana i utilizarea testelor statistice;
neleag rolul i importana planurilor de cerce-
tare;
Identifice i s proiecteze cercetri bazate pe
planuri infereniale;
Analizeze i s interpreteze rezultatele testelor
statistice;
Utilizeze SPSS n calculul testelor statistice.

Studiul relaiilor ntre variabile reprezint doar o mic parte din arse-
nalul analizei de date pe care l are la dispoziie specialistul n tiine socio-
umane pentru a desfura o cercetare tiinific. Desigur, cercetrile corelai-
onale se folosesc atunci cnd dorim s investigm legtura dintre dou varia-
bile (de exemplu legtura dintre coeficientul de inteligen i performana
colar) i fac obiectul aa-numitelor planuri de cercetare de tip corelaional.
Cum procedm, ns, atunci cnd suntem interesai de studiul diferenelor
statistice? Care ar fi abordarea n situaia unei ntrebri de genul: exist dife-
rene determinate de genul biologic sub aspectul performanei la matemati-
c?. n acest caz, un plan de cercetare corelaional nu ne este de prea mare
folos. Suntem, din nou, n faa unei provocri. Provocarea analizei inferenia-
le sub aspectelor diferenelor statistice bivariate.
Dei i gsete locul mai degrab ntr-o lucrare din domeniul metodo-
logiei cercetrii, urmtorul subcapitol nu poate fi trecut cu vederea. Vom dis-

161

cuta, aadar, despre planurile de cercetare i vom vedea o alt clasificare a
variabilelor.
II.1 Planuri de cercetare
Titlul nu ar trebui s v sperie. Conceptul a fost deja folosit, numai c
a venit momentul s-l tratm n detaliu. Un design de cercetare este un plan
care permite atribuirea subiecilor n diferite condiii experimentale,
mpreun cu modalitile de analiz a datelor rezultate (Kirk, 1995). Ace-
lai autor stipuleaz o serie de etape care presupun crearea unui design de
cercetare (Kirk, 1995):
1. Formularea ipotezelor statistice derivate din ipotezele tiinifice;
2. Determinarea condiiilor de cercetare;
3. Specificarea numrului de subieci care urmeaz s participe la cerce-
tare, precum i populaia din care vor fi extrai;
4. Specificarea procedurii de atribuire a subiecilor n diferitele condiii
de cercetare;
5. Precizarea tehnicilor ce vor fi folosite pentru analiza datelor.
Pn n acest moment, am lucrat cu mai multe clasificri ale variabile-
lor
4
. Am vzut c acestea pot fi discrete i continui, parametrice i neparame-
trice sau, mai detaliat, variabile nominale, ordinale, de interval i de raport.
Atunci cnd lucrm cu planuri de cercetare, se impune o nou distincie la
acest nivel. Putem vorbi despre variabile independente variabilele ce vor
fi manipulate de ctre cercettori, variabile dependente variabilele ce vor
fi msurate pentru a vedea efectul exercitat de variabilele independente i
variabile confundate variabile ce nu sunt luate iniial n calcul, dar care
pot exercita efecte necontrolate asupra variabilelor dependente.

4
Desigur, ne referim la clasificrile prezentate n lucrarea anterioar.

162

n linii mari, un plan de cercetare identific cele trei tipuri de variabile
enumerate mai sus, precum i modul n care vor fi selectai i distribuii parti-
cipanii i, de asemenea, metodele i tehnicile statistice care vor fi folosite.
S presupunem c dorii s studiai posibilitile de abandon a fumatu-
lui. Avei la dispoziie un tratament medicamentos i un tratament bazat pe
ceaiuri din plante. n acest caz, variabila independent va fi: tipul tratamen-
tului, cu dou grade de intensitate medicamentos i naturist. Aceasta este
variabila pe care o manipulai dumneavoastr. Vei dori s tii care dintre
cele dou forme de tratament influeneaz mai puternic abandonul fumatului.
Variabila dependent poate fi operaionalizat prin numrul de igri fumate
zilnic. Aceasta este msura abandonului. Ca variabile confundate, putem gsi
o mulime: vizualizarea unui clip publicitar, anturajul, preul igrilor, chiar i
genul biologic ori mediul de provenien. Toate aceste variabile pot influena
abandonul fumatului, ns cercetarea nu le-a izolat, efectele acestora rm-
nnd necunoscute.
Printele planurilor de cercetare a fost Sir Ronald A. Fisher, care n
anul 1935, a propus primul principiu al acestora caracterul aleatoriu. Pn
atunci, cercettorii foloseau aa-numitele scheme de cercetare sistematice, n
care subiecii proveneau din loturi de cercetare selectate, neavnd un caracter
aleatoriu (Fisher, 1971). Iniial privit cu suspiciune i ostilitate, acest princi-
piu a devenit, n timp, cheia de bolt a tuturor cercetrilor moderne. Prin atri-
buirea aleatorie a subiecilor n condiiile de cercetare, caracteristicile partici-
panilor se distribuie uniform n toate aceste condiii, astfel nct se pot mi-
nimaliza erorile determinate de atributele individuale, existnd chiar posibili-
tatea msurrii efectului erorilor.
Un al doilea principiu formulat de Fisher se refer la posibilitatea re-
plicrii. Replicarea este posibilitatea observrii subiecilor n condiii de cer-
cetare identice. Prin aceste observri repetate se pot estima efectele erorilor,

163

cercetarea ctignd un plus de precizie sub aspectul efectelor generate de
variabila independent.
Al treilea principiu este cel al controlului variabilelor confundate.
Prin aceste proceduri, un plan de cercetare va izola sursele de variaie deter-
minate de alte variabile posibile i va limita efectul acestora asupra variabile-
lor dependente. Exist mai multe metode prin care se poate realiza acest lu-
cru. Una dintre acestea se refer la meninerea constant a variabilei confun-
date. De exemplu, dac presupunem c genul biologic al subiecilor poate
influena abandonul fumatului, vom efectua dou cercetri, una pe brbai i
alta pe femei. O alt metod se refer la tratarea variabilei confundate ca va-
riabil de cercetare. Putem include, de exemplu, alturi de variabila indepen-
dent tipul de tratament i variabila independent gen biologic: Desigur,
cea mai bun metod rmne ns atribuirea aleatorie a subiecilor n condiii-
le de cercetare. n mod practic, procedura statistic de control a variabilelor
confundate poart numele de analiz de covarian (ANCOVA) i va fi expu-
s n cadrul aventurilor noastre n lumea statisticii.
Exist un numr impresionant de planuri de cercetare, ns situaiile
practice impun utilizarea doar a ctorva. n general, literatura de specialitate
distinge ntre (Kirk, 1995):
Planuri de cercetare sistematice rar folosite n prezent, deoa-
rece presupun existena unor loturi de cercetare selectate, iar lipsa
caracterului aleatoriu induce erori foarte mari. Dintre cele mai cu-
noscute planuri de cercetare de acest tip, menionm planurile de
tip tabl de ah sau half-drill strip ale lui Beavan, planul dia-
gonal de ptrat sau planul n ptrate al lui Knut Vik;
Planuri aleatorii cu o singur variabil independent repre-
zint modele n care exist o singur variabil independent, iar
subiecii sunt atribuii aleatoriu n cadrul categoriilor determinate

164

de aceast variabil. Aceste planuri de cercetare pot accepta abso-
lut aleatoriu atribuirea subiecilor n cadrul categoriilor variabilei
independente (cum este planul complet aleatoriu CR-p) sau sub-
iecii sunt atribuii aleatoriu, ns nainte de acest lucru apare o
etap intermediar de construcie a unor grupuri sau categorii
omogene ale variabilei independente (cum sunt planurile de tip
bloc incomplet balansat BIP-p, planul ncruciat CO-p, planul
cu blocuri aleatorii generalizate GRB-p, planurile de tip ptrate
greco-latine GLS-p i HGLS-p i altele;
Planuri aleatorii cu dou sau mai multe variabile independen-
te similare planurilor de cercetare anterioare, cu singura diferen-
a existenei mai multor variabile independente. i aici avem do-
u situaii particulare. Putem vorbi despre planuri factoriale, n ca-
re nu exist o relaie de ordine ntre categoriile variabilelor inde-
pendente (planuri fr variabile confundate CRF-pq, GRBF-pq,
RBF-pq, planuri cu tratarea variabilelor confundate la nivel de
grup SPF-p.q, planuri cu interaciunea variabilelor confundate la
nivel de grup LSCF-p
k
i planuri de tip tratare-interaciune) i
despre planuri ierarhice, n care se poate pune o relaie de ordine
ntre categoriile variabilelor independente, ordine fie total, fie
parial;
Planuri aleatorii cu una sau mai multe covariane specifice
analizei de covarian, n care variabilele confundate sunt tratate
prin procedee similare tratrii variabilelor independente;
Planuri speciale nu intr n niciuna dintre categoriile de mai
sus. De exemplu, planul cu patru grupuri al lui Solomon sau pla-
nul cu serii temporare ntrerupte.

165

Nu v speriai, nu le vom studia pe toate. Ne vom concentra atenia
doar asupra ctorva, cele mai utilizate n sfera noastr de interes.
II.1.1 Planuri de cercetare de baz
Reprezint modele de cercetare de baz, din combinarea acestora re-
zultnd toate celelalte planuri de cercetare uzuale. Specialitii n cercetarea
experimental identific trei asemenea modele: designul complet aleatoriu
(CR-p), designul aleatoriu cu blocuri (RB-p) i designul ptratelor latine (LS-
p). nelegerea acestor modele v permite s v descurcai n toate planurile
de cercetare existente, acestea nefiind altceva dect combinaii ale planurilor
de cercetare de baz.
II.1.1.1 Designul complet aleatoriu (CR-p)
Face parte din categoria planurilor cu o singur variabil independen-
t, n care subiecii sunt distribuii absolut aleatoriu n categoriile acestei va-
riabile. Este, n mod cert, cel mai simplu plan de cercetare posibil i perfect
adecvat exemplului nostru anterior. Un asemenea plan se numete plan de tip
CR-p (de la Completely Random), unde p reprezint categoriile variabilei
independente.
n cazul nostru, ipoteza tiinific pe care o vom verifica va fi aceea n
care presupunem c nu exist nicio diferen ntre numrul de igri fumate
de persoanele care urmeaz tratamentul naturist, n comparaie cu persoanele
care urmeaz tratamentul medica-
mentos. De cele mai multe ori, ipote-
za tiinific este formulat n termeni
prea generali pentru a putea fi verifi-
cat. Va fi necesar transformarea ei ntr-o ipotez statistic:
H
0
:
medi

natu
= 0; H
1
:
medi

natu
0
Tabelul 2.1 Plan de cercetare de tip CR-2
Variabila independent Tip tratament
Grup 1 Medicamentos 30 subieci
Grup 2 Naturist 30 subieci

166

Spre deosebire de ipoteza tiinific, n acest caz vom afirma c nu
exist nicio diferen ntre media igrilor fumate de ctre subiecii care ur-
meaz un tratament medicamentos i media igrilor fumate de subiecii care
urmeaz un tratament naturist. Aceasta este ipoteza nul cu care vom lucra,
expresia sa matematic fiind expus mai sus. Atenie, ne aflm acum pe tere-
nul statisticilor infereniale! Din datele rezultate n urma studiului va trebui s
extindem cunotinele la nivelul ntregii populaii. De aceea, am folosit sim-
bolul pentru medie ca parametru i nu simbolul mediei ca indicator.
Planul de cercetare este expus n tabelul 2.1. Evident, este un plan de
cercetare de tip CR-2, numrul minim de subieci necesar pentru a se putea
respecta regula aplicrii statisticilor parametrice este de 60 de persoane. Pri-
mul grup, format din 30 de persoane va urma un tratament medicamentos, iar
al doilea grup de 30 de persoane urmeaz un tratament naturist.
La sfritul cercetrii vom calcula media igrilor fumate de subiecii
din primul grup i media igrilor fumate de subiecii din al doilea grup. Dac
cele dou medii difer semnificativ, vom putea respinge ipoteza nul i vom
putea afirma c unul dintre cele dou tratamente are un efect semnificativ mai
mare (sau mai mic) asupra variabilei dependente.
Totui, s vedem ce influeneaz n realitate variabila dependent. De-
sigur, modificrile la nivelul variabilei dependente pot fi determinate de efec-
tul variabilei independente (de exemplu, cei care urmeaz un tratament natu-
rist se las mai repede de fumat n comparaie cu ceilali). Aceasta s fie oare
singura explicaie posibil? Ce spunei de caracteristicile individuale ale par-
ticipanilor? O persoan cu o voin puternic probabil c va abandona mai
uor fumatul n comparaie cu o persoan mai slab. Pot s apar, de aseme-
nea, fluctuaii n dispoziia individului sau erori n procesul de colectare a
datelor. Un subiect s-a certat cu eful iar acest lucru determin creterea nu-
mrului de igri fumate, sau persoana care nregistreaz datele va trece 21 de
igri ntr-o zi, l loc de 11, doar pentru c se gndea la plata datoriilor din

167

banc. n fine, teoretic, pot exista o infinitate de variabile confundate care s
influeneze variabila dependent.
Nu putem ti cu certitudine dac modificrile n comportamentul sub-
iecilor se datoreaz, ntr-adevr, influenei exercitate de variabila indepen-
dent sau au aprut ali factori care le-au determinat. Dac am conveni s
notm subiecii cu litera i, unde, n cazul nostru, i poate lua valori ntre 1 i
60, iar cele dou situaii de cercetare cu litera k, unde k poate fi tratamentul
naturist sau tratamentul medicamentos, am putea sintetiza acest design de
cercetare sub forma:
Y
ik
= +
k
+
i(k)

S nu ne speriem prea tare! Y
ik
reprezint scorul obinut la variabila
dependent de ctre subiectul i aflat n situaia k. De exemplu, Costel este al
aselea subiect din grupul supus tratamentului medicamentos, care fumeaz,
n medie, 15 igri pe zi. Costel va fi, atunci, Y
62
iar valoarea acestui Y devine
15. Aceste 15 igri fumate de Costel la sfritul experimentului reprezint
suma a trei parametri. n primul rnd, este vorba despre media mediilor celor
dou situaii de cercetare (= (
medic
+
natur
)/2). Dac subiecii din situaia
tratamentului medicamentos fumeaz n medie 12 igri, iar subiecii din si-
tuaia tratamentului naturist fumeaz n medie 8 igri, atunci o component a
celor 15 igri fumate de Costel va fi media 10. O alt component a numru-
lui de igri fumate de Costel este dat de efectul tratamentului
k
. Desigur,
alturi de media mediilor, n compoziia celor 15 igri intr i efectul deter-
minat de tratamentul medicamentos la care a fost supus Costel. n fine, ultima
component a scorului observat este dat de efectul erorilor aprute la nivelul
grupului din care face parte Costel
i(k)
.
Generaliznd, fiecare scor observat reprezint suma celor trei
componente: media general, efectul determinat de situaia de cercetare
i efectul erorilor din grupul de cercetare. Cnd vorbim despre efectul ero-
rilor, ne referim exact la situaiile expuse mai sus; Costel s-ar fi putut certa la

168

un moment dat cu soia, are o voin slab, operatorul a introdus greit, la un
moment dat, un numr de igri sau l-au strns pantofii trei zile din durata
total a experimentului. n mod cert, media general i efectul situaiei de
cercetare sunt constante pentru toi subiecii. n acest caz, diferenele dintre
participani se datoreaz efectului exercitat de ctre erori.
n asemenea planuri de cercetare, inta o reprezint minimizarea efec-
tului generat de erori prin controlul surselor de eroare, astfel nct modificri-
le la nivelului scorului observat s se datoreze efectului generat de variabila
independent.
Un asemenea plan de cercetare folosete aa-numitele eantioane in-
dependente, deoarece subiecii au fost distribuii aleatoriu n cele dou gru-
puri de cercetare. n mod normal, cercetrile se fac n baza unor design-uri
mai complexe, existnd puine anse s v confruntai cu un plan att de sim-
plu. Motivele constau tocmai din lipsa posibilitii de control a surselor de
eroare.
II.1.1.2 Designul aleatoriu cu blocuri (RB-p)
Reprezint o alt variant a modelelor cu o singur variabil indepen-
dent, se noteaz RB-p (de la Randomized Block), p avnd aceeai semnifica-
ie ca mai sus. Structural, modelul nu difer de planul anterior. Deosebirile se
refer ns la modul de control al variabilelor confundate i la tipul de eanti-
on. Dac designul de cercetare complet aleatoriu folosete eantioane inde-
pendente, acest model are n vedere eantioane dependente. Eantioanele
dependente pot fi obinute prin urmtoarele metode (Kirk, 1995):
1. Observarea fiecrui subiect n fiecare situaie de cercetare, me-
tod numit i cu msurri repetate. Eantioanele dependen-
te sunt formate din aceleai persoane, dar fiecare eantion co-
respunde altei situaii de cercetare;

169

2. Formarea de grupuri de participani avnd caracteristici simi-
lare, pe baza unei alte variabile care coreleaz cu variabila de-
pendent, procedur numit similaritatea participanilor;
3. Obinerea grupurilor de subieci identici n baza caracteristici-
lor genetice (de exemplu grupuri de gemeni un frate ntr-un
eantion, cellalt n alt eantion);
4. Alegerea subiecilor care corespund unui criteriu convenit de
selecie (de exemplu perechi formate din so i soie soul
ntr-un eantion, soia n altul).
Dei n teorie este foarte simplu, n practic vei ntmpina dificulti
n gsirea subiecilor pe baza crora s construii eantioane dependente. To-
tui, efortul dumneavoastr va fi rspltit printr-o mai mare precizie a rezulta-
telor.
Probabil c abandonul fumatului este legat de experiena de fum-
tor. Exist posibilitatea ca subiecii care au fumat 30 de ani s se lase mai
greu de fumat n comparaie cu cei care fumeaz de 30 de zile. Iat o nou
variabil confundat care poate influena rezultatele. Dac n grupul supus
tratamentului medicamentos avem majoritatea fumtorilor veterani, iar n
grupul tratamentului naturist vom avea nceptorii, s-a putea ca eficiena
unui tratament s nu aib o importan att de mare, diferenele rezultnd, de
Tabelul 2.2 Plan de cercetare de tip RB-2
Medicamentos Naturist
Bloc 1 Subiect rang 1 Subiect rang 2 Efect bloc 1
.
.
.
.
.
.
.
.
.
.
.
.
Efect medicament Efect naturist

170

fapt, din vechimea ca fumtor. Putem controla aceast variabil apelnd la
nlocuirea eantionului independent cu un eantion dependent. La prima ve-
dere, se pare c metoda ar anula caracterul aleatoriu, ns nu este chiar aa.
Toat tehnica rezid n conceptul de blocuri. n cazul nostru, vom aplica me-
toda similaritii participanilor pentru a construi blocurile de subieci. Vom
ntreba cele 60 de persoane ce vechime au ca fumtor, apoi vom ordona sub-
iecii n funcie de vechimea lor i vom stabili rangurile. Restul este foarte
simplu. Primul subiect va fi inclus n prima situaie, iar subiectul cu rangul
imediat urmtor, n a doua situaie. Acetia vor forma primul bloc. Al doilea
bloc se construiete similar. Al treilea subiect se include n prima situaie i al
patrulea n cea de-a doua situaie. Vom proceda identic pn n momentul n
care s-a construit i cel de-al treizecilea grup.
Folosind aceast metod vom constata c n ambele situaii de cerce-
tare avem att subieci veterani, ct i subieci nceptori efectul determinat
de variabila vechime fumtor va fi anulat iar cercetarea ctig n precizie.
Un astfel de design este un design de tip RB-2 n condiiile controlului varia-
bilei vechime fumtor, planul prezentnd avantaje nete n comparaie cu
modelul anterior.
Referitor la ipotezele nule care se testeaz prin intermediul acestui
plan, observm c nu mai avem de a face cu o singur ipotez nul, ci cu do-
u.
n primul rnd, putem spune c nu exist diferene semnificative ntre
media igrilor fumate de ctre subiecii care urmeaz un tratament medica-
mentos i media subiecilor care urmeaz un tratament naturist (H
0
:
medi

=
natu
).
n al doilea rnd, vom putea spune c nu exist diferene semnificative
ntre mediile igrilor fumate de ctre subiecii inclui n cele 30 de blocuri pe
baza vechimii ca fumtor (H
0
:
bloc1
=
bloc2
=
bloc3
= . =
bloc30
).

171

n general, cercetarea se concentreaz doar pe prima ipotez. Dei este
posibil i a doua ipotez, aceasta nu are un rol activ n studiu, ci mai degrab
pe acela de a elimina influena variabilei confundate.
Ecuaia caracteristic acestui design este foarte asemntoare cu cea a
designului complet aleatoriu, remarcndu-se doar apariia efectului determi-
nat de blocuri:
Y
ik
= +
k
+
i
+
ik

ntr-adevr, scorul observat este compus din media general (media
mediilor situaiilor de cercetare) , din efectul exercitat de ctre situaia de
cercetare
k
, din efectul exercitat de blocuri (de vechimea ca fumtor)
i
i de
efectul erorilor, de data aceasta considerat la nivelul ntregului eantion
ik
.
Desigur, efectul erorilor va fi incomparabil mai mic, datorit apariiei efectu-
lui determinat de blocuri. Folosind ns metoda similaritii participanilor
pentru a construi eantioanele dependente, acest efect al blocurilor se com-
penseaz i, prin urmare, precizia cercetrii va fi mult mai mare.
V putei da seama c izolnd o variabil confundat care contribuia
ntr-o bun msur la explicarea variabilei dependente, ai obinut un ctig
important n precizia i puterea cercetrii. Acest lucru a fost posibil prin sim-
pla nlocuire a unui design de tip complet aleatoriu cu unul aleatoriu cu blo-
curi.
Creterea preciziei cercetrii poate fi posibil numai n cazul n care
variabila confundat are o legtur cu variabila dependent. n cazul n care,
de exemplu, am include n loc de vechimea ca fumtor, o alt variabil, s
spunem numrul de la pantofi, cercetarea nu numai c nu va ctiga n preci-
zie, dar chiar va pierde din putere din cauza varianei suplimentare introdus
de o variabil care nu are nicio legtur cu variabila dependent. Atenie aa-
dar la proiectarea cercetrilor de acest tip!

172

II.1.1.3 Designul ptratelor latine (LS-p)
Acest model permite controlul unui numr de dou variabile confun-
date, notndu-se cu LS-p (de la termenul Latin Square). Procedeele sunt simi-
lare planului de cercetare anterior, la care se adaug nc o variabil confun-
dat care urmeaz a fi izolat.
S presupunem c alturi de vechimea ca fumtor, vom considera c
i genul biologic poate influena abandonul fumatului. n acest caz, putem
construi un design cu ptrate latine de ordin 2, aa cum rezult i din tabelul
2.3.
Spre deosebire de designul anterior, remarcm cteva modificri im-
portante:
Procedura de alocare a subiecilor n grupele de cercetare este
mult mai complex n comparaie cu modelul RB-p;
Numrul de linii i de coloane din cadrul acestui design trebu-
ie s fie egal cu numrul situaiilor determinate de variabila
independent. n cazul nostru, putem clasifica subiecii doar n
dou grupuri de cercetare, dup variabilele confundate ve-
chime fumtor i gen biologic, deoarece tipul tratamentului
are doar dou condiii de cercetare;
Dac o variabil continu va fi folosit ca variabil confunda-
t, este necesar transformarea acesteia n variabil categoria-
l. Dei vechimea ca fumtor este o variabil continu, expri-
Tabelul 2.3 Plan de cercetare de tip LS-2
nceptori Veterani
Medicament Naturist Medicament Naturist
Brbai Grup 1 Grup 2 Grup 3 Grup 4 Efect brbai
Femei Grup 5 Grup 6 Grup 7 Grup 8 Efect femei
Efect
medicament
Efect
naturist
Efect
medicament
Efect
naturist

Efect nceptori Efect veterani

173

mat n ani, nu putem s o folosim nici mcar la nivel ordinal,
ca n designul de mai sus. Va trebui s mprim subiecii, pe
baza acestei variabile, n dou categorii: nceptori i veterani.
Toate aceste eforturi sunt ns rspltite printr-o precizie sporit a cer-
cetrii, deoarece nu mai controlm o singur variabil confundat ci dou.
Acest plan de cercetare rmne totui un plan cu o singur variabil indepen-
dent tratamentul. Problema se pune la nivelul controlului variabilelor con-
fundate i nu la includerea unui numr mai mare de variabile independente.
Referitor la ipotezele statistice, de data aceasta ne confruntm cu trei
ipoteze statistice:
n primul rnd, putem spune c nu exist diferene semnificative ntre
mediile igrilor fumate de ctre subiecii care urmeaz un tratament medi-
camentos i subiecii care urmeaz un tratament naturist (H
0
:
medi
=
natu
).
n al doilea rnd, vom putea spune c nu exist diferene semnificative
ntre media igrilor fumate de ctre subiecii nceptori, n comparaie cu
media subiecilor veterani (H
0
:
nceptor
=
veteran
).
n al treilea rnd, presupunem c nu exist diferene semnificative n-
tre media igrilor fumate de ctre brbai i media igrilor fumate de femei
(H
0
:
brbai
=
femei
).
i n acest caz, interesul cade pe prima ipotez, celelalte avnd un rol
secundar, de izolare a variabilelor confundate.
Ecuaia designului cu ptrate latine are un numr de ase parametri,
fapt concludent pentru plusul de precizie pe care l aduce:
Y
ikmt
= +
k
+
m
+
t
+
kmt
+
i(kmt)

Traducerea acestei expresii poate fi fcut destul de uor dac ai ne-
les principiile expuse mai sus. Numrul mediu de igri fumate de ctre un
subiect i, aflat n situaia de tratament k, veteran n ale fumatului m i brbat t

174

este format din media general , efectul situaiei de tratament
k
, efectul
determinat de vechimea ca fumtor
m
, precum i efectul determinat de genul
biologic
t
. n componena acestui scor observat intr i efectele exercitate de
dou surse de eroare: erorile la nivelul ntregului eantion, numite i efect
rezidual
kmt
, precum i efectul erorilor de la nivelul grupului din care face
parte subiectul de exemplu efectul erorilor determinate de faptul c subiec-
tul Costel este brbat, fumtor nrit i urmeaz un tratament medicamentos
i(kmt)
.
Desigur, acest plan de cercetare este unul mult mai precis, ns preci-
zia designului s-a obinut printr-o proiectare mai complex i, desigur, printr-
un numr de subieci mai mare. Pentru a putea desfura un studiu valid, n
cazul nostru vom avea nevoie de un numr de 240 de subieci (8 grupe, fieca-
re grup coninnd un numr de 30 de subieci.
Toate cele trei planuri expuse mai sus se numesc planuri de cercetare
de baz, deoarece modelele mai complexe pot fi construite prin combinarea a
dou sau mai multe planuri de acest tip. Aceste modele formeaz ntreaga
structur de organizare i de clasificare a design-urilor de cercetare (Kirk,
1995).
II.1.2 Planuri de cercetare complexe
Multitudinea situaiilor de cercetare are ca efect o multitudine de pla-
nuri de cercetare derivate din cele trei modele de baz. Nu vom intra n deta-
lii referitoare la acestea, deoarece ar trebui s umplem un numr impresionant
de pagini i, n definitiv, ieim din domeniul prezentului volum. Planurile de
cercetare sunt tratate n lucrri de metodologia cercetrii, iar dac suntei pa-
sionat de acest subiect, putei studia lucrrile lui Kirk (Kirk, 1995), Fisher
(Fisher, 1971), Radu (Radu, i alii, 1993) sau Havrneanu (Havrneanu,
2000), (Havrneanu, 2000).

175

Totui, nu m pot abine s nu v prezint, foarte pe scurt, cteva dintre
modelele complexe cele mai utilizate. n general, clasificarea planurilor de
cercetare se face dup cteva criterii (Kirk, 1995):
Numrul variabilelor independente i, implicit, numrul situa-
iilor de cercetare;
Atribuirea complet randomizat sau randomizat dup atribui-
rea n blocuri a participanilor;
Existena sau inexistena variabilelor confundate i utilizarea
covarianelor;
Utilizarea situaiilor de cercetare ncruciate sau pe baza mo-
delului imbricat, numit i model cuib;
Remarcai cu uurin faptul c majoritatea criteriilor de clasificare se
leag de particularitile celor trei modele de baz. Ca regul, ntr-un raport
de cercetare tiinific este obligatorie introducerea planului de cercetare folo-
sit, dac studiul se bazeaz pe aa ceva. Pe lng faptul c foarte multe lucrri
nici nu pomenesc de planurile de cercetare, unii mai scrupuloi neleg prin
design de cercetare o formulare de tipul: s-a folosit un design factorial de tip
2x2. Din nefericire, exist o mulime de planuri factoriale de acest tip, i,
prin urmare, se impune o descriere ceva mai precis. Ce fel de design factori-
al 2x2 s-a folosit? n afara faptului c avem dou variabile independente, fie-
care cu cte dou niveluri, formularea de mai sus nu ne mai spune nimic alt-
ceva. Exist sau nu variabile confundate? Dac exist, cum vor fi acestea
tratate? La nivel de grup? La nivelul interaciunilor dintre grupuri sau la nive-
lul interaciunilor dintre situaiile de cercetare? Acest lucru este necesar, pen-
tru c exist cel puin 11 planuri de cercetare care respect condiia unui plan
factorial 2x2.
Ca s v facei o idee, n tabelul 2.4 am furnizat o clasificare a planu-
rilor de cercetare, realizat de Roger Kirk (Kirk, 1995).

176

Tabelul 2.4 Clasificarea planurilor de cercetare
Plan de cercetare Cod Plan de cercetare Cod
I. Planuri de cercetare sistematice (astzi nu se mai folosesc) III.1.4. Planuri cu interaciune la nivelul situaiilor experi-
mentale a variabilelor confundate
1. Tabla de ah Beavan -
1. Design factorial complet aleatoriu
fracionar.
CRFF-p
k-1

2. Half-drill strip Beavan -
2. Design factorial fracionar cu ptrate
greco-latine.
GLSFF-p
k

3. Diagonala de ptrat -
3. Design factorial fracionar cu ptrate
latine
LSFF-p
k

4. Ptratele Knut Vik -
4. Design factorial fracionar randomizat cu
blocuri
RBFF-p
k-i

II. Planuri aleatorii cu o singur variabil independent III.2. Planuri de cercetare ierarhice
II.1. Subiecii sunt repartizai aleatoriu situaiilor de cercetare III.2.1. Design cu imbricare total (cuib total)
1. Planul complet aleatoriu CR-p 1. Design complet aleatoriu ierarhic CRH-pq(A)
II.2. nainte de repartizarea aleatorie a subiecilor, sunt construite
blocuri sau grupuri relativ omogene
2. Design complet aleatoriu ierarhic cu
blocuri
RBH-pq(A)
1. Design balansat pe blocuri incomplete BIP-p I I I .2.2. Design cu imbricare parial (cuib parial)
2. Design ncruciat CO-p 1. Design complet aleatoriu ierarhic parial CRPH-pq(A)r
3. Design randomizat general cu blocuri GRB-p
2. Design complet aleatoriu ierarhic parial
cu blocuri
RBPH-pq(A)r
4. Design cu ptrate greco-latine GLS-p 3. Design ierarhic parial split-plot SPH-p.qr(B)
5. Design cu ptrate greco-latine extins HGLS-p IV. Planuri aleatorii cu una sau mai multe covariaii
6. Design cu ptrate latine LS-p
1. Design de analiz de covarian complet
aleatoriu
CRAC-p
7. Design latice balansat cu blocuri incomplete
LBIB-p
2. Design de analiz factorial de covarian-
complet randomizat
CRFAC-pq
8. Latice parial balansat, blocuri incomplete LPBIB-p
3. Design de analiz de covarian bazat pe
ptrate latine
LSAC-p
9. Design latice nebalansat cu blocuri incomplete
LUBIB-p
4. Design de analiz de covarian rando-
mizat cu blocuri
RBAC-p
10. Design parial balansat cu blocuri incomplete
PBIB-p
5. Design de analiz factorial de covarian-
split-plot
SPFAC-p.q
11. Design aleatoriu cu blocuri RB-p V. Planuri de cercetare speciale
12. Design cu ptrate Youden YBIB-p 1. Design n patru grupuri Solomon -
III. Planuri aleatorii cu o dou sau mai multe variabile indepen-
dente
2. Design serii temporare ntrerupte -
III.1. Planuri de cercetare factoriale Adaptat dup Roger Kirk (Kirk, 1995)
III.1.1 Planuri de cercetare fr variabile confundate

1. Design factorial complet randomizat CRF-pq
2. Design factorial generalizat randomizat cu blocuri GRBF-pq
3. Design factorial randomizat cu blocuri RBF-pq
I I I .1.2. Planuri cu tratament la nivel de grup al variabilelor
confundate
1. Design factorial split-plot SPF-p.q
III.1.3. Planuri cu interaciune la nivel de grup a variabilelor
confundate
1. Design factorial ptrate latine cu variabile confun-
date
LSCF-p
k

2. Design factorial aleatoriu cu blocuri i variabile
complet confundate
RBCF-p
k

3. Design factorial aleatoriu cu blocuri i variabile
parial confundate
RBPF-p
k


177

Acum ce mai spunei? Nu-i aa c lucrurile stau puin altfel dect ai
crezut? V putei da seama c o afirmaie de genul plan factorial 2x2 nu mai
este suficient. Avei nevoie de ceva mai multe date pentru a v face cunos-
cute inteniile. Nu vom ncheia acest capitol nainte de a v prezenta, foarte
pe scurt, cteva dintre cele mai cunoscute planuri de cercetare complexe.
II.1.2.1 Planul factorial complet randomizat (CRF-pq)
Deriv direct din planul de cercetare complet randomizat i permite
analiza efectului exercitat de dou variabile independente. Se noteaz cu
CRF-pq (de la Completely Randomized Factorial), iar p reprezint nivelurile
unei variabile independente, n timp ce q se refer la nivelurile celeilalte vari-
abile independente. Se poate observa c, spre deosebire de planul cu ptrate
latine, acest design nu se refer la o variabil independent i la o variabil
confundat, ci la dou variabile independente, plecnd de la presupunerea c
nu exist variabile confundate. Desigur, n acest caz nici nu mai este nevoie
ca variabilele independente s aib un numr egal de situaii de cercetare. Se
poate, foarte bine, ca una s aib dou situaii (cum este, spre exemplu, genul
biologic) iar cealalt s aib 3 sau mai multe situaii (de exemplu vrsta, ope-
raionalizat n tineri, maturi i vrstnici).
Ecuaia caracteristic acestui design de cercetare este urmtoarea:
Y
ikm
= +
k
+
m
+ ()
km
+
i(km)

Scorul observat este dat de media general, de efectul exercitat de
prima variabil independent, de efectul generat de a doua variabil indepen-
dent, de efectul comun generat de cele dou variabile independente i de
erorile determinate de grupul din care face parte subiectul.
Efectele generate separat de fiecare dintre cele dou variabile independente
se numesc efecte principale, n timp ce efectul comun, exercitat de ambele
variabile independente asupra variabilei dependente, poart numele de efect
de interaciune. Erorile se numesc, n termeni de specialitate, reziduuri sau

178

efecte reziduale,
pe care nu le de-
termin niciuna
dintre cele dou
variabile inde-
pendente.
Un asemenea plan de cercetare st la baza analizei de varian
(ANOVA), ale crei proprieti le vom studia ulterior.
II.1.2.2 Designul factorial randomizat cu blocuri (RBF-pq)
Planul prezentat anterior poate fi folosit doar n cazul n care nu exist
variabile confundate. n momentul n care suspectm existena unei variabile
confundate, vom apela la un plan factorial de tip RBF-pq. Diferena dintre
cele dou planuri const n faptul c, alturi de variabilele independente, mo-
delul permite controlul unei variabile confundate.
n tabelul 2.5, am reprezentat o cercetare prin intermediul creia in-
tenionam s studiem efectul exercitat de genul biologic i de nivelul de co-
larizare asupra venitului personal. Designul, desigur, a fost unul de tip facto-
rial complet randomizat CRF-23, cu dou variabile independente, avnd una
un numr de dou grade de intensitate (genul biologic) iar cealalt, trei grade
de intensitate (coala primar, gimnaziu i liceu). Cum am putea adapta acest
design experimental, dac alturi de cele dou variabile independente, am
dori s controlm efectul unei variabile confundate?
S relum exemplul fu-
matului, introducnd nc o vari-
abil independent, s spunem
mediul de provenien, cu do-
u grade de intensitate: rural i urban. Prezentat ca atare, designul de cerceta-
re este unul factorial complet randomizat de tip CRF-22. tim totui c una
Tabelul 2.5 Design de cercetare CRF-23
Masculin Feminin
coala primar 30 30
Efect principal
colarizare
Gimnaziu 30 30
Liceu 30 30

Efect principal
Gen biologic
Efect de interaciune
Gen biolo-
gicxcolarizare
Tabelul 2.6 Design de cercetare CRF-22
Medicamentos Naturist
Rural MR - 30 NR - 30
Urban MU - 30 NU - 30

179

dintre posibilele variabile confundate este vechimea ca fumtor. n mod
cert, aceasta exercit un efect asupra variabilei dependente numr de igri
fumate, iar controlul acesteia se realizeaz similar designului cu blocuri din
planurile de baz. n primul rnd, mprim cei 120 de subieci dup niveluri-
le variabilelor independente, ca n tabelul 2.6. Vom avea 30 de subieci din
mediul rural care urmeaz un tratament medicamentos, 30 de subieci din
mediul rural care urmeaz un tratament naturist, 30 de subieci din mediul
urban cu tratament medicamentos i 30 de subieci din mediul urban cu tra-
tament naturist.
Pn aici, nimic spectaculos. Avem un plan factorial complet rando-
mizat, cu dou variabile independente. Pentru a transforma acest plan factori-
al ntr-un plan factorial randomizat cu blocuri, de tip RBF-22, va trebui s
includem variabila confundat. n acest moment, sunt necesare cteva expli-
caii suplimentare.
Prima variabil independent, mediul de provenien, este o variabi-
l pe care cercettorul nu o poate controla. Un subiect pur i simplu provine
din mediul rural sau urban, prin faptul c locuiete acolo. Cercettorul nu are
nicio posibilitate s mute un subiect din mediul rural n mediul urban sau
invers. n termeni de specialitate, cercettorul nu poate s atribuie subiecii
aleatoriu n cadrul categoriilor acestei variabile. Din acest motiv, experimen-
tele n care intervin asemenea variabile independente se numesc cvasi-
experimente. Toate experimentele n care cercettorul poate atribui absolut
aleatoriu subiecii n toate categoriile variabilelor independente se numesc
experimente reale. n domeniul tiinelor socio-umane, cele mai multe expe-
rimente sau cercetri sunt cvasi-experimente. Alte variabile de acest tip sunt
genul biologic, grupa sanguin etc.
A doua variabil independent, tipul de tratament, permite atribui-
rea aleatorie a subiecilor n cele dou categorii medicamentos i naturist.
Un cercettor poate forma cele dou grupe de cercetare absolut aleatoriu. Din

180

cauza variabilei independente mediul de provenien, studiul nostru nu este
o cercetare real ci o cvasi-cercetare i vom vedea imediat cum acest lucru
influeneaz construcia blocurilor.
La modul ideal, pentru a construi blocurile bazate pe variabila con-
fundat vechime fumtor, ar trebui s ierarhizm toi cei 120 de subieci
dup acest criteriu. n cazul nostru, aceast ierarhizare nu se poate realiza
direct, din cauza prezenei variabilei independente mediul de provenien.
Ne-am putea confrunta cu situaia n care majoritatea fumtorilor veterani
s provin din mediul rural iar majoritatea fumtorilor tineri s fie din me-
diul urban. Astfel, suntem nevoii s apelm la o etap intermediar. n pri-
mul rnd, mprim subiecii dup nivelurile variabilei independente care nu
permite atribuire aleatorie. n cazul nostru, dup variabila independent me-
diul de provenien. Vom avea, aadar, 60 de subieci din mediul urban i 60
de subieci din mediul rural. Pentru fiecare dintre aceste dou grupe, ierarhi-
zm subiecii dup variabila confundat vechimea ca fumtor , urmnd
apoi s construim blocurile.
Tabelul 2.7 Design de cercetare RBF-22
Combinaii ale variabilelor independente
MR NR MU NU
Bloc 1 Subiect rang 1 R Subiect rang 2 R Subiect rang 1 U Subiect rang 2 U
. . . . .
. . . . .
. . . . .

Primul bloc va fi format din subiecii cei mai tineri din punctul de
vedere al fumatului, att din mediul urban, ct i din mediul rural (rangurile 1
i 2). Al doilea bloc va conine subiecii cu rangurile 3 i 4, al treilea bloc
subiecii cu rangurile 5 i 6 i aa mai departe, pn la ultimul bloc. Am con-

181

struit astfel un plan factorial randomizat cu blocuri, dup cum se poate obser-
va n tabelul 2.7.
Bineneles, acest plan factorial este superior planului factorial com-
plet randomizat, deoarece permite includerea unei variabile confundate i,
implicit, creterea rigurozitii cercetrii. Ideal ar fi ca ambele variabile inde-
pendente s permit atribuirea aleatorie a subiecilor. Dac acest lucru nu este
posibil, vom proceda dup schema prezentat.
Ecuaia caracteristic acestui design de cercetare este urmtoarea:
Y
ikm
= +
i
+
k
+
m
+ ()
km
+ ()
ikm

Scorul observat este dat de media general, de efectul generat de blo-
curi (variabila confundat), de efectul exercitat de prima variabil indepen-
dent, de efectul generat de a doua variabil independent, de efectul comun
generat de cele dou variabile independente i de efectul erorilor determinate
de cele dou variabile independente i de variabila confundat (erori determi-
nate de bloc).
*
* *
Ne vom opri aici cu expunerea planurilor de cercetare. Acest capitol
nu intenioneaz s fac o prezentare exhaustiv a acestora, ci doar s v in-
formeze asupra elementelor de baz legate de proiectarea unei cercetri tiin-
ifice. Informaii suplimentare referitoare la planurile de cercetare i prezenta-
rea detaliat a acestora gsii n lucrri specializate pe metodologia cercetrii,
o parte dintre acestea fiind prezentate mai sus.
Ai observat deja c planurile de cercetare complexe deriv, de fapt,
din cele de baz, nefiind altceva dect combinaii la diferite niveluri ale aces-
tora. S trecem acum la scopul real al acestui capitol, i anume acela de a
prezenta cteva tehnici statistice de analiz a datelor bazate pe diferene.

182

II.2 Teste statistice pentru date neparametrice
Dup cum bine tii, incursiunea noastr va debuta cu studiul testelor
statistice care folosesc date neparametrice. Acest lucru l facem din cauz c
literatura de specialitate trateaz la un nivel destul de sumar aceste proceduri,
ceea ce conduce la o slab nsuire i, de multe ori, la o ignorare a acestora n
analizele de date. Cu toate c testele parametrice sunt mult mai puternice,
totui administrarea acestora trebuie s respecte condiiile de baz ale datelor
parametrice. Pentru detalii suplimentare referitoare la diferena dintre date
parametrice i date neparametrice, putei consulta lucrarea anterioar
(Opariuc-Dan, 2009).
II.2.1 Diferena dintre frecvene. Testul
2

Despre
2
am discutat pe larg n capitolul destinat analizei legturilor
existente ntre variabile. Afirmam atunci c acest indicator poate fi folosit
att n cazul studiului gradului de asociere ntre variabile, ct i n situaia
analizei diferenelor dintre acestea. Aadar,
2
poate fi att un coeficient de
contingen, ct i unul de diferen semnificativ. Caracteristica sa este ace-
ea conform creia
2
se poate folosi atunci cnd lucrm cu frecvene (absolute
sau relative), fiind singurul indicator aplicabil lucrului cu date aflate la un
nivel nominal de msur.
Testul
2
compar frecvenele observate cu cele estimate (teoretice) i
ne indic dac diferenele dintre frecvene sunt ntmpltoare sau, din contra,
nentmpltoare, semnificative.
S considerm, spre exemplu, o cercetare tiinific care are ca obiec-
tiv aflarea faptului dac exist diferene semnificative ntre blonde i brunete
n ceea ce privete comiterea de accidente rutiere. Dei cercetarea poate fi
abordat printr-un design de cercetare mai complex, noi ne vom rezuma doar
la nregistrarea producerii sau a ne-producerii unui accident rutier.

183

Vom avea, aadar, o singur variabil independent, cu dou grade de
intensitate (culoarea prului: blond i brunet) i o singur variabil dependen-
t dihotomic (accident: Da i Nu).
Ipoteza nul a acestui studiu susine c nu exist nicio diferen sem-
nificative ntre blonde i brunete referitor la producerea accidentelor rutiere.
Datele colectate pot fi sistematizate sub forma unui tabel, asemntor
tabelului de contingen, prezentat n capitolul anterior (tabelul 2.8).
Tabelul 2.8 Tabelul de analiz pentru 2
Blonde Brunete Total
Cu accident
30
A
(26,04)
21
B
(24,95)
51
Fr accident
18
C
(21,95)
25
D
(21,04)
43
Total 48 46 n=94

n acest tabel am nregistrat frecvenele observate. Au fost studiate 94
de femei, 48 de blonde i 46 de brunete. De asemenea, 51 de femei au comis
cel puin un accident rutier, n timp ce 43 de femei nu au comis niciun acci-
dent rutier. Dintre cele care au comis accidente rutiere, 30 de femei sunt
blonde i 21 brunete, n timp ce 18 blonde i 25 de brunete nu au comis acci-
dente. Aceste date sunt, bineneles, fictive i nu corespund unei cercetri
reale. Din acest motiv, nu poate exista nicio suspiciune n ceea ce privete
preferina mea pentru blonde sau brunete. Voi i demonstra aceast afirmaie.
Ambele variabile sunt nominale, variabila dependent avnd i un ca-
racter dihotomic. Faptul c am nregistrat doar frecvenele de apariie ale
evenimentelor (a produs sau nu a produs accident) ne situeaz la un nivel de
msur pur nominal. Singura metod prin care putem verifica ipoteza nul
este testul
2
. Formula general de calcul a acestui indicator va fi:

184

(formula 2.1)
unde f
obs
reprezint frecvena observat, f
ast
reprezint frecvena es-
timat sau frecvena teoretic iar n numrul de categorii
Desigur, formula este analog celei expuse n capitolul I. Singura di-
feren se refer la notaia frecvenei teoretice. n capitolul I am notat-o cu
F
est
, iar aici am convenit s o notm cu f
ast
. Am procedat n acest fel pentru a
v obinui cu diferitele stiluri de notare ale formulelor pe care le putei ntlni
n lucrrile de specialitate.
De asemenea, modalitatea de calcul a frecvenei estimate (teoretice)
am prezentat-o n acelai capitol anterior. V-o reamintesc, n caz c ai uitat-
o:
(formula 2.2)
Iat c avem toate datele necesare calculului, ns haidei s nu ne
grbim. n cazul nostru, tabelul are exact 4 celule, deoarece fiecare variabil
are dou grade de intensitate (dou niveluri). Cunoscnd aceast situaie, pu-
tem simplifica lucrurile i putem renuna la calculul frecvenei estimate, dac
aplicm o alt formul, valabil numai pentru tabele de acest tip tabele cu
patru celule (Radu, i alii, 1993):
(formula 2.3)
unde am notat cu f - frecvenele observate din cele patru celule.
Iat, vom aplica formula 2.3 pentru a obine valoarea testului
2
, ur-
mnd apoi s aplicm i formula 2.1 pentru a vedea c rezultatul este aproxi-
mativ acelai.

185

Pentru a putea aplica formula 2.1, trebuie s calculm nti frecvenele
estimate, pentru fiecare celul, dup formula 2.2. Astfel, vom avea:

Acum putem face calculele dup formula 2.1, rezultnd un
2
de 2,75.

Diferenele dintre cele dou valori ale lui
2
(2,68 dup formula 2.3 i
2,75 dup formula 2.1) apar din cauza erorilor de rotunjire la dou zecimale
i sunt nerelevante. Dac ambele variabile sunt dihotomice, se folosete co-
recia pentru continuitate, aa cum s-a discutat deja n capitolul anterior.
Iat, cu graie i cteva calcule am reuit s gsim valoarea acestui in-
dicator. Acum, dac tot o avem, ce facem cu ea? Ei bine, comparm aceast
valoare cu valorile prag prezentate n tabelul de referin din anexa 3. Mai
avem o singur problem: la cte grade de libertate? V mai aducei probabil
aminte din primul capitol c gradele de libertate se afl foarte simplu, pe baza
liniilor i a coloanelor din tabel. Astfel df=(linii-1)(coloane-1). Noi avem
dou linii i dou coloane, prin urmare df=(2-1)(2-1)=1x1=1. Linia care ne
intereseaz este, aadar, prima linie din tabelul din anex. Pentru un prag de
semnificaie p<0,05, valoarea indicatorului
2
trebuie s fie mai mare de
3,841. Valorile noastre sunt mult mai mici n comparaie cu aceast valoare

186

de referin, prin urmare testul
2
nu este semnificativ i astfel nu vom res-
pinge ipoteza nul.
Aadar, iat c nu exist diferene semnificative ntre blonde i brune-
te sub aspectul accidentelor comise. Altfel spus, culoarea prului nu determi-
n niciun efect asupra probabilitii de comitere a unui accident. Diferenele
dintre blonde i brunete, sub acest aspect, sunt absolut ntmpltoare, culoa-
rea prului neavnd niciun cuvnt de spus. V-ai linitit acum, fetelor?
Particularitile acestui coeficient, precum i semnificaia sa, sunt
elemente tratate pe larg n primul capitol, asupra crora nu vom reveni aici.
Pentru detalii, consultai capitolul referitor la analiza relaiilor ntre variabile.
Testul
2
se mai numete i test de concordan, deoarece permite
compararea distribuiei datelor observate numite i date empirice cu o
repartiie teoretic. Prin intermediul acestor teste se poate nelege legea de
evoluie a fenomenului studiat i se poate chiar verifica posibilitatea de utili-
zare a testelor parametrice (Vasilescu, 1992). Asupra acestor aspecte vom
reveni spre finalul capitolului.
Desigur, m vei ntreba dac mai exist vreo modalitate prin care s
verificm aceast ipotez, sau suntem dependeni complet de
2
. Sunt fericit
s v informez c da, ntr-adevr, mai exist o variant. Totui, i aceasta se
bazeaz pe
2
, ns pornete de la o alt teorie, cea a probabilitii maximale
(n englez maximum-likelihood theory). Ideea general este aceea a constru-
irii unui model teoretic pentru care probabilitatea de obinere a datelor s fie
maxim, apoi compararea datelor observate cu acel model teoretic. Diferena
este una subtil i ine de teoria mai sus menionat, teorie pe care o vom
aborda i noi ntr-un alt volum. Aceast metod se numete metoda raportului
de probabilitate (likelihood ratio), iar indicatorul acestui test se calculeaz
dup formula:

187

(formula 2.4)
Bnuiesc c v-ai speriat din nou de logaritm. Stai linitii, nu este
chiar att de complicat precum pare. Practic, modelul construit nu este alt-
ceva dect frecvena estimat, pe care am numit-o i frecven teoretic. n
realitate, avem toate datele necesare i putem calcula foarte uor acest indica-
tor statistic.
]

Acest indicator se raporteaz la tabelul din anexa 3, la fel ca i
2
. De-
sigur, testul este din nou nesemnificativ, determinndu-ne s nu respingem
ipoteza nul. Pentru eantioane sau loturi de cercetare de mari dimensiuni,
valoarea acestui indicator se apropie foarte mult de valoarea lui
2
. Totui,
acest indicator se prefer atunci cnd volumul eantionului este mic, fiind un
indicator mai precis n comparaie cu
2
.
n final, m simt dator s v atrag atenia asupra ctorva elemente le-
gate de utilizarea testului
2
i a tuturor indicatorilor derivai din acesta
(Field, 2000):
Dei
2
se poate folosi i pentru date ordinale sau chiar para-
metrice (dup cum vom vedea), vom prefera totui s-l utili-
zm n cazul datelor strict nominale, sau atunci cnd lucrm
exclusiv cu frecvene. Este, de fapt, singurul test statistic pen-
tru date aflate la un nivel categorial de msur. Din cauza pu-
terii sale reduse, pentru date ordinale sau parametrice vom pre-
fera alte teste;
Este absolut necesar, atunci cnd folosim
2
, ca fiecare subiect
s se regseasc doar ntr-o singur celul a tabelului de con-

188

tingen, i numai n una. Acest lucru nseamn c testul
2

poate fi folosit numai n planuri de cercetare cu eantioane in-
dependente, fiind complet inadecvat ntr-un design cu msu-
rri repetate;
Testul
2
este relevant doar atunci cnd toate frecvenele atep-
tate au valori mai mari dect 5. Dac exist celule n care frec-
venele ateptate sunt sub 5, testul
2
i pierde puterea. Totui,
n tabelele de contingen de mari dimensiuni (n care variabi-
lele au multe niveluri) se accept i unele celule cu frecvena
ateptat sub 5, dar acestea nu trebuie s depeasc 20% din
numrul total de celule;
II.2.2 Teste pentru eantioane independente
tim deja la ce se refer eantioanele independente. Vorbim despre
eantioane independente atunci cnd grupele de subieci din planul nostru de
cercetare conin, n general, elemente diferite i cnd selectarea unui element
ntr-un eantion nu are nicio legtur cu selectarea elementelor din celelalte
eantioane. Exemplul anterior este adecvat acestui tip de cercetare. O parte
dintre femei sunt blonde, iar o alt parte brunete. Sunt, iat, dou grupe de
cercetare diferite blondele i brunetele care conin, n mod evident, alte
persoane.
Tehnic vorbind, aceste teste verific omogenitatea celor dou serii de
date, adic analizeaz dac au o aceeai repartiie, indiferent dac repartiia
este sau nu este specificat. Dac datele au aceeai repartiie, nseamn c
eantioanele sunt extrase din aceeai populaie i coincid n privina parame-
trilor distribuiilor (Vasilescu, 1992).
Din aceast categorie fac parte o serie de teste statistice precum: testul
medianei, testul U Mann-Whitney, testul Wald-Wolfowitz, testul Colin-
White i altele.

189

II.2.2.1 Testul medianei
Acest test statistic neparametric l vei ntlni frecvent sub denumirea
de proba medianei i se poate aplica datelor situate cel puin la un nivel de
msur ordinal, deoarece se bazeaz pe calculul rangurilor, pe poziia pe care
o ocup scorurile n cadrul irului de date.
S relum cercetarea anterioar, de data aceasta dezvoltnd planul de
cercetare. Vom rmne la aceeai ipotez nul (nu exist diferene ntre blon-
de i brunete sub aspectul producerii accidentelor rutiere), ns vom modifi-
ca variabila dependent. Nu ne vom mai limita doar la nregistrarea produce-
rii accidentului, ca n cazul anterior, ci vom transforma aceast variabil ntr-
una ordinal, n care convenim s notm cu 0 lipsa accidentelor, cu 1 acci-
dente uoare, cu 2 accidente medii, 3 accidente grave i 4 accidente foarte
grave.
n continuare, vom investiga un numr de 20 de femei, 10 blonde i
10 brunete, obinnd urmtoarele date:
Blonde: 1, 3, 2, 2, 4, 0, 0, 2, 1, 3
Brunete: 0, 2, 1, 2, 3, 0, 0, 1, 1, 2
V reamintesc c scorurile nregistrate nu reprezint numrul de acci-
dente produse ci calificativul acestora, dup scala ordinal de mai sus. Am
folosit un numr de doar 20 de cazuri din considerente didactice. n realitate,
un asemenea studiu are mult mai muli subieci.
Desigur, nu se pune problema aplicrii testelor parametrice, variabila
dependent fiind aflat n mod natural la un nivel de msur ordinal. Ne de-
cidem s verificm ipoteza nul prin testul medianei. Primul pas presupune
calculul medianei pentru cele dou grupe de cercetare. Ordonm datele, cres-
ctor sau descresctor, mediana aflndu-se la a 5,5-a msurtoare, dup cum
tii deja.

190

Blonde: 0, 0, 1, 1, 2, 2, 2, 3, 3, 4 Me
(blonde)
= 2
Brunete: 0, 0, 0, 1, 1, 1, 2, 2, 2, 3 Me
(brunete)
=1
Pentru a verifica ipoteza, vom compara practic cele dou mediane i
vom decide dac aceast diferen dintre ele este sau nu este semnificativ.
Dar cum facem comparaia? Ai ghicit deja, prin
2
. n acest sens, urmtorul
pas este reprezentat de calculul medianei generale, mediana ntregului lot de
cercetare (n cazul nostru, mediana tuturor celor 20 de femei, blonde i brune-
te).
Total
(blonde+brunete)
: 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 3, 3, 3, 4 Me=1,5
Mediana ntregului lot de cercetare este 1,5, fiind situat, n mod evi-
dent, la a 10,5-a msurtoare, ntre valorile 1 i 2. Stabilind aceste elemente
de baz, urmeaz s contabilizm numrul de scoruri aflate sub valoarea me-
dianei generale i numrul de scoruri aflate peste valoarea medianei generale.
Pentru aceasta vom construi urmtorul tabel de contingen:
Tabelul 2.9 Tabelul de analiz pentru testul medianei
Sub mediana
general (Me)
Peste mediana
general (Me)
Total
Blonde
4
A
6
B
10
Brunete
6
C
4
D
10
Total 10 10 n=20

Un numr de 4 blonde i 6 brunete se situeaz sub mediana general
din punctul de vedere al gravitii accidentelor, n timp ce 6 blonde i 4 bru-
nete se situeaz peste mediana general la acelai criteriu.
ntotdeauna, tabelul de contingen pentru proba medianei va avea
exact 4 celule. n acest caz, aplicm formula 2.3 pentru calculul testului
2
.

191

Valoarea obinut este, n mod evident, nesemnificativ. Totui, am
lucrat cu efective foarte mici. n cazul n care ntr-una dintre csue gsim sub
10 scoruri, vom folosi o formul corectat a testului
2
, numit corecia lui
Yates pentru efective reduse (Radu, i alii, 1993). Aceasta este, dac dorii,
formula 1.14 modificat pentru lucrul direct cu frecvenele observate, n ca-
zul tabelelor cu 4 celule.
(formula 2.5)
Efectund calculele n baza formulei 2.5, obinem valoarea 1,8 pentru
testul
2
. i n acest caz, comparnd valoarea cu valorile de referin din ane-
xa 3, pentru un singur grad de libertate, observm c testul este nesemnifica-
tiv. Prin urmare, nu vom respinge ipoteza nul, ansele ca aceasta s se susi-
n fiind mai mari de 5%. Rezultatul studiului nu este concludent, nu exist
nicio diferen determinat de culoarea prului, sub aspectul gravitii acci-
dentelor rutiere produse. Din nou, culoarea prului nu exercit niciun efect
asupra producerii accidentelor rutiere.
Acum suntem n situaia fericit n care nu avem scoruri egale cu me-
diana general. Dac aceasta ar fi fost, s spunem, 2, am fi avut un numr de
6 scoruri (3 pentru blonde i 3 pentru brunete) egale cu mediana. n asemenea
cazuri, vom include scorurile egale cu mediana o dat n categoria scorurilor
sub mediana general, i a doua oar n categoria celor peste mediana gene-
ral, construind dou tabele de contingen cu scoruri egale cu mediana
aflate n categoria scorurilor sub median i al doilea tabel, cu scoruri egale
cu mediana aflate n categoria scorurilor peste mediana general. Vom calcu-
la, dup modelul de mai sus, valoarea testului
2
pentru ambele tabele i vom
lua n considerarea tabelul care are valoarea mai mic a testului
2
.

192

Analiza semnificaiei testului medianei rezid n analiza semnificaiei
testului
2
i a coeficientului de contingen
2
. Proba medianei se folosete,
de obicei, n cazul n care avem un numr mare de ranguri egale. Dac num-
rul rangurilor egale nu este foarte mare, se prefer alte teste, mai precise, cu
ar fi, de exemplu, testul U Mann-Whitney.
II.2.2.2 Testul U Mann-Whitney
Acest test statistic este unul dintre cele mai utilizate tehnici de analiz
a datelor din sfera neparametric, alturi de testul Wilcoxon pentru eantioa-
ne dependente (perechi). De altfel, unii autori chiar l denumesc testul U
Mann-Whitney-Wilcoxon (Vasilescu, 1992), nu pentru c cele dou teste ar
reprezenta acelai lucru, ci pentru a reflecta contribuia celor trei statisticieni
la dezvoltarea testului U.
Testul se aplic, la fel ca i proba medianei, rangurilor pe care le au
datele, nefiind sensibil la distribuia acestora, ci doar la numrul de cazuri,
dup cum vom vedea imediat.
Relum exemplul anterior, singura diferen fiind aceea c nu vom
mai contabiliza gravitatea accidentelor dup o scal ordinal, ci numrul
acestora, dup o scal de raport. Bineneles, vom investiga, de aceast dat,
mai multe persoane 20 de blonde i 20 de brunete.
Tabelul 2.10 Numrul accidentelor produse de blonde i brunete
Accidente
0 1 2 3 4 5 6 7 8 20 Total
Grup
Blonde 3 2 1 2 2 3 3 1 2 1 20
Brunete 5 2 1 3 1 3 2 2 1 0 20

Dac privim cu atenie tabelul de mai sus, vom observa c, cel puin
n aparen, avem condiiile aplicrii unor teste parametrice. Totui, nu este
aa, acel scor extrem (20 accidente) determinnd o distribuie skewness pozi-

193

tiv, cu tendine ctre valori mici ale accidentelor. n acest caz, evident c vom
folosi teste neparametrice n locul celor parametrice, mai exact testul U
Mann-Whitney.
Pentru a determina valoarea exact a testului statistic, trebuie, n pri-
mul rnd, s ordonm cresctor sau descresctor datele, apoi s calculm
rangurile. Realizm acest lucru prin cumularea cele dou iruri ntr-unul sin-
gur. Vom avea 8 femei cu zero accidente, 4 femei cu un accident, 2 femei cu
dou accidente i aa mai departe, pn la o singur femeie cu 20 de acciden-
te (tim deja c este blond). Evident, irul a fost n prealabil ordonat cresc-
tor dup numrul accidentelor.
Tabelul 2.11 Calculul rangurilor
Accidente
0 1 2 3 4 5 6 7 8 20 Total
Grup
Blonde 3 2 1 2 2 3 3 1 2 1 20
Brunete 5 2 1 3 1 3 2 2 1 0 20
Total 8 4 2 5 3 6 5 3 3 1 40
Poziii
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
Rang 4,5 10,5 13,5 17 21 25,5 31 35 38 40

Calculul rangurilor din tabelul 2.11 s-ar putea s v deruteze puin, n-
s nu v impacientai. Opt femei nu au comis niciun accident. n mod cert,
ele vor ocupa primele opt poziii n irul ordonat (poziiile de la 1 la 8). Deoa-
rece cele opt poziii au aceeai valoare (valoarea zero accidente), rangul va fi
reprezentat de media poziiilor ocupate de scoruri. Adunnd numerele de la

194

unu la opt i mprind suma la opt, rezult 4,5, acesta fiind rangul scorului
zero accidente.
Urmtoarele patru femei au comis cte un singur accident. Binene-
les, ele vor ocupa poziiile urmtoare, de la poziia a noua, la poziia doispre-
zece. Rangul scorului un accident rutier va fi media acestor patru poziii
de la 9 la 12 , adic 10,5. Procedm similar pentru a calcula rangurile tutu-
ror scorurilor din distribuia noastr. Nu este deloc dificil, doar diferit fa de
cum erai dumneavoastr obinuii.
n urmtoarea etap, va trebui s calculm suma rangurilor pentru fie-
care grup de cercetare. Din moment ce tim deja rangul fiecrui scor, suma
rangurilor se calculeaz foarte simplu, nmulind efectivul care a obinut sco-
rul respectiv, cu rangul asociat scorurilor, apoi adunnd toate aceste produse.
Pentru a ne uura sarcina, vom construi tabelul 2.12 i obinem suma ranguri-
lor pentru grupul blondelor de 444,5 i suma rangurilor pentru brunete 375,5.
Suma total a rangurilor va fi 820 (
R1
+
R2
=444,5+375,5=820).

Tabelul 2.12 Calculul sumei rangurilor
Scor
Blonde Brunete
Efectiv
(f)
Rang
(r)
fxr
Efectiv
(f)
Rang
(r)
fxr
0 3 4,5 13,5 5 4,5 22,5
1 2 10,5 21 2 10,5 21
2 1 13,5 13,5 1 13,5 13,5
3 2 17 34 3 17 51
4 2 21 42 1 21 21
5 3 25,5 76,5 3 25,5 76,5
6 3 31 93 2 31 62
7 1 35 35 2 35 70
8 2 38 76 1 38 38
20 1 40 40 0 40 0

R1
=444,5
R2
=375,5

195

Ca msur suplimentar de precauie, vom verifica dac suma total a
rangurilor este egal cu
, unde n reprezint numrul total de subieci

(Radu, i alii, 1993). Pentru cazul nostru,
.
ntr-adevr, nu am greit la calcule, suma total a rangurilor fiind corect.
Avnd toate aceste informaii, urmeaz calculul valorii testului statis-
tic U Mann-Whitney, dup formula:
(
) (formula 2.6)
Aceast formul ne arat c vom lua ca referin, pentru testul U
Mann-Whitney, cea mai mic valoare dintre cele dou prezentate. S urm-
rim calculul valorii testului U Mann-Whitney n cazul nostru:
(
)
(

)

Efectund calculele, am obinut U=165,5, aceasta fiind cea mai mic
valoare dintre cele dou (234,5 i 165,5). n cazul n care cele dou grupuri
de subieci au sub 20 de scoruri, valoarea U se poate raporta direct la tabelul
de referin din anexa 8. n cazul nostru, pentru n
1
=20 i n
2
=20, ne situm n
ultima celul a tabelului, cea din dreapta jos. Valoarea testului nostru (165,5)
este mai mare dect pragul de referin de 127, precizat n tabel. Deoarece
pentru a fi semnificativ la un prag de semnificaie mai mic de 0,05, valoarea
testului U trebuie s fie mai mic sau cel mult egal cu aceast valoare
(127), vom conchide c testul nu este semnificativ i nu vom respinge ipoteza
nul, conform creia nu exist nicio diferen semnificativ ntre blonde i
brunete sub aspectul numrului de accidente comise.

196

Atunci cnd numrul de subieci din cele dou grupuri de cercetare
este mare, distribuia testului U se apropie de distribuia normal. n acest caz
este mai util s calculm varianta standardizat a testului U Mann-Whitney.
Aceast variant numit i scorul z al testului U se bazeaz pe valoarea U
calculat anterior i poate fi aflat folosind formula de conversie a valorii ne-
standardizate U n scorul z pentru U.

(formula 2.7)
Dac stpnii noiunile de baz, ai observat deja c formula 2.7 nu
este altceva dect aplicarea concret a formulei generale pentru statistica z,
fiind, de fapt, scorul U minus media celor dou scoruri U de mprit la abate-
rea standard a scorurilor U.

Valoarea z pentru datele noastre este de -0,93, valoare pe care o vom
considera n modul (fr semn) i o vom raporta la binecunoscuta distribuie
z. tim deja c valorile prag pentru distribuia z sunt 1,96 la un prag de sem-
nificaie mai mic de 0,05 i 2,58 pentru un prag de semnificaie mai mic de
0,01. Valoarea noastr (0,93) este mai mic dect valoarea prag corespunz-
toare nivelului de semnificaie 0,05, testul nostru fiind, dup cum era i fi-
resc, nesemnificativ.
Unii autori (Vasilescu, 1992) fac distincie ntre forma standardizat a
testului U i forma sa nestandardizat, prima dintre ele purtnd un nume dis-
tinct testul Colin-White. ntr-adevr, Mann i Whitney s-au rezumat doar
la specificarea i demonstrarea formulei 2.6. Ali statisticieni, printre care
Colin i White au continuat activitatea, propunnd forma standardizat, aa
cum a fost ea expus n formula 2.7.

197

Vom ncheia prezentarea acestui test statistic atrgnd atenia asupra
unui singur element: atunci cnd comparm direct valoarea U cu valorile
prag prezentate n tabelul din anexa 8, aceasta trebuie s fie mai mic sau
cel mult egal cu valoarea prag pentru ca testul s prezinte semnificaie sta-
tistic. Dac ns lucrm cu notele z, atunci valoarea notei z pentru testul U
trebuie s fie mai mare dect valorile prag pentru ca acesta s prezinte sem-
nificaie statistic. Am accentuat asupra acestor idei, deoarece de multe ori se
creeaz confuzie la interpretarea semnificaiei testului statistic U Mann-
Whitney.
Acest test statistic, dei preferat n mai toate cercetrile care folosesc
date neparametrice, se folosete atunci cnd numrul de ranguri egale nu este
foarte mare. Dac aceast condiie nu poate fi ndeplinit din cauza naturii
datelor, atunci se prefer testul medianei sau se administreaz o serie de pro-
cedee i tehnici de corecie pentru egalitatea rangurilor, aceasta fiind ns
prea complexe pentru ca s le discutm n cadrul acestui volum.
II.2.2.3 Testul Wald-Wolfowitz
Reprezint un alt tip de test statistic, ntlnit sub denumiri ca testul
iteraiilor, testul secvenelor sau testul Runs i se folosete, de obicei, pentru
eantioane cu un volum mare, peste 40 de subieci pentru fiecare eantion.
O iteraie (secven) reprezint o succesiune de elemente de acelai
tip. De exemplu, n tabelul 2.11 avem o iteraie cu lungimea opt format din
elemente de tip zero accidente, urmat de o iteraie cu lungimea patru for-
mat din elemente de tip un accident, apoi o iteraie cu lungimea doi for-
mat din elemente de tip dou accidente i aa mai departe.
Pentru a calcula valoarea testului iteraiilor, avem nevoie att de irul
ordonat de date, ct i de irul original, neordonat. Vom modifica puin cerce-
tarea anterioar pentru a corespunde acestei noi cerine.

198

Blonde: 0, 1, 2, 2, 3 ,5, 3, 5, 5, 3, 2, 0, 1, 3, 4, 5, 3, 2, 1, 1 n
bl
=20
Brunete: 3, 5, 1, 1, 1, 2, 2, 0, 1, 2, 0, 0, 1, 2, 3, 4 ,3, 5, 1, 1, 3 n
br
=21
irurile iniiale conin un numr de 41 de cazuri, 20 de blonde i 21 de
brunete, aranjate ca mai sus. Prima blond nu a fcut niciun accident, a doua
blond a fcut un singur accident, a treia i a patra blond au fcut, fiecare,
cte dou accidente i aa mai departe. Observm c ambele iruri sunt neor-
donate.
n primul pas vom cumula cele dou iruri i vom ordona noul ir cu-
mulat, fie cresctor, fie descresctor.
Total: 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, 3,
3, 3, 4, 4, 5, 5, 5, 5, 5, 5 n
bl
+n
br
=41
n al doilea pas, nlocuim elementele din irul cumulat cu o serie de
coduri, corespunztoare grupului din care fac parte. Pentru a simplifica lucru-
rile, vom codifica blondele cu litera A i brunetele cu litera B. Atunci, irul
nostru cumulat devine o succesiune de secvene.
A, A, B, B, B, A, A, A, A, B, B, B, B, B, B, B, A, A, A, A, B, B, B, B, A, A, A, A, A, B,
B, B, B, A, B, A, A, A, A, B, B
n total, un numr de cinci femei nu au avut niciun accident. Dintre
acestea, dou sunt blonde (A, A) i trei brunete (B, B, B). Apoi, unsprezece
femei au fcut cte un singur accident. Dintre acestea, patru sunt blonde (A,
A, A, A) i apte brunete (B, B, B, B, B, B, B). Vom continua dup acelai
algoritm pn recodificm ntregul ir cumulat. Apoi, numrm secvenele
obinute. Primele dou litere A formeaz o secven de lungime 2 cu elemen-
te de tip A (din blonde). Urmtoarele trei litere B formeaz o secven de
lungime 3 ce conine elemente de tip B (brunete) i aa mai departe. n final,
se obine un numr de 12 secvene (R=12, R nsemnnd numr de repetri
sau secvene).

199

Nu ne rmne dect s calculm valoarea z a testului iteraiilor, dup
formula urmtoare:

(
(formula 2.8)
Toate datele necesare nlocuirii n formul exist deja, iar dup efec-
tuarea calculelor obinem o valoare z de -3,03.

(
(

)

Aceast valoare obinut, luat fr semn, este mai mare dect valoa-
rea critic 2,58 pentru un prag de semnificaie mai mic de 0,01, astfel nct
putem respinge ipoteza nul. Folosind aceste date, putem spune c, ntr-
adevr, de aceast dat culoarea prului are efect. Exist diferene ntre blon-
de i brunete sub aspectul numrului de accidente comise.
Pentru a vedea sensul acestor diferene, adic pentru a vedea dac
blondele comit mai multe accidente n comparaie cu brunetele sau invers, nu
avem dect s calculm medianele celor dou iruri.
Acest test statistic este destul de puin folosit n tiinele socio-umane,
deoarece procesul de creare a secvenelor este unul miglos i de durat. De
cele mai multe ori procedeul este folosit pentru a verifica dac irul de date
are sau nu are un caracter aleatoriu. Desigur, procedeul de calcul este altul, se
folosete irul de date neordonat, calculndu-se nota z dup o alt formul.
Atunci cnd dorim s verificm dac datele au un caracter aleatoriu,
alturi de acest test mai avem la dispoziie testul fazelor Wallis-Moore sau

200

testul diferenelor succesive. Toate se bazeaz pe secvene i pe diferene n
cadrul secvenelor, procedeele de lucru fiind asemntoare cu cele ale testului
iteraiilor. Nu vom prezenta aceste teste statistice. Pentru cei care doresc s-i
nsueasc aceste metode, v invit pe site-ul http://www.statistica-sociala.ro
sau pot studia literatura de specialitate.
II.2.3 Teste pentru eantioane dependente
Pentru eantioane dependente (numite i eantioane perechi), utilizate
atunci cnd lucrm cu planuri de cercetare bazate pe msurri repetate, avem
o alt categorie de teste statistice. V reamintesc c eantioanele perechi se
formeaz, de obicei, investignd acelai grup de persoane de dou ori. Exist
dou tipuri de teste pentru date situate la un nivel de msur neparametric:
testul semnelor i testul Wilcoxon.
II.2.3.1 Testul semnelor
Acest test se folosete atunci cnd planul de cercetare presupune m-
surri repetate i utilizm eantioane perechi. Proba ne permite s analizm
semnificaia diferenelor care apar ntre cele dou serii de msurtori. Prin
urmare, accentul nu se pune numaidect pe valori, ci pe semnul diferenelor
dintre valori.
S presupunem urmtorul experiment, n care studiem efectele unui
tratament pentru abandonul fumatului. Vom selecta un grup de fumtori la
care msurm numrul de igri fumate iniial. Intervenim apoi cu tratamen-
tul i, la sfritul acestuia, msurm din nou numrul de igri fumate. Acesta
este un experiment tipic pentru msurri repetate; aceiai subieci investigai
n dou situaii diferite.
Ipoteza nul vizeaz egalitatea proporiilor de semne + i n irul
nostru de date. n tabelul 2.13 am reprezentat situaia de cercetare de mai sus,
pentru un numr de 12 subieci. Observm c primul subiect, M.C., fuma

201

nainte 10 igri, iar dup tratament fumeaz 6 igri. Subiectul P.A. fumeaz
nainte de tratament 9 igri, dup tratament 10 igri i aa mai departe.
n urmtoarea etap facem
diferena dintre scorurile celor
dou situaii. Deci, vom avea Di-
ferene=Dup nainte. Nu sun-
tem interesai de valoarea acestei
diferene, ci doar de semnul ei,
semn pe care l marcm n ultima
coloan a tabelului 2.13. Nu ne
rmne dect s numrm cte
semne - avem, cte semne +
i cte situaii de egalitate. n ca-
zul nostru, avem 8 semne minus,
2 egaliti i 2 semne pozitive.
Egalitile nu ne intereseaz, decizia lundu-se doar la nivelul semne-
lor pozitive i negative. Prin urmare, -=8 i +=2. Numrul total de cazuri
(n) va fi considerat + + -, adic 8+2=10. Valoarea de referin (s) re-
prezint cea mai mic valoare dintre totalul semnelor negative i totalul sem-
nelor pozitive. Deoarece avem 8 semne negative i 2 semne pozitive, valoa-
rea cea mai mic este, evident, 2 i corespunde semnelor pozitive. Prin urma-
re, s=2 i n=10. Valoarea lui n fiind mic (sub 30 de cazuri), putem raporta
valoarea s la tabelul din anexa 10. Pentru n=10, valoarea de referin la un
prag de semnificaie mai mic de 0,01 este 1 (a treia linie din anexa 10). Noi
am obinut valoarea 2, o valoare care depete valoarea critic minim. Prin
urmare, testul este nesemnificativ, fiind nevoii s nu respingem ipoteza nul.
n cazul n care numrul de semne (n) este mai mare de 30, distribuia
acestora se apropie de o distribuie normal, avnd sens calculul notei z, dup
formula urmtoare:
Tabelul 2.13 Modalitate de calcul pentru testul semnelor
Subiect nainte Dup Diferene
M.C. 10 6 -
P.A. 9 10 +
D.V. 15 11 -
S.T. 13 11 -
B.L. 12 12 =
A.T. 18 18 =
M.Z. 21 20 -
R.V. 32 15 -
I.G. 35 12 -
J.I. 24 29 +
S.I. 26 10 -
A.C. 18 7 -
- = +
8 2 2

202

(formula 2.9)
unde s reprezint numrul de semne, dup urmtoarea regul:
dac s se refer la numrul de semne mai frecvente, se scade
constanta 0,5
dac s se refer la numrul de semne mai puin frecvente, se
adaug constanta 0,5
Relund exemplul nostru, am putea avea dou situaii:

n ambele situaii, valoarea z este 1,58, mai mic dect valoarea prag
1,96 pentru un prag de semnificaie mai mic de 0,05. Desigur, testul este ne-
semnificativ era i normal s fie aa , nu vom respinge ipoteza nul con-
form creia tratamentul anti-fumat nu are nici un efect.
II.2.3.2 Testul Wilcoxon
Dac proba semnelor aa cum i spune i numele ia n calcul doar
semnele diferenelor dintre cele dou situaii, fr apel la valori, pentru a ana-
liza semnificaia diferenelor dintre cele dou situaii de cercetare, testul
Wilcoxon are n vedere alturi de semne i valoarea diferenelor.
Trebuie s avei n vedere c att proba semnelor, ct i proba
Wilcoxon, sunt teste statistice neparametrice. Forma distribuiei variabilelor

203

nu are importan, iar nivelul de msur poate fi cel puin unul ordinal. Testul
semnelor i proba Wilcoxon pot fi administrate valorilor sau rangurilor, fr
ca acest lucru s influeneze importana lor.
Pentru clarificare, vom relua exemplul folosit anterior, de data aceasta
urmrind calculul unui test statistic mai eficient. Ai dedus bine, este vorba
despre testul Wilcoxon.
Primul pas, la fel ca i n cazul celeilalte probe, se refer la calculul
diferenelor dintre scoruri. De aceast dat vom reine i valorile acestor dife-
rene. Probabil c ai observat un lucru de nuan; dac la testul semnelor
diferena a fost Dup nainte, aici diferena este nainte Dup. n realitate
acest lucru nu are nicio importan. Singura diferen obinut va fi cea legat
de semn. Diferenele pozitive vor fi negative n al doilea caz i reciproc. Nu
este cazul s v batei capul prea tare cu aceste diferene, rmne la latitudi-
nea dumneavoastr s le efectuai cum dorii. Dac folosii prima situaie
(Dup nainte) i obi-
nei o diferen semnifica-
tiv pozitiv, atunci n-
seamn c tratamentul a
avut efect, n sensul c a
crescut numrul de igri
fumate normal, deoarece
diferena pozitiv provine
din faptul c valorile n
situaia Dup sunt mai
mari dect valorile n situ-
aia nainte. Dac dife-
rena este semnificativ i negativ, nseamn c tratamentul a avut efect n
sensul reducerii numrului de igri, conform aceluiai algoritm.
Tabelul 2.14 Modalitate de calcul pentru testul Wilcoxon
Subiect nainte Dup Diferene Ranguri
M.C. 10 6 +4 +4,5
P.A. 9 10 -1 -1,5
D.V. 15 11 +4 +4,5
S.T. 13 11 +2 +3
B.L. 12 12 0 -
A.T. 18 18 0 -
M.Z. 21 20 +1 +1,5
R.V. 32 15 +17 +9
I.G. 35 12 +23 +10
J.I. 24 29 -5 -6
S.I. 26 10 +16 +8
A.C. 18 7 +11 +7

R+
47,5
R-
7,5

204

n al doilea pas, renunm la diferenele nule. Toate celelalte diferene
le considerm n valori absolute (fr semn) pentru a le ordona. Dup ce le
ordonm cresctor, vom stabili rangul fiecrei diferene. n cazul nostru, sub-
iecii B.L. i A.T. sunt eliminai, deoarece diferenele sunt nule. Subiecii
P.A. i M.Z. au diferene de un punct primul n sens negativ, al doilea n
sens pozitiv. Ocupnd primele dou poziii, rangul va fi 1,5 pentru amndoi,
singura diferen fiind semnul rangurilor negativ pentru primul i pozitiv
pentru al doilea, n conformitate cu semnul iniial al diferenelor. O singur
diferen pozitiv de dou puncte o vom gsi la subiectul S.T. Desigur, ran-
gul acesteia va fi pozitiv i avnd valoarea 3. n mod similar, stabilim rangu-
rile tuturor scorurilor.
Urmtoarea etap presupune realizarea sumei rangurilor, att pentru
rangurile pozitive, ct i pentru cele negative. Adunnd toate rangurile cu
plus, obinem 47,5 i adunnd toate rangurile cu minus, obinem 7,5. La fel
ca i la testul semnelor, reinem cea mai mic sum a rangurilor n cazul
nostru suma celor negative, 7,5. Aceast sum se raporteaz la tabelul din
anexa 11. Tabelul indic valoarea maxim pe care o poate lua suma de refe-
rin pentru ca testul s fie considerat semnificativ la diferite praguri de sem-
nificaie. n cazul nostru, pentru n=10, valoarea maxim a sumei poate s fie,
8 pentru un prag de semnificaie mai mic de 0,05. Surpriz, suma noastr cea
mai mic are valoarea 7,5, testul Wilcoxon fiind semnificativ la un prag de
semnificaie mai mic de 0,05. Ipoteza nul poate fi respins, semnul este ne-
gativ, am putea trage concluzia c tratamentul a avut ca efect creterea num-
rului de igri fumate.
Dac eantionul este mare, tim deja ce se poate ntmpla. Distribuia
sumei rangurilor tinde spre o distribuie normal, iar n acest caz se poate
calcula nota z dup urmtoarea relaie:

205

(formula 2.10)
Datele din formul sunt tiute. La fel ca i n cazul anterior, suma ran-
gurilor este cea mai mic sum a rangurilor dintre suma rangurilor pozitive i
suma rangurilor negative.

Din nou, a rezultat un test semnificativ la un prag de semnificaie mai
mic de 0,05, valoarea obinut (2,03) fiind mai mare de valoarea prag 1,96 a
distribuiei z.
De ce totui testul semnelor a fost nesemnificativ, iar testul Wilcoxon,
semnificativ? Nu vi se pare ciudat? Rspunsul este foarte simplu i v invit
s-l descoperii. Cnd l vei descoperi, vei nelege de ce testul Wilcoxon
este preferat testului semnelor de care, ntre noi fiind vorba, au auzit destul
de puini.
II.3 Teste statistice pentru date parametrice
Adevrata plcere a comparaiilor se afl la nivelul datelor parametri-
ce scalele de interval i de raport. Acum are sens calculul mediei i al aba-
terii standard, lucrurile devenind mult mai clare. Totui, pe lng nivelul de
msur, datele trebuie s respecte i condiia obligatorie a distribuiei norma-
le. Dac una dintre variabile nu are o distribuie normal, fie aplicm proce-
dee de normalizare a distribuiei, fie folosim teste neparametrice.
Majoritatea lucrrilor de specialitate disting, la acest nivel, ntre trei
mari categorii de teste statistice: teste pentru un singur eantion, teste pentru
dou eantioane independente i teste pentru dou eantioane perechi.

206

II.3.1 Teste pentru un singur eantion
Aceste teste statistice compar media unui eantion cu media unei po-
pulaii i verific ipoteza nul conform creia nu exist diferene semnificati-
ve ntre media populaiei din care s-a extras eantionul i o valoare dat. Alt-
fel spus, vom avea urmtoarele ipoteze:
H
0
: m= - Nu exist nicio diferen ntre media populaiei din care a
fost extras eantionul i valoarea dat (ipoteza nul);
H
1
: >m< - Exist o diferen semnificativ ntre media populaiei
din care a fost extras eantionul i valoarea dat (ipotez alternativ bilate-
ral);
H
2
: m> - Media populaiei este semnificativ mai mare n comparaie
cu valoarea dat (ipotez alternativ unilateral).
H
3
: m< - Media populaiei este semnificativ mai mic n comparaie
cu valoarea dat (ipotez alternativ unilateral).
Am nceput s folosim concepte reale de cercetare, deoarece avei de-
ja informaii suficiente. Respingerea ipotezei nule duce, dup cum tii, la
susinerea uneia dintre cele trei ipoteze alternative.
Verificarea ipotezei nule se face prin intermediul a dou teste statisti-
ce, astfel:
testul z dac se cunoate, alturi de media populaiei, i aba-
terea standard a acesteia;
testul t Student dac nu se cunoate abaterea standard a po-
pulaiei.
Totui, ce nseamn media populaiei? Vom insista puin asupra
acestui concept, deoarece a dori s evitm pe viitor orice fel de confuzii.

207

Media populaiei poate nsemna, ad-litteram, media obinut de o co-
lectivitate mare la un parametru. De exemplu, media sticlelor de bere pe care
le beau studenii universitii Ovidius din Constana poate fi considerat o
medie teoretic (valoarea dat). Dac din acea universitate vom extrage un
eantion de studeni de la psihologie, media sticlelor de bere pe care acetia le
consum reprezint media eantionului.
O alt accepie a mediei populaiei cunoscut mai frecvent sub de-
numirea de medie teoretic este legat de instrumentul de msur. De
exemplu, itemul Ct de frecvent consumai bere? poate primi rspunsuri pe
o scal de la 1 la 5, unde 1 nseamn niciodat iar 5 nseamn ntotdeau-
na.
Niciodat ntotdeauna
1 2 3 4 5
n acest caz, media teoretic (valoarea dat) este reprezentat de mij-
locul scalei (valoarea 3), valoare cu care se poate compara media eantionului
format din subiecii care au rspuns la acest item.
O variant a celor expuse mai sus se refer la media teoretic a unui
instrument format din mai muli itemi. De exemplu, un instrument care m-
soar anxietatea prin 25 de itemi de tipul Da i Nu, poate avea o ampli-
tudine a rspunsurilor cuprins ntre zero puncte (dac un subiect rspunde
nesemnificativ clinic la toi itemii) i 25 de puncte (dac un subiect rspunde
semnificativ clinic la toi itemii). n acest caz, media teoretic va fi de 12,5,
mijlocul scalei anxietate din inventar.
Cunoscnd cteva dintre sensurile mediei populaiei, v doresc mult
succes la crearea de instrumente i s vedem cum putem compara un eantion
cu o populaie.

208

II.3.1.1 Testul z pentru un eantion
Se folosete n cazul n care dispunem de media populaiei (valoarea
dat), abaterea standard a populaiei i, evident, media eantionului. Testul z
se calculeaz dup formula:

(formula 2.11)
unde m este media eantionului, este valoarea dat (presupusa me-
die a populaiei), este abaterea standard a populaiei din care provine
eantionul iar n se refer la mrimea eantionului.
Formula este foarte uor de aplicat. S presupunem c studenii uni-
versitii Ovidius din Constana consum, n medie, 1,3 litri de bere pe zi (),
cu o abatere standard de 2,1 litri de bere (). Am dori s tim dac studenii
de la psihologie consum semnificativ mai mult bere n comparaie cu me-
dia pe universitate. Pentru aceasta, convocm un eantion de 34 de studeni la
psihologie, mergem la restaurant timp de o sptmn i vedem cam ct
bere consum. Presupunem c am ajuns la concluzia c acetia consum, n
medie, 2,1 litri de bere zilnic (m).
H
0
: m= - Nu exist nicio diferen semnificativ ntre cantitatea de
bere consumat de studenii de la psihologie (populaia din care a fost extras
eantionul) i cantitatea de bere consumat de studenii universitii Ovidius
Constana (valoarea teoretic dat, cu care se compar media populaiei din
care s-a extras eantionul);
H
1
: m> - Studenii de la psihologie consum semnificativ mai mult
bere n comparaie cu studenii universitii Ovidius Constana.
Ipoteza alternativ este, n mod cert, o ipotez unilateral. De ce am
formulat aa, vom vedea imediat.

209

Avnd toate aceste informaii, presupunnd c datele se distribuie
normal la nivelul populaiei de studeni de la psihologie, constatm c nde-
plinim condiiile de aplicare ale testului z.

Desigur, valoarea obinut (2,22) o vom raporta la distribuia z. Cred
c deja inei minte valorile critice pentru notele z 1,96 pentru un prag de
semnificaie mai mic de 0,05 i 2,58 pentru pragul de semnificaie mai mic de
0,01. Testul z calculat de noi este mai mare dect valoarea critic pentru pra-
gul de semnificaie p<0,05 i mai mic dect valoarea pentru pragul de semni-
ficaie p<0,01. Putem, deci, respinge ipoteza nul la un p<0,05. ntr-adevr,
exist o diferen semnificativ ntre cantitatea de bere consumat de studen-
ii de la psihologie i cantitatea de bere consumat de studenii universitii
Ovidius, n general. Dei am respins ipoteza nul, putem oare susine ipoteza
alternativ formulat? Nu v grbii s rspundei!
Ipoteza alternativ este o ipotez unilateral, iar pragurile pentru va-
loarea z sunt date pentru o ipotez bilateral. n cazul ipotezelor unilaterale,
acestea devin:
z=1,65 pentru p<0,05;
z=2,33 pentru p<0,01.
Lucrurile se schimb puin. ntr-adevr, ipoteza alternativ se susine
la un prag de semnificaie mai mic de 0,05. Dac am fi obinut valoarea
z=2,34 n loc de 2,22, iat c ipoteza unilateral s-ar fi susinut la un prag de
semnificaie mai mic de 0,01 n comparaie cu pragul de semnificaie 0,05
pentru ipoteze bilaterale. Scopul acestui exemplu este acela de a v arta c,
de multe ori, este mai util s formulai ipoteze unilaterale.

210

Folosind testul z am artat c studenii de la psihologie consum sem-
nificativ mai mult bere n comparaie cu media consumului studenilor uni-
versitii Ovidius. Dac valoarea z ar fi fost negativ (dac am fi artat c
studenii consum semnificativ mai puin bere), ipoteza alternativ, formula-
t unilateral, ca mai sus, nu s-ar fi putut susine.
II.3.1.2 Testul t Student pentru un singur eantion
O asemenea situaie fericit, n care s avem la dispoziie att media
ct i abaterea standard a populaiei se ntlnete, din pcate, extrem de rar,
aproape niciodat. Dac media populaiei o putem afla de obicei sub forma
mediei teoretice , abaterea standard a acesteia este aproape imposibil de
cuantificat. Totui, dac ai studiat statistica univariat, trebuie s tii c aba-
terea standard a unui eantion aproximeaz destul de bine abaterea standard a
populaiei. Cnd spunem destul de bine, n limbaj tehnic, spunem c aceasta
nu urmeaz o distribuie z ci o distribuie t, i iat testul t Student:

(formula 2.12)
unde m este media eantionului, este media populaiei din care a
fost extras eantionul, s este abaterea standard a eantionului iar n se refer
la mrimea eantionului.
mi vei spune c este formula testului z i avei oarecum dreptate.
ntr-adevr, testul t Student pentru un eantion este o form adaptat a testu-
lui z, n care se nlocuiete doar abaterea standard a populaiei cu abaterea
standard a eantionului.
Poate c v surprinde numele acestui test, mai ales apelativul Stu-
dent. Nu ntmpltor am ales berea ca exemplu pentru aceste teste. ntr-
adevr, testele t au fost descoperite n anul 1908 de ctre William Sealy
Gosset, un chimist angajat la berriile irlandeze Guinness pentru a concepe

211

un nou tip de bere (de fapt exact berea neagr Guinness pe care o bem acum).
Proaspt absolvent al universitii Oxford, Gosset a fost imediat botezat de
ctre noul su patron cu numele de studentul. Monitoriznd ingredientele
berii i inventnd testele t, studentul a vzut ce anume face diferena sem-
nificativ la nivel de calitate. Deoarece procedeul de fabricaie inclusiv
metodele matematice folosite reprezentau un secret comercial, Gosset a fost
nevoit s publice descoperirea testelor t, n revista Biometrika, nu sub numele
su real ci sub pseudonimul cu care l gratulase eful su. Acesta este motivul
pentru care cele mai cunoscute teste statistice de comparaie poart un nume
att de ciudat.
Dup ce ne-am relaxat puin, vom reconsidera exemplul anterior. Stu-
denii universitii Ovidius din Constana consum, n medie, 1,3 litri de bere
pe zi (), iar un eantion de 34 de studeni la psihologie, consum, n medie,
2,1 litri de bere zilnic (m), cu o abatere standard de 3,1 litri de bere (s). n
acest caz, valoarea testului t devine:

Aceast valoare va trebui s o raportm la valorile de referin din
anexa 4. Deoarece avem un singur eantion, numrul gradelor de libertate
pentru care vom calcula semnificaia testului va fi df=n-1. Avnd 34 de sub-
ieci, vom cuta pentru un numr de 33 grade de libertate. Totodat, ne amin-
tim c ipoteza alternativ este o ipotez unilateral, astfel nct valorile de
referin se vor calcula folosind primul cap de tabel i nu pe cel de-al doilea.
Pentru numrul de grade de libertate dat (33), valoarea de referin a
testului t la un prag de semnificaie minim mai mic de 0,05 este de 2,03. Va-
loarea noastr (1,50) este mult mai mic n comparaie cu aceast valoare
prag, testul statistic nefiind semnificativ. Prin urmare, ipoteza nul nu poate fi
respins.

212

II.3.2 Teste pentru dou eantioane independente
Semnificaia eantioanelor independente se pstreaz i n cazul teste-
lor statistice parametrice. La fel ca i testele pentru un singur eantion, i aici
avem un numr de dou teste statistice testul z i testul t Student. Ambele
teste verific ipoteza nul conform creia nu exist nicio diferen semnifica-
tiv ntre mediile celor dou populaii din care s-au extras eantioanele.
H
0
: m
1
=m
2
- Nu exist nicio diferen ntre mediile celor dou popu-
laii din care s-au extras eantioanele (ipoteza nul);
H
1
: m
1
m
2
- Exist o diferen semnificativ ntre mediile celor dou
populaii din care s-au extras eantioanele (ipotez alternativ bilateral);
H
2
: m
1
>m
2
- Media primului eantion este semnificativ mai mare n
comparaie cu media celui de-al doilea eantion (ipotez alternativ unilate-
ral).
H
3
: m
1
<m
2
- Media primului eantion este semnificativ mai mic n
ral).
II.3.2.1 Testul z pentru eantioane independente
Testul z se utilizeaz n momentul n care dispersiile populaiilor din
care au fost extrase eantioanele sunt cunoscute, numrul de subieci din fie-
care eantion fiind, evident, mai mare de 30.
Relaia de calcul a acestui test statistic este urmtoarea:

(formula 2.13)
Semnificaia elementelor formulei o cunoatei deja, astfel nct nu va
trebui s intrm n detalii. Valoarea calculat, fiind o not z, se raporteaz la
distribuia z n funcie de tipul ipotezei alternative.

213

S presupunem c dorim s aflm dac studenii universitii Ovidius
din Constana beau mai mult sau mai puin bere n comparaie cu studenii
universitii Alexandru Ioan Cuza din Iai.
H
0
: m
1
=m
2
Nu exist nicio diferen ntre cantitatea de bere but de
ctre studenii universitii Ovidius din Constana i cantitatea de bere but
de ctre studenii universitii Alexandru Ioan Cuza din Iai.
H
1
: m
1
m
2
ntre cantitatea de bere but de studenii universitii
Ovidius Constana i cantitatea de bere but de studenii universitii Ale-
xandru Ioan Cuza din Iai exist o diferen semnificativ.
n mod cert, ipoteza alternativ este o ipotez bilateral, pragurile de
semnificaie fiind 1,96 pentru p<0,05 i 2,58 pentru p<0,01. Nu avem nevoie
dect de abaterile standard la nivelul populaiei pentru a desfura cercetarea.
S presupunem c abaterea standard a studenilor universitii Ovidius este de
1,34 litri de bere, iar cea a studenilor universitii Alexandru Ioan Cuza este
de 1,76 litri de bere.
Desfurnd cercetarea pe un lot de cercetare de 42 de persoane de la
universitatea Ovidius Constana, am constatat c media berii consumate este
de 2,10 litri, n timp ce pe lotul de cercetare de 45 de persoane de la Iai, me-
dia a fost de 1,87 litri. Ne punem problema dac cele dou medii difer sem-
nificativ. Notm cu m
1
media pentru Constana i cu m
2
media pentru Iai,
dup care aplicm formula.

Valoarea obinut este cu mult sub valoarea prag, diferenele dintre
cele dou medii sunt nesemnificative, ipoteza nul nu poate fi respins.

214

II.3.2.2 Testul t Student pentru eantioane independente
La fel ca la testele pentru un singur eantion, i aici testul z este supus
acelorai limitri. Nu vom reui aproape niciodat s aflm abaterea standard
a populaiilor din care provin cele dou eantioane i va trebui s ne bazm
pe abaterea standard a eantioanelor. Dac cele dou populaii din care au
fost extrase eantioanele au aceleai variane, comparaia mediilor se poate
face dup urmtoarea formul:

)
(formula 2.14)
Dac privim cu atenie formula 2.14, observm c prima parte de sub
radical nu reprezint altceva dect media aritmetic a varianelor celor dou
eantioane. De aceea, formula de mai sus o putei gsi exprimat i n felul
urmtor:

)
(formula 2.15)
unde s
2
este dispersia ntregului lot de cercetare, obinut prin cumu-
larea dispersiilor celor dou eantioane independente.
Formula 2.15 este, n general, mai puin utilizat n comparaie cu
formula 2.14, dintr-un motiv foarte simplu; este mai uor s calculm varian-
ele (sau abaterile standard) fiecrui eantion dect s cumulm datele celor
dou eantioane i s introducem pai de calcul suplimentari, doar pentru a
calcula variana total a celor dou eantioane, aa cum o cere formula 2.15.
n exemplul de mai sus, alturi de medii (m
1
=2,10 litri i m
2
=1,87 li-
tri) i de numrul de studeni (n
1
=45 studeni i n
2
=45 studeni) vom presu-
pune c tim i abaterile standard (s
1
=0,35 litri i s
2
=0,98 litri). De fapt,
aceasta este i situaia clasic de cercetare. Mult mai uor aflm abaterile
standard ale unui eantion (s) dect abaterile standard ale populaiei ().

215

Valoarea testului t obinut (1,48) o comparm cu valoarea de referin-
din anexa 4. nainte de a face acest lucru, trebuie s decidem asupra num-
rului de grade de libertate. Deoarece vorbim despre dou eantioane indepen-
dente, tii deja c fiecare eantion pierde un grad de libertate. Atunci, num-
rul total al gradelor de libertate va fi df=n
1
+n
2
-2. Adic, n situaia noastr, df
va fi 45+45-2=88 grade de libertate.
n tabel, pentru 80 de grade de libertate (valoarea imediat inferioar
valorii cutate), avem, pentru un p<0,05, o valoare a testului t de 1,99 n ca-
zul ipotezei unidirecionale i 1,66 pentru ipoteza bidirecional. Indiferent de
modul n care formulm ipoteza, valoarea noastr (1,48) este mai mic dect
valoarea prag. Testul este nesemnificativ, nu exist nicio diferen ntre canti-
tile de bere consumate de studenii universitii Ovidius n comparaie cu
cei de la Iai. Asta este situaia, nu putem respinge ipoteza nul, toi studenii
sunt aproximativ la fel sub aspectul consumului de bere.
Referitor la acest test statistic, formula 2.14 sau 2.15 se aplic doar
atunci cnd dispersiile sunt egale (cnd s
1
=s
2
). Desigur, este aproape imposi-
bil s ntlnim dispersii absolut egale, de aceea egalitatea varianelor (disper-
siilor) se verific printr-un alt test statistic (testul F al lui Levene) pe care nu-l
vom detalia acum. Tot ceea ce v pot spune este c acest test statistic are ca
ipotez nul egalitatea varianelor populaiilor din care au fost extrase eanti-
oanele (H
0
: s
1
=s
2
=s
3
=.=s
n
). Dac testul nu este semnificativ, atunci nu
respingem ipoteza nul i putem aplica formulele 2.14 sau 2.15. Dac testul

216

este semnificativ, atunci varianele nu sunt egale i va trebui s folosim o alt
formul, o formul ajustat pentru testul t Student.

(formula 2.16)
nsi formula de calcul a testului F al lui Levene ei bine, cel puin o
form prescurtat a sa este foarte simpl:
. Observai c nu este alt-

ceva dect un raport al celor dou variane. Acest raport se verific folosindu-
se distribuia F, distribuie pe care nu o vom trata n acest volum, ci o vom
aborda n urmtoarea carte, cnd vom discuta despre analiza de varian.
n exemplul nostru, evident c cele dou variane nu sunt egale. M
vei crede pe cuvnt atunci cnd v voi spune c testul F este semnificativ,
ipoteza nul a egalitii varianelor fiind respins. Atunci, valoarea corect a
testului t, n cazul nostru, va fi 1,49.

Nu este cine tie ce ctig, este doar o ajustare. Oricum, testul t rm-
ne, n continuare, nesemnificativ.
II.3.3 Teste pentru dou eantioane perechi
Eantioanele perechi, numite i eantioane corelate sau eantioane de-
pendente, provin n urma cercetrilor cu msurri repetate, aa cum deja cu-
noatei. Literatura de specialitate menioneaz, pentru eantioane perechi,
doar testul t Student. Acest test statistic, verific aceeai ipoteza nul con-
form creia nu exist nicio diferen semnificativ ntre mediile celor dou
populaii din care au fost extrase eantioanele, distincia realizndu-se doar la
nivelul construciei eantioanelor:

217

H
0
: m
1
=m
2
- Nu exist nicio diferen ntre mediile celor dou popu-
laii din care s-au extras eantioanele perechi (ipoteza nul);
H
1
: m
1
m
2
- Exist o diferen semnificativ ntre mediile celor dou
populaii din care s-au extras eantioanele perechi (ipotez alternativ bila-
teral);
H
2
: m
1
>m
2
- Media primului eantion este semnificativ mai mare n
ral).
H
3
: m
1
<m
2
- Media primului eantion este semnificativ mai mic n
ral).
Pentru a nu ne limita la o abordare simplist, s considerm urmtorul
experiment:
Un numr de 15 fumtori au participat la o edin de psihoterapie n
vederea abandonrii fumatului. Ne intereseaz s tim dac edina de psiho-
terapie a avut sau nu a avut efect. Prin urmare, ce s-a ntmplat cu numrul
igrilor fumate de ctre cei 15 fumtori dup psihoterapie. Ipoteza nul ne
spune c edina de psihoterapie nu are niciun efect. Transpus n termeni ti-
inifici, avem urmtoarele posibiliti:
H
0
: m
1
=m
2
Nu exist nicio diferen semnificativ ntre media ig-
rilor fumate nainte de edina de psihoterapie i media igrilor fumate dup
edina de psihoterapie (ipoteza nul);
H
1
: m
1
m
2
Exist o diferen semnificativ ntre media igrilor fu-
mate nainte de edina de psihoterapie i media igrilor fumate dup edina
de psihoterapie (ipotez alternativ bilateral);
H
2
: m
1
>m
2
Media igrilor fumate naintea edinei de psihoterapie
este semnificativ mai mare n comparaie cu media igrilor fumate dup e-

218

dina de psihoterapie (ipotez alternativ unilateral - edina de psihoterapie
are ca efect creterea numrului de igri fumate).
H
3
: m
1
<m
2
- Media igrilor fumate naintea edinei de psihoterapie
este semnificativ mai mic n comparaie cu media igrilor fumate dup e-
dina de psihoterapie (ipotez alternativ unilateral - edina de psihoterapie
are ca efect scderea numrului de igri fumate).
Dac privim ipotezele
de mai sus, n special cele trei
ipoteze alternative, constatm
c ne intereseaz, n special,
ipoteza a treia. Aceasta ar
avea valoare, ar fundamenta
att efectul edinei de psiho-
terapie ct i motivaia sub-
iecilor. Desigur, primul pas l
reprezint colectarea datelor.
Vom nregistra numrul de
igri fumate de cei 15 sub-
ieci, att nainte, ct i dup
edina de psihoterapie. Re-
zultatele le vom consemna n tabelul 2.15.
Dup colectarea datelor, efectum diferenele dintre situaia final i
situaia iniial, aceste diferene fiind nregistrate cu tot cu semn. La sfrit,
va trebui s facem suma tuturor diferenelor calculate. Suma, n cazul exem-
plului nostru, este de -283. innd cont de specificul cercetrii, suma ne spu-
ne c dup psihoterapie, subiecii fumeaz mai puin cu 283 de igri. Pare
frumos, ns trebuie s vedem dac este i semnificativ.
Tabelul 2.15 Modalitate de calcul pentru testul t Student
eantioane dependente
nainte Dup Dup-nainte (Dup-nainte)
2

30 18 -12 144
19 16 -3 9
28 20 -8 64
41 21 -20 400
25 14 -11 121
23 12 -11 121
32 11 -21 441
28 10 -18 324
26 5 -21 441
31 12 -19 361
38 11 -27 729
40 4 -36 1296
42 13 -29 841
41 19 -22 484
35 10 -25 625
n=15 dif=-283 dif
2
=6401

219

Ultima etap de calcul n tabel presupune ridicarea la ptrat a tuturor
diferenelor i calculul sumei acestor ptrate. Suma ptratelor diferenelor
este, pentru studiul propus, de 6401. Imediat vom vedea la ce ne folosete.
Testul t Student pentru eantioane perechi se calculeaz dup expresia
urmtoare:

(formula 2.17)
unde m
dif
reprezint media diferenelor, iar s
dif
dispersia acestora
Pentru a calcula valoarea acestui test, nu trebuie dect s aflm media
i dispersia diferenelor. Media diferenelor este foarte simplu de aflat. mpr-
im suma diferenelor la numrul de subieci. Aadar, nlocuind datele, avem
m
dif
=-283/15=-18,86.
Pentru a calcula dispersia diferenelor, va trebui s aplicm o alt
formul, n acord cu formula de definiie a dispersiei.
(formula 2.18)
Desigur, avem deja toate datele necesare pentru a calcula dispersia di-
ferenelor.

Acum nu rmne dect s folosim formula testului t Student pentru
eantioane perechi (formula 2.17)


220

Valoarea lui t (8,41) se raporteaz la valorile de referin din anexa 4
pentru un numr de n-1 grade de libertate. Din ce motiv folosim n-1 i nu
forma de la eantioane independente, v lsm pe dumneavoastr s explicai.
Nu uitm faptul c s-a utilizat o ipotez unilateral i nu bilateral.
Pentru 14 grade de libertate, valoarea de referin la nivelul unei ipo-
teze unilaterale i la un p<0,05 este de 2,14, iar pentru p <0,01 este de 2,97.
Testul nostru este semnificativ la un p<0,01, putem respinge ipoteza nul.
Semnul testului (negativ) arat c scznd situaia nainte din situaia Du-
p, obinem un numr cu semnul minus. Asta nseamn c situaia Dup
are valori semnificativ mai mici n comparaie cu situaia nainte. n cazul
nostru, psihoterapia a avut un efect semnificativ, determinnd scderea sem-
nificativ a numrului de igri fumate, la un prag de semnificaie mai mic de
0,01.
Pentru cei dintre dumneavoastr crora au nceput s le plac formule-
le complexe, pentru a-i impresiona prietenii i/sau prietenele, putem combi-
na formulele 2.17 i 2.18 ntr-o expresie de calcul unic a testului t Student
pentru eantioane dependente

(formula 2.19)
II.4 Teste statistice de normalitate i teste pentru valori
aberante
n cadrul acestui capitol vom discuta despre dou categorii specifice
de teste statistice. Este vorba despre testele pentru valori aberante i testele de
normalitate. Explicaii detaliate referitoare la fiecare categorie, vei gsi n
subcapitolele adiacente. Dar s ncepem cu o nclzire uoar i s abordm
testele pentru valori aberante.

221

II.4.1 Teste pentru valori aberante
Mult timp am stat n dubii referitor la includerea acestor categorii de
teste. Adevrul este c nu le folosete prea mult lume. Decizia de a le trata
aici, a survenit n urma unei discuii cu profesorul Filaret Sntion, eful cate-
drei de psihologie de la Universitatea Ovidius din Constana. Domnia sa mi-a
pus, la un moment dat, o ntrebare: atunci cnd apar scoruri extreme ntr-o
distribuie, ce facem cu ele? Din cte tii deja, pentru a beneficia de supor-
tul i puterea testelor parametrice, vom renuna la subiectul cu acel scor ex-
trem. Totui acesta s fie rspunsul? Haidei s ne imaginm un experiment
n care urmrim s investigm reacia unor subieci la imagini cu coninut
violent. Variabila dependent ar fi ritmul cardiac pulsul n limbaj comun.
S presupunem c majoritatea subiecilor ar avea pulsul ntre 100 i 110 bti
pe minut, cu excepia unui singur subiect, la care pulsul ar fi de 185 de bti
pe minut. Desigur, acest scor ar fi un scor extrem, cel puin la prima vedere.
Acum, revenim la ntrebarea profesorului Sntion; ce facem cu acest subiect?
l eliminm din analiz sau l tratm ca un caz de hiperemotivitate i hiper-
sensibilitate? n realitate rspunsul la aceast ntrebare depinde de scopul
cercetrii, neexistnd soluii universal valabile.
Problema este, ns, alta. Cum decidem dac un scor este sau nu este
extrem? Pn la ce limit putem vorbi de scoruri aberante? n cartea anterioa-
r ai nvat o metod grafic pentru depistarea acestor valori. V amintii,
era vorba despre graficul box-plot, cutie cu musti cum l-am denumit noi.
Desigur, metodele grafice sunt utile n vederea conturrii unei preri subiec-
tive. n statistic avem nevoie, aproape de fiecare dat, nu de preri subiecti-
ve ci de date obiective, demonstrabile. Iat i raiunea pentru care exist i
teste statistice de depistare a valorilor aberante.
Majoritatea acestor teste au n vedere un ir ordonat de date, iar for-
mulele difer n funcie de valoarea aberant testat dac aceast valoare se
situeaz la limita inferioar a irului sau la limita superioar a acestuia.

222

II.4.1.1 Testul Romanovski
Este un test pentru valori aberante, aplicabil pe loturi de cercetare de
mici dimensiuni, sub 20 de cazuri. Formulele de calcul pentru acest test sunt
urmtoarele:

(formula 2.20)

(formula 2.21)
unde x
aber
reprezint valoarea aberant, m reprezint media valorilor
din irul de date fr valoarea aberant iar se refer la abaterea standard
a valorilor din irul de date, de asemenea fr valoarea aberant.
Dup cum observai, formulele se aplic difereniat. Dac valoarea
aberant este cea mai mare valoare, se aplic formula 2.20, iar dac valoarea
aberant este cea mai mic valoare din ir, se aplic 2.21.
Exemplele de calcul pentru aceste teste nu sunt foarte complexe. S
presupunem c n urma unui test de inteligen, aplicat unui numr de 18 per-
soane, una dintre persoane a obinut scorul 2. Toate celelalte persoane au
scoruri cuprinse ntre 15 i 38 de puncte. n prima etap, excludem persoana
care a obinut scorul 2 i calculm media i abaterea standard pentru celelalte
17 persoane rmase. Presupunem c media scorurilor este de 23,10 puncte,
iar abaterea standard este 2,13 puncte. Deoarece valoarea 2 este valoarea in-
ferioar din irul de date, aplicm formula 2.21 pentru testul Romanovski i
obinem valoarea 9,63

Ipoteza nul a acestui test statistic postuleaz c valoarea nu este abe-
rant. Dac testul este semnificativ, atunci se respinge ipoteza nul, valoarea

223

testat fiind aberant. Testul statistic este semnificativ dac valoarea sa este
mai mare sau egal cu valoarea de referin prezentat n tabelul din anexa
12.
Pentru n=18, valoarea de referin este 2,17 la un prag de semnificaie
mai mic de 0,05 i 3,00 pentru un prag de semnificaie mai mic de 0,01. n
mod cert, testul nostru este semnificativ la un prag de semnificaie mai mic
de 0,01, ipoteza nul se respinge, valoarea testat (2) fiind o valoare aberant.
II.4.1.2 Testul Dixon
Este un alt test pentru valori aberante, aplicabil pentru iruri de pn
la 25 de scoruri, bazat pe ordonarea irului. Dac valoarea suspect este cea
mai mic valoare din
ir, irul se ordoneaz
cresctor. Dac valoarea
suspect este cea mai
mare valoare din ir,
irul se ordoneaz des-
cresctor.
S presupunem
c avem un ir ordonat
cresctor, n acest caz
vom avea valorile x
1
, x
2
,
x
3
, x
4
, x
5
x
n-2
, x
n-1
, x
n
,
cu proprietatea c x
1

este cea mai mic va-
loare din ir (n situaia
noastr valoarea suspec-
t) iar x
n
este cea mai
mare valoare din ir.
Tabelul 2.16 Pragurile critice i formulele de calcul pentru testul Dixon
n 0,05 0,01 Formula
3 0,941 0,988
|
| (formula 2.22)
4 0,765 0,889
5 0,642 0,780
6 0,560 0,698
7 0,507 0,637
8 0,554 0,683
|
| (formula 2.23) 9 0,512 0,635

10 0,477 0,597
11 0,576 0,679
|
| (formula 2.24) 12 0,546 0,642

13 0,521 0,615
14 0,546 0,641
|
| (formula 2.25)
15 0,525 0,616
16 0,507 0,595
17 0,490 0,577
18 0,475 0,561
19 0,462 0,547
20 0,450 0,535
21 0,440 0,524
22 0,430 0,514
23 0,421 0,505
24 0,413 0,497
25 0,406 0,489
dup (Vasilescu, 1992)

224

Formula se ajusteaz n funcie de numrul de scoruri.
Dac avem pn la apte valori n irul de date, folosim formula 2.22.
Dac avem de la opt la zece valori, folosim formula 2.23 i aa mai departe,
dup cum reiese i din tabelul 2.16.
Ipoteza nul susine c valoarea testat (x
1
) nu este aberant, la fel ca
i testul anterior.
Avem irul ordonat de date: 1, 9, 15, 18, 23, 17, 29, 30, 32, 32, 33.
Acesta conine un numr de 11 valori, prin urmare vom aplica formula 2.24
pentru a testa valoarea presupus a fi aberant, valoarea 1.
|
| |

| |
|
Valoarea de referin pentru un n=11, n tabelul 2.16, este de 0,576 la
un prag de semnificaie mai mic de 0,05. Deoarece valoarea noastr (0,451)
este mai mic dect valoarea prag, testul este nesemnificativ, ipoteza nul nu
se poate respinge. Aadar valoarea 1 nu este o valoare aberant n irul nostru
de date.
II.4.1.3 Testul Grubbs
Este un alt test pentru valori
aberante, fiind folosit, de aceast
dat, pe eantioane sau loturi de
cercetare de mari dimensiuni (peste
20 de cazuri). Ipoteza nul a acestui
test susine, la fel ca i pentru cele-
lalte dou teste expuse anterior, c
valoarea nu este aberant,
respingndu-se n cazul n care tes-
tul Grubbs este mai mare n compa-
Tabelul 2.17 Pragurile critice pentru testul Grubbs
n 0,05 0,01 n 0,05 0,01
20 2,557 2,884 85 3,151 3,543
25 2,663 3,009 90 3,171 3,563
30 2,745 3,103 95 3,189 3,582
35 2,811 3,178 100 3,207 3,600
40 2,866 3,240 105 3,224 3,617
45 2,914 3,292 110 3,239 3,632
50 2,956 3,336 115 3,254 3,647
55 2,992 3,376 120 3,267 3,662
60 3,025 3,411 125 3,281 3,675
65 3,055 3,442 130 3,294 3,688
70 3,082 3,471 135 3,306 3,700
75 3,107 3,496 140 3,318 3,712
80 3,130 3,251 145 3,328 3,723
dup (Vasilescu, 1992)

225

raie cu valorile prag precizate n tabelul 2.17.
Deoarece vorbim despre eantioane mari, calculul testului Grubbs se
poate efectua doar dac datele au o distribuie normal, acesta bazndu-se pe
medie i abatere standard.

(formula 2.26)

(formula 2.27)
Dac valoarea testat este cea mai mare din ir, se folosete formula
2.26, iar dac valoarea testat este cea mai mic din ir, formula 2.27.
Cred c ai observat deja un lucru interesant. Testul Grubbs nu repre-
zint altceva dect nota z a scorului presupus aberant.
S considerm un exemplu, n care un numr de 130 de subieci au
efectuat un test de atenie. Media scorurilor obinute de cei 130 de subieci
este m=21,35 puncte iar abaterea standard s=5,41 puncte. Ne ntrebm dac
scorul maxim x=53 puncte este sau nu un scor aberant.
Pentru c valoarea testat este cea mai mare valoare din ir, aplicm
formula 2.26 pentru testul Grubbs.

La un numr de 130 de subieci, valoarea prag pentru un p<0,01 este
de 3,688. Indicatorul obinut de noi depete cu mult valoarea prag, prin
urmare testul Grubbs este semnificativ la un p<0,01. n acest caz vom respin-
ge ipoteza nul i vom accepta faptul c valoarea testat este aberant.
Deoarece testul Grubbs este unul standardizat, pentru eantioane de
mari dimensiuni se poate realiza compararea cu distribuia t Student la un
numr de n-1 grade de libertate.

226

II.4.2 Teste de normalitate
Se mai numesc teste de concordan cu repartiia normal i toate fac
acelai lucru compar distribuia datelor empirice (a datelor din populaia
din care s-a extras eantionul cercetat) cu distribuia teoretic normal i veri-
fic dac diferenele dintre acestea sunt sau nu sunt semnificative.
Cu alt ocazie am nvat s analizm o distribuie i s decidem dac
este sau nu este normal. Este vorba despre procedeul bazat pe momentele
centrate analiza simetriei i a boltirii. Aceasta este o metod excelent, o
folosesc i eu intens n studiile i cercetrile mele. Uneori, ns, avem nevoie
de mai mult, de o demonstraie mai serioas, de o expresie unic a normalit-
ii unei distribuii. Acum, dac suntem familiarizai cu analiza diferenelor
statistice, ne va fi mai uor. Iat de ce se merit s introducem i conceptul de
teste de normalitate.
II.4.2.1 Testul de normalitate
2

S nu-mi spunei c nu v-a fost dor de
2
, c nu v cred. L-am studiat
la asocierea datelor neparametrice, ne-am lovit de el la diferenele de frecven-
ntre variabile, am vzut c poate funciona ca test statistic i coeficient de
asociere (contingen), dar s vorbim despre
2
la distribuia normal, parc e
prea de tot. Cu toate acestea, iat,
2
reprezint unul dintre cele mai serioase
teste de normalitate. Ipoteza nul susine c distribuia empiric nu difer de
distribuia normal teoretic i se respinge dac valoarea
2
este mai mare
dect pragul de semnificaie ales.
S considerm c un numr de 486 de studeni au efectuat un test, la
care s-a obinut media m=18,93, abaterea standard s=2,14, cel mai mic scor
fiind 2 iar cel mai mare scor fiind 45. Se pune problema s studiem dac
aceast distribuie este sau nu este normal.
n primul rnd, s construim distribuia empiric. Practic, avem de
stabilit un numr de clase i de calculat frecvena absolut a fiecrei clase.

227

Da, aa este, revenim, iat, la bazele statisticii. Procedura este analog, doar
c vom folosi media i abaterea standard pentru crearea claselor.
Tabelul 2.18 Testul de normalitate bazat pe
2

Clase f z
i
F(z
i
) (z
i
) f*(z
i
) f-f
t
(f-f
t
)
2
(f-f
t
)
2
/f
t

Clasa 1 (i=1)
< m-2,5s
< 13,58
1 -2,5 0,0062 0,0062 0,0062 0,9938 0,98763844 159,296523
Clasa 2 (i=2)
(m-2,5sm-2s]
13,58-14,65
4 -2 0,0228 0,0166 0,0664 3,9336 15,473209 233,030255
Clasa 3 (i=3)
(m-2sm-1,5s]
14,66-15,72
15 -1,5 0,0668 0,044 0,66 14,34 205,6356 311,569091
Clasa 4 (i=4)
(m-1,5sm-1s]
15,73-16,79
49 -1 0,1587 0,0919 4,5031 44,4969 1979,97411 439,691348
Clasa 5 (i=5)
(m-1sm-0,5s]
16,80-17,86
65 -0,5 0,3085 0,1498 9,737 55,263 3053,99917 313,648883
Clasa 6 (i=6)
(m-0,5sm]
17,87-18,93
104 0 0,5000 0,1915 19,916 84,084 7070,11906 354,99694
Clasa 7 (i=7)
(mm+0,5s]
18,94-20,00
97 +0,5 0,6915 0,1915 18,5755 78,4245 6150,4022 331,102915
Clasa 8 (i=8)
(m+0,5sm+1s]
20,01-21,07
87 +1 0,8413 0,1498 13,0326 73,9674 5471,17626 419,806966
Clasa 9 (i=9)
(m+1sm+1,5s]
21,08-22,14
38 +1,5 0,9332 0,0919 3,4922 34,5078 1190,78826 340,985127
Clasa 10 (i=10)
(m+1,5sm+2s]
22,15-23,21
18 +2 0,9772 0,044 0,792 17,208 296,115264 373,882909
Clasa 11 (i=11)
(m+2sm+2,5s]
23,22-24,28
5 +2,5 0,9938 0,0166 0,083 4,917 24,176889 291,287819
Clasa 12 (i=12)
> m+2s
> 24,28
3 +3 0,9987 0,0049 0,0147 2,9853 8,91201609 606,259598
TOTAL 486 4175,55837
Exist mai multe variante de lucru. Cea mai comod variant este s
lucrm cu intervale avnd dimensiunea de jumtate de abatere standard. Exis-

228

tnd ase abateri standard ntr-o distribuie normal, vor rezulta un numr de
12 clase.
Prima clas va conine scorurile mai mici dect media minus 2,5 aba-
teri standard. A doua clas cuprinde scorurile cuprinse ntre media minus 2,5
abateri standard i media minus 2 abateri standard. Clasa a treia se refer la
scoruri cuprinse ntre media minus 2 abateri standard i media minus 1,5 aba-
teri standard i aa mai departe, dup cum putei vedea n tabelul 2.18.
Dup construcia claselor, stabilim, evident, frecvenele absolute la
nivelul fiecrei clase. Urmeaz calcului variabilei normale z, pentru fiecare
dintre cele 12 clase, dup expresia urmtoare
(formula 2.28)
Este formula clasic de calcul a notelor z, unde l
sup(i)
se refer la limita
superioar a clasei i. Pentru prima clas, am avea:

A doua clas ar deveni:

Continuai pn cnd stabilii variabilele normale pentru toate cele 12
clase. Observai c, n realitate, nici nu ar fi fost nevoie s calculai. Notele z
nu reprezint dect fraciunea cu care s-a multiplicat abaterea standard la li-
mita superioar a fiecrei clase.
Deoarece vom dori s comparm aceast distribuie cu distribuia teo-
retic normal n cazul nostru avem nevoie de probabilitile teoretice
pentru fiecare valoare z, pe care le vom nota cu F
(z)
. Aceste valori sunt obi-
nute din valorile funciei Laplace. Despre aceast funcie nu vom discuta,
deoarece depim cu mult contextul materialului. Funcia F
(z)
Laplace este

229

prezentat n tabelul din anexa 13, tabel care ne ajut s extragem probabili-
tile teoretice pentru fiecare scor z. nainte de a efectua calculele, se impune
totui s precizm c dac scorul z este negativ, atunci F
(-z)
=1 F
(z)
. Adic,
pentru a calcula un scor z negativ, trebuie s scdem din valoarea 1, valoarea
F
(z)
din tabel pentru acel scor. Vedem imediat cum se procedeaz.
Prima clas are z=-2,5. n tabelul din anexa 13, pentru un z=2,5 avem
F
(z)
=0,9938. Cum ns z este negativ, obinem F
(z)
=1 0,9938, adic 0,0062.
A doua clas are z=-2. n tabelul din anexa 13 avem pentru un z=2, valoarea
0,9772. Din aceleai motive, obinem F
(z)
=1 0,9772=0,0228. La fel proce-
dm cu toate clasele, pn la clasa a asea.
Pentru clasa a asea, unde avem z=0, F
(z)
=0,5000. Deoarece z nu mai
este negativ, aceasta este i valoarea cutat. La fel, clasa a aptea, unde
F
(z)
=0,6915.
Totui, pn acum nu am stabilit dect probabilitile teoretice cumu-
late pentru distribuia noastr, deoarece funcia Laplace este, dup cum am
spus, o funcie cumulativ. Am fi mai curnd interesai de probabilitile teo-
retice efective, nu de cele cumulate. Din fericire, acest lucru este simplu de
aflat. Nu avem dect s scdem din probabilitatea teoretic cumulat a unei
clase, probabilitatea teoretic cumulat a clasei anterioare i iat, am obinut
probabilitile teoretice efective pentru fiecare dintre clase. Aadar, vom avea
o nou coloan n tabelul 2.18, coloana (z
i
) unde:
(formula 2.29)
Pentru prima clas nu avem o clas anterioar, aadar (z
i
)=0,0062. A
doua clas va fi (z
i
)=0,0228-0,0062=0,0166. Pentru a treia clas vom avea
(z
i
)=0,0668-0,0228=0,0440 i aa mai departe. Dup calculul probabiliti-
lor teoretice efective, urmeaz s nmulim frecvena absolut a fiecrei clase
cu probabilitatea teoretic efectiv (f*(z
i
)). Aceast valoare o putem denumi

230

frecven teoretic i o notm cu f
t
. Avnd aceste elemente, putem acum trasa
formula de calcul pentru
2
atunci cnd efectum testul de normalitate:
(formula 2.30)
Destul de simplu. Din formul mai rezult civa pai. S facem dife-
renele dintre frecvena observat i frecvena teoretic, s ridicm la ptrat
aceste diferene i apoi s mprim ptratele la frecvena teoretic. n final
efectum suma acestor rezultate i obinem valoarea pentru
2
. Valoarea
noastr este foarte mare. Am obinut
2
=4175,55. Aceast valoare o vom
compara cu valoarea de referin pentru un numr de k-3 grade de libertate,
deoarece avem doi parametri media i abaterea standard. n situaia noastr,
valoarea indicatorului este comparat la 12-3=9 grade de libertate. La un prag
de semnificaie mai mic de 0,01, valoarea de referin este de 21,665. Valoa-
rea obinut este mult mai mare dect valoarea prag, testul este semnificativ
la un prag de semnificaie mai mic de 0,01, vom respinge ipoteza nul. Cu
alte cuvinte, distribuia empiric difer semnificativ de distribuia teoretic
normal. Pe scurt, datele noastre nu se distribuie normal.
Folosind aceast metod putem compara o distribuie empiric nu
numai cu distribuia normal, dar i cu alte distribuii, precum distribuia Po-
isson, binomial, etc.
II.4.2.2 Testul de normalitate Shapiro-Wilk
Are la baz aceeai ipotez nul, conform creia distribuia empiric
nu difer de distribuia normal. Testul se folosete, n general, pentru eanti-
oane care nu depesc 50 de subieci, n timp ce testul
2
se preteaz foarte
bine la eantioane de mari dimensiuni. Formula de calcul pentru testul
Shapiro-Wilk este urmtoarea:

231

(formula 2.31)
unde b este o estimaie liniar a abaterii standard, care se calculeaz
n baza valorilor ordonate din irul de date
S presupunem un numr de 10 msurtori, dup cum urmeaz: 190,
250, 200, 330, 280, 260, 270, 240, 290, 220. Desigur, acest exemplu are un
caracter pur didactic, deoarece este absurd s vorbim despre o distribuie
normal la doar 10 scoruri. Pentru a calcula valoarea testului Shapiro-Wilk,
trebuie s ordonm cresctor irul de date. Acesta va deveni:
190, 200, 220, 240, 250, 260, 270, 280, 290, 330
Pentru a stabili estimaia liniar a abaterii standard, avem nevoie de
valoarea k
max
care se calculeaz aproximativ la fel ca i poziia medianei. Da-
c irul de date este par, atunci k
max
=
n
/
2
, iar dac este impar, k
max
=
n-1
/
2
. Ei
bine, dac v mai aducei aminte, poziia medianei se calculeaz puin diferit,
de aceea am afirmat c procedeul este aproximativ la fel i nu identic.
irul nostru fiind unul par, k
max
=
10
/
2
=5. Urmeaz construirea unui ta-
bel special necesar stabilirii valorii estimaiei liniare a abaterii standard, dup
cum urmeaz n tabelul 2.19.
n primul rnd, formm co-
loana X
I
pentru fiecare valoare a lui
k. Practic, aceast coloan este for-
mat din primele k numere ordonate
cresctor n cazul nostru, primele 5
numere. Coloana X
II
este format din
ultimele k numere 5 numere n
cazul nostru de data aceasta ordonate descresctor. Vom avea, n situaia
noastr, pentru fiecare valoare a lui k de la 1 la 5, irul X
I
=190, 200, 220, 240
i 250, i X
II
=330, 290, 280, 270 i 260. Urmeaz construcia coloanei W
k
,
Tabelul 2.19 Calcului estimaiei b pentru testul
Shapiro-Wilk
k x
I
x
II
W
k
a W
k
*a
1 190 330 140 0,5739 80,346
2 200 290 90 0,3291 29,619
3 220 280 60 0,2141 12,846
4 240 270 30 0,1224 3,672
5 250 260 10 0,0399 0,399
126,882

232

unde W
k
nu este altceva dect diferena dintre al doilea i primul ir. Adic,
W
k
=X
II
-X
I
.
Coeficientul a se extrage din tabelul din anexa 14, pentru diferitele
valori ale lui n i k. n cazul nostru, n=10 i, evident, k=5. Ne deplasm n
tabel pe coloana numrul 10 (corespunztoare lui n) i vom avea pentru k=1,
un coeficient a=0,5739. Pentru k=2 avem a=0,3291 i aa mai departe. Copi-
em aceti coeficieni n coloana corespunztoare din tabelul 2.19. Urmeaz
apoi s nmulim, pentru fiecare k, coloana W
k
i coloana a, rezultatele fiind
trecute ntr-o ultim coloan din tabel. nsumnd toate aceste produse, obi-
nem expresia estimrii liniare a abaterii standard (b), n situaia noastr aceas-
ta fiind 126,882.
Restul procesului este foarte simplu i nu l vom detalia. Este necesar
s calculm media celor 10 scoruri (m=253 n cazul de fa), apoi s scdem
fiecare scor din medie, la fel ca la calculul varianei, (x
i
-m), s ridicm la p-
trat aceste diferene (x
i
-m)
2
i, n final, s facem suma acestor ptrate. Pentru
exemplul nostru, suma ptratelor diferenelor este 16410. Avnd toate datele,
putem nlocui acum n formul:

Valoarea testului Shapiro-Wilk o raportm la pragurile de semnifica-
ie din tabelul din anexa 15. Pentru n=10, pragul de semnificaie la un p<0,05
este de 0,842, iar la un p<0,01 este de 0,781. Deoarece valoarea testului este
mai mare de 0,842, testul este nesemnificativ, ipoteza nul nu se respinge i,
prin urmare, distribuia poate fi considerat o distribuie normal. Avei grij
la interpretare. De aceast dat, testul este semnificativ dac valoarea sa este
mai mic dect valoarea prag.

233

II.4.2.3 Testul momentelor centrate
Cred c mai reinei analiza simetriei i a boltirii. Am vorbit despre
aceste elemente ntr-o lucrare anterioar. Totodat, am vzut atunci cteva
metode prin care putem analiza normalitatea distribuiei plecnd de la aceti
coeficieni. Metodele tratate atunci sunt bune, ns de cele mai multe ori
avem nevoie de un plus de precizie, mai exact de o standardizare a acelor
coeficieni. Ce standardizare poate fi mai bun dect calculul scorurilor z ale
acestor coeficieni? ntr-adevr, acest test face exact transformarea coeficien-
ilor de simetrie i boltire
1
i
2
n formele lor standardizate.
Ipoteza nul este aceeai, conform creia repartiia datelor este norma-
l i se respinge dac cel puin una dintre valorile z ale celor doi coeficieni
este mai mare dect valoarea critic pentru pragul de semnificaie ales. Con-
versia acestor coeficieni se poate face dup urmtoarele expresii:
(formula 2.32)
(formula 2.33)
S presupunem c o cercetare efectuat pe un numr de 853 de stu-
deni, crora li s-a nregistrat greutatea, a condus la o distribuie avnd coefi-
cientul de simetrie
1
=-0,46 i coeficientul de boltire
2
=0,87. S se decid
dac datele empirice se distribuie sau nu normal.


234

tim deja c pragul critic la un p<0,05 este de 1,96 iar la un p<0,01
este de 2,28. Coeficientul de boltire (0,43) este mai mic dect 1,96, prin ur-
mare distribuia poate fi considerat mezocurtic. Simetria ns (8,11) dep-
ete cu mult pragul critic 2,28 pentru un p<0,01. Aadar, distribuia nu este
simetric, ci asimetric negativ, cu tendine ctre valori mari ale greutii.
nainte de a ncheia acest capitol i de a trece la activitile practice
utiliznd SPSS, va trebui s facem o serie de precizri privind interpretarea
testelor statistice. Desigur, nu am epuizat subiectul testelor statistice de nor-
malitate. Exist, spre exemplu, i alte teste de acest tip: dAgostino, Kolmo-
gorov-Smirnov etc. Noi le-am prezentat pe cele mai folosite.
II.5 Interpretarea testelor statistice
Testele statistice fac parte din categoria procedeelor statistice inferen-
iale. Testarea ipotezelor statistice reprezint, alturi de estimarea parametri-
lor statistici, una dintre principalele aspecte ale inferenei statistice (Sava,
2004). Atunci cnd testm ipotezele n cadrul unei cercetri tiinifice, avem
n vedere trei dimensiuni principale (Sava, 2004):
Analiza datelor empirice;
Realizarea, pe baza datelor, a unor inferene logice;
Meninerea unei atitudini sceptice legate de concluziile obinu-
te.

235

Atunci cnd vorbea despre teoriile tiinifice, marele Albert Einstein
fcea o afirmaie pertinent n care putem regsi, de fapt, ntregul spirit al
demersului tiinific: Oamenii de tiin nu sunt de invidiat. Natura, sau mai
exact, experimentul este un judector neprietenos i inexorabil al muncii
cercettorului. Niciodat nu i spune Da teoriei acestuia. n cele mai favo-
rabile cazuri i spune Poate, iar n majoritatea cazurilor i spune Nu.
Dac experimentul sprijin o teorie, pentru aceasta nseamn Poate, iar
dac nu sprijin nseamn Nu. Probabil c orice teorie va experimenta
ntr-o bun zi pe Nu cele mai multe chiar imediat dup conceperea lor.
(Sava, 2004).
innd cont de citatul de mai sus, chiar cu riscul de a ne repeta, vom
efectua, n cele ce urmeaz, o serie de observaii referitoare la ipoteza nul:
atunci cnd folosim testele statistice, ntotdeauna verificm
ipoteza nul, niciodat cea experimental. De asemenea, ple-
cm de la premiza c ipoteza nul este adevrat. Doar printr-
un asemenea algoritm putem asigura respectarea demersului
tiinific;
analiznd ipoteza nul, trebuie s menionm c, dup verifi-
care, aceasta nu poate fi adevrat sau fals. Singurul lucru pe
care l putem face cu ipoteza nul este s o respingem sau s
nu o respingem. Ipoteza nul nu poate fi confirmat sau infir-
mat. Afirmaii precum ipoteza nul este fals sau testul nu
este semnificativ, deci se confirm ipoteza nul sunt afirmaii
eronate, dei frecvent ntlnite printre nceptori. n realitate,
putem spune doar c respingem ipoteza nul sau nu respin-
gem ipoteza nul;
desigur, respingerea unei ipoteze nule se face n baza unui
prag de semnificaie. De obicei, pragul de semnificaie este cel

236

postulat de Fisher i corespunde, n tiinele sociale, unei va-
lori mai mici de 0,05. Dac respingem ipoteza nul, nu n-
seamn c aceasta nu se poate, la un moment dat, susine.
Acest prag de semnificaie nu spune dect probabilitatea cu
care am obine, ntmpltor, datele observate, pornind de la
ideea c ipoteza nul este adevrat. Att i nimic mai mult;
n general, folosim teste statistice pentru a extinde cunotinele
dobndite prin studiul unui eantion la nivelul ntregii popula-
ii. De aceea, asemenea procedee se numesc procedee statistice
infereniale. n asemenea condiii, este important reprezenta-
tivitatea eantionului. Dac eantionul este redus ca dimensi-
uni, exist o probabilitate foarte mare s nu obinem niciun re-
zultat semnificativ, dei poate c relaia exist la nivelul popu-
laiei. Cu alte cuvinte, cu ct eantionul este mai mic, cu att
crete probabilitatea de a obine un rezultat nesemnificativ.
Nici eantioanele foarte mari nu ne sunt utile, deoarece la vo-
lume foarte mari ale unui eantion, crete probabilitatea de a
gsi un rezultat semnificativ, chiar dac acest de fapt nu exist
la nivelul populaiei. Soluia o reprezint un eantion reprezen-
tativ, de dimensiuni moderate.
Atunci cnd raportm rezultatele unui test statistic, ne intereseaz c-
teva elemente:
n primul rnd, semnificaia. Vom considera testul ca fiind
semnificativ, dac pragul de semnificaie este mai mic de 0,05.
Despre aceste lucruri am discutat pe larg, deci nu vom mai in-
sista;
n al doilea rnd, semnul sau sensul. Acest element este util
n cazul ipotezelor unidirecionale. De exemplu, dac una din-

237

tre ipotezele experimentale afirm c exist o diferen sem-
nificativ ntre brbai i femei sub aspectul anxietii, n sen-
sul c brbaii sunt mai puin anxioi n comparaie cu femei-
le, aceasta ar putea fi susinut numai n condiiile n care, la
comparaia mediei obinute de ctre brbai la anxietate cu cea
obinut de ctre femei, se obine un test semnificativ, negativ
(adic media brbailor este mai mic n comparaie cu media
femeilor);
Gradele de libertate reprezint o expresie a volumului ean-
tionului studiat, raportarea lor fiind obligatorie;
De exemplu, s-a realizat o cercetare pe un numr de 438 de studeni,
pornindu-se de la ipoteza nul c nu exist nicio diferen ntre brbai i fe-
mei cu privire la emotivitatea din timpul examenelor. Dup colectarea notelor
obinute de cei 438 de studeni la un inventar de emotivitate, s-au comparat
mediile scorurilor obinute de ctre brbai cu media scorurilor obinute de
ctre femei, folosindu-se testul t Student pentru eantioane independente. A
rezultat t=-48,46, la un prag de semnificaie p<0,01. V ntreb care este mo-
dalitatea corect de raportare a acestui studiu? Iat-o!
Exist o diferen semnificativ ntre brbai i femei sub aspectul
emotivitii din timpul examenelor (t
(436)
=48,46; p<0,01) n sensul c emoti-
vitatea femeilor este semnificativ mai ridicat n comparaie cu emotivitatea
brbailor. Prin urmare, respingem ipoteza nul i putem susine ipoteza de
cercetare conform creia diferenele dintre brbai i femei sub aspectul
emotivitii din timpul examenelor sunt semnificative.
n formularea de mai sus am atins, dup cum se poate observa, toate
punctele importante ale raportrii rezultatelor unui test statistic. Dei pentru
cei mai muli dintre dumneavoastr expresia de mai sus pare suficient, mai

238

exist un element extrem de important care trebuie precizat. Este vorba de-
spre mrimea efectului.
II.5.1 Puterea testului i mrimea efectului
nainte de a ncepe discuia legat de mrimea efectului i puterea tes-
telor statistice, voi relua un exemplu prezentat ntr-o lucrare anterioar
(Opariuc-Dan, 2009).
A fost odat un mprat care avea obiceiul s poarte multe rzboaie.
nainte de a merge la rzboi, mpratul nostru l chema pe vrjitorul curii i l
punea s-i prezic soarta btliei. De fiecare dat, bietul vrjitor era n mare
impas, deoarece, dac greea previziunea, risca s-i piard capul, cum o p-
iser muli alii naintea lui. Totui, vrjitorul avea muli ani de cnd i ps-
tra capul pe umeri, iar prediciile acestuia, uneori, se dovedeau a fi adevrate.
ntrebarea mea este cum proceda? Foarte simplu. Vrjitorul avea ceva noiuni
legate de probabiliti i de verificarea ipotezelor i, naintea btliei, i for-
mula ipotezele, apoi construia un tabel similar tabelului de mai jos:

H
1
: Prevd c mria sa va ctiga btlia
H
0
: Prevd c mria sa nu va ctiga btlia

Ce se ntmpl n urma btliei
Ctig Pierde
Ce a prevzut
c se ntmpl
Ctig
OK
p= 1-
Caracteristica testului
Eroare tip I
p=
Pragul de semnificaie
Pierde
Eroare tip II
p=
OK
p=1-
Puterea testului
S analizm acum tabelul de mai sus. Observm c exist un numr
de patru situaii:
Vrjitorul a prezis c mpratul va ctiga btlia i mpratul
a ctigat-o. Vrjitorul respinge ipoteza nul i susine ipoteza

239

alternativ, deoarece probabilitatea de a nu ctiga btlia era
foarte mic. Cellalt mprat avea probabil un numr mic de
oameni i o tehnic de lupt net inferioar. Vrjitorul a obinut
o nou avere i respectul mpratului;
Vrjitorul a prezis ctigarea btliei i mpratul a pierdut-o.
S-a comis astfel o eroare de tip I, respingndu-se ipoteza nul
cnd, de fapt, ar fi trebuit s nu fie respins. Pragul de semni-
ficaie a fost probabil apropiat de limit (0,05), ns vrjitorul
a riscat. i-a pierdut i averea i capul. Este cea mai grav
eroare pe care o poate face. Probabil c s-a bazat pe faptul c
cellalt mprat are puini oameni i o tehnic de lupt inferi-
oar, ns l-au dezinformat spionii i a subapreciat fanatismul
ostailor;
Vrjitorul a prezis pierderea btliei i mpratul a ctigat-o.
S-a comis acum o eroare de tip II, nerespingnd ipoteza nul
n condiiile n care ar fi trebuit respins. n bucuria victoriei,
mpratul s-ar putea s-i crue capul vrjitorului, ns va pierde
respectul i o parte din avere. Vrjitorul nu a vrut s rite, de-
oarece cunotea fanatismul lupttorilor celuilalt mprat;
Vrjitorul a prezis pierderea btliei i mpratul a pierdut-o.
Din fericire, i-a pstrat i capul i averea, deoarece a avut n-
elepciunea c calculeze puterea unui test statistic, adic
probabilitatea de a respinge ipoteza nul atunci cnd ea este
fals.
Dup cum observai, pragul de semnificaie nu ne arat dect dac
avem de a face cu o diferen semnificativ sau, n cazul corelaiilor, cu o
asociere semnificativ. Acesta nu ne spune care este mrimea acestei diferen-
e. Pragul de semnificaie micoreaz riscul de a se comite erori de tip I, erori

240

n care am respinge ipoteza nul n condiiile n care aceasta nu ar trebui s
fie respins. Cu alte cuvinte, l ferete pe vrjitor s prezic faptul c mpra-
tul va ctiga btlia, n condiiile n care ar putea s o piard. Desigur, acesta
este, poate, cel mai important element al unui test statistic, ns nu este singu-
rul. Avem nevoie s tim i dimensiunea acestei diferene, element pe care ni-
l furnizeaz mrimea efectului.
Iat un exemplu. S presupunem c studiem efectul unui tratament
asupra abandonului fumatului. tii deja exemplul, astfel nct nu vom mai
insista asupra lui. Obinem, n final, o diferen semnificativ n sensul c
subiecii, dup tratament, fumeaz un numr semnificativ mai mic de igri.
Att ne spune pragul de semnificaie. Deocamdat nu tim dac cei care au
fumat 40 de igri pe zi fumeaz acum 3 igri pe zi sau fumeaz 38 de igri
pe zi. Cu alte cuvinte, nu tim ct de mare este efectul tratamentului ci doar
c acel tratament are un efect semnificativ. Iat c studiul mrimii efectului
are o importan aproape la fel de mare ca i studiul semnificaiei acestuia.
Exist un numr destul de mare de indicatori pentru mrimea efectului
i, n general, acetia se mpart n dou mari categorii:
Indicatori calculai n baza diferenei standardizate ntre medii
(indicele d al lui Cohen, coeficientul al lui Glass, coeficien-
tul g al lui Hedges etc.);
Indicatori calculai pe baza procentului de varian explicat
(r, r
2
,
2
,
2
etc.).
II.5.1.1 Indicatori ai mrimii efectului pentru date neparame-
trice
Din nefericire, testele neparametrice sunt recunoscute prin puterea lor
redus. Majoritatea indicatorilor pentru mrimea efectului se bazeaz pe date
continui i nu pe date situate la un nivel de msur ordinal sau nominal. To-
tui, exist un numr de doi indicatori statistici ai mrimii efectului pentru

241

date neparametrice, unul pentru
2
(dup Rosenthal, Rosnow i Rubin) (Sava,
2004) iar cellalt pentru date ordinale coeficientul propus de Cliff.
Estimarea mrimii efectului pentru
2
atunci cnd exist doar un sin-
gur grad de libertate se poate face prin intermediul coeficientului de determi-
nare r
2
, dup expresia:
(formula 2.34)
n formula 2.34, la numrtor avem valoarea testului
2
pentru un sin-
gur grad de libertate, iar la numitor regsim numrul de cazuri observate.
n exemplul de la capitolul II.2.1 am pornit de la ipoteza nul conform
creia nu exist nicio diferen semnificativ ntre blonde i brunete referitor
la producerea accidentelor rutiere. Am aplicat atunci testul
2
obinnd o dife-
ren nesemnificativ la un singur grad de libertate. Valoarea testului a fost
de 2,75, la un numr n=94 de femei studiate.
Dac testul ar fi fost semnificativ, am putea calcula mrimea efectului
pe baza expresiei de mai sus:

ntr-adevr, coeficientul de determinare este foarte mic, efectul este
sczut, aproape inexistent, lucru perfect normal, deoarece i testul
2
nu este
semnificativ.
Ca repere pentru coeficientul de determinare r
2
, vom avea:
Pentru r
2
mai mic de 0,01 nu exist niciun efect;
Pentru r
2
cuprins ntre 0,01 i 0,05 efectul este sczut;
Pentru r
2
cuprins ntre 0,06 i 0,14 avem de a face cu un efect
mediu, moderat;

242

Pentru r
2
mai mare de 0,14 avem de a face cu un efect puternic
Atunci cnd datele se afl la un nivel ordinal, nu mai putem folosi co-
eficientul de determinare exprimat anterior. O msur alternativ pentru aces-
ta este reprezentat de coeficientul delta () propus de Cliff n anul 1993.
Acest coeficient testeaz echivalena probabilitii ca scorurile dintr-un grup
s fie mai mari dect scorurile din cellalt grup i se bazeaz pe conceptul de
dominan. Formula de calcul a coeficientului este urmtoarea:

(
(formula 2.35)
Pare complicat, dar nu este chiar aa. Practic #X
i1
>X
j2
reprezint nu-
mrul de comparaii ntre observaiile dintre cele dou grupuri, atunci cnd
numrul de observaii din primul grup este mai mare dect numrul de obser-
vaii din al doilea grup.
S considerm un exemplu simplu pentru a lmuri formula de calcul.
O cercetare efectuat pe brbaii i femeile dintr-o unitate militar pleac de
la ipoteza nul conform creia nu exist nicio diferen ntre brbai i femei
sub aspectul gradelor militare de ofieri. Desigur, ne situm la un nivel pur
ordinal, unde am notat cu 1 locotenentul, 2 cpitanul, 3 maiorul, 4
locotenent colonelul i 5 colonelul. Datele noastre sunt urmtoarele
Brbai: 1, 1, 2, 2, 2, 3, 3, 3, 4, 5 n
1
=10
Femei: 1, 2, 3, 4, 4, 5 n
2
=6
Pentru a uura lucrul, am ordonat deja datele noastre. Urmeaz con-
strucia aa-numitei matrice de dominan. n primul rnd, construim un tabel
similar tabelului 2.20. Pe coloane trecem una dintre variabile iar pe linii cea-
lalt variabil. Regula de completare a matricei de dominan este simpl. O
celul poate lua valoarea +1 dac valoarea la nivel de linie este mai mare
dect valoarea la nivel de coloan, 0 dac cele dou valori sunt la fel i -1
dac valoarea de pe linie este mai mic dect valoarea de pe coloan.

243

Tabelul 2.20 Calculul matricei de dominan
Brbai
Femei
1 2 3 4 4 5 d
i

1 0 -1 -1 -1 -1 -1 -0,833
1 0 -1 -1 -1 -1 -1 -0,833
2 1 0 -1 -1 -1 -1 -0,500
2 1 0 -1 -1 -1 -1 -0,500
2 1 0 -1 -1 -1 -1 -0,500
3 1 1 0 -1 -1 -1 -0,167
3 1 1 0 -1 -1 -1 -0,167
3 1 1 0 -1 -1 -1 -0,167
4 1 1 1 0 -1 -1 0,333
5 1 1 1 1 1 0 0,833
d
j
0,8 0,3 -0,3 -0,7 -0,7 -0,9 =-0,250
Pentru prima linie, valoarea pentru brbai (1) este egal cu prima co-
loan, valoarea pentru femei (1). La nivelul acestei celule, dominana ia va-
loarea 0. Tot la prima linie, valoarea pentru brbai (1) este mai mic dect
valoarea pentru femei (2). Atunci celula ia valoarea -1 i aa mai departe,
dup regula expus, pn la completarea ntregii matrice de dominan.
n urmtorul pas, facem media dominanelor att pe linie ct i pe co-
loan. Astfel, pentru prima linie vom avea 0-1-1-1-1-1=-5, apoi -1/6=-0,833.
Vei continua la fel pentru toate liniile i toate coloanele, aa cum observai n
tabelul 2.20.
nainte de a aplica formula, calculm indicii d
i
i d
j
. Acetia nu repre-
zint altceva dect suma mediilor dominanelor. Adunai, aadar, toate valori-
le de pe ultima coloan i vei obine d
i
=-2,50. Apoi adunai toate valorile de
pe ultima linie i vei obine d
j
=-1,50. Valoarea pe care o reinem este valoa-
rea cea mai mare luat n modul. Deoarece 2,50 este mai mare dect 1,50,
reinem 2,50. Pentru a obine coeficientul este suficient s facem media
valorilor nsumate pentru cea mai mare dominan. Deoarece cea mai mare
sum a fost 2,50, obinut pentru cei 10 brbai, vom avea -2,50/10=-0,250.
Prin urmare, =-0,250.
Acest indicator ia valori cuprinse ntre -1 (atunci cnd toate observai-
ile din primul grup sunt mai mari dect observaiile din cel de-al doilea grup)

244

i +1 (atunci cnd toate observaiile din primul grup sunt mai mici dect ob-
servaiile din al doilea grup). Valoarea 0 arat c observaiile din cele dou
grupuri sunt perfect identice. Interpretarea acestui coeficient ca msur a m-
rimii efectului, va ine cont de urmtoarele repere:
Pentru un mai mic de 0,147, nu exist niciun efect;
Pentru cuprins ntre 0,147 i 0,33, efectul este sczut;
Pentru cuprins ntre 0,33 i 0,474, efectul este unul mediu,
moderat;
Pentru mai mare de 0,474, efectul este puternic.
n cazul nostru, am obinut un efect sczut. Putem suspecta i existen-
a unei diferene semnificative ntre brbai i femei n raport cu atribuirea
gradelor militare. Ca exerciiu, v revine dumneavoastr sarcina s alegei
testul statistic adecvat i s verificai dac, ntr-adevr, exist o asemenea
diferen semnificativ, apoi s decidei ce facei cu ipoteza nul.
II.5.1.2 Indicatori ai mrimii efectului pentru date parametrice
Pentru date parametrice suntem, din fericire, posesorii unui numr
destul de mare de indicatori ai mrimii efectului. Poate cel mai folosit coefi-
cient este coeficientul de determinare, r
2
, indicator cu aceeai semnificaie
interpretativ ca i varianta lui folosit la analiza efectului n cazul testului
2
.
(formula 2.36)
unde t reprezint valoarea testului t Student, iar df se refer la num-
rul gradelor de libertate.
n exemplul din capitolul II.3.2.2 am dorit s aflm dac exist dife-
rene semnificative ntre cantitatea de bere but de ctre studenii universit-
ii Ovidius din Constana, n comparaie cu studenii universitii Alexandru

245

Ioan Cuza din Iai. Obinusem un t
(88)
=1,48, testul fiind nesemnificativ. Adi-
c nu exist diferene semnificative ntre studenii celor dou universiti, sub
aspectul consumului de bere. Dac ar fi existat diferene semnificative, ar fi
trebuit s calculm i mrimea efectului.

Desigur, nu ne ateptam la existena vreunui efect. Conform principii-
lor interpretative ale acestui coeficient, efectul este sczut.
Corespondentul coeficientului de determinare este coeficientul de co-
relaie a mrimii efectului. Formula de calcul a acestuia este extrem de sim-
pl, el nefiind altceva dect rdcina ptrat din coeficientul de determinare

(formula 2.37)
n cazul nostru, coeficientul de corelaie al efectelor este de 0,155, in-
terpretarea sa fiind analoag interpretrii coeficientului de corelaie r Bravais-
Pearson. Spre deosebire de coeficientul Bravais-Pearson, n acest caz ntl-
nim doar valori pozitive.
Folosind cei doi coeficieni, putem deduce i ali indicatori ai mrimii
efectului. Vom exemplifica doar civa, deoarece este posibil s-i ntlnii n
studii i cercetri, mai ales n cele de factur meta-analitic.
Coeficientul d al lui Cohen poate fi calculat pe baza coeficientului de
determinare i a coeficientului de corelaie al efectelor, dup expresia:

(formula 2.38)

(formula 2.39)

246

Intens folosit, acest coeficient are urmtoarele repere interpretative,
propuse chiar de autor:
Pentru d mai mic de 0,20, nu exist nici un efect;
Pentru d cuprins ntre 0,20 i 0,50, efectul este unul slab;
Pentru d cuprins ntre 0,50 i 0,80, efectul este unul mediu;
Pentru d mai mare de 0,80, avem de a face cu un efect puter-
nic;

Doar nu v-ai fi ateptat s obinei aici vreun efect puternic. Observai
c i dup acest coeficient, ne situm n acelai domeniu al efectelor slabe.
Coeficientul g al lui Hedges are o formul de calcul bazat tot pe coe-
ficientul de determinare i pe cel de corelaie al efectelor:

(formula 2.40)
V lsm dumneavoastr ca exerciiu calculul acestui coeficient pen-
tru mrimea efectului, precum i sarcina interpretrii sale.
II.5.1.3 Interpretarea mrimii efectului i puterea cercetrilor
Dincolo de reperele interpretative propuse pentru fiecare dintre coefi-
cieni, o analiz pertinent a mrimii efectului presupune i alte demersuri.
Coeficientul de determinare r
2
se poate exprima i n termeni procen-
tuali. Un coeficient de 0,024, obinut mai sus, arat c doar 2,4% din variana
datelor folosite pentru investigarea cantitii de bere but de studeni se poa-
te explica prin apartenena acestora la o universitate.

247

Mrimea efectului se interpreteaz mpreun cu pragul de semnifica-
ie. Vom furniza o serie de repere interpretative, aa cum au fost ele prezenta-
te de Florin Sava (Fan, 2001 apud Sava, 2004).
Tabelul 2.21 Interpretarea mrimii efectului i a semnificaiei
Mrime
efect
Testare ipoteze (semnificaie)
H
0
nu este respins H
0
este respins
Efect mic
1. Ipoteza nul este sprijinit, nu exist
ns vreun efect statistic sau practic.
1. Rezultatele nu au nicio importan
practic deosebit, dei rezultatele sunt
semnificative statistic;
2. Risc mare de comitere a erorii de tip I
(s respingem ipoteza nul n condiii
n care nu ar trebui respins). Puterea
cercetrii este foarte mare.
Efect mediu
1. Mrimea efectului este bun, ns
acesta poate s fi aprut din ntmpla-
re;
2. Risc mare de comitere a erorilor de
tip II (s nu se resping ipoteza nul
n condiiile n care ar trebui respin-
s). Puterea cercetrii este mic.
1. Probabilitatea ca efectul obinut s
apar din ntmplare este mic;
2. Efectul este semnificativ statistic i
pare a fi important din punct de vedere
practic
Efect mare
1. Risc mare de comitere a erorii de tip
II (s nu respingem ipoteza nul cnd
aceasta ar trebui respins);
2. Efectul a aprut din ntmplare sau
rezultatul nesemnificativ al testului
statistic apare din cauza numrului
mic de subieci. Se impune creterea
puterii cercetrii.
1. Testul este semnificativ att statistic,
ct i practic
SURSA: (Sava, 2004 p. 36)
Interpretarea valorii mrimii efectului se completeaz cu analiza sen-
sului acesteia. Un efect pozitiv, determinat de valoarea pozitiv a mrimii
efectului, conduce la ideea c efectele observate sunt n direcia presupus.
De exemplu, dac obinem un efect puternic i pozitiv n baza ipotezei alter-
native conform creia exist o diferen semnificativ ntre cantitatea de bere
but de studenii de la universitatea din Constana i cantitatea de bere but
de studenii de la universitatea din Iai, n sensul c cei din universitatea mol-
dovean beau semnificativ mai mult bere n comparaie cu cei din universi-
tatea dobrogean, atunci datele observate susin aceast ipotez. Dac am
obine un efect puternic i negativ, nseamn c ipoteza se susine, doar c

248

studenii universitii dobrogene consum semnificativ mai mult bere n
comparaie cu cei ai universitii din Moldova.
Cele mai multe cercetri, realizate profesional, stabilesc nc de la n-
ceput mrimea ateptat a efectului, n baza acesteia construindu-se lotul de
cercetare. Exist mai multe metode prin intermediul crora se poate realiza
acest deziderat (Sava, 2004):
n baza meta-analizei, prin cercetarea studiilor efectuate ante-
rior. Dac ne propunem s cercetm efectul exercitat de reac-
tivitatea motorie asupra riscului de a se produce un accident
rutier, este o bun idee s ncepem prin studiul literaturii de
specialitate i a cercetrilor, destul de numeroase, referitoare la
aceast tem. Astfel, ne putem da seama de modul n care va-
riabilele se influeneaz, i putem proiecta studiul n cunotin-
de cauz;
Printr-un studiu pilot, realizat pe un numr relativ redus de
subieci, n care s putem estima mrimea indicatorilor tendin-
ei centrale i ai dispersiei, i, implicit, mrimea efectului;
Dac nu avem posibilitatea realizrii unei meta-analize i nici
cea a efecturii unui studiu pilot, vom stabili numrul de sub-
ieci necesari pe baza unui nivel mediu al mrimii efectului.
n literatura de specialitate, vei ntlni deseori pragul de semnificaie
notat cu , corespunztor riscului de a produce o eroare de tip I i mrimea
efectului notat cu , corespunztoare riscului de a produce o eroare de tip II.
Caracteristica testului statistic, adic situaia n care respingem ipote-
za nul fr a comite o eroare de tip I, se noteaz cu 1-, iar puterea unui test
statistic, adic situaia n care nu respingem ipoteza nul, fr a comite o
eroare de tip II se noteaz cu 1-. Aadar, puterea statistic a unei cercetri

249

este intim legat de mrimea efectului, dei ia n considerare un numr de trei
parametri importani:
Mrimea efectului ();
Mrimea eantionului (n);
Mrimea pragului de semnificaie ()
Calculul efectiv al puterii unei cercetri nu presupune doar diferena
1-, ci este destul de laborios i nu l vom detalia aici. Pentru cei interesai,
voi furniza legtura ctre programul GPower, care permite, alturi de multe
alte procedee de analiz a datelor, i calculul puterii unei cercetri. Programul
este gratuit, poate fi descrcat de pe site-ul http://www.psycho.uni-
duesseldorf.de/abteilungen/aap/gpower3/ aceast adres fiind pus la dispozi-
ia mea i a dumneavoastr de ctre Florin Sava n excelenta sa lucrare (Sava,
2004).
Fr s intrm n amnunte, vom furniza, n final, o serie de modali-
ti de cretere a puterii statistice ntr-o cercetare tiinific, aa cum au fost
acestea exprimate de ctre Florin Sava (Sava, 2004), la care vom aduga
completrile noastre.
Autorul sus menionat, distinge ntre trei categorii de metode care pot
mbunti puterea statistic ntr-o cercetare tiinific. Pentru detalii supli-
mentare, putei consulta lucrarea sa (Sava, 2004 pg. 40-46):
Metode orientate spre designul cercetrii;
Metode orientate spre msurrile efectuate n cadrul cercetrii;
Metode exclusiv statistice.
I I .5.1.3.1 Metode orientate spre designul cercetrii
1. Cea mai simpl metod de cretere a puterii statistice ntr-o cerce-
tare tiinific se refer la creterea numrului de subieci eva-

250

luai. Putei, fie include mai muli subieci n ntregul lot de stu-
diu, fie mri numrul de subieci la nivelul grupelor de cercetare
considerate cele mai importante din perspectiva ipotezelor stabili-
te;
2. Utilizarea unui design de cercetare cu msurri repetate. tii
deja c un design cu msurri repetate care folosete eantioane
dependente are o putere mai mare n comparaie cu design-ul
bazat pe eantioane independente, deoarece variana rezidual
cea determinat de erori, variana neexplicat este mai mic. Fo-
losind, de obicei, aceiai subieci n dou condiii experimentale
diferite, erorile determinate de factorii subiectivi sunt mult mai
mici n comparaie cu situaia n care vei folosi dou eantioane
independente;
3. Introducerea unei covariabile eficiente. nc nu avei noiunea
complet asupra semnificaiei unei covariabile. Pentru a v face
ct de ct o idee, revedei capitolul referitor la corelaii pariale. n
acest volum ne-am limitat la studiul efectelor pe care le exercit o
singur variabil independent asupra unei singure variabile de-
pendente. Majoritatea situaiilor de cercetare presupun ns analiza
efectului generat de mai multe variabile independente asupra unei
singure variabile dependente (ANOVA analiza de varian), a
efectului generat de mai multe variabile independente asupra mai
multor variabile dependente sau a efectului generat de variabilele
independente asupra variabilelor dependente n condiiile menine-
rii constante a efectului unei variabile numit covariabil
(ANCOVA analiza de covarian). Despre aceste elemente vom
discuta, ns, n urmtoarea lucrare. Ceea ce trebuie s tii deo-
camdat este faptul c introducerea unei covariabile, aflat, desi-
gur, n relaie cu variabila dependent, poate determina micorarea

251

varianei neexplicate i, implicit, creterea puterii unei cercetri.
Dac studiem efectul determinat de emotivitate asupra notelor ob-
inute la examene, este posibil s nu obinem nicio diferen sem-
nificativ ntre emotivi i neemotivi sub aspectul notelor obinute.
Includerea unei covariabile de tipul timp dedicat studiului s-ar
putea s conduc la efecte semnificative;
4. Utilizarea unui design de cercetare ct mai simplu. Cu ct in-
cludem ntr-un studiu mai multe variabile, cu att crete riscul de a
comite o eroare de tip I, de a obine rezultate semnificative din n-
tmplare. Chiar dac aplicm corecii statistice pentru a reduce
riscul de apariie a erorilor de tip I, vom crete probabilitatea de a
obine erori de tip II. Principiul fundamental: cel mai simplu e cel
mai bine;
5. Creterea numrului de grade de intensitate pentru variabila
independent sau creterea amplitudinii factorilor. Dac vom
studia efectul reactivitii asupra producerii de accidente rutiere, s-
ar putea ca n condiiile n care variabila independent reactivita-
te are doar dou grade de intensitate, reactivitate mic i reac-
tivitate mare s nu obinem diferene semnificative. Dac am in-
clude un grad de intensitate n plus, spre exemplu reactivitate
medie, este foarte probabil s gsim un efect al reactivitii asu-
pra producerii de accidente rutiere;
6. Tratarea variabilelor independente ca variabile discrete. Dac
vom msura reactivitatea pe o scal continu (de interval), puterea
statistic ar fi redus. n loc s punem n relaie scorurile variabilei
reactivitate aflate la un nivel de interval cu scorurile variabi-
lei accidente rutiere aflate la un nivel natural continuu prefe-
rm s recodificm variabila reactivitate variabil independen-

252

t ntr-o variabil discret, spre exemplu reactivitate mic,
reactivitate medie i reactivitate mare;
7. Utilizarea ipotezelor unilaterale. Am insistat de attea ori asupra
acestui aspect, nct nu-l vom mai detalia aici. ntr-adevr, fa de
ipotezele bilaterale, cele unilaterale mresc semnificativ puterea
unei cercetri.
I I .5.1.3.2 Metode orientate spre msurrile efectuate n cadrul cercetrii
1. Utilizarea scalelor de msur numerice. Este evident faptul c
n momentul n care utilizm scale numerice, situate la un nivel de
msur parametric, beneficiem i de avantajele i puterea testelor
statistice parametrice. n cercetri de acest tip, este bine ca cel pu-
in variabilele dependente s fie msurate la un nivel parametric;
2. Transformarea datelor brute. Dei testele parametrice au ca ce-
rin de baz nivelul parametric de msur, pentru a le folosi tre-
buie s fie ndeplinit i condiia unei distribuii normale a datelor.
n caz contrar, va trebui s utilizm teste neparametrice, cu o pute-
re statistic mult mai mic (aproximativ jumtate din puterea tes-
telor parametrice). Este de preferat ca n condiiile n care distribu-
ia nu este normal s folosim tehnici de normalizare a datelor, n
loc s trecem pur i simplu la utilizarea testelor neparametrice;
3. Alegerea de probe cu caracteristici psihometrice ridicate. Me-
toda aproape c nu mai necesit comentarii. Una este s msurm
emotivitatea cu un chestionar luat din revista Felicia i altceva e
s msurm aceeai dimensiune cu un instrument profesional. In-
strumentele folosite trebuie s prezinte caracteristici nalte, cel pu-
in sub aspectul validitii i sub cel al fidelitii pentru ca cerceta-
rea s fie relevant.

253

I I .5.1.3.3 Metode exclusiv statistice
1. Salvarea unor grade de libertate. Implicit, un experiment sau o
cercetare ct mai simplu proiectat duce la un numr de grade de
libertate mai redus. Planurile de cercetare complexe determin, pe
lng calcularea unui numr mare de efecte, i o putere statistic
mai mic;
2. Utilizarea tehnicilor statistice cu o putere mai mare. Atunci
cnd situaia o permite, este de preferat s folosim cele mai puter-
nice teste statistice. De exemplu, dac ntr-o cercetare avem de
ales ntre folosirea testului z i folosirea testului t Student, vom
alege utilizarea testului z, acesta fiind mai puternic n comparaie
cu testul t.
II.6 Realizarea testelor statistice n SPSS
nainte de a ncepe activitatea care v place dumneavoastr cel mai
mult, evident cea practic, unde vom folosi SPSS, vreau s v anun c SPSS
nu mai exist. Firma SPSS
Inc. a fost cumprat de
ctre IBM, aadar ultima
versiune de SPSS este ver-
siunea 17. ntr-adevr, in-
vestiia a fost n jur de 1,2
miliarde de dolari i s-a
finalizat n anul 2009. Ast-
fel, SPSS devine parte din
programul integrat al com-
paniei IBM - Business
Analytics and Process Op-
timization, versiunea 18 a
produsului numindu-se acum PASW (Predictive Analytics Software for Win-
Tabelul 2.22 Structura bazei de date pentru testul
2

Variable Position Label Measurement Level
Intrebare_1 1
Daca
saptamana
viitoare ar fi
alegeri
prezidentiale,
cu cine ati
vota?
Nominal
Variables in the working file
Value Label
Intrebare_1 1 Costachescu Virgil
2 Ionescu George
3 Neacsu Vasile
4 Agape Alexandru

254

dows). Deoarece att aspectul ct i funcionalitatea PASW sunt radical dife-
rite de ceea ce tiai deja, vom continua s utilizm SPSS n acest volum
(versiunea 17), urmnd ca n celelalte cri s trecem ctre noua variant de la
IBM.
II.6.1 Procedee neparametrice
Testul
2
n SPSS are o proprietate interesant, alta fa de care ne-am
obinuit. Acesta permite analiza doar a unei singu-
re variabile, comparnd frecvenele teoretice cu
cele observate. S considerm situaia unui sondaj
de opinie, n care un numr de 20 persoane au
rspuns la urmtoarea ntrebare: Dac sptmna
viitoare ar fi alegeri prezideniale, dumneavoastr
cu cine ai vota? Variantele de rspuns au fost 1
Costchescu Virgil, 2 Ionescu George, 3
Neacu Vasile, 4 Agape Alexandru.
Variabila este situat, desigur, la
un nivel nominal, structura bazei de date
fiind prezentat n tabelul 2.22.
Rspunsurile celor 20 de subieci
sunt reprezentate n tabelul 2.23. Problema
care se pune este aceea de a verifica dac
exist vreo diferen semnificativ ntre
cei 4 candidai sub aspectul preferinei
respondenilor. Ipoteza nul a acestui stu-
diu ar fi c, toi cei patru candidai sunt
preferai n mod egal de ctre respondeni.
Desigur, verificarea unei asemenea ipoteze se face prin intermediul testului
statistic
2
.
Tabelul 2.23 Rspunsurile subiecilor pentru
testul
2

Costachescu Virgil Agape Alexandru
Costachescu Virgil Ionescu George
Costachescu Virgil Neacsu Vasile
Costachescu Virgil Costachescu Virgil
Ionescu George Ionescu George
Neacsu Vasile Costachescu Virgil
Neacsu Vasile Costachescu Virgil
Ionescu George Ionescu George
Agape Alexandru Costachescu Virgil
Agape Alexandru Neacsu Vasile
Figura 2.1 Lansarea analizei
pentru testul chi ptrat

255

Lansarea acestui test se face din meniul Analyze, opiunea Non-
parametric Tests i apoi opiunea Chi-
Square. n aceast seciune (Nonparamet-
ric tests) vom regsi aproape toate testele
statistice folosite n cazul datelor neparame-
trice.
Executarea comenzii determin lan-
sarea ferestrei de configurare pentru testul
statistic
2
. Fereastra are mai multe elemente
de noutate, astfel nct vom insista puin
asupra ei. Lista variabilelor din baza de date
se afl n partea stng, lista variabilelor
incluse n vederea analizei o regsim n partea dreapt. Dup cum observai
n figura 2.2, am inclus deja variabila noastr n vederea analizei acesteia.
Seciunea Expected Range permite configurarea modalitii de cal-
cul a amplitudinii frecvenelor teoretice. Astfel, cazul cel mai des ntlnit este
Get from data, situaia n care SPSS calculeaz automat amplitudinea
frecvenelor estimate, pornind de la datele existente la fel cum am procedat
i noi. Putei alege i opiunea
Use specified range, caz n
care frecvenele estimate sunt
cele cuprinse ntre limita mi-
nim (Lower) i limita ma-
xim (Upper). Aceast ul-
tim situaie se folosete n
cazul n care dorii s compa-
rai frecvenele observate cu alte frecvene, nu cele calculate automat de
SPSS. Este, dac vrei, o form neparametric a testului t Student pentru un
singur eantion.
Tabelul 2.24 Rezultatul analizei pentru testul
2

Daca saptamana viitoare ar fi alegeri prezidentiale, cu cine
ati vota?
Observed N Expected N Residual
Costachescu Virgil 8 5,0 3,0
Ionescu George 5 5,0 ,0
Neacsu Vasile 4 5,0 -1,0
Agape Alexandru 3 5,0 -2,0
Total 20
Figura 2.2 Configurarea analizei
pentru testul chi ptrat

256

Relaionat cu aceast seciune se afl i seciunea Expected
values, care se refer nu la amplitudinea frecvenelor estimate ci chiar la
valoarea acestora. Cazul tipic este All categories equal, adic frecvenele
observate se compar cu situaia n care fiecare categorie ar avea o frecven
de apariie teoretic, egal. Opiunea Values se folosete la fel ca i opiu-
nea Use specified range din seciunea anterioar. Valorile pot fi adugate
folosindu-se butonul Add, pot fi modificate cu butonul Change sau pot
fi eliminate cu ajutorul butonului Remove.
Butonul Exact permite
definirea testelor suplimentare de
semnificaie, iar butonul
Options configureaz statisticile
descriptive care vor fi calculate, pre-
cum i tratamentul cazurilor lips.
Ambele opiuni au fost detaliate n
capitolul anterior, drept urmare nu
vom reveni aici asupra lor.
Lansarea efectiv a analizei
se face prin apsarea butonului
OK, aa cum tii deja. Progra-
mul furnizeaz dou tabele. n
primul tabel, observm c un nu-
mr de 8 persoane l-ar alege pe
Costchescu Virgil. Pentru fiecare
prezideniabil, frecvena teoretic
este 5. Prin urmare, frecvena ob-
servat pentru Costchescu Virgil
supraestimeaz frecvena teoretic
cu 3 alegeri.
Test Statistics
Daca saptamana viitoare ar
fi alegeri prezidentiale, cu
cine ati vota?
Chi-Square 2,800
a

df 3
Asymp. Sig. ,423
a. 0 cells (,0%) have expected frequencies less
than 5. The minimum expected cell frequency is
5,0.
Figura 2.3 Fereastra de configurare a testului
binomial

257

Agape Alexandru are o frecven observat de 3. Fa de frecvena
teoretic 5, aceasta subestimeaz pentru acest prezideniabil cu 2 alegeri.
Pentru a rspunde dac exist diferene semnificative ntre cei patru
prezideniabili, vom urmri al doilea tabel din foaia de rezultate. Observm
c pragul de semnificaie este de 0,423, mult mai mare dect limita admis,
0,05. Aadar diferena
nu este semnificativ,
nu putem respinge ipo-
teza nul. Iat c, n
ciuda aparenelor, opi-
nia alegtorilor nu este
conturat. Dup cum
vedei, pentru a vedea
dac o opinie este sau
nu este conturat, avem
nevoie de ceva mai
mult dect exprimri
procentuale sau simple frecvene absolute.
O variant a acestui test, pentru situaia n care variabila are doar dou
categorii (variabile de tip Masculin Feminin sau Da Nu) este testul bino-
mial. Acesta poate fi lansat din aceeai categorie (Nonparametric Tests),
opiunea Binomial, fiind mai precis dect chi-ptrat atunci cnd variabi-
la are exact dou categorii.
V mai amintii exemplul cu blondele, brunetele i accidentele rutie-
re? Haidei s construim o baz de date avnd structura din tabelul 2.25.
Avem dou variabile: culoarea prului, o variabil nominal diho-
tomic, avnd dou valori blond i brunet i accidente, variabil scalar
care nregistreaz numrul de accidente comise.
Tabelul 2.25 Structura bazei de date pentru testul binomial
Variable Information
Variable Position Label
Measurement
Level
culoare_par 1 Culoarea paru-
lui
Nominal
accidente 2 Numar de
accidente
Scale
Variable Values
Value Label
culoare_par 1 Blond
2 Brunet

258

Structura rspunsurilor celor 31 de femei este dat n tabelul 2.26.
Ipoteza nul a acestui nou studiu este aceea c nu exist nicio diferen-
semnificativ ntre frecvena cu care comit accidente blondele i frecvena
cu care comit accidente brunetele. Desigur, n aceast situaie, utilizarea tes-
tului binomial este cea mai adecvat.
Fereastra de configurare a testului binomial nu pune probleme deose-
bite. Diferena fa de testul anterior const doar n titulatur. Avem acum
seciunea Define Dichotomy n care putem alege calculul acesteia automat
din date cu ajutorul opiunii
Get from data sau putem
introduce o valoare n caseta
Cut point pentru a construi
instantaneu una. Ultima opiu-
ne o vom alege dac variabila
nu are o dihotomie real. De
exemplu, dac avem variabila
vrsta, variabil continu, cu
mediana, s spunem, 18 ani.
Dorim s folosim aceast vari-
abil n testul binomial. n
acest caz, n caseta Cut point
vom introduce valoarea 18, iar
SPSS va transforma instanta-
neu variabila ntr-una dihoto-
mic subiecii cu vrsta sub
18 ani vor face parte din pri-
mul grup, iar subiecii cu vrsta peste 18 ani fac parte din al doilea grup
dup care efectueaz prelucrrile necesare.
Tabelul 2.26 Baza de date pentru testul binomial
Culoare pr Accidente Culoare pr Accidente
Blond 0 Blond 3
Brunet 3 Brunet 4
Blond 0 Blond 10
Brunet 4 Blond 2
Brunet 2 Brunet 3
Blond 2 Brunet 3
Brunet 2 Brunet 1
Blond 3 Brunet 2
Brunet 1 Brunet 0
Brunet 0 Blond 2
Blond 0 Brunet 3
Brunet 0 Brunet 3
Brunet 0 Blond 3
Blond 1 Brunet 1
Brunet 2 Brunet 2

Blond 3

259

Caseta de text Test proportion permite specificarea proporiei teo-
retice cu care se va face comparaia. Implicit este inclus valoarea 0,50, ceea
ce arat o comparaie cu situaia n care cele dou grupuri ar avea proporii
egale, 50% i 50%.
Rezultatul
acestui test este
foarte simplu de
interpretat. Se ob-
serv, n tabelul
2.27, c testul nu
este semnificativ,
pragul de semnifi-
caie fiind mai mare de 0,05. Aadar, ipoteza nul nu se poate respinge, cu
alte cuvinte lotul nostru de cercetare poate fi considerat omogen din punctul
de vedere al caracteristicii culoarea prului. Proporia de blonde nu difer
semnificativ de proporia de brunete.
Vom trata, n continuare,
dei face parte dintr-o alt ca-
tegorie testul de normalitate
Kolmogorov-Smirnov. Acesta
permite comparaia unei distribu-
ii empirice cu o distribuie teore-
tic, de obicei normal, plecnd
de la ipoteza nul conform creia
cele dou distribuii nu difer.
Este un test similar testelor de
normalitate studiate n capitolele
anterioare. Aa cum am menio-
nat i cu alt ocazie, testele de comparaie a unei distribuii empirice cu o
Tabelul 2.27 Rezultatul analizei pentru testul binomial
Binomial Test

Category N
Observed
Prop.
Test
Prop.
Asymp. Sig.
(2-tailed)
Culoarea
parului
Group 1 Blond 12 ,39 ,50 ,281
a

Group 2 Brunet 19 ,61
Total 31 1,00
a. Based on Z Approximation.
Kolmogorov-Smirnov

260

distribuie teoretic nu se limiteaz doar la distribuia teoretic normal. Se
poate folosi i o alt distribuie teoretic, aa cum ar fi distribuia Poisson,
distribuia uniform, exponenial i altele. Nici testul Kolmogorov-Smirnov
nu face excepii, dup cum vei vedea imediat.
Fereastra de configurare a testului Kolmogorov-Smirnov poate fi lan-
sat din aceeai opiune de meniu, cea a testelor non-parametrice, apoi 1-
Sample K-S. Formularul din figura 2.4 este destul de simplu. Alturi de
ferestrele variabilelor, ntlnim n plus un numr de 4 csue de bifare, grupa-
te n seciunea Test Distribution. Caseta Normal se refer la compararea
distribuiei empirice cu distribuia normal, caseta Poisson la compararea
cu distribuia Poisson, caseta Uniform la compararea cu distribuia uni-
form, iar caseta Exponenial la compararea cu distribuia exponenial.
Desigur, pe noi
ne intereseaz doar
comparaia cu distribu-
ia normal, prin urmare
vom bifa numai caseta
Normal. De aseme-
nea, variabila supus
analizei va fi, n mod
evident, o variabil con-
tinu numrul de
accidente.
Tabelul rezultat este destul de generos n informaii. n primul rnd,
ne sunt oferite informaii despre media i abaterea standard a populaiei pen-
tru variabila estimat. n cazul nostru, media accidentelor comise este de 2,10
accidente cu o abatere standard de 1,938 accidente. n subsolul tabelului
avem distribuia teoretic folosit la compararea distribuiei empirice dis-
Tabelul 2.28 Rezultatul analizei pentru testul Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Numar de accidente
N 31
Normal Parameters
a,,b
Mean 2,10
Std. Deviation 1,938
Most Extreme Differences Absolute ,224
Positive ,224
Negative -,140
Kolmogorov-Smirnov Z 1,246
Asymp. Sig. (2-tailed) ,090
a. Test distribution is Normal.
b. Calculated from data.

261

tribuia normal i informaia conform creia aceti parametri sunt estimai
pe baza datelor calculate la nivelul celor 31 de femei investigate.
Dup compararea cu distribuia normal, tabelul ne arat i diferenele
extreme observate, n sens pozitiv i negativ. Cea mai mare diferen obser-
vat fa de distribuia normal este o diferen pozitiv, avnd valoarea
0,224. Urmtoarea ntrebare este dac aceast diferen se ncadreaz n limi-
te acceptabile, pentru ca distribuia noastr s fie considerat normal. Ei
bine, dup cum se poate constata, testul nu este semnificativ, pragul de sem-
nificaie fiind de 0,09, mai mare dect pragul critic de 0,05. Cu alte cuvinte,
vom accepta ipoteza nul conform creia nu exist nicio diferen ntre dis-
tribuia empiric i distribuia teoretic normal (Z
KS(31)
=1,24, p>0,05). Iat
cum am demonstrat faptul c dis-
tribuia este una normal.
V-am prezentat trei dintre
cele mai utilizate teste neparame-
trice pentru un singur eantion.
Cum procedm dac avem de a
face cu dou eantioane indepen-
dente? Pentru a verifica n
exemplul nostru dac exist
diferene semnificative ntre
blonde i brunete sub aspectul
comiterii de accidente, vom folosi
acelai sub-meniu, Nonparametric Test, din care vom alege opiunea 2
I ndependent Samples.
Fereastra de configurare prezentat n figura 2.5 are o serie de particu-
lariti. n primul rnd, lista Test Variable List reprezint locaia n care
vom include variabila dependent numrul de accidente n cazul de fa.
Caseta Grouping Variable reprezint locul n care vom include variabila
Figura 2.5 Fereastra de configurare al testelor
neparametrice pentru dou eantioane independente

262

independent sau variabila de grup. Variabila noastr de grup este culoarea
prului, pe care o vom transfera n aceast list. Observai c, imediat dup
transfer, la dreapta numelui variabilei apar dou semne de ntrebare, deoarece
nu am definit nc grupurile. Ne aducem aminte c am notat cu cifra 1 blon-
dele i cu cifra 2 brunetele. Pentru a defini grupurile, apsm butonul De-
fine Groups.
Se deschide un nou formular, de
mici dimensiuni, similar celui din figura
2.6. Primul grup este reprezentat de
blonde, care au fost codate cu cifra 1.
Aadar vom scrie 1 n caseta Group
1. Al doilea grup, brunetele, au fost
codate cu 2. Efectum aceeai operai-
une n caseta Group 2, apoi apsm
butonul Continue pentru a reveni la
formularul anterior.
Constatm c n paranteze, dup numele variabilei de grup, au aprut
cifrele 1 i 2, semn c s-au definit grupurile. De asemenea, putem lansa anali-
za de date, deoarece s-a activat i butonul OK. S nu ne grbim nc.
n seciunea Test Type, SPSS ne pune la dispoziie un numr de pa-
tru teste neparametrice pentru eantioane independente.
Testul Mann-Whitney U a fost discutat deja i tim c reprezint
unul dintre cele mai populare teste neparametrice pentru eantioane indepen-
dente. Dei m repet, v reamintesc c acesta verific dac dou eantioane
independente sunt echivalente din punctul de vedere al poziiei datelor.
Testul Kolmogorov-Smirnov Z i testul iteraiilor Wald-Wolfowitz
sunt teste mai generale, care detecteaz diferenele la nivelul poziiilor i a
formei distribuiilor. Despre al doilea am mai discutat. Acesta combin i
Figura 2.6 Formularul de configurare a
grupurilor

263

stabilete rangurile scorurilor din ambele grupuri. Dac cele dou eantioane
sunt din aceeai populaie adic dac nu exist diferene ntre ele cele
dou grupuri vor fi distribuite aleatoriu n jurul rangurilor generale. Testul
Kolmogorov-Smirnov Z face deja ceea ce tii. Se bazeaz pe analiza diferen-
ei maxime dintre cele dou distribuii cumulative. Practic, este un fel de test
de normalitate, doar c nu se mai compar distribuia teoretic i cea empiri-
c ci distribuiile celor dou eantioane.
Testul Moses al reaciilor extreme presupune c variabila indepen-
dent va afecta unii subieci ntr-o direcie i pe alii n direcia opus. De
obicei, acest test se folosete atunci cnd lucrm cu un grup de control. Gru-
pul de control este definit ca fiind grupul 1, n timp ce grupul experimental se
definete ca fiind grupul 2. n cazul nostru, neavnd o cercetare cu grupuri de
control, utilizarea acestui test este inadecvat.
Din considerente care
in de specificul datelor noastre,
vom bifa doar testul Mann-
Whitney U, acesta fiind singurul
test adecvat, care ne poate furni-
za informaii utile.
Rezultatele testului
Mann-Whitney U sunt furnizate
n tabelul 2.29. Observm c
media rangurilor pentru blonde
este de 16,25 iar pentru brunete
este de 15,84. Diferena mic
dintre cele dou medii ale rangu-
rilor se confirm i n tabelul
statisticilor. ntr-adevr, testul nu este semnificativ, valoarea semnificaiei
statistice (0,921) fiind mult mai mare n comparaie cu pragul critic 0,05.
Tabelul 2.29 Rezultatul analizei pentru testul Mann-Whitney
U
Ranks

Culoarea parului N
Mean
Rank
Sum of
Ranks
Numar de
accidente
Blond 12 16,25 195,00
Brunet 19 15,84 301,00
Total 31
Test Statistics
b

Numar de accidente
Mann-Whitney U 111,000
Wilcoxon W 301,000
Z -,125
Exact Sig. [2*(1-tailed Sig.)] ,921
a

a. Not corrected for ties.
b. Grouping Variable: Culoarea parului

264

Aadar, nu respingem ipoteza nul i constatm c nu exist diferene ntre
blonde i brunete sub aspectul comiterii de accidente rutiere. Toate sunt la
fel
Atunci cnd
avem de a face cu
eantioane perechi
(dependente), va trebui
s folosim alte teste
statistice neparametri-
ce, dup cum bine
tim. Vom extinde
puin exemplul nostru,
introducnd nc o
variabil, numit ac-
cidente_final, variabi-
l care va stoca num-
rul de accidente comise de cele 31 de femei dup efectuarea a 10 ore de con-
ducere. V atrag atenia c exemplul are un caracter pur didactic i nu cores-
punde n niciun caz unei cercetri
reale.
Scorurile acestei noi variabi-
le sunt prezentate n tabelul 2.30,
pstrndu-se, n mod evident, ordi-
nea persoanelor. Dup completarea
bazei de date SPSS, ne propunem s
vedem dac cele 10 ore de conduce-
re au avut sau nu au avut efect. Ipo-
teza nul va fi cea conform creia
nu exist diferene ntre accidentele
Tabelul 2.30 Completarea bazei de date cu variabila accidente_final
Culoare pr Accidente_final Culoare pr Accidente_final
Blond 0 Blond 1
Brunet 2 Brunet 2
Blond 0 Blond 4
Brunet 1 Blond 1
Brunet 0 Brunet 3
Blond 0 Brunet 3
Brunet 0 Brunet 2
Blond 1 Brunet 3
Brunet 1 Brunet 2
Brunet 0 Blond 1
Blond 0 Brunet 2
Brunet 0 Brunet 2
Brunet 0 Blond 1
Blond 1 Brunet 0
Brunet 1 Brunet 0

Blond 2
Figura 2.7 Formularul de configurare al teste-
lor pentru eantioane dependente

265

comise nainte de efectuarea celor 10 ore de curs i accidentele comise dup
efectuarea celor zece ore de curs.
Din sub-meniul Nonparametric Tests vom alege opiunea 2 Re-
lated Samples pentru a putea accesa formularul de configurare pentru testele
neparametrice referitoare la dou eantioane perechi. De aceast dat, fereas-
tra este puin diferit. Lista variabilelor care urmeaz s fie analizate (Test
Pairs) are un aspect special care invit la construcia variabilelor perechi.
Iniial, dup cum este i firesc, lista va fi goal. Trebuie s alegem prima va-
riabil din pereche (Numr de accidente din lista din partea stng) i s
apsm butonul de transfer. Vom observa c aceast variabil s-a transferat n
partea dreapt, pe rndul 1 al coloanei Pair, n coloana Variable1. Ale-
gem apoi a doua variabil din pereche (Numr de accidente dup curs) i
acionm acelai buton de transfer. Variabila se va copia pe acelai rnd, dar
n a doua coloan (Variable2). Astfel am construit prima pereche de varia-
bile. Dac dorii, putei aduga mai multe variabile perechi nu este cazul
nostru iar cu butoanele din partea dreapt a listei Test Pairs putei modi-
fica ordinea perechilor (primele dou butoane) sau putei modifica ordinea
variabilelor n cadrul perechii selectate (ultimul buton).
Testele statistice disponibile se afl n aceeai seciune Test Type.
Cel mai puternic test este testul Wilcoxon, pe care l cunoatei deja foarte
bine. Avei posibilitatea s efectuai i testul semnului dac bifai caseta
Sign. Atunci cnd datele din cele dou variabile sunt dihotomice, vei folo-
si testul McNemar. Acesta determin dac rata de rspuns iniial (naintea
evenimentului) este egal cu rata de rspuns final (dup eveniment). Testul
este util n detectarea modificrilor n rspunsuri ca urmare a unei intervenii
experimentale, n situaii de tipul nainte-dup.
O extensie a testului McNemar pentru date categoriale este testul
omogenitii marginale (Marginal Homogeneity). Acest test permite nu
numai variabile dihotomice, ci i variabile cu mai multe variante de rspuns.

266

Noi vom discuta doar testul Wilcoxon i testul semnelor, acestea fiind
testele adecvate tipului nostru de date. Desigur, pornirea analizei se va face
prin acionarea butonului OK.
Cele dou tabele ale testului Wilcoxon ne arat c, n urma comparai-
ilor, avem un numr de 18 cazuri n care rangurile au fost calculate pentru
diferene pozitive (ranguri n care numrul de accidente dup cursuri este mai
mic n comparaie cu numrul de accidente nainte de cursuri) cu o medie a
rangurilor de 11,39, un numr de 3 ranguri calculate pentru diferene negative
cu o medie a rangurilor de 8,67 (ranguri n care numrul de accidente dup
cursuri este mai mare n comparaie cu numrul de accidente nainte de cur-
suri) i 10 ranguri egale.
Pornind de la aceste
date, obinem un Z
(31)
=3,18
la un p<0,01. Testul este
semnificativ, aadar res-
pingem ipoteza nul i
putem considera c cele 10
ore de curs au avut efect.
Interpretarea de-
curge aproape la fel i n
cazul n care folosim testul
semnului.
i n aceast situa-
ie avem un numr de 18
diferene negative, 3 dife-
rene pozitive i un numr
de 10 egaliti (Revedei
teoria acestui test dac ai uitat principul de calcul).
Tabelul 2.31 Rezultatele testului Wilcoxon
Ranks

N
Mean
Rank
Sum of
Ranks
Numar accidente dupa
cursuri - Numar de
accidente
Negative Ranks 18
a
11,39 205,00
Positive Ranks 3
b
8,67 26,00
Ties 10
c

Total 31
a. Numar accidente dupa cursuri < Numar de accidente
b. Numar accidente dupa cursuri > Numar de accidente
c. Numar accidente dupa cursuri = Numar de accidente
Test Statistics
b

cursuri - Numar de
accidente
Z -3,180
a

a. Based on positive ranks.
b. Wilcoxon Signed Ranks Test

267

Raportat la aceste diferene, testul este semnificativ la un prag de
semnificaie mai mic de 0,01. Respingem i n aceast situaie ipoteza nul i
putem considera c cele 10 ore de curs au avut efect.
Aceasta este metoda de
lucru i interpretarea testelor
neparametrice pentru eantioane
relaionate. Am observat c exis-
t diferene ntre cele dou situa-
ii (naintea orelor de curs i du-
p orele de curs) n sensul c
numrul de accidente scade
semnificativ dup ce subiecii
parcurg un numr de 10 ore de
curs.
Dac dorii, putei verifi-
ca dac n a doua situaie (dup
orele de curs) exist diferene
ntre blonde i brunete sub as-
pectul comiterii accidentelor rutiere. Luai aceast solicitare ca exerciiu, ale-
gei testul statistic adecvat i interpretai rezultatele.
II.6.2 Procedee parametrice
Procedeele parametrice vor fi abor-
date folosindu-se aceeai baz de date, pen-
tru a nu complica inutil demersul nostru. n
definitiv, avem 31 de cazuri, avem dou
variabile continui i o variabil dihotomic,
ar trebui ca cele dou variabile continui s
se i distribuie normal. tim c cel puin una
Tabelul 2.32 Rezultatele testului semnului
Frequencies
N
Numar accidente
dupa cursuri -
Numar de accidente
Negative Differences
a
18
Positive Differences
b
3
Ties
c
10
Total 31
a. Numar accidente dupa cursuri < Numar de accidente
b. Numar accidente dupa cursuri > Numar de accidente
c. Numar accidente dupa cursuri = Numar de accidente
Test Statistics
b

Numar acciden-
te dupa cursuri -
Numar de acci-
dente
Exact Sig. (2-tailed) ,001
a

a. Binomial distribution used.
b. Sign Test
Figura 2.8 Meniul de lansare al
testelor parametrice

268

dintre variabile (numrul de accidente nainte de curs) se distribuie normal. n
realitate, cea de-a doua variabil (numrul de accidente dup curs) nu se dis-
tribuie normal. Dac nu credei, efectuai testul Kolmogorov-Smirnov pentru
un eantion i v vei convinge.
Testele statistice parametrice testele t Student le putei gsi n meni-
ul Analyze, sub-meniul Compare Means, aa cum putei observa n fi-
gura 2.8.
Putei alege ntre testul t Student pentru un singur eantion One-
Sample T Test, testul t Student pentru eantioane independente I ndepend-
ent-Samples T Test i testul t Student pentru eantioane perechi Paired-
Samples T Test. n cadrul acestui sub-meniu exist i alte opiuni, pe care le
vom studia ulterior.
S ncepem cu primul test statistic parametric, testul t Student pentru
un singur eantion. Efectund click pe opiunea One-Sample T Test vei
determina deschiderea ferestrei de configurare a acestui test statistic.
Iat o fereastr extrem de simpl. S presupunem c desfurm o
cercetare n care dorim s comparm media accidentelor comise de femei
ntr-un an cu media accidentelor din Romnia, n aceeai perioad de timp.
tim, din statisticile oficiale, c
media accidentelor n Romnia
este de, s spunem, 1,5 accidente
anual. Ipoteza nul a acestui
studiu susine c nu exist nicio
diferen semnificativ ntre
media accidentelor comise de
femei i media accidentelor din
Romnia, ntr-un an. Desigur,
testul statistic adecvat pentru a
verifica aceast ipotez este testul t Student pentru un singur eantion. Aa-
Figura 2.9 Fereastra de configurare a testului t
Student pentru un singur eantion

269

dar, vom transfera variabila continu Numr de accidente n lista Test
Variable(s) iar n caseta de text Test Value vom include valoarea cu care
dorim s efectum comparaia n situaia de fa valoarea 1,5 care reprezin-
t media anual a accidentelor din Romnia.
Butonul Options conine modalitatea de tratare a cazurilor lips i
stabilirea intervalului de ncredere (implicit 95%), fiind descris n detaliu
ntr-un capitol anterior.

Rezultatele acestei analize sunt sintetizate n dou tabele. Primul tabel
conine statistici descriptive. Aflm numrul total al subiecilor analizai (31),
media accidentelor comise de ctre femei (2,10 accidente) eroarea standard a
mediei (0,348 accidente) i abaterea standard (1,93 accidente).
Al doilea tabel prezint statisticile rezultate n urma testului t Student
pentru un singur eantion. Astfel, se prezint valoarea cu care s-a realizat
comparaia (1,5 accidente), valoarea testului t (1,714), numrul gradelor de
libertate (30), semnificaia (0,097), diferena dintre media scorurilor eantio-
nului i valoarea cu care s-a realizat comparaia (0,597), precum i intervalul
de ncredere a acestei diferene (ntre -0,11 i 1,31).
Tabelul 2.33 Rezultatele testului t Student pentru un singur eantion
One-Sample Statistics
N Mean Std. Deviation Std. Error Mean
Numar de accidente 31 2,10 1,938 ,348
One-Sample Test
Test Value = 1.5

t df Sig. (2-tailed)
Mean
Difference
95% Confidence Interval of
the Difference
Lower Upper
Numar de accidente 1,714 30 ,097 ,597 -,11 1,31

270

Concluzia este clar. Testul t Student pentru un eantion nu este sem-
nificativ, valoarea semnificaiei sale depind valoarea prag 0,05. Prin urma-
re, nu putem respinge ipoteza nul. Aadar, nu exist nicio diferen semnifi-
cativ ntre media accidentelor comise de ctre femei i media anual a acci-
dentelor din Romnia.
Urmtoarea problem pe
care ne-o punem se refer la soli-
citarea pe care v-am fcut-o la
finalul subcapitolului anterior. S
verificm dac exist diferene
semnificative ntre blonde i bru-
nete sub aspectul numrului de
accidente comise ntr-un an, dup
ce au efectuat cele 10 ore supli-
mentare de curs. Ipoteza nul sus-
ine c nu exist nicio diferen semnificativ ntre blonde i brunete din acest
punct de vedere. De aceast dat nu vom mai aborda problema la nivel nepa-
rametric ci la nivelul testelor parametrice. Mai precis, vom folosi testul t Stu-
dent pentru eantioane independente.
Fereastra de configurare seamn frapant cu cea a testelor neparame-
trice de tipul eantioanelor independente
(Mann-Whitney U). Vom transfera variabila
dependent Numr de accidente dup curs
n lista Test Variable(s) i variabila inde-
pendent Culoarea prului n lista Group-
ing Variable. Urmeaz definirea grupurilor,
la fel ca la testele neparametrice. Blondele au
fost codate cu cifra 1, aadar vor forma primul
grup, iar brunetele au fost codate cu cifra 2, constituind al doilea grup. Am
t Student pentru eantioane independente
Figura 2.11 Definirea grupurilor
pentru testul t Student

271

folosit, n acest caz, opiunea Use specified values care ne permite introdu-
cerea precis a valorilor dintr-o variabil discret. n cazul n care am fi folo-
sit o variabil continu, exist posibilitatea transformrii acesteia ntr-una
discret alegnd opiunea Cut point. Aceast opiune funcioneaz la fel ca
i n cazul testelor neparametrice, unde a fost detaliat i exemplificat.
Tabelul 2.34 Rezultatele testului t Student pentru dou eantioane independente
Group Statistics
Culoarea
parului
Numar accidente dupa cursuri Blond 12 1,00 1,128 ,326
Brunet 19 1,26 1,147 ,263
Independent Samples Test
Levene's Test
for Equality of
Variances
t-test for Equality of Means

95% Confi-
dence Interval
of the Differ-
ence

F Sig. t df
Sig. (2-
tailed)
Mean
Difference
Std. Error
Difference
Lower Upper
Numar
acci-
dente
dupa
cursuri
Equal
variances
assumed
2,005 ,167 -,626 29 ,536 -,263 ,420 -1,123 ,597
Equal
variances
not as-
sumed

-,629 23,843 ,536 -,263 ,419 -1,128 ,601
Tabelele generate de acest test sunt ceva mai complexe. Regsim ta-
belul statisticilor descriptive, n care, pentru fiecare grup, sunt prezentate
numrul de cazuri, mediile, abaterile standard i erorile standard ale mediilor.
Astfel, avem un numr de 12 blonde, media accidentelor acestora dup cur-
suri este de 1 cu o abatere standard de 1,12 accidente i o eroare standard a
mediei de 0,32 accidente, precum i un numr de 19 brunete, avnd o medie a

272

accidentelor de 1,26 cu abaterea standard de 1,14 i eroarea standard a mediei
0,26 accidente.
Tabelul rezultatelor testului statistic este asemntor cu cel al testului
t pentru un singur eantion. n plus, apar datele generate de testul Levene al
egalitii varianelor. De asemenea, observm c ni se prezint dou seturi de
rezultate: unul n cazul n care varianele sunt egale (primul rnd) i cellalt
pentru variane inegale (al doilea rnd). Care dintre cele dou seturi de date
vor fi folosite? Ei bine, utilizarea acestora depinde de rezultatul testului de
egalitate a varianelor. Ne
amintim c testul Levene
pleac de la ipoteza nul
conform creia varianele
sunt egale. Dac acest test
nu este semnificativ,
atunci nu respingem ipo-
teza nul i acceptm fap-
tul c varianele sunt ega-
le. n acest caz, vom folosi
primul set de date. Dac
testul este semnificativ, atunci vom respinge ipoteza nul, varianele nu sunt
egale i utilizm al doilea set de date. n situaia noastr, testul nu este semni-
ficativ (F=2,005; p=0,167), deci varianele sunt egale.
n primul set de date, observm c testul statistic t Student pentru
eantioane independente nu este semnificativ (p=0,536). Aadar, ipoteza nul
nu poate fi respins i rezult c nu exist nicio diferen semnificativ ntre
blonde i brunete din punctul de vedere al numrului de accidente comise
ntr-un an, dup cursul de 10 ore.
Ultimul test studiat n cadrul acestui capitol are n vedere compararea
accidentelor comise nainte de curs, cu accidentele comise dup curs, ntr-o
Figura 2.12 Fereastra de configurare a testului t Student
pentru eantioane perechi

273

manier similar testelor neparametrice. De altfel, se poate observa c fereas-
tra de configurare a testului t Student pentru eantioane perechi arat la fel ca
fereastra de configurare a testelor neparametrice pentru aceleai eantioane.
Nu intrm n detalii. Vom construi perechea format din cele dou va-
riabile numr de accidente nainte de curs i numr de accidente dup curs,
apoi apsm butonul OK pentru a porni analiza statistic.
Tabelul 2.35 Rezultatele testului t Student pentru dou eantioane perechi
Paired Samples Statistics

Mean N Std. Deviation
Std. Error
Mean
Pair 1 Numar de accidente 2,10 31 1,938 ,348
Numar accidente dupa cursuri 1,16 31 1,128 ,203
Paired Samples Correlations
N Correlation Sig.
Pair 1 Numar de accidente & Numar accidente dupa
cursuri
31 ,663 ,000
Paired Samples Test
Paired Differences
t df
Sig. (2-
tailed)

Mean
Std.
Deviation
Std. Error
Mean
95% Confidence
Interval of the
Difference
Lower Upper
Pair 1 Numar de acciden-
te - Numar acciden-
te dupa cursuri
,935 1,459 ,262 ,400 1,471 3,570 30 ,001

De aceast dat, rezultatele se prezint sub forma a trei tabele. n pri-
mul tabel sunt afiate statisticile descriptive. Media anual a accidentelor
nainte de curs este de 2,10 accidente, cu o abatere standard de 1,93 accidente
i o eroare standard a mediei de 0,34 accidente. Dup curs, media anual a
accidentelor se reduce la 1,16, cu o abatere standard de 1,12 i o eroare stan-
dard a mediei de 0,20. Desigur, ideea central a testului este dac aceast
reducere a numrului de accidente poate fi considerat semnificativ.

274

ntr-adevr, n ultimul tabel, constatm c diferena este semnificati-
v. Putem aadar respinge ipoteza nul conform creia nu exist niciun efect
al cursurilor asupra numrului de accidente comise. Iat c exist o diferen
semnificativ ntre numrul de accidente comise nainte de curs i numrul de
accidente comise dup curs (t
(30)
=3,54; p<0,01), n sensul c, dup efectuarea
celor 10 ore de curs, numrul de accidente anuale a sczut semnificativ.
Al doilea tabel conine un coeficient de corelaie. M vei ntreba
ce treab are coeficientul de corelaie ntr-un test statistic. Acesta urmrete
pstrarea ierarhiei datelor. Cu alte cuvinte, un coeficient de corelaie semnifi-
cativ i pozitiv ne spune c subiecii care iniial aveau scoruri mici, n final
vor avea tot scoruri mici; cei care iniial aveau scoruri mari, n final vor avea
tot scoruri mari, cu toate c exist diferene semnificative ntre situaia iniia-
l i cea final. Coeficientul de corelaie semnificativ i negativ ne arat c
subiecii care iniial aveau scoruri mici au obinut n final scoruri mari i in-
vers. Dac acest coeficient nu este semnificativ, nseamn c ierarhia iniial
a scorurilor nu se mai pstreaz.
n exemplul nostru, avem un coeficient de corelaie semnificativ i
pozitiv. Acest lucru arat c, dei n final subiecii au fcut mai puine acci-
dente ca urmare a participrii acestora la curs, totui cei care nainte fceau
puine accidente, n final vor face i mai puine; cei care iniial au fcut foarte
multe accidente, n final vor face tot multe accidente, cu toate c accidentele
n final sunt totui mai puine n comparaie cu situaia iniial.
II.6.3 Analiza normalitii i a scorurilor aberante
n partea teoretic a acestui capitol am
vzut cteva procedee statistice de analiz a
normalitii i a scorurilor aberante. De aseme-
nea, n subcapitolul destinat testelor neparame-
trice, am studiat testul Kolmogorov-Smirnov
Figura 2.13 Lansarea analizei
pentru normalitate

275

pentru un singur eantion i am observat maniera n care acest test se poate
folosi pentru a analiza normalitatea unei distribuii empirice de date.
n cadrul acestui subcapi-
tol vom vedea i alte variante prin
care putem decide dac o distribu-
ie este sau nu este normal i/sau
dac ne confruntm cu scoruri
extreme.
Foarte multe dintre infor-
maiile prezentate aici au fost deja
detaliate n lucrri anterioare, lu-
crri dedicate statisticilor
univariate. Nu vom relua acele
explicaii, deoarece consider c sunt cunoscute. Vom insista doar asupra par-
ticularitilor care in de analiza normalitii i a scorurilor aberante prin
prisma testelor statistice.
Procedeele de analiz pot fi lansate din
meniul Descriptive Statistics, opiunea Ex-
plore.
n mod normal, aceast fereastr ar tre-
bui s v fie foarte bine cunoscut. n lista
Dependent list vom include variabila pe care
dorim s o analizm. De asemenea, comunicm
programului s afieze att statisticile, ct i
graficele, prin alegerea opiunii Both din
cadrul seciunii Display.
n vederea configurrii opiunilor de analiz, vom apsa butonul
Plots. Vom vedea fereastra din figura 2.15, n care regsim mai multe
Figura 2.14 Fereastra de configurare a statisti-
cilor exploratorii
Figura 2.15 Opiuni de analiz
pentru normalitate

276

elemente. Pe unele le cunoatei (cum ar fi cele din seciunile Descriptive
i Boxplots), n timp ce altele necesit unele clarificri.
Caseta Normality plots with tests va afia graficele pentru probabi-
litatea teoretic a distribuiei normale i pentru tendinele datelor empirice
ctre distribuia normal teoretic (distribuia z). De asemenea, se vor afia
rezultatele testelor de normalitate Kolmogorov-Smirnov i Shapiro-Wilks,
testul Kolmogorov-Smirnov fiind ajustat prin procedura de corecie a semni-
ficaiei Lilliefors.
Alturi de bifarea graficelor descriptive, vom alege i afiarea grafice-
lor i a testelor de normalitate.
Tabelul 2.36 Statistici descriptive
Cases
Valid Missing Total
N Percent N Percent N Percent
Numar accidente dupa cursuri 31 100,0% 0 ,0% 31 100,0%
Descriptives
Statistic Std. Error
cursuri
Mean 1,16 ,203
95% Confidence Interval for
Mean
Lower Bound ,75
Upper Bound 1,58
5% Trimmed Mean 1,09
Median 1,00
Variance 1,273
Std. Deviation 1,128
Minimum 0
Maximum 4
Range 4
Interquartile Range 2
Skewness ,704 ,421
Kurtosis -,242 ,821

277

Primele dou tabele furnizeaz statisticile descriptive univariate. Al-
turi de numrul de cazuri, ntlnim media i intervalul de ncredere al mediei,
media 5% trim, mediana,
variana i abaterea stan-
dard, amplitudinea de vari-
aie, valorile minime i
maxime, intervalul
intercuartil, coeficienii de
simetrie i boltire. Pentru detalii despre aceti indicatori, consultai lucrarea
anterioar dedicat statisticilor univariate.
Urmtorul tabel este acela al testelor
de normalitate. Avem att valorile pentru
Kolmogorov-Smirnov, ct i valorile pentru
Shapiro-Wilk.
Se observ cu uurin c ambele tes-
te sunt semnificative. Aadar, respingem
ipoteza nul conform creia nu exist nicio
diferen ntre distribuia empiric i distribu-
ia teoretic normal. Iat c, scorurile pentru
variabila Numr de accidente dup cur-
suri nu prezint o distribuie normal.
Acest lucru devine evident dac analizm
coeficientul de simetrie Skewness. Vom
constata o asimetrie pozitiv, o tendin
ctre valori mici, fapt mai mult dect clar
din analiza histogramei.
Desigur, n asemenea situaii nu
am putea folosi testele parametrice, aa
cum am procedat n acest capitol, fr o
Tabelul 2.37 Teste de normalitate
Tests of Normality
Kolmogorov-Smirnov
a
Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Numar acciden-
te dupa cursuri
,203 31 ,002 ,862 31 ,001
a. Lilliefors Significance Correction
Figura 2.16 Histograma distribuiei
pentru variabila studiat
Figura 2.17 Graficul boxplot al
distribuiei pentru variabila studiat

278

normalizare a datelor. Dac nu dorim normalizarea datelor, singura alternati-
v pe care o avem este cea a testelor neparametrice.
Aceleai tendine se pot observa i n graficul boxplot din figura 2.17.
Putei remarca modul n care datele se concentreaz n zona scorurilor mici
(cutia), n timp ce una dintre musti determin asimetria pozitiv.
Din fericire, nu exist scoruri aberante. Graficul nu remarc asemenea
valori dincolo de limita mustilor.
Programul SPSS ne prezint i dou grafice prin intermediul crora se
compar distribuia datelor
empirice cu distribuia teore-
tic normal.
Primul grafic Numit
Normal Q-Q Plot
traseaz dreapta probabiliti-
lor distribuiei normale i
prezint modul n care cate-
goriile variabilei analizate se
abat de la distribuia normal.
n figura 2.18 se poate
observa c pentru scoruri
mici (scoruri de la 0 la 2),
abaterile de la distribuia normal nu sunt semnificative. n zona scorurilor
mici, distribuia empiric respect caracteristicile distribuiei normale. Pro-
bleme apar n zona scorurilor mari (scoruri peste valoarea 2).
Categoriile cu valori mari se abat n sens negativ de la distribuia
normal. Prin urmare, pentru ca datele s se distribuie normal, ar trebui ca
scorurile mari s aib valori mult mai mici n comparaie cu cele actuale.
Figura 2.18 Graficul Q-Q Plot al distribuiei pentru vari-
abila studiat

279

Acest lucru nu ne spune dect c distribuia este asimetric pozitiv,
fapt pe care l cunoteam deja.
Al doilea grafic furnizat de SPSS compar distribuia z (distribuie cu
media 0 i abaterea stan-
dard 1) cu distribuia empi-
ric, n termeni de abateri
standard.
Se observ n figura
2.19 dreapta distribuiei z i
modul n care se abat cate-
goriile variabilei studiate de
la aceasta. Lucrurile sunt
mult mai clare n acest caz.
Tendinele sunt aceleai.
Scorurile mici se apropie
de distribuia normal, n timp
ce scorurile mari sunt puternic distanate. Totui nu avem de a face cu scoruri
extreme, deoarece nicio valoare nu depete o abatere standard n jurul me-
diei.
Iat i abordarea profesionist a analizei normalitii unei distribuii,
inclusiv tratarea scorurilor extreme.
Nu vom ncheia acest capitol nainte de a v furniza aa cum v-am
obinuit un exemplu profesional de analiz i interpretare a unui test statis-
tic. Ne vom rezuma la testele parametrice, deoarece acestea sunt cele mai
folosite, menionnd c analiza testelor neparametrice se face dup un algo-
ritm asemntor.

Figura 2.19 Graficul Q-Q Plot al distribuiei pentru
variabila studiat, n raport cu distribuia z

280

ntr-o cercetare efectuat pe un numr de 62 de deinui, femei i
brbai, s-a urmrit investigarea emotivitii. n acest sens, s-a administrat
inventarul de personalitate 16 PF, reinndu-se doar factorul de personalita-
te C. Ipoteza nul susine c nu exist nicio diferen ntre brbai i femei
sub aspectul emotivitii. Deoarece scorurile variabilei Factorul C se dis-
tribuie normal, analiza va folosi testul t Student pentru eantioane indepen-
dente.
Group Statistics
Genul biologic
al subiectilor
Factorul C Masculin 32 5,98 1,369 ,214
Feminin 30 7,60 1,639 ,423

Independent Samples Test
Levene's Test
for Equality of
Variances
t-test for Equality of Means

95% Confidence
Interval of the
Difference

F Sig. t df
Sig. (2-
tailed)
Mean
Difference
Std. Error
Difference
Lower Upper
Factorul C Equal variances
assumed
1,696 ,198 -3,728 60 ,000 -1,624 ,436 -2,498 -,751
Equal variances
not assumed

-3,426 27,570 ,002 -1,624 ,474 -2,609 -,640

Statisticile de grup indic un numr de 32 de deinui i 30 de deinu-
te. Media brbailor la factorul emotivitate este de 5,98, cu o eroare stan-
dard a mediei de 0,21 i o abatere standard de 1,36. n cazul femeilor, media
la factorul emotivitate este de 7,60, cu o eroare standard a mediei de 0,423 i
o abatere standard a scorurilor de 1,63.

281

Conform testului Levene de egalitate a varianelor, varianele celor
dou grupuri studiate sunt egale, deoarece testul este nesemnificativ
(F=1,69; p=0,198), prin
urmare nu putem respinge
ipoteza nul conform creia
varianele scorurilor celor
dou eantioane sunt egale.
n aceste condiii,
constatm existena unei
diferene semnificative ntre
brbai i femei sub aspectul
emotivitii (t
(60)
=3,728;
p<0,01), n sensul c emotivitatea femeilor este semnificativ mai mare n
comparaie cu emotivitatea brbailor (m
femei
=7,60 > m
brbai
=5,98), aa cum
rezult i din graficul ataat.
Astfel, vom respinge ipoteza nul conform creia nu exist diferene
semnificative ntre brbai i femei sub aspectul emotivitii i vom susine
ipoteza alternativ. ntr-adevr, diferena dintre brbai i femei din punctul
de vedere al variabilei studiate exist i este semnificativ.
Efectul exercitat de variabila independent gen biologic asupra
variabilei dependente emotivitate este un efect puternic (r
2
=0,188), testul
fiind semnificativ att statistic, ct i din punctul de vedere al utilitii prac-
tice. Efectul se manifest n sensul testului statistic, susinnd ipoteza alter-
nativ propus. Astfel, 18,8% din variana emotivitii se poate explica prin
genul biologic, aspect care confirm teoria dup care emotivitatea femeilor
este mai mare n comparaie cu cea a brbailor, chiar i n mediul peniten-
ciar.

282

Iat o demonstraie statistic realizat complet i profesional. Desigur,
mai este loc. Am putea completa rezultatele cu puterea cercetrii pentru a
avea o imagine definitiv asupra acestei analize. Oricum, printr-un asemenea
demers nu v putei face de rs la nicio conferin din ar ori din strintate.

n concluzie:
Extinderea cunotinelor dobndite n urma studierii unui eantion la nivelul ntre-
gii populaii, face parte din domeniul statisticilor infereniale. Orice cercetare tiin-
ific are la baz un plan (design) de cercetare;
Un design de cercetare este un plan care permite atribuirea subiecilor n diferite
condiii experimentale, mpreun cu modalitile de analiz ale datelor rezultate.
Planurile de cercetare pot fi de baz sau complexe. Planurile de cercetare comple-
xe deriv din combinaiile planurilor de cercetare de baz;
Planurile de cercetare de baz sunt: designul complet aleatoriu (CR-p), designul
aleatoriu cu blocuri (RB-p) i designul ptratelor latine (LS-p);
Testele statistice neparametrice se aplic atunci cnd datele sunt situate la un nivel
de msur neparametric sau cnd datele sunt parametrice, ns nu este ndeplinit
condiia distribuiei normale;
Principalele teste neparametrice sunt: testul diferenelor dintre frecvene
2
, testul
medianei pentru eantioane independente, testul Mann-Whitney U pentru eantioa-
ne independente, testul iteraiilor Wald-Wolfowitz (Runs), testul semnelor pentru
eantioane dependente, testul Wilcoxon;
Principalele teste parametrice sunt: testele pentru un singur eantion, teste pentru
dou eantioane independente i teste pentru dou eantioane perechi;
Exist i teste specifice, testele de depistare a unor valori aberante i testele de
comparare a distribuiei empirice cu o distribuie teoretic, n general distribuia
normal;
La interpretarea unui test statistic se ine cont de pragul de semnificaie, valoarea
testului, semnul testului i mrimea efectului;
Creterea puterii unei cercetri tiinifice se poate realiza prin msuri care in de:
designul cercetrii, msurtorile efectuate n cadrul cercetrii i metodele statistice
folosite.


283

I II II I. . A AN NA AL LI IZ ZA A F FI ID DE EL LI IT T I II I
Conceptul de fidelitate i validitate;
Tehnicile i metodele de calcul ale fidelitii;
Modalitatea de alegere a metodei de analiz a fi-
delitii;
Relevana i strategiile de calcul ale fidelit-
ii;
neleag principiile generale i utilitatea fide-
litii i a validitii;
Calculeze coeficienii de fidelitate, n funcie
de specificul cercetrii;
Analizeze i s interpreteze elementele specifice
de studiu ale fidelitii;
Utilizeze SPSS n calculul coeficienilor de fide-
litate.

Stimate doamne, domnioare i domni, fidelitatea, n aceast accepi-
une, nu este ceea ce credei. Nu se refer la fidelitatea partenerului sau la cea
a partenerei, ci vizeaz un cu totul alt concept. Cei dintre dumneavoastr,
care urmeaz sau au urmat cursurile unei faculti de psihologie, i mai
amintesc probabil comarul teoretic al validitii i fidelitii din cadrul disci-
plinelor psihodiagnostic i metodologia elaborrii instrumentelor psiholo-
gice. Fii linitii, deoarece nu doresc s detaliez aceste elemente aici. To-
tui, se impun anumite precizri.
Atunci cnd ne gndim la validitatea unui instrument de cercetare sau
la cea a unuia de diagnostic, avem n vedere faptul c itemii acelui instrument
reuesc s msoare, ntr-adevr, ceea ce-i propun s msoare. Fidelitatea, pe
de alt parte, pleac de la supoziia c itemii deja msoar dimensiunea in-
vestigat i ncearc s determine ct de precis, ct de fiabil se msoar acest
lucru. Vom clarifica imediat definiiile prin cteva exemple. M vei ntreba,

284

desigur, pentru ce avem nevoie de studiul acestor elemente? Cred c v mai
amintii caracteristicile msurrii n tiinele socio-umane. tii, desigur, c
aceasta are un caracter subiectiv i c nu se poate compara cu msurarea din
lumea fizic. Deoarece nu putem msura direct fenomenele sociale, ci prin
intermediul unor indicatori observabili, indicatori care doar presupunem c ar
avea legtur cu fenomenul investigat, apare fireasc ntrebarea cu privire la
modul n care aceti indicatori chiar reprezint fenomenul studiat i, de ase-
menea, ct de precis l reprezint. Aceasta este, de fapt, problema validitii i
cea a fidelitii.
Deseori aud, chiar printre profesionitii cu experien, ntrebarea dar
testul acela a fost validat pe populaia romneasc?, ntrebare care nu sinte-
tizeaz tocmai exact conceptul pe care-l vizeaz. n mod corect, nu ar trebui
s se vorbeasc despre validare, ci despre adaptare, presupunnd c vorbim
despre un instrument de diagnostic din import. tim, deja, c verificarea vali-
ditii validarea, cum o numesc unii este doar o etap n procesul de adap-
tare. n mod normal, adaptarea unui instrument debuteaz cu traduceri i re-
troversiuni multiple ale itemilor, pentru a se asigura specificul cultural al po-
pulaiei, se continu apoi cu asigurarea validitii, n multiple forme, nce-
pnd cu cea teoretic, de construct, apoi validitatea de coninut, cea concu-
rent i predictiv, se studiaz fidelitatea, i, la sfrit, se asigur etalonarea.
Termenul de validare pe populaia romneasc este inadecvat, ca s nu mai
vorbim de cei care folosesc pentru adaptarea unui instrument, termenul de
etalonare. Adic, este etalonat pe populaia romneasc, sau nu? Nu v
amuzai prea tare, exist i asemenea specialiti, la care nivelul cunotine-
lor de construcie a instrumentelor de psihodiagnostic se rezum doar la eta-
lon. Nu ne mai mirm c acetia folosesc teste depite de zeci de ani, sau,
mai simplu, dau un aviz psihologic n baza unei discuii de trei minute.
Doar testul e test, nu-i aa? Ce, un test psihologic are termen de garan-
ie??!!

285

Pe scurt, un instrument de cercetare sau unul de diagnostic pentru care
nu exist studii serioase de validitate i de fidelitate, este un instrument pe ct
de inutil, pe att de periculos, deoarece, n baza rezultatelor obinute, se pot
lua decizii complet false.
S presupunem c dorii s investigai anxietatea colegilor de serviciu,
iar pentru aceasta vei construi un chestionar. Putei s msurai anxietatea
direct? Desigur, nu! Anxietatea nu se msoar n metri sau n kilograme, ci
prin intermediul unor ntrebri, care vizeaz comportamente asociate cu
aceast dimensiune. S presupunem c ai inclus n chestionar urmtoarele
ntrebri, la care subiectul va rspunde prin Da sau Nu:
Mncai pine n fiecare zi?
Obinuii s v plimbai prin parc cel puin o dat pe sptm-
n?
V place s citii cri de aventuri?
Credei c un chestionar care conine ntrebri similare cu cele de mai
sus msoar anxietatea? Rspunsul este extrem de simplu. Evident c nu! Ce
treab are mncatul pinii sau plimbarea prin parc cu anxietatea Alta ar fi
situaia n care am dispune de ntrebri precum:
Avei uneori o stare de team inexplicabil, fr obiect?
Atunci cnd v cheam eful, v ngrijorai i v este fric de-
oarece credei c ai fcut ceva ru?
Atunci cnd avei de rezolvat o sarcin, ntr-un timp scurt, v
agitai i credei c nu o vei putea duce la bun sfrit?
Dac subiectul rspunde afirmativ la aceste trei ntrebri, atunci com-
portamentul su poate fi suspectat de anxietate. Iat, pe scurt, modalitatea de
prezentare a validitii. Dac primul set de ntrebri este invalid, iar itemii nu

286

au nimic n comun cu anxietatea, al doilea set poate fi considerat valid, ace-
tia fiind puternic saturai n dimensiunea investigat.
Relaia dintre validitate i fidelitate poate fi foarte uor neleas dac
apelm la un exemplu. S presupunem c instrumentul de diagnostic sau cel
de cercetare este asimilat unui trgtor cu pistolul
5
. Situaia trgtorilor din
punctul de vedere al validitii i fidelitii poate fi prezentat n figura 3.1.

n prima figur (a) vom avea un instrument valid i fidel. Trgtorul
nu numai c a ochit grupat (fidel), ns a atins i obiectivul urmrit, centrul
intei (valid). Figura (b) reprezint situaia unui instrument valid, ns cu pro-
bleme referitoare la fidelitate. Trgtorul i-a concentrat loviturile spre mijlo-
cul intei, spre obiectivul urmrit (valid) ns nu a tras prea grupat (nefidel).
Figura (c) reprezint un instrument fidel, ns invalid. Dei trgtorul a gru-
pat foarte bine loviturile (fidel), totui este departe de centrul intei, de obiec-
tivul urmrit (invalid). n sfrit, figura (d) este expresia unui instrument i
invalid i infidel. Imaginea nu necesit comentarii. Trgtorul nu numai c nu
reuete s ating obiectivul (invalid), mai mult, loviturile nici mcar nu sunt
grupate (nefidel).

5
Exemplul nu-mi aparine n totalitate. A fost citit sau mi s-a povestit de ctre Florin Sava.
Din nefericire, nu am sursa s-l pot cita, ns mi fac datoria de onoare s menionez acest
lucru.
a
a
a
a b c d
Figura 3.1 Relaia dintre validitate i fidelitate

287

Ce se ntmpl, ns, din punct de vedere statistic? Orice cercetare
efectuat, va fi afectat de dou surse de eroare: erori aleatorii i erori nealea-
torii (sistematice).
Erorile aleatorii reprezint influene ale factorilor externi care pot
afecta msurtorile. Nici mcar n lumea fizic msurtorile nu sunt scutite
de asemenea erori. Dac msurm un obiect la o temperatur de 45 de grade
Celsius, vom obine o valoare, diferit de valoarea obinut la msurarea ace-
luiai obiect la -10 grade Celsius. Mai mult, n domeniul socio-uman pot in-
terveni o mulime de factori externi care s afecteze rspunsurile subiecilor
i, deci, msurtoarea. Vremea de afar, genul biologic al cercettorului sau
modul n care acesta s-a mbrcat, faptul c subiectul s-a certat cu soia sau
cu soacra, faptul c nu a dormit noaptea sau c l strnge un pantof sunt tot
attea surse externe de influen care pot genera erori aleatorii i care pot
influena msurtorile. Din nefericire, asemenea erori apar fie c vrem fie c
nu vrem i de multe ori sunt aproape imposibil de controlat. Este cunoscut
faptul c influena acestor erori coreleaz negativ cu gradul de fidelitate al
unui instrument de cercetare. Cu ct influena erorilor aleatorii este mai mare,
cu att instrumentul este mai puin fidel, reciproca fiind, de asemenea, valabi-
l. Un instrument are un grad ridicat de fidelitate, dac aplicat acelorai sub-
ieci, n condiii variate, conduce la aceleai rspunsuri sau la rspunsuri foar-
te apropiate.
Erorile nealeatorii, numite i erori sistematice, au un caracter con-
stant i sunt legate, de cele mai multe ori, de instrumentul de cercetare. De
exemplu, dac avei un ceas care merge cu 10 minute nainte, aceast diferen-
dintre ora exact i ora indicat de ceas reprezint o eroare sistematic. La
fel, un termometru care arat cu 20 de grade mai puin dect temperatura rea-
l este un termometru invalid. Iat c am ajuns i la esena problemei. Dup
cum ai constatat deja, controlul erorilor sistematice ine de validitatea unui

288

instrument (revedei figura cu inta), n timp ce minimizarea influenei erori-
lor aleatorii reprezint o problem de fidelitate.
Nu intenionez s susin aici o prelegere referitoare la aceste dou
concepte, deoarece fac parte dintr-o alt disciplin. Se pare c m-a cam luat
valul i nu m-am putut abine s nu ncerc s lmuresc aceste lucruri. De
fapt, de buna lor nelegere depinde nsuirea tehnicilor de analiz ale fidelit-
ii. Ct despre validitate, o parte dintre instrumentele menite s o asigure va fi
discutat cu alt ocazie.
III.1 Metode de analiz a fidelitii
n condiiile n care orice msurtoare este supus erorilor aleatorii,
nseamn c niciodat nu putem afla exact valoarea unui indicator. Conform
teoriei clasice a testului, un rezultat obinut conine scorul real i suma erori-
lor aleatorii. Probabil c formula X = t + e nu reprezint o noutate pentru
dumneavoastr. Aceasta este, de fapt, expresia matematic a afirmaiei de
mai sus. Dac vei lua un test de inteligen i l vei efectua, n fiecare zi,
timp de 10 zile, vei observa c nu ajungei, de fiecare dat, la acelai rezul-
tat. Acest lucru nu se ntmpl din cauz c inteligena dumneavoastr fluctu-
eaz, ci din cauza efectului exercitat de erorile aleatorii. Practic, valoarea t
din expresia de mai sus este constant. Nu cred c este probabil ca inteligena
dumneavoastr s fluctueze de la o zi la alta, ns este foarte probabil ca ntr-
o zi s v simii mai obosit, fr chef, ori s v fi zgriat pisica DVD-ul pre-
ferat, iar n alt zi s v putei concentra mai bine, s fii plin de energie. St-
rile dumneavoastr interne pot influena scorul observat (X), de la o zi la alta.
Dac inteligena este constant n aceast perioad de timp, ns scorul ob-
servat se modific, putei identifica sursa acestor fluctuaii? Desigur, ai rs-
puns corect! ntr-adevr, sursa variaiilor scorului observat nu este dat de
inteligen ci de erorile aleatorii, elementul e din expresia anterioar.

289

n realitate, scorul real (t) nu poate fi niciodat cunoscut. Nu vei
putea ti vreodat, absolut exact, ce cantitate de inteligen avei. Acesta
este un indicator ipotetic, imposibil de observat i de msurat direct. Poate,
doar n condiiile n care ai efectua testul de inteligen vreo 50 de ani, n
fiecare zi, iar apoi ai face media tuturor rezultatelor obinute, ar rezulta o
msur foarte apropiat de scorul real (conform teoremei limitei centrale),
ns nu vom uita c i inteligena este afectat de timp.
Totui, dac singura surs de variaie a scorului real este reprezentat
de erorile aleatorii, nseamn c vor exista zile n care scorul dumneavoastr
observat va fi mai mare dect scorul real, dup cum vor fi evaluri n care
scorul observat se va situa sub cel real. Acest lucru ne spune, de fapt, c sco-
rurile observate situate peste valoarea scorului real vor anula, n cele din ur-
m, scorurile situate sub scorul real. Cu alte cuvinte, la un numr suficient de
mare de evaluri, erorile aleatorii tind s fie nule.
Sintetiznd, vom considera urmtoarele asumpii referitoare la ecuaia
fundamental a teoriei clasice a testului (Carmines, i alii, 1979):
Media erorilor aleatorii tinde spre zero, deoarece erorile care
determin situarea scorului observat peste scorul real compen-
seaz erorile care determin situarea scorului observat sub sco-
rul real;
Din acelai motiv, corelaia dintre scorul real i erorile aleato-
rii tinde spre zero, cele dou variabile fiind independente;
Corelaia dintre erorile aleatorii, la diferite msurtori, va fi,
de asemenea zero, erorile aleatorii exercitnd efecte indepen-
dente.
Plecnd de la aceste asumpii de baz, care, desigur, au i o demon-
straie matematic pertinent, putem ajunge la concluzia c vom reui s
aflm scorul real, dac evalum o persoan de foarte multe ori cu acelai in-

290

strument. ns, acest lucru nu este posibil din mai multe motive. Nu cred c
vom gsi o asemenea persoan disponibil, i apoi intervin factorii de memo-
rie i ali factori care pot influena rezultatele, prin noi erori aleatorii. n acest
caz, renunm la a evalua o singur persoan i evalum, cu acelai instru-
ment, un grup de persoane. Intuii deja c fundamentul teoretic de mai sus se
poate aplica i n aceast situaie. Nu intrm n detalii i n demonstraii. Cei
care doresc mai multe informaii, pot consulta literatura de specialitate. O
prezentare excelent a acestor elemente este realizat de ctre Carmines i
Zeller (Carmines, i alii, 1979) n lucrarea lor. n linii mari, aceasta este
logica evalurii fidelitii. La un numr suficient de mare de persoane evalua-
te cu acelai instrument, erorile aleatorii se compenseaz reciproc i putem
avea msura fidelitii scorului real. Repet, problema nu se refer la aflarea
scorului real, ci la analiza fidelitii unui instrument de msur, a stabilitii
sale. Dac ceea ce fluctueaz sunt erorile aleatorii, atunci, identificnd ceva
stabil, acel lucru trebuie s fie scorul real.
n practic, exist mai multe metode prin care putem evalua fidelitatea
unui instrument: metoda test-retest, metoda formelor paralele, metoda nju-
mtirii, metoda acordului ntre evaluatori i metoda consistenei interne. Le
vom analiza pe fiecare n parte.
III.1.1 Metoda test-retest
Se refer la analiza stabilitii n timp a rezultatelor i presupune ad-
ministrarea instrumentului unui grup de subieci, colectarea rezultatelor i
apoi administrarea aceluiai instrument, aceluiai grup de subieci, dup un
interval de timp. Rezultatele obinute la cele dou evaluri sunt apoi corelate,
coeficientul numindu-se coeficient de fidelitate test-retest sau coeficient de
stabilitate, deoarece arat ct de stabile sunt rezultatele dup un interval de
timp.

291

Una dintre cele mai controversate ntrebri care se pune este cea refe-
ritoare la intervalul de timp dintre cele dou evaluri (Stan, 2002). Ei bine,
intervalul de timp depinde de stabilitatea dimensiunii msurate. Retestarea
dup un an poate fi inadecvat pentru un chestionar de opinii, acestea
putndu-se schimba ntre timp, ns poate fi perfect valabil pentru un test de
inteligen. Oricum, durata dintre cele dou evaluri nu poate fi mai mic de
3-4 sptmni. n cele mai multe cazuri, cercettorii acord un interval de 5-6
luni, considerat suficient pentru o analiz pertinent a fidelitii.
Aceast metod, dei intens folosit, nu este agreat n mod deosebit
de ctre cercettori, din cauza unor motive obiective. n primul rnd, unii nu
o consider o msur a fidelitii, ci una a stabilitii scorurilor. Apoi, dac
intervalul de timp este prea scurt, metoda nu mai estimeaz n mod real stabi-
litatea, intervenind influena memoriei i efectul de nvare. Subiecii i pot
aminti unele rspunsuri de la evaluarea trecut, fapt care biaseaz masiv ana-
liza de fidelitate. Dac intervalul de timp este prea lung, intervine efectul de
maturizare, prin care dimensiunea evaluat se modific, mai ales dac vorbim
de factori de personalitate. Mai mult dect att, subiecii tind s dea rspun-
suri la ntmplare n condiiile celei de-a doua administrri.
Ideea este c nu se poate folosi aceast metod ca metod unic de es-
timare a fidelitii, ci doar nsoit de o alt metod, de obicei de metoda con-
sistenei interne. Foarte muli consider metoda test-retest ca o form a meto-
dei njumtirii, poate i datorit faptului c procedeele statistice de calcul
sunt analoage. Din aceast cauz, nu vom prezenta aici calculul coeficientului
de fidelitate test-retest, ci l vom aborda n cadrul celei de-a doua metode
studiate.
III.1.2 Metoda njumtirii
Se mai numete metoda split-half, este mult mai precis n comparaie
cu metoda test-retest i nu mai presupune o readministrare a instrumentului

292

dup un interval de timp. Ideea de baz a metodei este aceea c, dac avem
un set de itemi care msoar o dimensiune, oricare dou subseturi din acei
itemi, msurnd aceeai dimensiune, vor corela puternic. De exemplu, dac
avem un chestionar care msoar depresia, chestionar format din 20 de ntre-
bri, dintre care, aleatoriu, formm dou chestionare de cte 10 ntrebri (lu-
m la ntmplare 10 itemi din chestionar i construim o form, ceilali 10
itemi rmai reprezentnd cealalt form), i apoi corelm cele dou chestio-
nare, ar trebui s obinem un coeficient de corelaie ridicat. Acest coeficient
poart numele de coeficient de fidelitate split-half i reprezint o msur
mai precis a fidelitii n comparaie cu cellalt indicator, coeficientul de
stabilitate.
Dac ai fost ateni, ai observat c metoda test-retest este o variant a
metodei njumtirii. Pentru test-retest se folosete ntregul instrument apli-
cat la dou intervale de timp, iar pentru split-half folosim cele dou jumti
ale instrumentului, aplicate o singur dat. Ambele metode presupun aceleai
operaii statistice, i anume corelarea celor dou administrri n cazul test-
retest i corelarea celor dou jumti pentru split-half.
Fidelitatea prin metoda split-half msoar, de fapt, echivalena celor
dou jumti de instrument. Unii autori o numesc i fidelitate a formelor
paralele sau chiar fidelitatea consistenei interne, dei aceste denumiri sunt
oarecum improprii metodei.
Att fidelitatea prin metoda test-retest, ct i cea evaluat prin metoda
njumtirii se pot analiza prin mai multe procedee statistice. Unul dintre
acestea implic obinerea coeficientului de fidelitate split-half dup formula
Spearman-Brown, numit i coeficient de predicie Spearman-Brown.

293

(formula 3.1)
unde, r
ij
reprezint coeficientul de corelaie Bravais-Pearson ntre ce-
le dou forme, iar k se refer la numrul total de itemi mprit la numrul
de itemi din fiecare form i are, n general, valoarea 2.
Aceast formul se folosete exclusiv n situaia n care utilizm me-
toda njumtirii, factorul k jucnd rolul de factor de corecie.
S presupunem c avem un chestionar cu un numr de 25 de itemi
pentru care dorim s verificm fidelitatea prin metoda njumtirii. Dintre
cei 25 de itemi, vom construi dou forme, alegerea ntrebrilor fiind absolut
aleatorie. Vor rezulta, aadar, dou forme, una coninnd 13 itemi iar cealalt
12 itemi.
Am ales intenionat un numr inegal de itemi n cele dou forme, pen-
tru a v arta modul n care se poate calcula factorul k. Pentru un plus de pre-
cizie, vom considera forma cea mai scurt, cea cu 12 itemi. Fcnd raportul
dintre numrul total al itemilor din chestionarul original i numrul de itemi
din prima jumtate, obinem 25/12=2,08. Practic, chestionarul original este
de 2,08 ori mai lung n comparaie cu aceast form. Similar, raportul pentru
forma a doua, cea cu 13 itemi devine 25/13=1,92. Aceast form este de 1,92
ori mai scurt n comparaie cu chestionarul original. Singurul element care
ne lipsete este coeficientul de corelaie dintre cele dou forme. Acest indica-
tor tii deja s-l calculai foarte bine i, s presupunem c ai obinut r= 0,87.
nlocuind n formul, vom obine un coeficient de predicie Spearman-Brown
r
SB1
= 0,93, valoare care arat o fidelitate foarte bun, cele dou forme fiind
echivalente, iar pe ansamblu chestionarul fiind fidel.


294

Dac dorim un exces de precizie, putem calcula coeficientul de pre-
dicie a fidelitii ajustat i pentru cealalt parte. Vom obine valoarea 0,92
pentru coeficientul de fidelitate split-half, diferena dintre cele dou valori
fiind foarte mic.

Acest coeficient l vom folosi doar dac analizm fidelitatea prin me-
toda split-half. n ceea ce privete semnificaia lui, majoritatea autorilor con-
sider c valorile de peste 0,80 sunt adecvate pentru o fidelitate acceptabil,
iar dac dorim un grad ridicat al fidelitii, nu vom putea accepta coeficieni
sub 0,90. Totui, pentru cercetri exploratorii i nu diagnostice, se pot lua n
considerare coeficieni de fidelitate de peste 0,60, sub aceast limit
considerndu-se instrumentul ca nefiind fidel.
Probabil c v vei ntreba de ce acest coeficient se numete coeficient
de predicie? Rspunsul const n analiza formulei. Practic, formula prezice
fidelitatea ntregului chestionar, pornind de la o form a acestuia form
pentru care s-a calculat factorul k , i n baza corelaiei dintre cele dou for-
me.
n cazul n care s-a utilizat metoda test-retest pentru calculul fidelit-
ii, formula 3.1 nu mai corespunde. Un caz particular al acestei formule este
exprimat prin relaia urmtoare:
(formula 3.2)
Este, de fapt, situaia n care am construi dou forme ale unui chestio-
nar, ambele cu acelai numr de itemi. Prin extensie, metoda se poate aplica
i n cazul formei test-retest.
S presupunem c acelai chestionar cu 25 de itemi este aplicat unui
lot de cercetare de 130 de subieci, cu readministrare peste 8 luni. Coeficien-

295

tul de corelaie dintre cele dou administrri este r= 0,79. n acest caz, fideli-
tatea test-retest va fi 0,88, artnd c instrumentul are o foarte bun stabilita-
te.

Pentru a nelege mai bine calculul acestui coeficient, vom lua exem-
plul unui chestionar cu 40 de itemi, aplicat unui numr de 10 studeni. Rezul-
tatele vor fi centralizate n tabelul 3.1. Se observ c, pentru fiecare subiect,
am inclus att scorul total obinut (la nivelul ntregului chestionar) ct i sco-
rul obinut pentru fiecare dintre cele dou jumti (forma x cu 20 de itemi i
forma y, tot cu 20 de itemi).
Primul pas este reprezentat de calculul mediilor, att pentru forma
complet a instrumentului, ct i pentru cele dou sub-forme. Media scoruri-
lor este de 31 pentru ntregul chestionar (m
tot
), 15,2 pentru prima form (m
x
)
i 15,8 pentru forma a doua (m
y
).
Tabelul 3.1 Calculul coeficientului de fidelitate split-half
Student
Scor
(40)
Forma x
(20)
Forma y
(20)
x-m
x
y-m
y
(x-m
x
)
2
(y-m
y
)
2
(x-m
x
)( y-m
y
)
A 40 20 20 4.8 4.2 23.04 17.64 20.16
B 28 15 13 -0.2 -2.8 0.04 7.84 0.56
C 35 19 16 3.8 0.2 14.44 0.04 0.76
D 38 18 20 2.8 4.2 7.84 17.64 11.76
E 22 l0 12 -5.2 -3.8 27.04 14.44 19.76
F 20 12 8 -3.2 -7.8 10.24 60.84 24.96
G 35 16 19 0.8 3.2 0.64 10.24 2.56
H 33 16 17 0.8 1.2 0.64 1.44 0.96
I 31 12 19 -3.2 3.2 10.24 10.24 -10.24
J 28 14 14 -1.2 -1.8 1.44 3.24 2.16
Media 31.0 15.2 15.8

95.60 143.60 73.40

Corelaia Bravais-Pearson se va calcula dup una dintre procedurile
expuse n primul capitol, cea prin care folosim direct formula de definiie.
Pentru aceasta v reamintim trebuie fcut diferena dintre scor i medie,
pentru fiecare dintre cele dou forme, apoi ridicm la ptrat aceste diferene

296

i, n final, le vom nmuli. Sunt, de asemenea, necesare sumele ptratelor
diferenelor, pentru fiecare variabil, precum i suma produselor diferenelor.
Toate calculele au fost realizate n tabelul 3.1, nu rmne dect s aplicm
formula de definiie a coeficientului de corelaie r Bravais-Pearson.

Avnd coeficientul de corelaie r Bravais-Pearson (0,62), restul devine
o simpl problem de aplicare a formulei Spearman-Brown n vederea obi-
nerii coeficientului de fidelitate split-half (0,76).

Coeficientul de predicie a fidelitii Spearman-Brown este foarte bun,
n condiiile n care cele dou forme au un numr egal de itemi, iar varianele
celor dou forme sunt, i ele, egale. Ai vzut deja c n cazul n care numrul
de itemi nu este egal, apar diferene ntre cei doi coeficieni de fidelitate.
Formula 3.1 poate fi folosit i n acest caz, de obicei raportndu-se coefici-
entul de fidelitate cel mai mic. Totui, dac varianele nu sunt egale, fidelita-
tea analizat prin intermediul formulei Spearman-Brown poate s nu fie rele-
vant. n acest caz, vom aplica o alt tehnic, bazat pe coeficientul de fide-
litate split-half Guttman.
Acest coeficient reprezint o form adaptat a relaiei Spearman-
Brown, folosit n cazul n care varianele celor dou forme nu sunt egale, iar
calculul se poate realiza dup formula urmtoare:
(formula 3.3)
unde
reprezint variana ntregului chestionar,
reprezint vari-
ana primei forme iar
reprezint variana celei de-a doua forme.


297

Acest coeficient calculeaz direct fidelitatea, bazndu-se doar pe vari-
ane, nu i pe ali coeficieni de corelaie. Tot ceea ce avem de fcut este s
calculm varianele instrumentului original i varianele celor dou forme ale
sale, apoi s nlocuim n formul. tii deja c variana nu este altceva dect
abaterea standard la ptrat, modalitatea de calcul fiind prezentat ntr-un alt
volum
6
.
S presupunem c variana total a unui chestionar de 37 de ntrebri
este 132,43, variana primei forme, care conine 18 ntrebri este de 40,01 iar
variana celei de-a doua forme, cu 19 ntrebri este de 32,21. Aplicnd n
formul, obinem un coeficient de fidelitate de 0,90.

Aceast form a coeficientului de fidelitate Guttman este, de fapt,
forma
4
din cei ase coeficieni pe care i propune autorul, fiind i cea mai
recomandat metod de studiu a fidelitii prin split-half.
Dei metoda njumtirii este mult mai precis n comparaie cu me-
toda test-retest, ai remarcat faptul c nu ne spune nimic despre structura in-
tern a celor dou forme. Coeficienii de fidelitate split-half sunt puternic
influenai de modul n care vor fi selectai itemii n cele dou forme, acest
lucru putnd asigura egalitatea varianelor, ns nu las nicio posibilitate prin
care cercettorul s poat verifica, propriu-zis, itemii. Pot s apar diferene
importante dac itemii sunt selectai aleatoriu n cele dou forme, n compa-
raie cu situaia n care o form conine itemii pari iar cealalt conine itemii
impari sau printr-o alt selecie aleatorie a itemilor.
De exemplu, dac am avea un chestionar pentru evaluarea depresiei,
format din 40 de itemi, dintre care 39 ar viza depresia, ns un singur item s-

6
Putei consulta lucrarea Statistic aplicat n tiinele socio-umane. Noiuni de baz -
Statistici univariat, de acelai autor, aprut la editura ASCR, Cluj-Napoca, 2009

298

ar referi la numrul de la pantofi, probabil c includerea acestuia ntr-una
dintre forme ar furniza un anumit coeficient de fidelitate, chiar i acceptabil,
dar nu am avea nicio posibilitate s depistm c acel item nu este consistent
cu ansamblul celorlali 39.
Aceasta este, de fapt, principala deficien a metodei split-half i prin-
cipala critic ce i se aduce n lumea tiinific. Pornind de la acest lucru,
Cronbach a avut n anul 1951 ideea de a trata fiecare item ca o form a testu-
lui. n loc s construim dou forme de cte 20 de itemi pentru chestionarul
nostru, vom construi, practic, 40 de forme, fiecare coninnd un singur item.
Corelarea tuturor celor 40 de itemi, prin aceast variant de split-half, deter-
min apariia unui nou concept, cel de consisten intern.
III.1.3 Metoda consistenei interne
nc de la nceput, doresc s menionez c analiza consistenei interne
este o metod de verificare a fidelitii, nu o metod de verificare a validitii,
aa cum am auzit i am citit prin unele cri. Ea nu se bazeaz pe tratarea ero-
rilor sistematice, ci tot pe tratarea erorilor aleatorii, fiind o derivaie a meto-
dei split-half.
Coeficientul de consisten intern Cronbach este, poate, cea mai
popular msur a fidelitii evaluat prin aceast metod. Acesta poate lua
valori ntre 0 i 1, unde valoarea 0 arat c instrumentul nu msoar dect
erorile aleatorii, neavnd nimic de a face cu scorul real, iar valoarea 1 arat
c instrumentul msoar doar scorul real, fiind eliminate complet erorile alea-
torii.
Una dintre formulele de calcul ale coeficientului Cronbach este ur-
mtoarea:

299

(formula 3.4)
unde n reprezint numrul de itemi analizai, iar este media corela-
iilor inter-itemi.
S considerm un chestionar cu un numr de 10 itemi, care msoar
satisfacia profesional. Primul pas n calcularea coeficientului de fidelitate
Cronbach l reprezint construirea matricei de corelaii.
n afara faptului c este foarte migloas, construirea tabelului 3.2 nu
pune probleme deosebite de calcul. Nu trebuie dect s luai fiecare item i
s-l corelai cu ceilali. Desigur, dac ai corelat itemul 3 cu itemul 5, nu are
rost s corelai itemul 5 cu itemul 3, pentru c vei ajunge la acelai rezultat.
Acesta este i motivul pentru care sunt afiate doar rezultatele de deasupra
(sau de dedesubtul, dac preferai) diagonalei principale. Coeficientul de co-
relaie a unui item cu el nsui este ntotdeauna 1, de aceea diagonala tabelu-
lui va avea ntotdeauna valoarea 1.
Tabelul 3.2 Matricea de corelaii inter-itemi
Item
1
Item
2
Item
3
Item
4
Item
5
Item
6
Item
7
Item
8
Item
9
Item
10

Item 1 1 ,185 ,451 ,399 ,413 ,263 ,394 ,352 ,361 ,204 3,022
Item 2 1 ,048 ,209 ,248 ,246 ,230 ,050 ,277 ,270 1,578
Item 3 1 ,350 ,399 ,209 ,381 ,427 ,276 ,332 2,374
Item 4 1 ,369 ,415 ,469 ,280 ,358 ,221 2,112
Item 5 1 ,338 ,446 ,457 ,317 ,425 1,983
Item 6 1 ,474 ,214 ,502 ,189 1,379
Item 7 1 ,315 ,577 ,311 1,203
Item 8 1 ,299 ,374 0,673
Item 9 1 ,233 0,233
Item 10 1 -

=14,557

Dac nu v-ai plictisit realiznd un numr destul de mare de corelaii,
v mai ateapt o surpriz, i anume calculul mediei corelaiilor inter-itemi.
Conceptul nseamn exact ceea ce-i spune i numele. Avem un numr de 45
de corelaii inter-itemi (desigur, fr corelaiile itemului cu el nsui corela-

300

iile cu valoarea 1). Trebuie s adunm toate aceste corelaii i s mprim
suma rezultat la 45 numrul total al corelaiilor.
V recomand s procedai ca n tabelul 3.2. Efectuai suma corelaiilor
inter-itemi pentru fiecare item (pe fiecare linie) i apoi adunai sumele paria-
le. Atenie, sumele se calculeaz fr valorile de pe diagonal, fr corelaiile
cu valoarea 1. Totalul obinut este 14,557. Dac mprim aceast sum la 45
(numrul total al corelaiilor inter-itemi) obinem valoarea 0,323, valoare care
reprezint tocmai media corelaiilor inter-itemi. tiind aceast medie i cu-
noscnd numrul total de itemi (10), putem acum aplica formula pentru a
calcula coeficientul de consisten intern Cronbach.

S-a obinut un coeficient de consisten intern bun, putem accepta
faptul c instrumentul are consisten intern, este un instrument fidel.
Exist, desigur, mai multe variante de formule pentru calculul coefici-
entului de consisten intern. Formula 3.4 se bazeaz pe media corelaiilor
inter-itemi, fiind i cea mai uoar. Altele se centreaz pe calculul variane-
lor, crendu-se matricea varian-covarian. Pentru a nu complica inutil ex-
punerea, ne vom rezuma doar la formula prezentat. Oricum, este prea puin
probabil s calculai manual acest coeficient, volumul de munc fiind foarte
mare. n general, vei apela la SPSS, dup cum vom vedea imediat.
La fel ca i coeficientul de fidelitate split-half, Cronbach nu trebuie
s aib o valoare mai mic de 0,60 n cazul cercetrilor exploratorii. n scop
diagnostic, se recomand ca valoarea acestui coeficient s depeasc 0,70,
un instrument bun avnd o consisten intern de peste 0,80.
Dei coeficientul de consisten intern Cronbach este intens folosit,
totui nu este scutit de probleme. Kline (Kline, 1999) afirma c valoarea re-
comandat pentru acest coeficient (0,80) poate fi o valoare de referin n

301

cazul testelor de inteligen, n timp ce pentru inventarele de personalitate se
poate cobor pn la 0,70, iar pentru chestionarele de opinie chiar i mai jos.
Totui, niciun autor nu susine posibilitatea ca un coeficient de consisten
intern s fie mai mic de 0,60.
De asemenea, Cortina (Cortina, 1993) ridic o alt problem a acestui
coeficient, cea conform creia valoarea sa depinde de numrul de itemi. Pe
msur ce crete numrul de itemi dintr-un instrument, crete i coeficientul
Cronbach. De aceea, exist posibilitatea s obinem un instrument sau o
scal consistent, nu pentru c aceasta ar fi, ntr-adevr, fidel, ci pentru c
are un numr foarte mare de ntrebri.
O alt eroare des ntlnit n interpretarea coeficientului de consisten-
intern se refer la faptul c cercettorii pleac de la premisa unidimensio-
nalitii. Cu alte cuvinte, se presupune c n spatele acelor itemi se afl o sin-
gur dimensiune, ceea nu este, de multe ori, corect. Consistena intern nu
poate reliefa structura dimensiunilor, a factorilor instrumentului, acest lucru
fiind de competena analizei factoriale. Tot Cortina (Cortina, 1993) a artat
c seturi de itemi cu acelai coeficient de consisten intern, pot avea struc-
turi foarte diferite. Itemii pot s vizeze un singur factor, doi factori corelai
sau factori complet necorelai. Cercetrile au artat c Cronbach nu poate i
nu trebuie folosit ca o msur a unidimensionalitii. Obinerea unui coefici-
ent nalt arat doar c itemii sunt corelai ntre ei, nu i c vizeaz o singur
dimensiune. Din nefericire, destui cercettori confund aceste elemente i
creeaz instrumente de cercetare valide bazndu-se exclusiv pe
Cronbach, lucru, desigur, eronat. Chiar Cronbach afirma c dac un instru-
ment are mai multe scale, coeficientul va fi calculat pentru fiecare scal i
nu pe ntregul chestionar, un asemenea demers neavnd sens.
De obicei, coeficientul de consisten intern are valori pozitive. S-ar
putea, ns, s avei surpriza obinerii unor coeficieni negativi. De unde poa-
te s apar acest lucru? Ei bine, un asemenea coeficient are valori negative n

302

cazul n care covariana negativ este mai mare n comparaie cu cea pozitiv.
tim foarte bine, c pentru a evita tendina subiecilor ctre un rspuns pozi-
tiv, de multe ori folosim itemi inversai. Adic, dac la unii itemi rspunsul
Da este semnificativ i primete un punct, la ali itemi primete un punct
rspunsul Nu. Sau, dac vom nuana puin, avnd o evaluare pe o scal de
la 1 la 5, pentru unii itemi 5 nseamn foarte mult, n timp ce pentru ali
itemi, 1 va nsemna foarte mult. n acest caz, unii itemi vor corela negativ.
n funcie de numrul itemilor inversai, per ansamblu este posibil s obinem
o covarian negativ mai mare n comparaie cu cea pozitiv, i, evident, un
coeficient negativ. Vom vedea, atunci cnd vom discuta despre aplicaiile n
SPSS, ce avem de fcut n acest caz, fiind vorba despre un proces de recodare
al itemilor.
Cronbach a descoperit formula sa n anul 1951. S nu credei c pn
atunci cercettorii nu aveau idee despre consistena intern. nc din anul
1937 conceptul era bine cunoscut, cel puin pentru Kuder i Richardson, care
au pus la punct o metod de calcul a consistenei interne, n condiiile n care
itemii sunt dihotomici. Adic, atunci cnd rspunsurile sunt de tipul Da i
Nu. Este cazul, desigur, al binecunoscutei formule Kuder-Richardson
KR
20
, formul alternativ pentru Cronbach.
) (formula 3.5)
unde p reprezint proporia subiecilor care au rspuns semnificativ
la acel item (au primit punct), q reprezint proporia subiecilor care au rs-
puns nesemnificativ la acel item (nu au primit punct),
2
se refer la variana
scorului total iar k reprezint numrul total de itemi
Vom considera un instrument cu 12 itemi, la care subiecii pot rs-
punde prin Da sau Nu, rspunsul Da fiind semnificativ i primind un
punct. Acest instrument a fost administrat unui numr de 10 persoane.

303

Tabelul 3.3 Calculul coeficientului Kuder-Richardson pentru itemi dihotomici
Subieci
Itemi (k) -m (-m)
2

1 2 3 4 5 6 7 8 9 10 11 12

A 1 1 1 1 1 1 1 0 1 1 1 1 11 4.5 20.25
B 1 1 1 1 1 1 1 1 0 1 1 0 10 3.5 12.25
C 1 1 1 1 1 1 1 1 1 0 0 0 9 2.5 6.25
D 1 1 1 0 1 1 0 1 1 0 0 0 7 0.5 0.25
E 1 1 1 1 1 0 0 1 1 0 0 0 7 0.5 0.25
F 1 1 1 0 0 1 1 0 0 1 0 0 6 -0.5 0.25
G 1 1 1 1 0 0 1 0 0 0 0 0 5 -1.5 2.25
H 1 1 0 1 0 0 0 1 0 0 0 0 4 -2.5 6.25
I 1 1 1 0 1 0 0 0 0 0 0 0 4 -2.5 6.25
J 0 0 0 1 1 0 0 0 0 0 0 0 2 -4.5 20.25
9 9 8 7 7 5 5 5 4 3 2 1
Media
6.5

74.50
p 0,9 0,9 0,8 0,7 0,7 0,5 0,5 0,5 0,4 0,3 0,2 0,1
q 0,1 0,1 0,2 0,3 0,3 0,5 0,5 0,5 0,6 0,7 0,8 0,9
pq ,09 ,09 ,16 ,21 ,21 ,25 ,25 ,25 ,24 ,21 ,16 ,09 pq=2,21

n tabelul 3.3 putei observa modul de aranjare al datelor n vederea
calculrii coeficientului de fidelitate Kuder-Richardson. n primul rnd, vom
construi o matrice a rspunsurilor subiecilor. Astfel, primul subiect a rspuns
de 11 ori Da i doar o singur dat Nu, la itemul 8. Al doilea subiect are
dou rspunsuri Nu, la itemii 9 i 12, i aa mai departe. Dup completarea
matricei, va trebui s realizm suma rspunsurilor corecte pentru fiecare
item. Astfel, la primul item au rspuns Da 9 subieci, un singur subiect rs-
punznd Nu. Suma va fi aadar 9, la fel ca i pentru itemul al doilea. La
itemul al treilea, au rspuns Nu dou persoane, opt persoane rspunznd
Da, aadar suma rspunsurilor Da va fi 8. Procedm la fel pn la ultimul
item, itemul 12, unde observm c doar o singur persoan a rspuns Da.
Urmeaz calculul proporiilor. Deoarece tii deja c proporiile se exprim
sub form zecimal, avnd valori ntre 0 i 1, vom calcula doar proporia rs-
punsurilor semnificative, a rspunsurilor Da pentru fiecare item (p), cunos-
cnd c proporia rspunsurilor nesemnificative, Nu, se afl foarte simplu,
pe baza unei operaii de scdere (q=1-p). Pentru primul item, din 10 subieci,
9 au rspuns Da. Evident, proporia este de 0,9 (sau 90% dintre subieci au
rspuns Da amintii-v regula de trei simpl. Dac 10 rspunsuri Da

304

nseamn 100%, atunci 9 rspunsuri Da ct la sut nseamn?). Aceeai
proporie o calculm i la al doilea item, i aa mai departe, pn la ultimul
item. Dup stabilirea proporiilor p i q pentru toi cei 12 itemi, vom face
produsul acestora (pq), aa cum apare pe ultima linie a tabelului. n final,
calculm suma acestor produse i obinem valoarea 2,21.
Singurul element care ne mai lipsete pentru a putea aplica formula,
se refer la variana scorului total. Pentru a o afla, folosii-v de ultimele trei
coloane din tabelul 3.3 i de informaiile din cartea anterioar, referitoare la
calculul varianei i al abaterii standard. n final, vei obine variana egal cu
8,28. S calculm acum coeficientul Kuder-Richardson.
)
Nu este deloc greu, aa cum deja v-ai obinuit. Un asemenea coefici-
ent indic o consisten intern bun a celor 12 itemi din instrumentul de mai
sus.
Ce ne facem ns dac nu avem la dispoziie structura datelor, la nivel
de item, ci doar scorul brut total, aa ca n tabelul 3.4?
Tabelul 3.4 Calculul coeficientului Kuder-Richardson pe baza notelor brute
Subieci NB -m
(-m)
2

A 11 4.5 20.25
B 10 3.5 12.25
C 9 2.5 6.25
D 7 0.5 0.25
E 7 0.5 0.25
F 6 -0.5 0.25
G 5 -1.5 2.25
H 4 -2.5 6.25
I 4 -2.5 6.25
J 2 -4.5 20.25

=74,5
m=6,5


305

Ai remarcat, sunt aceleai date, ns nu mai avem rspunsurile celor
zece subieci la fiecare dintre cei 12 itemi, ci doar scorul brut, total, pentru
fiecare dintre subieci. Fr s intrm n detalii, avem i media acestor evalu-
ri, precum i suma abaterilor ptratice de la medie, rezultnd, evident, ace-
eai varian, care va avea valoarea 8,28. Exist acum vreo posibilitate s
aflm consistena intern? Rspunsul este pozitiv i va trebui s aducei mul-
umiri lui Kuder i Richardson pentru acest lucru. Iat c cei doi autori ne
mai ofer o relaie, exact pentru situaii de acest gen, numit formula de cal-
cul a coeficientului Kuder-Richardson 21 (KR
21
).
) (formula 3.6)
Elementele formulei nu necesit explicaii. Ne trebuie doar numrul
de itemi (12 n cazul nostru), media evalurilor (tim, este 6,5) i variana (pe
care o cunoate deja, fiind 8,28).

(

)
Se constat o important reducere a coeficientului de consisten in-
tern, de la 0,79 la 0,70. Acest lucru apare din cauza faptului c nu cunoa-
tem structura intern a rspunsurilor. Formula Kuder-Richardson 21 utilizea-
z o aproximare matematic a proporiilor i nu o evaluare exact a acestora.
Este perfect normal faptul c se pierde foarte mult informaie, iar coeficien-
tul de consisten intern va fi mult mai mic. ns, dac nu avem alt soluie,
este bine i aa.
Spre deosebire de Cronbach, care se poate calcula pentru orice fel
de itemi, coeficientul Kuder-Richardson se folosete numai pentru itemi di-
hotomici.
Desigur, exist i alte metode de evaluare a consistenei interne, pe
care le vom analiza n cadrul aplicaiei computerizate. Cele mai importante
tehnici au fost expuse n acest subcapitol, cunoaterea lor oferindu-v o baz

306

solid pentru nelegerea i utilizarea conceptului de fidelitate prin consisten-
intern
III.1.4 Metoda formelor paralele
Reprezint o form hibrid de verificare a fidelitii, prin combinarea
metodelor test-retest i split-half i se folosete destul de frecvent n dome-
niul educaional. Ca i metoda test-retest, presupune utilizarea aceluiai lot de
subieci, realizndu-se n dou etape:
n prima etap se mparte instrumentul original n dou forme,
numite forme paralele, opional studiindu-se coeficientul de
fidelitate split-half pe un grup de cercetare. Studiul acestui co-
eficient nu reprezint, ns, o etap obligatorie, ci poate fi fo-
losit ca referin pentru etapa a doua;
n a doua etap se administreaz prima form unui alt grup de
subieci, apoi, dup un interval de dou sptmni sau o lun,
se administreaz, acelorai subieci, cea de-a doua form.
Un lucru foarte important l reprezint verificarea celor dou forme,
astfel nct s nu difere ntre ele din punctul de vedere al erorilor sistematice
(al validitii). Practic, cele dou forme trebuie s msoare acelai construct.
Cea mai simpl metod prin care se poate realiza acest lucru este aceea a re-
partizrii aleatorii a itemilor n cele dou forme. Coeficientul de corelaie
dintre cele dou forme reprezint o msur a fidelitii.
Dac, de exemplu, avem un test de evaluare a competenelor de calcul
numeric, ce conine un numr de 60 de itemi, i cruia dorim s-i studiem
fidelitatea. n prima etap, vom mpri, absolut aleatoriu, cei 60 de itemi n
dou forme ale testului: una cu 30 de itemi i cealalt cu 30 de itemi. Dac
dorim s fim foarte riguroi, administrm cele dou forme paralele unui lot
de cercetare i verificm coeficientul de fidelitate split-half. Dei acest lucru
nu este obligatoriu, eu vi-l recomand, deoarece se pot corecta, n aceast eta-

307

p, unele imperfeciuni. O bun practic ar fi s studiai i consistena intern
a fiecrei scale. Repet, aceste operaii nu sunt obligatorii i nu fac parte din
metoda propriu-zis. Dac ns suntei maniaci ai preciziei, le vei folosi.
n a doua etap vom aplica prima form unui alt lot de cercetare, apoi,
dup minimum dou sptmni, aplicm, aceluiai lot de cercetare, forma a
doua i calculm coeficientul de stabilitate ntre cele dou forme, aplicate la
un anumit interval de timp.
Metoda formelor paralele este net superioar metodei test-retest, din
mai multe motive, dintre care poate cel mai important este acela c se reduce
efectul memoriei i al nvrii. Timpul relativ redus ntre cele dou adminis-
trri nu permite apariia efectului de maturizare, acesta fiind un alt argument
al superioritii metodei formelor paralele.
Singura deficien major a metodei const n dificultatea de a se ob-
ine forme perfect paralele (forme cu proprieti psihometrice absolut identi-
ce). De cele mai multe ori, repartiia itemilor duce la forme echivalente, nu la
forme paralele. Diferene ntre forme pot exista, acestea contribuind la influ-
enarea coeficientului de fidelitate. Iat cel puin un motiv pentru care reco-
mandam studiu consistenei interne i al coeficientului de fidelitate split-half
n prima etap. n realitate, aceast metod implic i o analiza factorial pen-
tru a se putea asigura unidimensionalitatea scalei.
III.1.5 Metoda acordului ntre evaluatori
Termenul cred c v sun cunoscut, deoarece l-am discutat i n ca-
drul capitolului referitor la corelaii. Poate c atunci v-ai ntrebat pentru ce
avei nevoie de informaiile respective? Iat un prim rspuns, o prim aplica-
ie practic.
De obicei, n domeniul evalurii performanelor, subiecii nu sunt ana-
lizai de ctre un singur evaluator, ci de ctre o comisie de evaluare. Motivele
pentru care se prefer comisia sunt evidente i nu trebuie comentate, putndu-

308

se referi la plusul de obiectivitate sau la evitarea situaiilor prin care evaluato-
rul ar beneficia gratuit de mielul de Pati ori de porcul de Crciun.
n asemenea evaluri, bazate pe judecat, este foarte important s ana-
lizm un tip special de fidelitate, numit grad de acord ntre evaluatori. Cu
alte cuvinte, suntem interesai s vedem dac prerile evaluatorilor sunt sau
nu sunt consistente, acest lucru reprezentnd una dintre cele mai importante
msuri a obiectivitii evalurii.
Pentru a se putea realiza o evaluare a fidelitii prin acordul ntre eva-
luatori, este necesar ndeplinirea urmtoarelor condiii (Carmines, i alii,
1979):
Scala de evaluare sau categoriile de evaluare trebuie s fie
foarte clar definite, precise, lipsite de ambiguitate, astfel nct
evaluarea s poat avea un grad acceptabil de obiectivitate;
Evaluatorii trebuie s cunoasc foarte bine scala sau categorii-
le de evaluare, precum i modul de nregistrare a performane-
lor, pentru a putea nregistra acelai lucru.
n final, protocolul de evaluare ar trebui s reprezinte un sistem con-
sistent, care s vizeze evaluarea obiectiv a performanelor. Consistena eva-
lurilor efectuate de diferii evaluatori unuia i aceluiai subiect, poart nu-
mele de fidelitate inter-evaluatori. Pentru ca fidelitatea inter-evaluatori s
fie ct mai mare, metoda presupune, iniial, o instruire a evaluatorilor, instrui-
re care s cuprind:
O prezentare general a scalei de evaluare, tuturor evaluatori-
lor, astfel nct s fie clarificate, de la nceput, toate interpret-
rile posibile. De obicei, n urma acestei discuii au loc modifi-
cri ale scalei, n funcie de aspectele mai puin clare ale eva-
lurii;

309

Furnizarea unor modele operaionale cu privire la scala de
evaluare, prin posibilitatea organizrii unor demonstraii,
accentundu-se pe semnificaia fiecrui scor acordat;
Organizarea de evaluri demonstrative, n care s se discute fi-
ecare scor acordat. Rezultatele pot fi folosite i n scopul per-
fecionrii nelegerii conceptelor care stau la baza evalurii.
n aceast etap se vor elimina evaluatorii care furnizeaz con-
stant evaluri divergente.
Fiind o evaluare cu un pronunat caracter subiectiv, la care totui se
dorete atingerea obiectivitii n urma unui proces de acord, exist o proba-
bilitate foarte mare ca aceast evaluare s fie contaminat de o serie de erori,
numite, generic, erori de evaluare. Dintre acestea, Gronlund distinge
(Gronlund, 1985):
Erori de evaluare individual, n situaia n care evaluatorul
folosete doar o parte a scalei n vederea realizrii evalurilor.
Este exemplul evaluatorilor foarte severi (care utilizeaz valo-
rile mici ale scalei) sau cel al evaluatorilor foarte generoi
(orientai ctre valori mari ale scalei). Exist, de asemenea, ca-
tegoria evaluatorilor mpciuitori care prefer evalurile
medii, din mijlocul scalei. Toate aceste elemente se pot consti-
tui n surse de eroare, surse ce biaseaz analiza;
Efectul de halo reprezint o surs de eroare foarte bine cu-
noscut n special n domeniul educaional. Percepia general
asupra celor evaluai poate influena evaluarea unei persoane
sau a unui grup de persoane. Un grup de evaluatori de la Uni-
versitatea Harvard ar putea genera un asemenea efect n condi-
iile n care evalueaz studenii universitii din Lehliu-Gar.
O posibil percepie a calitii slabe a celor evaluai poate de-

310

termina evaluri mult mai exigente, chiar dac lucrurile nu
stau ntotdeauna aa;
Erorile logice pot s apar atunci cnd un evaluator confund
semnificaia i sensul scalelor de evaluare. Aceste confuzii pot
s apar n condiiile n care elementele scalei de evaluare nu
sunt clar definite ori n cazul n care evaluatorii nu au fost in-
struii foarte bine.
Avnd n vedere cele expuse mai sus, ajungem la concluzia c putem
crete fidelitatea acestor evaluri n condiiile unei instruiri foarte bune a eva-
luatorilor i n condiiile proiectrii responsabile a instrumentului de evaluare.
Referitor la procedeele statistice prin intermediul crora se individua-
lizeaz acest tip de fidelitate, literatura de specialitate distinge fie un coefici-
ent de corelaie r Bravais-Pearson, atunci cnd numrul de cazuri evaluate
este suficient de mare, fie coeficieni de concordan (cum ar fi coeficientul
W Kendall i omologul acestuia, coeficientul de concordan al lui Cohen).
Elementele specifice referitoare la aceti coeficieni nu le mai discutm aici,
aplicarea lor rmnndu-v dumneavoastr ca exerciiu.
III.1.6 Interpretarea coeficienilor de fidelitate
Interpretarea coeficienilor de fidelitate variaz destul de mult n lite-
ratura de specialitate, fiind influenat, de obicei, de preteniile i cercetrile
diferiilor productori de instrumente de evaluare. Astfel, Aiken (Aiken, 1994
apud Albu, 2000) ofer o list de praguri critice de la care se poate accepta un
instrument ca fiind fidel, n funcie de dimensiunile pe care acesta le
msoar:
0,26 pentru bateriile de teste de aptitudini;
0,42 pentru inventarele de interese;
0,46 pentru teste obiective de personalitate;

311

0,47 pentru scalele de atitudini;
0,56 pentru testele de aptitudini colare;
0,66 pentru bateriile de teste de cunotine.
n clasificarea de mai sus, observm c Aiken a fost extrem de gene-
ros cu aceste praguri. Personal, consider c un coeficient de fidelitate de 0,26
nu poate reprezenta o valoare serioas pentru fidelitatea unui instrument. Mai
mult dect att, este discutabil calcularea fidelitii pe ansamblul unei baterii
care conine mai multe scale, mai multe instrumente. Rmnem totui la ide-
ea unui coeficient de fidelitate de peste 0,55 0,60 pentru orice scal care se
dorete serioas.
Exist totui, o serie de recomandri importante n cea ce privete uti-
lizarea coeficienilor de fidelitate (Albu, 2000):
Testele folosite pentru luarea deciziilor asupra persoanelor sau
cele care mpart indivizii n categorii, pe baza unor diferene
mici, vor avea valori mari ale coeficienilor de fidelitate, n
general peste 0,85 0,90. Nu putem, de exemplu, angaja sau
concedia o persoan n baza rezultatelor unui test lipsit de o
fidelitate nalt. Din pcate, n Romnia exist nc destule
persoane care ncalc aceast regul, deciziile fiind bazate pe
utilizarea unor instrumente mai mult dect discutabile;
Niveluri mici ale fidelitii putem accepta doar n cercetrile
cu caracter exploratoriu, cercetri care nu presupun decizii fi-
nale i care pot mpri persoanele n baza unor diferene rela-
tiv mari ntre acestea. Chiar i n aceste condiii, coeficienii de
fidelitate mai mici de 0,50 0,60 trebuie privii cu maxim re-
zerv.

312

Kubiszyn i Borich (Kubiszyn, Borich, 1996 Albu, 2000) remarc o
serie de elemente importante pentru analiza i interpretarea coeficienilor de
fidelitate:
n eantioanele n care variabilitatea scorurilor este mare,
coeficientul de fidelitate are valori mai mari n comparaie cu
eantioanele omogene;
Fidelitatea este puternic afectat de erorile de cotare;
Creterea numrului de itemi atrage dup sine i creterea
coeficientului de fidelitate;
Dac toi itemii unui instrument sunt foarte uori sau foarte
dificili, coeficientul de fidelitate are o valoare mic.
Avnd n vedere aceste opinii, se observ c, dei la prima vedere
analiza fidelitii nu pune probleme deosebite, n realitate construirea unui
instrument fidel nu este un lucru att de uor. Personal, nu recomandm utili-
zarea instrumentelor cu un coeficient de fidelitate sub 0,60, n aceste condiii
o revizie a conceptelor i a itemilor fiind necesar.
n sperana c s-au lmurit sensul, semnificaia i procedurile de cal-
cul ale fidelitii, nu ne rmne dect s aflm cum putem folosi computerul
pentru a scpa de corvoada formulelor.
III.2 Analiza fidelitii n SPSS for Windows
Lansarea procedeelor de analiz ale fidelitii se realizeaz, n SPSS
for Windows, accesnd acelai meniu, Analyze, apoi submeniul Scale
i, n final, opiunea Reliability Analysis. Analiza fidelitii fiind o pro-
cedur ceva mai complex n comparaie cu celelalte tehnici discutate pn
acum, presupune i un alt tip de baz de date. De aceea, nu v vei supra pe
mine dac, la nceput, voi ncerca s v prezint opiunile de analiz din SPSS
i abia mai trziu vom discuta despre baza de date necesar. De asemenea,

313

sper s nu v uitai urt dac n baza de date va
trebui s definii mai multe variabile dect pn
acum i, n acelai timp, vei introduce mai mul-
te date. V pot promite c aceste date le vom
folosi i pentru analiza factorial.
Iat, n figura 3.3, formularul de definire
al analizei de fidelitate. Nu, s nu v induc n
eroare simplitatea extraordinar a acestuia. Ana-
liza este chiar mai simpl dect credei. Cele
dou liste, lista variabilelor din baza de date i
lista variabilelor supuse analizei, separate prin butonul de transfer, nu mai
necesit nicio precizare suplimentar. La fel, observai butoanele de coman-
d. n realitate, exist doar trei elemente de noutate, i anume lista derulant
Model, seciunea Scale label i butonul Statistics care include opi-
uni specifice analizei de fidelitate.
n comparaie cu expune-
rea teoretic din acest capitol,
SPSS v propune chiar mai multe
elemente de studiu ale fidelitii,
v permite s analizai proprieti-
le scalelor de msur i propriet-
ile tuturor itemilor componeni,
inclusiv relaiile dintre acetia i
relaiile itemilor cu scala n an-
samblul ei. Credei-m, nu ai vrea s calculai manual aceste lucruri
Lista derulant Model v permite s alegei metoda de studiu a fi-
delitii pe care o dorii. Iat ce posibiliti avei:
Figura 3.2 Accesarea meniu-
lui de analiz a fidelitii
Figura 3.3 Formularul de configurare al anali-
zei de fidelitate

314

Alpha (Cronbach) v ofer posibilitatea studiului fidelitii
prin consisten intern, cu calculul coeficientului de consis-
ten intern Cronbach;
Split-half prezint posibilitatea de analiz a fidelitii prin
metoda njumtirii;
Guttman se refer la aceeai metod de analiz a fidelitii
(split-half), aplicabil situaiilor n care varianele nu sunt ega-
le;
Parallel permite aprecierea fidelitii prin metoda formelor
paralele, n situaia n care itemii au aceleai variane i ace-
leai erori ale varianelor;
Strict parallel este un model nou de analiz de fidelitate,
model care presupune, pe lng condiiile de administrare ale
formelor paralele, i egalitatea mediilor.
Caseta de text Scale label nu are
dect o valoare informativ, de etichetare
a scalei pentru care se realizeaz analizele.
Dac, de exemplu, studiai fidelitatea unui
numr de 20 de itemi pentru o scal de
anxietate, putei introduce n aceast sec-
iune textul Anxietate n vederea unei
mai bune organizri a informaiilor n fe-
reastra de rezultate.
Apsarea butonului Statistics
determin apariia formularului din figura
3.4, formular prin intermediul cruia vom
alege prelucrrile de date necesare.
Figura 3.4 Formularul de configura-
re a opiunilor statistice

315

Seciunea Descriptives for determin afiarea statisticilor descripti-
ve pentru fiecare item inclus n analiz (la bifarea casetei I tem), la nivelul
scalelor (bifnd caseta Scale) i pentru scal atunci cnd un item este eli-
minat (bifarea casetei Scale if item deleted). Acesta din urm este i un
element extrem de important, pe care l vom discuta n detaliu ceva mai tr-
ziu.
Statisticile afiate la nivel de item se refer la media, abaterea stan-
dard i numrul de cazuri pentru fiecare item analizat. La nivelul scalei, pro-
gramul prezint media, variana i abaterea standard a scalei (a tuturor
itemilor supui analizei) precum i numrul total de itemi. Dac alegem i
afiarea compoziiei scalei la eliminarea itemului, atunci SPSS va calcula,
pentru fiecare item, comportamentul scalei dac acel item nu ar mai exista.
Astfel, se va include media i variana scalei dac acel item este eliminat,
precum i corelaia item-scal i comportamentul noului coeficient de fideli-
tate, dac itemul respectiv nu va mai fi inclus n scal.
Seciunea I nter-I tem v ofer posibilitatea prezentrii matricei de
corelaii ntre toi itemii scalei (bifnd opiunea Correlations) precum i
cea a afirii matricei de covarian a itemilor scalei (bifnd opiunea Co-
variances), ambele elemente fiind extrem de utile atunci cnd dorim s stu-
diem detaliat compoziia scalei.
Seciunea Summaries furnizeaz statistici descriptive privind dis-
tribuia itemilor n raport cu toi ceilali itemi ai scalei. Bifnd caseta
Means vei putea calcula statisticile legate de media itemilor. Astfel, SPSS
va afia cea mai mic i cea mai mare medie a itemilor, media mediilor
itemilor, amplitudinea i variana mediilor itemilor, precum i numrul de
itemi inclui n analiz. Bifarea casetei Variances determin calculul sta-
tisticilor centralizate pentru variana itemilor. La fel ca mai sus, se va calcula
variana cea mai mic, variana cea mai mare, media varianelor, amplitudi-
nea i variana varianelor. Aceleai elemente vor fi calculate i pentru cova-

316

riane, la bifarea casetei Covariances, precum i n cazul corelaiilor dac
alegem s bifm caseta Correlations. Informaiile sunt utile n cazul anali-
zei compoziiei scalei, de aceea le vom relua ulterior.
Seciunea ANOVA Table permite lansarea procedurilor de calcul
referitoare la egalitatea mediilor. tiu c deocamdat nu avei suficiente in-
formaii pentru a nelege bine aceste elemente, totui voi ncerca s le prezint
ct mai clar cu putin. Un test de egalitate a mediilor pleac de la ipoteza
nul conform creia toi itemii scalei au aceeai medie. Dac testul este sem-
nificativ, nseamn c putem respinge ipoteza nul, apreciind c mediile
itemilor sunt semnificativ diferite. Un test nesemnificativ ne spune c putem
considera itemii ca avnd medii egale. Desigur, discutnd despre fidelitate,
vom observa c pentru scalele consistente sau pentru instrumentele fidele, de
obicei acest test nu este semnificativ.
Opiunea None este cea mai simpl, deoarece comunic programu-
lui SPSS s nu calculeze niciun test de egalitate a mediilor.
Opiunea F test realizeaz o analiz de varian cu msurri repeta-
te n vederea stabilirii egalitii mediilor. Procedeul se folosete pentru date
parametrice.
Opiunea Friedman chi-square afieaz coeficienii de concordan
Friedman
2
i W Kendall. La modul forat, aceti coeficieni pot fi conside-
rai similari testului F, pentru date aflate la un nivel de msur ordinal;
Opiunea Cochran chi-square se folosete pentru date dihotomice,
afind statisticile Q ale lui Cochran, oarecum analoage testului F.
Opiunea Hotellings T-square reprezint o versiune simpl a tabe-
lelor ANOVA, i pleac de la aceeai ipotez nul, ipoteza egalitii mediilor
itemilor care compun scala.

317

Opiunea Tukeys test of additivity verific dac exist interaciuni
multiplicative ntre itemi. Dac testul este semnificativ, nseamn c aseme-
nea interaciuni exist.
Opiunea I ntraclass correlation coefficient determin evaluarea
consistenei, adic evaluarea acordului la nivelul scorurilor fiecrui subiect.
Este o opiune foarte interesant, folosit mai ales la analiza fidelitii inter-
evaluatori, i presupune definirea mai multor elemente de calcul:
Alegerea modelului de calcul al coeficientului de corelaie a
consistenei la nivel de subiect, prin intermediul listei derulan-
te Model. Opiunea Two-Way Mixed o putei folosi
atunci cnd efectele subiecilor sunt aleatorii i efectul
itemului (evaluatorului) este constant. Reprezint cea mai fo-
losit opiune, deoarece se presupune c subieci diferii vor
rspunde diferit la acel item, n funcie de nivelul la care este
prezent trstura. Dac nu putem anticipa efectul itemului
(evaluatorului) presupunnd c itemul nu a fost suficient
studiat, nu se tie n ce msur acoper variana trsturii
vom folosi opiunea Two-Way Random. n sfrit, dac
avem certitudinea c modificarea valorilor la nivelul itemilor
se datoreaz numai diferenelor inter-individuale, adic numai
efectelor generate de ctre subieci, vom folosi opiunea One-
Way Random.
Alegerea tipului de analiz, din cadrul listei derulante Type.
n funcie de specificul cercetrii, putei selecta ntre analiza
consistenei Consistency i analiza acordului Absolute
Agreement;

318

Alegerea intervalului de ncredere, n cadrul casetei Confi-
dence interval. De obicei, intervalul de ncredere este cel im-
plicit, 95%;
Alegerea valorii de test cu care se vor compara valorile obser-
vate n cadrul casetei Test
value. Valoarea implicit
este zero, ns adeseori
aceast valoare va trebui
modificat.
III.2.1 Analiza consistenei interne
Finaliznd prezentarea opiunilor, s
trecem la treab. Mai uor vom nelege
conceptele exersnd dect efectund infini-
te speculaii teoretice. n primul rnd, baza
de date. Putei observa, n tabelul 3.5, mo-
dul de definire al variabilelor. Avem un
numr de 24 de itemi, toi asimilai unui
nivel de msur scalar, variabilele fiind
definite numeric, cu un singur caracter i
fr valori zecimale. La sfritul bazei de
date, exist variabila nominal sexul,
care stocheaz genul biologic al subiecilor
i variabila scalar vrsta.
n tabelul 3.6 observai i modalita-
tea de codificare a genului biologic, proce-
dur care ar trebui s v fie deja familiar.
nainte de a prezenta efectiv datele, s ve-
dem cteva dintre particularitile acestei baze de date. S presupunem c
Variabila Eticheta
Nivelul de
msur
Format
item1 Itemul 1 Scale F1
Sexul Genul
biologic
Nominal F1
Varsta Varsta
subiectilor
Scale F3

319

avem un chestionar cu 24 de itemi care msoar orice dorii dumneavoastr.
Din considerente practice, vom alege s vorbim despre un chestionar de eva-
luare a climatului organizaional. Acest chestionar are un numr de ase sca-
le:
7

motivaia se refer la climatul motivaional din
firm, viznd aspecte precum retribuia, promova-
rea, competena. Aceast scal este evaluat de
itemii 12, 13, 14, 15 i 16;
suportul are n vedere resursele i condiiile de munc pe care le asi-
gur organizaia n vederea realizrii unor activiti performante. Itemii
corespunztori acestei scale sunt 17, 18, 19 i 20;
conducerea evalueaz stilul de conducere eficient, sprijinind perfor-
mana individual i colectiv. Itemii 5, 6, 7 i 8 sunt cei care se refer la
acest indicator;
sarcina este prezentat ca modul de definire al sarcinilor i obiective-
lor, att la nivelul organizaiei ct i la nivelul fiecrui angajat. Aceast
scal are n componen itemii 1, 2, 3, 4;
structura vizeaz modul de organizare a muncii, cu referire la eficien-
, flexibilitatea i adaptabilitatea posturilor i a funciilor. Itemii compo-
neni sunt 21, 22, 23 i 24;
relaiile reprezint indicatorul care evalueaz calitatea relaiilor dintre
angajai, cu referire la comunicare i colaborare pe linie profesional.
Itemii caracteristici acestei scale sunt 9, 10 i 11.

7
Chestionarul este absolut fictiv. Datele nu corespund unor cercetri reale. Descrierea scale-
lor a fost preluat din lucrarea Evaluarea psihologic a personalului Ticu Constantin,
Editura Polirom, Iai, 2004.
Tabelul 3.6 Codificarea
variabilei sex
Valoare Etichet
sexul 1 Barbati
2 Femei

320

Pn n acest moment, nu cred ca sunt neclariti. Chestionarul poate
fi tratat per ansamblu, ca un indicator total al climatului organizaional, sau
pe scale, dac dorim s investigm componena acestuia. Itemii (ntrebrile)
acestui chestionar primesc rspunsuri pe o scal de la 1 la 7, unde 1 nseamn
foarte puin, iar 7 nseamn foarte mult. Scorul total la nivelul chestionarului
poate varia ntre un minimum de 24 de puncte i maximum 168 de puncte. La
nivelul scalelor, scorul poate varia ntre numrul de itemi (3, 4 sau 5), scorul
minim, i de 7 ori numrul de itemi (21, 28 sau 35), scorul maxim.
Nu suntem interesai de modul de formulare al itemilor. Vom presu-
pune c itemii au fost bine concepui, au validitate teoretic i validitate de
construct, per ansamblu chestionarul atingndu-i obiectivele. Pentru a verifi-
ca fidelitatea i n vederea unei analize factoriale confirmatorii (pe care o
vom discuta n urmtoarele volume) vom considera o cercetare efectuat ntr-
o organizaie de dimensiuni mari. Lotul de cercetare este format dintr-un nu-
mr de 160 de persoane. Putei observa, n tabelul 3.7, structura complet a
bazei de date. Desigur, pentru a putea analiza fidelitatea, ne intereseaz rs-
punsurile subiecilor la fiecare item i nu scorurile brute obinute la nivelul
scalelor sau la nivelul ntregului chestionar.
Nu v speriai. narmai-v cu rbdare i completai toate aceste in-
formaii, exact aa cum v sunt prezentate
8
.

8
Toate fiierele de date SPSS le putei descrca de la adresa http://www.statistica-social.ro
Tabelul 3.7 Baza de date pentru analiza fidelitii
It1 It2 It3 It4 It5 It6 It7 It8 It9 It10 It11 It12 It13 It14 It15 It16 It17 It18 It19 It20 It21 It22 It23 It24 Sex Varsta
7 7 7 7 6 5 5 6 6 6 7 6 7 7 7 7 7 7 7 7 6 6 5 5 2 46
6 6 6 6 5 5 5 4 7 7 6 7 7 7 7 7 6 6 6 6 6 6 6 6 1 48
7 7 7 7 6 6 6 6 7 7 6 7 7 7 7 7 5 3 3 3 6 6 5 5 2 52
6 5 3 4 7 7 7 7 6 5 6 5 6 5 6 6 6 6 6 6 6 6 6 5 1 35
4 5 4 4 4 4 5 4 7 6 7 7 7 6 6 6 6 6 6 6 6 6 6 5 1 48
7 7 7 7 6 6 5 5 7 6 7 5 4 7 6 6 7 7 7 7 6 6 5 5 1 53
7 7 7 7 7 7 6 7 7 7 7 6 6 6 6 6 7 7 7 7 7 7 7 7 1 58
3 5 4 5 5 5 5 5 7 7 7 7 6 7 6 6 4 4 3 3 6 6 7 7 2 46
7 7 7 7 5 4 4 4 7 7 7 5 6 5 6 6 5 5 4 5 7 6 6 7 1 53
5 5 5 6 5 5 5 5 7 6 7 7 7 7 7 7 4 3 4 3 4 5 5 5 1 58
6 6 6 6 6 6 6 6 7 7 7 5 6 5 6 6 6 6 5 5 7 6 6 6 1 56
3 4 5 5 7 7 7 7 7 7 7 6 5 5 6 6 5 3 5 5 5 5 5 6 1 50
3 4 5 4 5 6 6 5 6 6 7 6 6 7 7 6 6 6 6 6 6 6 6 6 1 50
6 6 6 6 6 6 6 6 6 7 7 6 6 6 4 4 6 6 6 6 5 5 5 4 1 47
7 7 7 7 7 7 7 7 7 7 7 7 7 6 4 4 6 6 6 6 6 6 6 6 1 50
7 7 7 7 7 7 7 7 6 6 6 5 5 6 6 5 3 3 4 4 7 6 6 7 1 54
5 5 5 4 7 6 6 7 7 7 7 6 6 6 6 6 6 6 6 5 6 6 6 6 1 48
7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 3 5 4 5 7 7 7 7 1 39
6 4 5 4 7 7 7 6 6 6 6 5 5 6 6 6 5 6 6 6 6 6 6 5 1 31
6 6 5 4 7 7 7 6 6 6 6 6 6 5 6 6 6 6 7 7 5 5 3 4 1 48
7 7 7 7 7 7 7 7 7 7 7 6 6 6 5 5 7 7 7 7 5 5 5 6 2 50
6 6 6 6 4 4 4 4 7 7 7 7 7 7 7 7 6 6 6 6 6 6 6 6 1 43
6 6 6 6 6 6 6 6 7 7 7 4 5 5 5 4 6 6 6 6 7 6 6 6 1 54
7 7 7 7 7 7 7 7 7 7 7 5 6 5 6 6 3 4 5 5

1 55
6 6 6 6 5 5 5 5 7 6 6 7 7 7 6 7 7 7 7 7 7 7 7 7 1 46
5 3 5 4 6 6 6 6 6 7 7 4 4 4 5 5 7 7 7 7 7 7 7 7 2 44
7 6 6 6 6 6 6 6 6 7 7 5 5 5 5 4 6 6 6 6 6 6 6 6 1 50
7 7 7 7 7 7 7 7 7 7 7 6 6 6 6 6 7 7 7 7 6 5 5 5 1 54
6 6 6 5 6 6 6 6 7 7 7 5 6 5 6 6 4 5 4 5 7 6 6 7 1 31
7 7 7 7 5 7 7 6 7 7 7 5 5 4 4 4 7 7 7 7 7 7 7 7 1 57
3 4 5 5 6 3 4 5 5 5 6 5 5 4 4 4 6 6 6 6 5 5 5 6 1 53
4 4 4 4 7 7 7 7 7 7 7 7 7 6 6 6 7 7 7 7 6 6 6 6 1 58
7 7 7 7 7 5 7 7 7 7 7 6 6 6 7 7 7 7 7 7 6 6 6 6 1 35
6 6 6 6 6 6 6 6 7 6 6 4 4 5 5 5 6 6 6 6 7 7 6 6 1 53
6 6 6 6 6 5 6 4 7 7 7 6 7 7 7 7 6 6 6 6 6 6 6 7 1 36

322

6 3 5 4 7 7 7 7 7 7 6 7 7 7 7 7 5 5 5 6 6 6 6 5 1 50
3 4 5 5 3 4 5 5 7 7 7 7 7 7 7 6 6 6 6 6 6 6 6 6 1 49
7 7 7 7 7 7 7 7 7 7 6 5 5 7 6 6 7 7 7 7 4 4 4 5 1 23
5 5 5 6 7 7 7 7 7 7 7 7 7 7 7 7 3 5 4 5 7 6 7 7 1 50
6 6 6 5 6 6 7 7 7 7 7 5 5 6 6 6 5 4 5 5 6 6 6 6 1 58
5 6 5 6 6 6 6 6 6 7 7 6 6 6 6 6 6 6 6 6 5 6 6 6 1 46
5 5 6 6 6 6 6 6 7 7 7 6 6 6 6 6 6 6 6 6 7 7 6 6 1 59
5 5 7 5 5 6 5 6 6 6 7 6 7 7 7 7 7 7 7 7 6 6 6 6 1 50
6 6 6 5 6 6 6 6 5 5 6 5 5 5 5 5 5 5 3 3 5 5 5 4 1 48
6 6 6 6 6 6 6 6 5 6 7 7 7 7 7 7 6 6 6 6 5 5 6 5 1 39
6 6 6 5 7 7 7 7 7 7 7 6 6 6 6 6 7 7 7 7 6 6 6 6 2 44
6 6 6 6 6 6 6 6 7 7 7 5 5 6 4 4 6 5 5 6 6 6 5 5 1 43
7 7 7 7 7 7 7 7 6 7 7 7 7 7 7 6 6 6 6 6 6 6 6 6 1 56
7 7 7 7 7 7 7 6 7 7 7 7 5 6 6 7 7 7 7 7 7 7 7 7 1 58
6 6 6 6 6 6 6 6 7 7 7 7 6 6 5 5 6 5 6 5 6 6 6 6 1 48
7 7 7 7 7 7 7 7 7 7 7 5 5 7 6 5 4 3 4 3 6 7 7 6 1 46
7 7 7 7 6 5 5 6 7 7 7 4 5 7 6 6 5 5 6 6 6 6 6 6 1 48
6 6 6 6 6 6 6 6 6 7 7 7 7 6 6 6 7 7 7 7 7 7 7 7 2 50
5 5 5 5 5 6 5 4 6 6 7 5 5 5 4 4 6 6 6 6 5 6 6 6 1 53
5 5 5 4 7 7 6 7 6 7 6 6 6 6 6 6 5 5 6 7 6 6 6 6 1 53
6 6 6 5 6 6 6 6 7 7 7 6 6 6 5 5 4 4 5 5 7 6 6 7 1 48
3 4 4 3 2 3 5 4 6 5 5 5 5 5 5 4 3 3 4 5 4 4 3 3 1 56
6 6 6 5 6 6 7 7 6 6 6 7 7 7 7 7 5 5 6 6 6 6 6 6 1 48
3 4 5 7 5 5 5 5 6 6 6 5 5 5 4 4 4 2 5 5 4 3 5 5 1 36
7 7 7 7 7 7 7 7 7 7 7 6 7 5 5 5 7 7 7 6 7 7 7 7 1 51
6 5 3 4 6 6 7 7 6 5 6 4 4 4 5 5 7 7 7 7 7 7 7 7 1 39
2 3 4 5 5 5 5 4 6 6 7 4 4 4 4 4 6 4 6 5 6 6 6 7 1 47
6 6 6 6 6 6 6 6 7 7 7 5 6 5 6 6 1 4 4 5 6 6 6 6 1 53
7 7 7 7 6 5 5 6 7 7 6 6 6 7 6 7 6 7 6 6 7 7 7 7 1 48
6 6 6 6 2 3 5 4 6 7 7 6 7 7 7 7 6 6 6 6 7 7 6 6 1 47
6 6 6 6 5 5 5 5 7 5 6 5 5 4 5 4 6 6 6 6 5 5 5 5 1 56
7 7 7 7 4 4 5 4 6 7 7 7 7 7 7 7 7 7 7 7 6 6 6 6 1 57
6 6 6 6 6 6 6 6 7 7 6 6 7 6 4 4 6 6 6 6 6 6 5 5 1 31
5 4 5 4 7 7 7 7 7 7 7 6 5 5 7 5 5 5 6 5 7 6 7 6 1 48

323

7 7 5 7 4 4 4 4 7 6 6 6 6 7 6 6 6 7 6 6 6 6 5 5 2 52
6 6 6 5 5 5 4 4 7 6 7 5 5 5 6 6 5 5 6 6 5 5 6 6 1 31
6 6 6 6 3 4 5 5 7 6 7 5 5 6 4 4 6 7 6 6 6 6 5 5 2 30
6 6 6 6 6 5 5 6 6 6 6 7 6 7 6 6 4 5 4 4 6 6 5 5 1 50
5 5 5 6 5 5 5 5 7 7 6 7 7 6 4 4 3 3 4 4 4 4 5 5 1 48
6 6 6 5 6 7 6 7 6 7 7 6 6 6 6 6 4 5 5 5 6 6 6 6 1 53
3 3 4 4 3 4 5 5 6 6 6 5 5 5 6 6 7 7 7 7 6 6 5 5 1 31
6 6 6 6 5 5 5 4 7 7 7 4 5 5 4 5 6 7 6 7 6 6 6 7 1 35
7 7 7 7 7 7 7 7 7 7 7 5 6 5 6 6 2 3 4 5 6 7 6 7 1 53
5 5 5 6 7 7 7 7 7 7 7 5 5 5 5 5 3 4 5 5 6 7 7 7 1 36
6 6 6 6 6 6 6 6 6 6 6 5 5 6 4 4 5 6 5 6 6 5 5 5 2 46
6 6 6 6 6 6 6 6 7 7 7 6 7 5 5 5 3 4 3 4 6 6 6 6 1 59
6 6 6 6 6 6 6 6 7 5 6 5 5 5 5 3 6 6 6 6 5 5 6 6 1 51
7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 6 6 6 6 6 7 7 7 7 1 48
3 3 4 4 6 6 7 7 6 5 6 6 6 6 6 6 7 6 5 5 7 7 7 7 1 57
4 4 4 4 5 4 5 5 7 6 7 5 5 7 6 6 7 7 7 7 6 6 5 5 1 43
7 7 7 7 7 7 7 7 6 6 6 5 5 6 6 6 3 4 5 5 7 7 7 7 1 58
7 6 6 7 6 6 6 6 7 7 7 6 6 7 7 6 7 7 7 7 5 5 5 4 1 31
6 6 6 5 6 6 7 7 7 7 6 6 6 6 6 6 5 4 5 5 6 6 6 6 1 49
6 6 6 6 5 5 7 5 7 7 7 5 5 6 6 6 6 6 6 7 5 6 4 5 1 57
5 4 5 4 7 6 7 6 7 7 7 5 5 5 5 5 7 7 7 7 7 7 7 7 1 56
7 6 7 5 5 4 5 5 6 6 6 6 5 7 6 6 6 6 6 6 6 6 6 7 1 50
6 6 6 6 5 6 6 5 7 7 7 4 4 6 4 4 4 5 5 5 4 5 5 5 1 31
6 6 6 6 6 6 6 6 7 7 7 7 7 6 7 7 7 6 7 6 6 6 6 6 1 53
6 6 6 6 5 6 5 6 7 7 6 5 5 6 6 6 3 3 4 4 5 5 7 7 2 52
6 6 7 7 7 7 7 7 7 7 7 5 6 5 6 6 6 6 6 7 7 6 6 6 1 50
5 5 3 3 4 4 4 4 6 7 7 6 7 7 7 7 6 6 6 6 6 6 7 7 1 59
5 7 6 7 6 5 6 7 6 6 6 6 6 6 5 5 7 7 7 7 6 6 5 5 1 58
5 6 7 7 4 5 5 5 7 7 7 5 6 5 6 6 7 7 6 6 7 7 7 7 2 52
6 3 5 4 6 6 7 7 6 6 6 6 6 6 6 5 6 6 6 6 4 3 5 5 1 51
5 5 5 6 3 4 5 4 6 7 7 7 5 5 6 6 6 6 6 6 6 6 6 6 1 53
4 3 3 4 6 6 6 6 7 7 7 7 7 7 7 7 6 6 6 6 7 7 7 7 1 53
7 7 7 7 6 6 6 6 7 7 7 7 7 7 7 7 7 7 7 7 7 7 77 7 1 45
4 4 4 5 6 6 6 6 7 6 7 5 4 4 5 4 7 7 7 7 7 7 7 7 1 55

324

5 7 6 7 7 5 6 7 7 5 6 7 6 5 7 7 7 6 6 6 7 6 7 6 1 55
6 6 5 5 6 6 6 4 6 6 7 6 6 5 7 7 6 6 6 6 6 6 6 6 1 53
7 7 7 7 6 5 5 6 7 7 7 5 5 7 6 6 7 6 6 6 7 7 7 7 1 56
3 3 4 4 4 4 4 4 5 4 5 4 4 5 5 3 5 5 5 5 6 6 6 6 1 51
3 4 6 4 7 7 7 7 7 7 7 7 7 7 7 7 4 4 5 5 6 6 6 6 1 45
7 7 7 7 6 7 6 7 6 7 7 7 6 6 6 7 6 5 6 5 6 6 6 6 2 50
6 6 6 6 6 6 5 6 7 6 6 7 6 7 6 6 3 5 4 5 7 7 7 7 1 54
5 6 5 6 5 5 6 6 6 6 7 5 5 7 6 6 6 6 6 6 6 6 5 5 1 54
3 3 4 4 7 7 6 6 6 6 6 6 6 6 6 6 6 6 5 6 7 7 7 7 1 53
3 4 5 5 2 3 5 4 5 5 6 1 4 2 3 4 6 6 6 6 5 5 5 5 1 50
6 6 6 6 4 5 5 5 7 7 7 5 5 6 6 6 6 6 5 5 4 4 4 4 1 50
3 4 4 3 6 6 6 6 6 7 6 6 6 6 6 6 6 6 6 6 7 7 7 7 1 53
6 6 6 6 6 6 6 6 7 7 7 7 7 6 4 4 7 6 6 6 6 6 6 6 1 49
3 3 5 7 4 5 5 5 6 5 5 7 7 7 7 7 4 3 5 5 5 5 5 5 1 39
7 7 7 7 3 4 5 4 7 7 7 3 4 3 3 4 5 5 6 6 6 6 5 5 2 30
6 5 6 6 6 6 6 6 7 7 7 7 7 7 7 7 4 4 5 5 6 6 7 7 1 48
7 7 7 7 7 7 7 7 7 7 6 5 6 5 6 6 4 5 5 5 6 6 6 7 1 57
6 6 6 6 5 5 6 6 7 6 6 7 7 7 7 6 6 6 6 6 4 4 4 4 2 44
6 6 6 6 6 6 5 5 7 7 7 5 5 7 6 6 4 4 4 4 6 6 6 6 2 30
5 6 7 7 7 7 6 6 7 6 7 5 5 5 5 5 5 5 6 6 7 7 7 7 1 53
3 4 3 4 5 5 5 5 6 6 6 4 4 4 3 4 5 5 5 5 2 2 5 6 2 30
6 4 3 4 6 6 5 4 5 5 6 5 5 4 4 4 5 5 6 5 5 5 3 4 1 56
4 4 4 5 3 4 5 5 7 7 7 7 6 6 6 6 5 6 5 7 6 6 6 6 1 36
5 7 6 7 6 6 5 5 6 6 6 6 7 7 7 7 7 7 7 7 6 6 7 7 2 44
6 6 6 6 7 6 7 6 7 7 6 5 6 5 6 6 6 6 6 6 6 6 6 6 1 49
7 7 7 7 7 7 7 7 5 6 5 6 6 6 6 6 6 6 6 6 7 6 6 6 1 53
7 7 7 7 6 6 6 6 6 6 6 3 3 7 6 6 7 7 7 7 6 6 6 6 1 54
6 6 7 7 4 4 4 4 7 6 6 6 7 7 7 7 6 6 6 6 6 6 6 6 1 31
4 5 4 5 6 6 7 7 7 7 7 5 5 5 5 5 7 7 7 7 7 7 7 7 1 50
7 7 7 7 3 4 5 5 6 7 7 5 6 5 6 6 6 6 6 6 6 6 6 6 2 46
3 4 5 5 5 6 6 5 6 7 7 6 5 7 7 6 5 5 5 6 5 6 5 5 1 23
7 7 7 7 6 6 6 6 7 5 6 7 7 7 6 6 3 5 4 5 4 4 4 5 1 58
3 4 3 4 6 6 6 6 7 7 7 7 7 7 7 7 6 6 6 6 7 7 7 7 1 50
6 6 6 6 6 6 6 6 6 7 7 6 6 6 6 6 3 3 4 4 6 6 6 6 2 50

325

7 5 5 5 5 6 6 5 6 6 6 6 7 7 7 7 7 7 7 7 5 5 5 5 1 43
7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 6 3 4 4 5 5 4 4 4 1 45
5 5 6 6 5 5 5 5 7 6 6 5 5 5 6 6 6 6 6 6 6 6 6 7 1 55
7 7 7 7 7 7 7 7 7 7 7 6 6 6 7 7 6 5 5 6 5 5 5 5 1 57
6 7 6 7 6 6 7 7 7 6 7 4 5 5 5 4 6 6 6 6 6 7 7 7 1 53
7 7 5 6 5 7 6 7 5 6 7 7 7 6 5 4 7 7 7 7 6 6 6 6 1 50
3 4 5 5 6 6 6 6 6 6 6 7 7 7 7 7 7 7 7 7 7 7 7 7 1 53
6 7 6 7 5 6 6 5 6 7 7 6 5 5 5 6 7 7 7 7 4 4 4 5 1 50
5 6 7 7 6 6 6 7 6 6 6 6 6 6 6 7 7 7 7 7 5 5 5 5 1 56
6 6 7 7 5 6 6 5 6 6 6 5 6 7 7 6 7 7 7 7 5 5 4 5 1 47
7 7 7 5 5 7 7 7 7 6 7 7 6 6 4 4 6 6 6 7 7 7 7 7 1 59
5 5 5 5 7 7 7 7 7 7 7 7 7 7 7 7 4 4 5 5 6 6 6 6 1 54
6 6 6 6 6 6 6 6 6 7 7 7 7 7 7 7 6 6 7 7 6 7 6 6 1 48
5 5 7 7 6 6 6 6 6 6 7 7 7 7 7 7 7 6 6 6 7 7 7 7 1 57
6 7 5 7 6 5 6 5 6 6 6 5 6 6 5 5 7 7 7 7 6 6 5 5 1 45
5 5 4 4 7 7 7 7 6 6 6 6 6 5 6 5 5 5 5 6 7 6 7 6 1 57
6 6 6 6 6 6 6 6 6 7 7 6 6 6 6 5 6 7 6 6 5 5 4 5 1 53
6 6 6 6 6 6 6 6 6 6 6 7 5 7 6 6 6 6 6 6 6 6 6 6 1 23
5 6 5 5 7 7 7 7 6 6 6 5 5 4 4 4 5 5 4 3 4 4 5 5 1 54
7 7 7 7 3 4 5 4 7 6 6 5 5 5 5 5 4 5 5 5 5 6 5 5 1 23
3 4 3 4 2 3 5 4 4 5 5 5 5 5 3 4 6 6 6 6 5 5 5 5 1 46
5 5 5 6 7 7 7 7 7 7 7 7 7 7 7 7 3 4 5 5 7 6 7 7 1 35
6 6 6 6 6 6 6 6 7 7 6 7 7 6 7 7 7 7 7 7 6 6 5 5 1 48

V felicit pentru rbdare! ntr-adevr, ai muncit ceva, iar acum s
vedem rsplata. Pentru nceput, vom analiza consistena intern a fiecrei
scale, folosind metoda
Cronbach. Deoarece acest chesti-
onar are ase scale, analiza consis-
tenei interne pentru ntregul in-
strument nu are sens.
Vom ncepe cu scala mo-
tivaie, itemii componeni fiind
12, 13, 14, 15 i 16.
n figura 3.5 am inclus
aceti itemi n vederea analizei, am ales modelul de analiz (modelul Alpha)
i am scris o etichet descriptiv pentru
aceste proceduri n seciunea Scale label.
n principiu, aceste informaii sunt suficien-
te pentru ca programul s calculeze coefici-
entul dorit. Totui, fiind cercettori cu expe-
rien, vom dori s aflm n detaliu i com-
poziia scalei. Accesnd butonul Statis-
tics vom alege, imediat, i opiunile care
ne intereseaz n mod deosebit.
Vom alege calculul statisticilor de-
scriptive la nivel de item, la nivel de scal i
la nivel de scal atunci cnd eliminm un
item. Matricele de corelaie i de covarian
sunt, de asemenea, foarte utile, precum i statisticile cumulate (mediile,
varianele, covarianele i corelaiile). Nu vom proceda la analiza de varian-
, ns vom dori s testm ipoteza egalitii mediilor prin testul T-square
Hotelling. Toate aceste configurri le putei urmri n figura 3.6.
Figura 3.5 Analiza consistenei interne pentru
scala motivaie
Figura 3.6 Analiza compoziiei
scalei motivaie

327

Dup ce am prsit acest formular, prin apsarea butonului Conti-
nue, va trebui s apsm butonul OK n vederea lansrii procedurilor de
calcul.
Primul tabel din foaia de
rezultate se refer la sumarul
cazurilor analizate. Observm c
studiul consistenei interne s-a
realizat pe un numr de 160 de
subieci, toi avnd rezultatele
completate corect, procentul de rezultate valide fiind de 100%. A doua linie
din tabel ne informeaz asupra cazurilor excluse din analiz. Dac unii din-
tre subieci ar fi avut date lips la vreunul dintre cei cinci itemi, n aceast
linie ar fi fost prezentat numrul acestora. Desigur, ntr-o asemenea situaie,
numrul de cazuri valide nu ar mai fi fost 160, ci un alt numr, diminuat cu
valoarea din linia cazurilor excluse. Din fericire, nu ne aflm ntr-o aseme-
nea situaie, iar SPSS nu raporteaz niciun caz exclus. n mod firesc, linia
Total reprezint suma dintre cazurile valide i cazurile excluse, numr
egal cu subiecii din baza de
date.
Urmtorul tabel conine
datele care ne intereseaz pe noi
cel mai mult, i anume valoarea coeficientului de consisten intern. Ob-
servm c scala analizat, format din cinci itemi, are un coeficient de con-
sisten intern Cronbach de 0,899, att n form brut ct i n form
standardizat. Diferena dintre cele dou valori const n procedura de lu-
cru. n forma brut, calculul de bazeaz pe numrul de itemi din scal i pe
raportul dintre media covarianelor inter-item i media varianelor itemilor.
Formula de calcul nu a fost prezentat n acest volum, prefernd calculul
coeficientului standardizat. Acesta din urm pleac de la supoziia c vari-
Tabelul 3.8 Sumarul cazurilor analizate
N %
Cases Valid 160 100,0
Excluded
a
0 ,0
Total 160 100,0
a. Listwise deletion based on all variables in the procedure.
Tabelul 3.9 Coeficientul de consisten intern Cronbach
Reliability Statistics
Cronbach's Alpha
Cronbach's Alpha Based
on Standardized Items
N of
Items
,899 ,899 5

328

ana itemilor este egal aa cum am discutat deja i se bazeaz pe core-
laiile dintre itemi. Indiferent de metoda de lucru, am constatat c scala
motivaie este o scal fidel sub aspectul consistenei interne (o scal con-
sistent).
Tabelul urmtor pe care l afi-
eaz formularul de rezultate conine
statisticile descriptive pentru fiecare
dintre cei cinci itemi analizai. Obser-
vm c SPSS a calculat, pentru fieca-
re dintre itemi, media i abaterea
standard. Privind mediile, am putea
aprecia, la prima vedere, c acestea sunt relativ egale, fr diferene semni-
ficative ntre ele. Ne amintim, totui, c am ales un test statistic pentru a
verifica egalitatea mediilor testul T-square care pleac de la ipoteza nul
a egalitii acestora. Ultimul tabel din formularul de rezultate arat rezulta-
tele administrrii acestui test statis-
tic. ntr-adevr, ne-am fi nelat
dac am fi presupus c mediile sunt
egale. Testul este semnificativ
(F
(4,156)
=3,50, p<0,01), prin urmare
ipoteza nul nu poate fi acceptat. Mediile nu sunt egale la nivelul celor
cinci itemi, existnd diferene semnificative ntre rspunsurile subiecilor la
aceste ntrebri, fapt de
altfel pozitiv, care asigur
variabilitatea, eterogenita-
tea necesar.
Urmtoarele dou
tabele v arat matricele
de corelaii i de covarian-
Tabelul 3.10 Statistici descriptive la nivel de itemi
Item Statistics
Mean Std. Deviation N
Itemul 12 5,77 1,059 160
Itemul 13 5,84 ,955 160
Itemul 14 5,92 1,009 160
Itemul 15 5,82 1,045 160
Itemul 16 5,72 1,065 160
Tabelul 3.11 Testul de egalitate a mediilor
Hotelling's T-Squared Test
Hotelling's T-
Squared
F df1 df2 Sig
14,277 3,502 4 156 ,009
Inter-Item Correlation Matrix
Itemul 12 Itemul 13 Itemul 14 Itemul 15 Itemul 16
Itemul 12 1,000 ,803 ,635 ,558 ,533
Itemul 13 ,803 1,000 ,567 ,570 ,562
Itemul 14 ,635 ,567 1,000 ,672 ,622
Itemul 15 ,558 ,570 ,672 1,000 ,880
Itemul 16 ,533 ,562 ,622 ,880 1,000

329

e inter-itemi. Tabelul 3.12 prezint tocmai matricea de corelaii dintre cei
cinci itemi, similar celei pe care am construit-o n capitolul anterior, la
calcularea manual a acestui coeficient.
La o simpl privi-
re, observm coeficieni de
corelaie ridicai ntre cei
cinci itemi, aceasta fiind
explicaia obinerii unei
fideliti ridicate la nivelul
scalei. Studiul covariane-
lor ne permite, de asemenea, aprecierea omogenitii scalei. ntr-adevr,
diferenele dintre itemi sunt relativ mici, subiecii rspunznd compact pe
scala motivaie, lucru care ne permite s deducem, din nou, existena unei
valori mari pentru fidelitatea scalei.
Tabelul 3.14 Statistici cumulate la nivelul scalei
Summary Item Statistics
Mean Minimum Maximum Range
Maximum /
Minimum
Variance N of Items
Item Means 5,814 5,719 5,919 ,200 1,035 ,006 5
Item Variances 1,056 ,913 1,134 ,222 1,243 ,008 5
Inter-Item Covariances ,676 ,547 ,980 ,433 1,792 ,017 5
Inter-Item Correlations ,640 ,533 ,880 ,348 1,652 ,013 5

Dac analiza corelaiilor i a covarianelor nu v-a convins, haidei s
abordm perspectiva sintetic din tabelul 3.14. La nivelul mediilor, avem o
medie a mediilor celor cinci itemi de 5,81, cea mai mic medie fiind de 5,71
iar cea mai mare medie este de 5,91. Dei amplitudinea dintre cea mai mic
medie i cea mai mare este de doar 0,20, am observat c aceast diferen
este semnificativ (prin testul statistic de mai sus), n timp ce variana medi-
ilor este mic. Aceleai tendine le observm i la nivelul analizei variane-
lor, precum i atunci cnd studiem sintetizat covarianele i corelaiile.
Tabelul 3.13 Matricea de covarian inter-itemi
Inter-Item Covariance Matrix
Itemul 12 Itemul 13 Itemul 14 Itemul 15 Itemul 16
Itemul 12 1,122 ,813 ,679 ,618 ,601
Itemul 13 ,813 ,913 ,547 ,569 ,572
Itemul 14 ,679 ,547 1,019 ,708 ,669
Itemul 15 ,618 ,569 ,708 1,093 ,980
Itemul 16 ,601 ,572 ,669 ,980 1,134

330

Pn n acest moment, avem toate motivele s credem c valoarea
coeficientului Cronbach pe care am obinut-o este, ntr-adevr, o valoare
real, iar scala poate fi considerat fidel.
Un singur lucru mai avem de
fcut, i anume s analizm propriet-
ile scalei. n acest sens, avem la dis-
poziie dou tabele: tabelul statistici-
lor descriptive la nivel de scal i tabelul relaiilor dintre itemi i scal.
n tabelul 3.15 observm c scala motivaie este format din 5
itemi, are o medie de 29,07 puncte cu o abatere standard de 4,33 puncte.
Desigur, la acest nivel, informaiile nu ne sunt de prea mare folos.
Tabelul 3.16 Relaii ntre itemi i scal
Item-Total Statistics

Scale Mean if
Item Deleted
Scale Variance
if Item Deleted
Corrected Item-
Total Correlation
Squared Mul-
tiple Correla-
tion
Cronbach's
Alpha if Item
Deleted
Itemul 12 23,30 12,249 ,731 ,693 ,881
Itemul 13 23,23 12,880 ,729 ,671 ,881
Itemul 14 23,15 12,569 ,728 ,551 ,881
Itemul 15 23,25 11,950 ,796 ,802 ,866
Itemul 16 23,35 12,015 ,765 ,781 ,873

Situaia se schimb, ns, dac analizm i tabelul 3.16. Se observ
c dac eliminm oricare dintre cei cinci itemi, media, variana dar i core-
laia dintre item i scal vor scdea. Cel mai important item pare a fi itemul
14, deoarece dac l eliminm, variana comun a scalei scade la 0,55. Prac-
tic acesta este itemul care introduce cele mai multe distorsiuni, care
biaseaz cel mai puternic scala. Folosind toi cei cinci itemi, obinusem un
coeficient de consisten intern de 0,89. Se poate constata c eliminarea
oricrui item nu duce la creterea consistenei interne ci, din contra, la di-
minuarea acesteia.
Tabelul 3.15 Statistici descriptive la nivel de scal
Scale Statistics
Mean Variance Std. Deviation N of Items
29,07 18,794 4,335 5

331

n final, am adus suficiente dovezi n sprijinul fidelitii acestei sca-
le, demonstrnd c toi cei cinci itemi sunt consisteni, fidelitatea prin aceas-
t metod fiind bun, putem pstra scala n forma ei actual. Desigur, n
general nu vom folosi toate aceste opiuni statistice pentru calculul fidelit-
ii prin metoda consistenei interne. Spre exemplu, statisticile descriptive la
nivel de scal se folosesc, n special, pentru metoda split-half i nu pentru
metoda consistenei interne.
Pentru a clarifica problematica analizei de fidelitate prin metoda
consistenei interne, vom considera o nou scal scala sarcina, format
din itemii 1, 2, 3 i 4. nainte de a ncepe studiul acestei scale, s vedem ce
se ntmpl dac avem un item inversat. Anterior, am afirmat c rspun-
surile subiecilor se dau pe o scal de la 1 la 7, unde 1 nseamn foarte puin
iar 7 nseamn foarte mult. De obicei, n chestionare nu vei ntlni toi
itemii prezentai n forma natural a scalei (1 foarte puin, 7 foarte
mult). Din cnd n cnd, vei observa itemi la care 1 nseamn foarte mult
iar 7 foarte puin. Motivul pentru care cercettorii folosesc un asemenea
sistem, cu itemi inversai, este unul foarte simplu. Se evit tendina de rs-
puns n sensul pozitiv sau negativ al scalei, i oblig subiecii s fie
ateni la rspunsurile pe care le dau. Cu alte cuvinte, elimin rutina rspun-
surilor. Dei practica este apreciat i rspndit n lumea tiinific, ea poa-
te crea probleme atunci cnd apare necesitatea analizei datelor.
Chestionarul nostru nu are itemi cu scale de rspuns inversate, ns
putem crea foarte uor un item de acest tip. Care ar fi procedeul? n primul
rnd, vom reine valoarea maxim a scalei de rspuns. n cazul nostru,
aceasta este valoarea 7 (variantele de rspuns sunt de la 1 la 7). Apoi adu-
gm o unitate la aceast valoare (7+1=8). Din valoarea astfel rezultat, sc-
dem scorul obinut de ctre subieci la itemul respectiv.
De exemplu, dorim s inversm itemul 4 din scala sarcina. Desi-
gur, subiecii au rspuns la aceast scal de la 1 la 7, valoarea maxim fiind

332

7. Adugm o unitate acestei valori i obinem 8. Pn aici este clar. Acum,
observm c primul subiect a dat rspunsul 7 la itemul 4. Atunci, 8-7=1,
aceasta fiind valoarea inversat pentru primul subiect. Al doilea subiect a
dat rspunsul 6 i vom avea 8-6=2 ca valoare inversat. Al treilea subiect va
avea valoarea inversat 8-7=1 i aa mai departe. Practic, inversarea este o
operaiune de reflectare n oglind a scorurilor. Dac scala ar fi de tipul 7
foarte puin i 1 foarte mult, v dai seama c prin inversare vom restabili
sensul natural al acesteia.
Realizarea acestui lucru manual ar n-
semna munc de chinez btrn. Din fericire,
SPSS ne pune la dispoziie un utilitar foarte
important, situat n cadrul meniului Trans-
form, opiunea Compute Variable. De-
spre acest meniu am discutat i n volumul anterior, astfel nct aici ne vom
concentra doar pe elementele eseniale.
n figura 3.8 avei rezultatul accesrii acestui meniu. Chiar dac nu
ai lecturat lucrarea anterioar,
fereastra este destul de intuitiv.
V putei da seama c formularul
permite efectuarea diferitelor cal-
cule folosind variabilele din baza
de date. Vom folosi aceste proce-
duri pentru a inversa itemul 4 al
scalei sarcina.
n caseta Target
Variable vom include noul nume
al variabilei noastre. Vom conveni
ca noua variabil creat s se nu-
measc item4tr, prescurtare pentru itemul 4 transformat. n caseta
Figura 3.7 Meniul de trans-
formare a variabilelor
Figura 3.8 Inversarea unui item

333

Numeric Expression scriem formula de calcul, n cazul nostru 8-item4.
La apsarea butonului OK, programul va crea o nou variabil, numit
item4tr, apoi va lua scorul fiecruia dintre cei 160 de subieci i l va sc-
dea din valoarea 8, rezultatul fiind depozitat n variabila nou creat.
Ce am obinut de fapt?
Dac rspunsurile la itemul 4
original nsemnau 1 foarte
puin i 7 foarte mult, rspun-
surile la itemul 4 transformat
vor nsemna 1 foarte mult i 7
foarte puin. Iat metoda prin
care putem inversa itemii,
atunci cnd constatm proble-
me n consistena scalei. Simplu i elegant! Totui, care ar putea fi proble-
mele legate de consistena scalei? n seciunea teoretic din cadrul acestui
capitol am discutat despre posibilitatea
obinerii unui coeficient de consisten
intern foarte mic, sau chiar negativ, din
cauza existenei itemilor inversai. A
venit momentul s ne i confruntm cu o
asemenea situaie. S ne imaginm c
scala sarcina avea itemii 1, 2 i 3 n
sensul natural al scalei iar itemul 4 era
inversat. Acum, ne intereseaz studiul
consistenei interne a acestei scale.
Observm, n figura 3.9, include-
rea celor patru itemi. Itemii 1, 2 i 3 au
fost inclui n forma original, iar itemul
Figura 3.9 Analiza fidelitii scalei sarcina
Figura 3.10 Statistici calculate pentru
scala sarcina

334

4 a fost inclus n forma transformat (acest item l gsii la sfritul bazei de
date, ultimul element din lista variabilelor din baza de date).
Calculele statistice sunt, de aceast dat, mult mai simple. Vom opta
doar pentru analiza statisticilor la nivel de item i la nivel de scal dac
itemul este eliminat i, de asemenea, afiarea matricei de corelaii inter-
item.
S vedem acum ce minuni
obinem. Surpriz, coeficientul de
consisten intern Cronbach
este de 0,171 n forma brut i
0,084 n form standardizat, for-
ma bazat pe corelaii. Primul impuls ar fi s credei c scala nu are consis-
ten intern i s v grbii s umblai la itemi. Dar, s continum totui
analiza.
La nivelul itemilor, observm
c mediile sunt apropiate pentru toi
cei 3 itemi, singura medie diferit
fiind cea a itemului 4. n acelai timp,
abaterile standard sunt, din nou, des-
tul de apropiate. Problema poate fi,
prin urmare, la nivelul celui de-al patrulea item. Acesta ori nu coreleaz cu
ceilali, ori coreleaz negativ. Se pare c ne aflm n cea de-a doua situaie,
dac vom privi tabelul 3.19.
Itemii 1, 2 i 3 coreleaz
puternic ntre ei, avnd coe-
ficieni de corelaie cuprini
ntre 0,723 i 0,834. Pe de
alt parte, i itemul 4 core-
leaz puternic cu itemii 1, 2
Tabelul 3.17 Consistena intern a scalei sarcina
Cronbach's
Alpha
Cronbach's Alpha Based
on Standardized Items
N of
Items
,171 ,084 4
Tabelul 3.18 Statistici descriptive la nivel de itemi
Item Statistics
Itemul 1 5,61 1,304 160
Itemul 2 5,68 1,200 160
Itemul 3 5,74 1,124 160
Itemul 4 transformat 2,23 1,132 160
Inter-Item Correlation Matrix

Itemul 1 Itemul 2 Itemul 3
Itemul 4
transformat
Itemul 1 1,000 ,834 ,723 -,621
Itemul 2 ,834 1,000 ,780 -,779
Itemul 3 ,723 ,780 1,000 -,803
Itemul 4 transformat -,621 -,779 -,803 1,000

335

i 3, coeficienii fiind cuprini ntre 0,62 i 0,80, singura problem fiind
aceea c itemul 4 coreleaz negativ. Este foarte clar faptul c avem de a
face cu un item inversat.
n mod normal, analiza s-ar opri la aceast faz, dup care vom pro-
ceda la inversarea sensului scalei itemului 4 i reluarea studiului de fidelita-
te.
Tabelul 3.20 Relaii ntre itemi i scal
Item-Total Statistics

Scale Mean if
Item Deleted
Scale Variance
if Item Deleted
Corrected Item-
Total Correlation
Squared Mul-
tiple Correla-
tion
Cronbach's Alpha
if Item Deleted
Itemul 1 13,64 1,931 ,799 ,723 -1,598
a

Itemul 2 13,57 2,486 ,686 ,809 -1,062
a

Itemul 3 13,51 3,082 ,552 ,730 -,653
a

Itemul 4 trans-
format
17,02 11,239 -,790 ,718 ,912
a. The value is negative due to a negative average covariance among items. This violates reliability model
assumptions. You may want to check item codings.

Chiar i SPSS i-a dat seama de acest lucru, dac observai subsolul
tabelului 3.20. Strict informativ, putei vedea ce se ntmpl dac eliminm
al patrulea item. Media i variana scalei vor crete, la fel i coeficientul de
consisten intern. Totui, acesta nu este un item neconsistent ci un item
care coreleaz bine cu scala, singura sa problem fiind aceea a sensului de
rspuns.
Relund analiza, prin nlocuirea itemului 4 transformat cu itemul 4
original, vom obine un coeficient de consisten intern de 0,92, aceasta
fiind i cea mai mare valoare obinut a consistenei interne.
Exerciii:
Efectuai analiza consistenei interne a scalei sarcina folosind
itemul 4 original i explicai diferenele.

336

Realizai analiza de fidelitate prin metoda consistenei interne pen-
tru celelalte patru scale rmase.
Nu vom mai insista asupra acestei metode, deoarece consider c
avei deja suficiente informaii pentru a realiza analize pertinente. Vreau
doar s menionez, n final, c metoda consistenei interne prin calculul coe-
ficientului Cronbach nu este, de fiecare dat, cea mai bun variant. S-au
analizat, anterior, limitele sale. De aceea, Raykov (1998) a pus la punct o
modalitate de analiz a consistenei interne, numit fidelitate compozit sau
fidelitate Raykov , care pleac de la un principiu al analizei factoriale, con-
form creia un set de variabile poate s acopere o singur dimensiune, un
singur factor. Aceast metod este, la ora actual, preferat metodei lui
Cronbach i se consider c estimeaz mult mai bine fidelitatea real a unei
scale. Din nefericire, procedurile de calcul nu au fost nc implementate n
SPSS. Ele sunt ns disponibile n alte aplicaii, precum EQS i LISREL sau
AMOS.
Exist controverse ntre cercettori privind ordinea analizelor. Unii
afirm c este util, nti, s studiem consistena intern, pentru a ne asigura
de fidelitatea scalei, apoi s verificm unidimensionalitatea prin metoda
analizei factoriale. Alii se situeaz la polul opus. nti vom verifica dimen-
siunile unui instrument, prin analiza factorial, apoi vom studia, pentru fie-
care dimensiune, fidelitatea acestora.
n realitate, au dreptate i unii i alii. Dac instrumentul este bine
conceput i vizeaz o singur dimensiune, studiul iniial al consistenei poa-
te furniza informaii preioase, iar analiza factorial confirmatorie le va sus-
ine. Pentru instrumente complexe, multidimensionale, este mai util s rea-
lizm o analiz factorial sau o scalare multidimensional iniial, pentru a
verifica numrul de dimensiuni i modul n care acestea sunt saturate prin
itemi, iar apoi vom apela la studiul consistenei interne.

337

Dac instrumentul este greit conceput, fr consisten, atunci nici
analiza factorial, nici consistena intern, nicio metod nu-l poate repara.
n definitiv, nu putem face minuni cu procedeele statistice, dac cercettorul
a fost neinspirat sau diletant.
Analiza consistenei interne nu se folosete, de obicei, independent,
ci este asociat cu alte metode de explorare ale dimensionalitii instrumen-
telor. Cele mai utilizate proceduri asociate consistenei interne sunt analiza
factorial, scalarea multidimensional sau analiza de cluster. Cu rbdare, le
vom aborda pe toate n decursul lucrrilor noastre.
III.2.2 Analiza fidelitii prin metoda njumtirii
Metoda njumti-
rii (split-half) poate fi uti-
lizat n SPSS n mod si-
milar procedeului de stu-
diu al consistenei interne.
Singurul lucru pe care l
avem de fcut este acela
de a alege modelul adecvat
(n cazul nostru, selectarea
opiunii Split-half din
cadrul casetei derulante Mo-
del).
S presupunem c dorim
s studiem fidelitatea, prin me-
toda njumtirii, pentru ntre-
gul chestionar. Dup alegerea
Tabelul 3.21 Sumarul cazurilor analizate
N %
Cases Valid 159 99,4
Excluded
a
1 ,6
Total 160 100,0
a. Listwise deletion based on all variables in the procedure.
Figura 3.11 Analiza fidelitii prin metoda split-half

338

modelului, vom include, n vederea analizei, toi cei 24 de itemi. n afar de
statisticile descriptive la nivelul scalei, nu avem nevoie de calculul altor
indicatori de acest tip.
Primul tabel din formula-
rul de rezultate se refer, dup
cum bine tii, la sumarul cazuri-
lor analizate. Observm c dintr-
un numr de 160 de persoane, au
fost analizate doar 159. Probabil
c unul dintre subieci nu a com-
pletat rspunsul la unul sau la
mai muli itemi, acesta fiind un
motiv suficient pentru a fi exclus
din prelucrare. n orice caz, avem suficiente date pentru a putea trage con-
cluzii utile.
Ultimul tabel din
formularul de rezultate
conine statisticile de-
scriptive la nivelul scalei.
Se observ c SPSS a
inclus primii 12 itemi din
chestionar ntr-o form i
ultimii 12 itemi n cealal-
t form.
Din primele in-
formaii, aflm c media
itemilor din prima form este mai mare n comparaie cu media itemilor din
cea de-a doua form, iar varianele sunt, din nou, diferite. A doua form are
o varian mai mare n comparaie cu prima form. Dac diferenele dintre
Tabelul 3.22 Statistici descriptive la nivel de scal
Scale Statistics
Mean Variance Std. Deviation N of Items
Part 1 71,33 53,728 7,330 12
a

Part 2 70,16 93,884 9,689 12
b

Both Parts 141,49 183,733 13,555 24
a. The items are: Itemul 1, Itemul 2, Itemul 3, Itemul 4,
Itemul 5, Itemul 6, Itemul 7, Itemul 8, Itemul 9, Itemul 10,
Itemul 11, Itemul 12.
b. The items are: Itemul 13, Itemul 14, Itemul 15, Itemul 16,
Itemul 17, Itemul 18, Itemul 19, Itemul 20, Itemul 21, Itemul
22, Itemul 23, Itemul 24.
Tabelul 3.23 Analiza fidelitii prin metoda split-half
Cronbach's Alpha Part 1 Value ,839
N of Items 12
a

Part 2 Value ,572
N of Items 12
b

Total N of Items 24
Correlation Between Forms ,254
Spearman-Brown Coefficient Equal Length ,405
Unequal Length ,405
Guttman Split-Half Coefficient ,393
a. The items are: Itemul 1, Itemul 2, Itemul 3, Itemul 4, Itemul 5, Itemul
6, Itemul 7, Itemul 8, Itemul 9, Itemul 10, Itemul 11, Itemul 12.
b. The items are: Itemul 13, Itemul 14, Itemul 15, Itemul 16, Itemul 17,
Itemul 18, Itemul 19, Itemul 20, Itemul 21, Itemul 22, Itemul 23, Itemul
24.

339

medii sunt sau nu semnificative, am fi putut afla utiliznd unul dintre testele
statistice prezentate mai sus, sau prin construirea tabelelor de analiz de
varian. Dac v-ai format puin ochiul statistic, deja putei suspecta ce-
va. Oare despre ce este vorba? S rezulte, oare, un coeficient de fidelitate
split-half cu o valoare mic?
ntr-adevr, aa este! S privim puin tabelul 3.23, cel mai important
tabel generat de SPSS. Consistena intern pentru prima parte a instrumen-
tului este bun (0,839), n timp ce a doua parte are o consisten intern
aproape satisfctoare (0,572). Este firesc s obinem un coeficient de core-
laie ntre cele dou pri de numai 0,254. Mai mult dect att, se observ o
fidelitate split-half redus, de doar 0,40, estimat prin intermediul coeficien-
tului Spearman-Brown. Cele dou forme, avnd un numr egal de itemi,
expresia acestui coeficient va fi prima valoare (Equal Length). Dac forme-
le ar fi avut un numr inegal de itemi (de exemplu prima parte 12 itemi i a
doua parte 13 itemi), am fi luat ca referin cea de-a doua valoare a coefici-
entului (Unequal Length).
Am vzut, totui, c varianele nu sunt egale. Dac ne-am raporta
precis la teorie, am alege ca indicator coeficientul de fidelitate split-half
Guttman. ns, lucrurile par mai sumbre. Coeficientul este de numai 0,39
(de fapt, coeficientul Guttman
4
), cea mai mic sub aspectul fidelitii.
n realitate, Guttman a propus ase coefi-
cieni de fidelitate care furnizeaz limitele inferi-
oare ale fidelitii reale. Dac dorim s-i calcu-
lm, tot ceea ce avem de fcut este s nlocuim
modelul (alegem modelul Guttman din lista
derulant Model).
Vom obine tabelul din figura 3.24. Pri-
mul coeficient (
1
) este o estimare simpl a fide-
Tabelul 3.24 Fidelitatea split-half
pe baza modelului Guttman
Lambda 1 ,690
2 ,738
3 ,720
4 ,393
5 ,724
6 ,806
N of Items 24

340

litii, formnd baza tuturor celorlalte estimri. Conform acestuia, fidelitatea
ar fi acceptabil. Al treilea coeficient (
3
) nu este altceva dect coeficientul
de consisten intern Cronbach, calculat pentru toi cei 24 de itemi. Am
observat c, dei consistena intern poate fi considerat acceptabil
(0,720), totui sunt probleme serioase de fidelitate prin metoda njumtirii.
Coeficientul (
2
) este un coeficient mult mai precis n comparaie cu
primul sau cu al treilea, ns calculul acestuia se poate face doar computeri-
zat. Este, dac dorii, o variant optimizat i ajustat a consistenei interne
pentru ntregul instrument. Desigur, al patrulea coeficient, (
4
) este exact
coeficientul de fidelitate Guttman split-half. n mod cert, are valoarea cea
mai mic.
Al cincilea i al aselea coeficient (
5
) i (
6
) reprezint estimri
mult mai precise n comparaie cu al doilea coeficient (
2
). Coeficientul
5
l
folosim atunci cnd instrumentul prezint itemi din domenii specifice i
itemi aparinnd unor domenii generale. Practic, acest coeficient este utilizat
cnd avem un item care acoper o mare parte din variana altor domenii
(item din domeniul general), domenii acoperite la modul specific de ctre
ceilali itemi. Situaia este frecvent ntlnit n cazul testelor de cunotine
generale i specifice.
Coeficientul
6
este util atunci cnd lucrm cu baterii de teste, caz n
care testul acoper mai multe dimensiuni. Fiecare item satureaz o anumit
dimensiune, dar toate aceste dimensiuni pot participa la construcia unui
factor general. Bateria de teste de inteligen Wechsler este unul dintre cele
mai bune exemple de utilizare ale acestui coeficient.
Folosind toate aceste informaii, ce putem spune despre chestionarul
nostru? Desigur, instrumentul nu este fidel n baza metodei split-half, fapt
confirmat att de coeficientul Spearman-Brown, ct i de coeficientul
Guttman
4
. Totui, putem spune c instrumentul, luat n ansamblu, are con-
sisten intern (Guttman
3
, i
2
). ntr-adevr (dup Guttman
6
), se poate

341

aprecia c msura comportamentului organizaional este o msur fidel,
ns acesta prezint mai multe scale, fiind aadar necesar studierea structu-
rii dimensionale a instrumentului. n realitate, tim bine c acest chestionar
este format din ase scale. Chiar dac nu am fi cunoscut acest lucru, iat c
studiul coeficienilor Guttman ne poate avertiza asupra acestor aspecte par-
ticulare. n mod evident, primii 12 itemi acoper anumite scale, ultimii 12
acoper alte scale. Chiar dac per ansamblu chestionarul poate fi consistent,
nu este necesar s exist o corelaie ntre scalele instrumentului.
III.2.3 Analiza fidelitii prin metoda formelor paralele
n vederea analizei de fidelitate prin metoda formelor paralele, me-
tod numit i a echivalenei, SPSS pune la dispoziie dou modele: mode-
lul Parallel i modelul Strictly parallel. Modelul strict paralel pleac de
la prezumia c scorurile reale la itemi au aceeai medie i aceeai varian,
n timp ce modelul paralel simplu postuleaz existena doar a aceleiai vari-
ane, n timp ce mediile pot s nu fie egale. n general, atunci cnd ne refe-
rim la forme echivalente, avem n vedere modelul paralel strict. Deoarece
sunt extrem de rare cazurile n care putem obine instrumente cu adevrat
echivalente, SPSS ne ajut cu o form simplificat, forma paralel simpl.
Lsnd la o parte diferenele subtile dintre cele dou modele, metoda
formelor paralele pleac de la ipoteza nul conform creia avem de a face,
ntr-adevr, cu forme paralele, cu forme care au cel puin variana egal.
Dac varianele nu sunt semnificativ egale, atunci nu putem vorbi de forme
paralele.
Destul ns cu teoria. S verificm dac putem vorbi de forme para-
lele n cazul chestionarului nostru. Din cte tim pn acum, nu cred c se
poate discuta despre acest lucru, ns haidei s ne convingem. Vom alege
modelul Parallel i cam att, deoarece procedurile sunt identice.

342

Primul element de noutate
l reprezint tabelul 3.25. Desigur,
pentru a vorbi de forme paralele,
va trebui s ne asigurm c aces-
tea sunt, ntr-adevr, paralele.
Pentru aceasta, SPSS furnizeaz
un test statistic, testul potrivirii
cu modelul teoretic, practic verificarea ipotezei nule expus mai sus. V
reamintesc faptul c ipoteza nul afirma c varianele celor dou forme sunt
egale. Dac pragul de semnificaie al acestui test este mai mare de 0,05 nu
putem respinge ipoteza nul i vom accepta faptul c varianele sunt egale,
deci vom vorbi despre forme paralele. Dac pragul de semnificaie este mai
mic de 0,05, ipoteza nul se va respinge, cele dou forme neavnd variane
egale. Respingnd ipoteza nul, respingem i modelul formelor paralele.
n cazul nostru, testul este semnificativ, pragul de semnificaie fiind
mai mic de 0,05, n condiiile unui test
2
(298)
= 5525,37 (atenie, este vorba
despre testul
2
de diferene ntre frecvene i nu despre coeficientul de con-
tingen
2
. Despre acest test am vorbit deja n capitolul anterior). Este foar-
te clar faptul c putem respinge ipoteza nul, ipoteza varianelor egale, i
vom lua n considerare faptul c varianele nu sunt egale implicit faptul c
formele nu sunt paralele.
Dac nu putem vorbi de forme pa-
ralele, nu putem vorbi nici de fidelitate a
formelor paralele (echivalen). Totui,
SPSS ne furnizeaz, n tabelul 3.26, chiar
i n acest caz, rezultatele analizei de fide-
litate. Constatm c din totalul varianei
comune a celor 24 de itemi, o foarte mic
parte este explicat de variana real, diferena datorndu-se erorilor aleato-
Tabelul 3.25 Evaluarea paralelismului formelor
Test for Model Goodness of Fit
Chi-Square Value 5525,347
df 298
Sig ,000
Log of Determinant of Unconstrained Matrix -17,280
Constrained Matrix 19,607
Under the parallel model assumption
Tabelul 3.26 Fidelitatea formelor paralele
Common Variance 2,376
True Variance ,230
Error Variance 2,147
Common Inter-Item Correlation ,097
Reliability of Scale ,720
Reliability of Scale (Unbiased) ,723

343

rii. Coeficientul de corelaie ntre itemii formelor paralele este foarte mic.
Totui, fidelitatea scalei pare s fie ridicat (0,72). ntr-adevr, fidelitatea
este estimat similar coeficientului Cronbach, bazndu-se pe consistena
intern. Dac am fi folosit modelul paralel strict, acest coeficient ar fi fost i
mai mic, deoarece consistena intern se ajusteaz n funcie de diferenele
dintre mediile itemilor.
Desigur, dac am decis c modelul paralel simplu nu poate fi aplicat,
deoarece formele nu sunt paralele, nu vom putea aplica nici modelul paralel
strict. n realitate, modelul paralel simplu este, aa cum am specificat ante-
rior, o variant mai permisiv a modelului paralel strict.
n concluzie, nu putem vorbi de existena formelor paralele la nive-
lul acestui chestionar. De fapt, bnuiam deja acest lucru n urma analizei
fidelitii prin metoda split-half. n realitate, foarte puine instrumente nde-
plinesc condiiile formelor paralele, i, de aceea, nici metoda nu este intens
folosit.
III.2.4 Analiza fidelitii inter-evaluatori
n situaia n care avei mai muli evaluatori i dorii s analizai gra-
dul de acord ntre acetia n condiiile n care ei evalueaz un anumit numr
de subieci, putei apela la o
alt variant de calcul.
S considerm un
exemplu fictiv, n care o comi-
sie de trei profesori evalueaz,
pe o scal de la 1 la 7, perfor-
manele obinute la statistic de
un numr de 160 de studeni.
S presupunem c primul pro-
fesor este itemul 1, al doilea profesor este itemul 2 iar al treilea profesor va
Figura 3.12 Analiza acordului ntre evaluatori

344

fi itemul 3. Cum putem s tim dac acetia au czut de acord n privina
evalurilor i care ar fi nivelul acestui acord? Dac ar fi fost doar doi evalu-
atori, lucrurile erau mult mai simple vei folosi, de exemplu, coeficientul
de concordan W Kendall cu trei evaluatori, pare mai complicat. S ve-
dem dac aa i este.
n figura 3.12 am inclus, n vederea analizei, gradului de acord inter-
evaluatori, evalurile efectuate de ctre
cei trei profesori. De aceast dat nu ne
mai intereseaz modelul folosit. Putem
lsa modelul Alpha dac dorim, sau
orice alt model se afl n lista derulant,
deoarece opiunile principale se regsesc
n formularul datelor statistice.
Ne amintim c, la nivelul acestui
formular (vezi figura 3.13), avem posibi-
litatea calculrii coeficientului de corela-
ie ca expresie a acordului cu privire la
scorurile fiecrui subiect (Intraclass
correlation coefficient). Vom selecta
aceast opiune, mpreun cu afiarea statisticilor descriptive ale fiecrui
evaluator (bifarea opiunii Item din cadrul seciunii datelor descriptive).
Pn acum este n regul, ns ce model folosim? S ne gndim. Avem vre-
un element constant n ecuaia noastr? Nu cred! Nu putem anticipa nici
evalurile profesorilor, nici rspunsurile subiecilor. n acest caz, modelul
Two-Way Random este cel mai potrivit. Intervalul de ncredere va fi cel
implicit, de 95%, semnificaia testndu-se la un prag de 0,05. Comparaiile
se vor face cu valoarea 0, adic valoarea lipsei totale de acord ntre cei trei
profesori. Acum s apsm butonul OK i s vedem ce se ntmpl.
Figura 3.13 Calculul coeficientului
de acord ntre evaluatori

345

Dintre tabelele afiate, nu ne interesea-
z dect dou. n primul rnd, tabelul 3.27,
care prezint statisticile descriptive ale fiecrui
profesor. Fiecare dintre cei trei profesori a eva-
luat un numr de 160 de studeni. Cel mai ge-
neros a fost profesorul Itemul 3, cu o medie
a notelor de 5,74 (atenie, ne aflm pe o scal de la 1 la 7, nu de la 1 la 10),
iar cel mai exigent a fost profesorul Itemul 1 cu o medie a notelor de
5,61. Abaterile standard ne informeaz c, primul profesor, dei mai exi-
gent, are o variabilitate a notelor acordate mai mare n comparaie cu ulti-
mul profesor, care nu numai c este cel mai tolerant, dar ofer i note mai
apropiate. Mediile relativ apropiate, acordate de ctre cei trei profesori, ne
ndeamn s credem c, n linii mari, acetia au fost de acord. Din pcate, n
statistic lucrurile nu in de aparen, ci trebuie demonstrate.
Programul mai ofer un tabel, tabelul coeficienilor de corelaie ai
acordului ntre scorurile subiectului, tabelul 3.28.
Tabelul 3.28 Coeficienii de corelaie a acordurilor
Intraclass Correlation Coefficient

Intraclass
Correlation
a

95% Confidence
Interval
F Test with True Value 0
Lower
Bound
Upper
Bound
Value df1 df2 Sig
Single Measures ,776
b
,721 ,824 11,387 159 318 ,000
Average Measures ,912 ,886 ,933 11,387 159 318 ,000
Two-way random effects model where both people effects and measures effects are
random.
a. Type C intraclass correlation coefficients using a consistency definition-the be-
tween-measure variance is excluded from the denominator variance.
b. The estimator is the same, whether the interaction effect is present or not.
n medie, evalurile celor trei profesori (a doua linie din tabel), pre-
zint un grad ridicat de acord (0,91), la un interval de ncredere 95% cuprins
ntre 0,88 i 0,93. Este mai mult dect evident faptul c cei trei profesori au
evaluat consistent studenii. Dac v ndoiai de acest lucru, testul F pleac
Tabelul 3.27 Statistici descriptive la
nivel de evaluatori
Item Statistics
Itemul 1 5,61 1,304 160
Itemul 2 5,68 1,200 160
Itemul 3 5,74 1,124 160

346

de la ipoteza nul a dezacordului total. Faptul c este semnificativ, ne per-
mite s respingem ipoteza nul i s susinem acordul semnificativ ntre cei
trei profesori (F
(159,318)
=11,387, p<0,01).
Prima linie a tabelului (Single Measures) ne arat gradul de acord,
de fapt fidelitatea evalurilor, dac s-ar fi utilizat un singur profesor. Desi-
gur, acest coeficient de fidelitate este mai mic n comparaie cu evaluarea
realizat de comisie (coeficientul de fidelitate are valoarea 0,76), totui,
constatm, n baza testului F, c i o asemenea evaluare ar fi fost semnifica-
tiv.
Prin urmare, nu mai dai vina pe profesori i trecei la nvat. Iat c
evaluarea realizat de o comisie nu va duce la note de trecere a examenului.
Glumeam, desigur!
III.2.5 Analiza fidelitii test-retest (stabilitii)
Programul SPSS for Windows nu include o procedur special i
distinct prin intermediul creia s putei studia coeficientul de stabilitate,
folosind metoda test-retest. Motivele sunt evidente. n primul rnd, metoda
test-retest presupune o corelaie bivariat ntre cele dou administrri, coe-
ficientul de corelaie Bravais-Pearson fiind apoi ajustat prin intermediul
celei de-a doua formule Spearman-Brown (formula 3.2). n al doilea rnd,
am artat c aceast metod nu este
altceva dect o form ajustat a me-
todei njumtirii. Poate nu n ulti-
mul rnd, din cauza numeroaselor
critici aduse acestei proceduri de
verificare a fidelitii.
Foarte pe scurt, vom conside-
ra un test de inteligen administrat,
la un interval de timp de 5 luni, unui
Tabelul 3.29 Corelaia Bravais-Pearson ntre 2
administrri la interval de 5 luni
Correlations
Itemul 3 Itemul 4
Itemul 3 Pearson Correlation 1 ,803
**

N 160 160
Itemul 4 Pearson Correlation ,803
**
1
N 160 160
**. Correlation is significant at the 0.01 level (2-
tailed).

347

lot de cercetare format din 160 de subieci. Prima administrare a fost nre-
gistrat n baza de date sub numele de Itemul 3, iar a doua administrare
sub numele de Itemul 4. Ne intereseaz s aflm dac scorurile obinute
de cei 160 de subieci sunt stabile n timp.
n primul rnd, vom calcula coeficientul de corelaie r Bravais-
Pearson ntre cele dou administrri. Desigur, nu vom mai intra n amnun-
tele procedeului de calcul, aceste lucruri fiind deja discutate anterior.
Analiznd tabelul 3.29, observm existena unei corelaii semnifica-
tive, puternice i pozitive ntre cele dou administrri ale testului de inteli-
gen (r=0,80, p<0,01).
Coeficientul de stabilitate se calculeaz, apoi, n baza formulei a do-
ua a lui Spearman-Brown (formula 3.2). Vom avea, deci,
.
Valoarea coeficientului de stabilitate este 0,88, o valoare, desigur,
semnificativ, care arat o bun stabilitate a rezultatelor n timp.
III.2.6 Consideraii finale
Am parcurs, mpreun, cele mai importante tehnici de analiz ale fi-
delitii. Ai vzut c toate metodele se bazeaz pe corelaii de diferite ti-
puri. n principiu, dac stpnii corelaiile, v va fi extrem de simplu s
nelegei i fidelitatea.
De asemenea, am neles c analiza fidelitii nu este un panaceu
care s rezolve toate problemele unui instrument de diagnostic sau de cerce-
tare. n acelai timp, s-a artat c nu poate exista o singur metod suficien-
t pentru acest lucru. Uneori un instrument poate avea o consisten intern
foarte bun, ns poate s prezinte probleme la alte forme de fidelitate sau
poate fi instabil n timp. De aceea, este util investigarea mai multor forme

348

de fidelitate. n funcie de complexitatea instrumentului, se aleg i metodele
de analiz ale fidelitii. Totul ine, de fapt, de experiena, seriozitatea, crea-
tivitatea i intuiia cercettorului.
Metodele de studiu ale fidelitii nu sunt folosite niciodat singure.
Ele nu pot releva uni sau multidimensionalitatea unui instrument. Pentru a
stabili acest lucru, vom folosi analiza factorial, scalarea multidimensional,
analiza de cluster. n acelai timp, fidelitatea se refer doar la erorile aleato-
rii. n privina erorilor sistematice, care in de validitate, se pronun, alturi
de metodele de scalare expuse mai sus, i altele, cum ar fi regresia, analiza
datelor panel, analiza energiei informaionale, ecuaiile structurale ori ree-
lele neuronale. Despre toate, ns, vom avea ocazia s vorbim.
n capitolul de fa au fost analizate cele mai cunoscute tehnici din
sfera noastr problematic. Trebuie s tii c acestea nu sunt singurele. V
voi enuna doar dou tehnici mai complexe, asta pentru a v determina s
gsii i dumneavoastr (i eventual s-mi spunei i mie) altele.
Coeficientul de fidelitate (theta) Armor. A fost dezvoltat de
ctre Armor i publicat n anul 1974. Se calculeaz dup
formula
), unde p reprezint numrul de

itemi ai scalei iar
1
se refer nu la coeficientul similar
Guttman ci la prima i de obicei cea mai mare valoare
eigenvalue rezultat din analiza componentelor principale
generat de itemii scalei. Aceast valoare este obinut n
urma analizei factoriale, demonstrnd din nou legtura pu-
ternic ntre analiza fidelitii i analiza factorial. Acest coe-
ficient se interpreteaz la fel ca oricare alt coeficient de fide-
litate. Oricum, asupra sa vom reveni dup ce vom studia c-
teva lucruri legate de analiza factorial.

349

Coeficientul de fidelitate (theta) pentru date ordinale. Are
la baz o matrice de coeficieni de corelaie polichoric ce
funcioneaz ca date de intrare pentru o analiz factorial pe
componente principale. Metoda folosete i date aflate la un
nivel de msur ordinal n vederea stabilirii fidelitii. n ge-
neral, acest coeficient are valori superioare coeficientului de
consisten intern Cronbach.
Ne vom opri aici cu studiul fidelitii. Informaii suplimentare putei
gsi n literatura de specialitate sau parcurgnd bibliografia specific de la
sfritul acestui volum.
n concluzie:
Fidelitatea se refer la controlul erorilor aleatorii, n timp ce validitatea se ocup
cu limitarea efectului pe care l exercit erorile sistematice (nealeatorii);
Orice scor observat reprezint suma dintre scorul real i erorile de msurare
(erorile aleatorii). Aceasta este ecuaia fundamental a teoriei clasice a testului;
Metoda test-retest vizeaz analiza stabilitii scorurilor n timp i presupune ad-
ministrarea aceluiai instrument, acelorai subieci, dup un interval de timp;
Metoda njumtirii (split-half) presupune mprirea instrumentului n dou
pri, pe ct posibil egale, i administrarea celor dou forme aceluiai lot de sub-
ieci;
Metoda consistenei interne trateaz fiecare item ca o mini form a instrumentului
i verific msura n care toi aceti itemi sunt corelai;
Metoda formelor paralele este o variant a metodei njumtirii i presupune
echivalena celor dou pri sub aspectul varianelor i, pe ct posibil, sub aspec-
tul mediilor;
Metoda acordului ntre evaluatori urmrete identificarea msurii n care mai
muli judectori efectueaz evaluri consistente asupra unui grup de subieci;
Fidelitatea nu ne informeaz asupra unidimensionalitii scalei, i doar asupra
modului n care itemii sunt relaionai ntre ei;
Nu exist un acord ntre specialiti sub aspectul valorii de la care un instrument
poate fi considerat fidel. Recomandrile oscileaz n jurul coeficienilor de la
0,50 la 0,60;


350

Bibliografie
1. Albu, Monica. 2000. Metode i instrumente de evaluare n
psihologie. Cluj-Napoca : Argonaut, 2000. 973-9350351-8.
2. Bakeman, Roger i Robinson, Byron F. 2004. Understanding
Statistics in the Behavioral Sciences. New Jersey : Lawrence
Erlbaum Associates, 2004. 0-8058-4944-0.
3. Carmines, Edward i Zeller, Richard. 1979. Reliability and
Validity Assessment. Iowa : Sage Publication, Inc, 1979.
9780803913714.
4. Cortina, J.M. 1993. What is coefficient alpha? An examination of
theory and applications. Journal of Applied Psychology. 98-104,
1993, 78.
5. Field, A. 2000. Discovering statistics using SPSS for Windows.
London : Sage, 2000.
6. Fisher, Ronald A. 1971. The design of experiments. New York :
Hafner Press, 1971.
7. Gibbons, Jean Dickinson. 1993. Nonparametric Measures of
Association. Iowa : Sage Publications, Inc, 1993. Vol. 07-091.
9780803946644.
8. Havrneanu, Corneliu Eugen. 2000. Cunoaterea psihologic a
persoanei. Posibiliti de utilizare a computerului n psihologia
aplicat. Iai : Polirom, 2000.
9. . 2000. Metodologia cercetrii n tiinele sociale. Iai : Erota,
2000.
10. Kenny, David A. 1987. Statistics for the social and behavioral
sciences. Ontario : Little, Brown and Company, 1987. 0-316-48915-
8.
11. Kirk, Roger E. 1995. Experimental design: Procedures for the
behaioral sciences. 3rd. Pacific Grove : Brooks/Cole, 1995.
12. Kline, P. 1999. The handbook of psychological testing, 2nd Edition.
London : Routledge, 1999.
13. Liebetrau, Albert M. 1983. Measures of Association. Washington :
Sage Publications, 1983. 0-8039-1974-3.

351

14. Opariuc-Dan, Cristian. 2009. Statistic aplicat n tiinele socio-
umane. Noiuni de baz - Statistici univariate. Cluj-Napoca : ASCR
& Cognitrom, 2009. 9737973631.
15. Radu, Ioan, i alii. 1993. Metodologie psihologic i analiza
datelor. Cluj-Napoca : Sincron, 1993.
16. Sava, Florin. 2004. Analiza datelor n cercetarea psihologic. Cluj-
Napoca : ASCR, 2004. 973-7973-11-9.
17. Sntion, Filaret. 2009. Statistic psihologic. Constana : Europolis,
2009. Vol. 1. 9789736763823.
18. Stan, Aurel. 2002. Testul psihologic - Evoluie, construcie,
aplicaii. Iai : Polirom, 2002.
19. Swinscow, T.D.V. i Campbell, M.J. 2002. Statistic at Square One,
10th Edition. Navarra : BMJ Books, 2002. 0-7279-1552-5.
20. Urdan, Timothy. 2005. Statistics in Plain English, 2nd Edition.
New Jersey : Lawrence Erlbaum Associates, 2005. 0-8058-5241-7.
21. Vasilescu, Ilie Puiu. 1992. Statistic informatizat pentru tiinele
despre om. Bucureti : Militar, 1992.


352

Anexe
Anexa 1
Praguri de semnificaie la diferite valori ale coeficientului de corelaie a rangurilor
Spearman pentru loturi de cercetare de diferite dimensiuni.

Anexa 1 Praguri de semnificaie pentru diferitele valori ale lui Spearman
N
Pragul de semnificaie ipotez unidirecional
0,05 0,02 0,01 0,005
Prag de semnificaie ipotez bidirecional
0,10 0,05 0,02 0,01
4 1,000 - - -
5 0,900 1,000 1,000 -
6 0,829 0,886 0,943 1,000
7 0,714 0,786 0,893 0,929
8 0,643 0,738 0,833 0,881
9 0,600 0,700 0,783 0,833
10 0,564 0,648 0,735 0,794

11 0,536 0,618 0,709 0,755
12 0,503 0,587 0,671 0,727
13 0,484 0,560 0,648 0,703
14 0,464 0,538 0,622 0,675
15 0,443 0,521 0,604 0,654
16 0,429 0,503 0,582 0,635
17 0,414 0,485 0,566 0,615
18 0,401 0,472 0,550 0,600
19 0,391 0,460 0,535 0,584
20 0,380 0,447 0,520 0,570

21 0,370 0,435 0,508 0,556
22 0,361 0,425 0,496 0,544
23 0,353 0,415 0,486 0,532
24 0,344 0,406 0,476 0,521
25 0,337 0,398 0,466 0,511
26 0,331 0,390 0,457 0,501
27 0,324 0,382 0,448 0,491
28 0,317 0,375 0,440 0,483

353

29 0,312 0,368 0,433 0,475
30 0,306 0,362 0,425 0,467
35 0,283 0,335 0,394 0,433
40 0,264 0,313 0,368 0,405
45 0,248 0,294 0,347 0,382
50 0,235 0,279 0,329 0,363
60 0,214 0,255 0,300 0,331
70 0,190 0,235 0,278 0,307
80 0,185 0,220 0,260 0,287
90 0,174 0,207 0,245 0,271
100 0,165 0,197 0,233 0,257
SURSA: dup (Vasilescu, 1992)
Mod de utilizare:
Cutai rndul din tabel ce conine n prima coloan (n) numrul de subieci
din lotul dumneavoastr de cercetare. Dac nu gsii exact numrul de sub-
ieci dorit, alegei numrul imediat inferior (de exemplu, dac avei 21 de sub-
ieci, alegei rndul cu 20 de subieci).
Pe rndul selectat, alegei pragul de semnificaie dorit, n funcie de ipoteza
dumneavoastr (unidirecional sau bidirecional). n cazul n care coeficien-
tul dumneavoastr de corelaie este mai mare dect valoarea nscris, atunci
este semnificativ la pragul ales. De exemplu, dac pe un lot de cercetare de 20
de subieci am obinut un coeficient de corelaie de 0,68, atunci este semnifi-
cativ la un prag de semnificaie mai mic de 0,01 (0,68 este mai mare de 0,591,
valoarea de referin pentru acest prag).

354

Anexa 2
Praguri de semnificaie la diferite valori ale coeficientului de corelaie a rangurilor
Kendall pentru loturi de cercetare de diferite dimensiuni.
Anexa 2 Praguri de semnificaie pentru diferitele valori ale lui Kendall

n
Pragul de semnificaie
Pentru ipoteze unidirecionale
0,025 0,01 0,005
Pentru ipoteze bidirecionale
0,05 0,02 0,01
5 1 1 -
6 0,87 0,89 1
7 0,71 0,81 0,91
8 0,64 0,72 0,79
9 0,56 0,67 0,72
10 0,51 0,60 0,64
11 0,46 0,54 0,60
12 0,43 0,52 0,57
13 0,41 0,49 0,54
14 0,39 0,47 0,52
15 0,38 0,45 0,50
16 0,36 0,43 0,47
17 0,35 0,42 0,46
18 0,34 0,40 0,45
19 0,33 0,39 0,43
20 0,32 0,38 0,42
21 0,31 0,37 0,41
22 0,30 0,36 0,40
23 0,29 0,35 0,39
24 0,29 0,34 0,38
25 0,28 0,33 0,37
26 0,27 0,33 0,36
27 0,27 0,32 0,35
28 0,26 0,31 0,35
29 0,26 0,30 0,34
30 0,25 0,30 0,33
31 0,25 0,29 0,33
32 0,25 0,29 0,33
33 0,24 0,29 0,32

355

34 0,24 0,28 0,32
35 0,23 0,28 0,32
36 0,23 0,27 0,31
37 0,23 0,27 0,31
38 0,22 0,26 0,30
39 0,22 0,26 0,30
40 0,22 0,26 0,30
Mod de utilizare:
din lotul dumneavoastr de cercetare.
Pe rndul selectat, alegei pragul de semnificaie dorit, n funcie de tipul in-
tervalului, unilateral sau bilateral. n cazul n care coeficientul dumneavoastr
de corelaie este mai mare dect valoarea nscris, atunci este semnificativ la
pragul ales. De exemplu, dac pe un lot de cercetare de 31 de subieci am ob-
inut un coeficient de corelaie de 0,68, atunci este semnificativ la un prag de
semnificaie mai mic de 0,01 (0,68 este mai mare de 0,33, valoarea de referin-
pentru acest prag).


356

Anexa 3
Praguri de semnificaie la diferite valori ale coeficientului de contingen
2
pentru
loturi de cercetare de diferite dimensiuni.
Anexa 3 Praguri de semnificaie pentru diferitele valori ale lui
2

df
Praguri de semnificaie
0,050 0,025 0,01 0,005
1 3.84146 5.02389 6.63490 7.87944
2 5.99146 7.37776 9.21034 10.59663
3 7.81473 9.34840 11.34487 12.83816
4 9.48773 11.14329 13.27670 14.86026
5 11.07050 12.83250 15.08627 16.74960
6 12.59159 14.44938 16.81189 18.54758
7 14.06714 16.01276 18.47531 20.27774
8 15.50731 17.53455 20.09024 21.95495
9 16.91898 19.02277 21.66599 23.58935
10 18.30704 20.48318 23.20925 25.18818
11 19.67514 21.92005 24.72497 26.75685
12 21.02607 23.33666 26.21697 28.29952
13 22.36203 24.73560 27.68825 29.81947
14 23.68479 26.11895 29.14124 31.31935
15 24.99579 27.48839 30.57791 32.80132
16 26.29623 28.84535 31.99993 34.26719
17 27.58711 30.19101 33.40866 35.71847
18 28.86930 31.52638 34.80531 37.15645
19 30.14353 32.85233 36.19087 38.58226
20 31.41043 34.16961 37.56623 39.99685
21 32.67057 35.47888 38.93217 41.40106
22 33.92444 36.78071 40.28936 42.79565
23 35.17246 38.07563 41.63840 44.18128
24 36.41503 39.36408 42.97982 45.55851
25 37.65248 40.64647 44.31410 46.92789
26 38.88514 41.92317 45.64168 48.28988
27 40.11327 43.19451 46.96294 49.64492
28 41.33714 44.46079 48.27824 50.99338
29 42.55697 45.72229 49.58788 52.33562
30 43.77297 46.97924 50.89218 53.67196


357

Anexa 4
Praguri de semnificaie la diferite valori ale testului t pentru loturi de cercetare de
diferite dimensiuni.
Anexa 4 Praguri de semnificaie pentru diferitele valori ale lui t
df
Valori ale lui t pentru diferite praguri de semnificaie
ipotez unidirecional
0,20 0,10 0,05 0,02 0,01 0,002 0,001
Valori ale lui t pentru diferite praguri de semnificaie
ipotez bidirecional
0,10 0,05 0,025 0,01 0,005 0,001 0,0005
1 3,078 6,314 12,706 31,821 63,657 318,309 636,619
2 1,886 2,920 4,303 6,965 9,925 22,327 31,599
3 1,638 2,353 3,182 4,541 5,841 10,215 12,924
4 1,533 2,132 2,776 3,747 4,604 7,173 8,610
5 1,476 2,015 2,571 3,365 4,032 5,893 6,869
6 1,440 1,943 2,447 3,143 3,707 5,208 5,959
7 1,415 1,895 2,365 2,998 3,499 4,785 5,408
8 1,397 1,860 2,306 2,896 3,355 4,501 5,041
9 1,383 1,833 2,262 2,821 3,250 4,297 4,781
10 1,372 1,812 2,228 2,764 3,169 4,144 4,587
11 1,363 1,796 2,201 2,718 3,106 4,025 4,437
12 1,356 1,782 2,179 2,681 3,055 3,930 4,318
13 1,350 1,771 2,160 2,650 3,012 3,852 4,221
14 1,345 1,761 2,145 2,624 2,977 3,787 4,140
15 1,341 1,753 2,131 2,602 2,947 3,733 4,073
16 1,337 1,746 2,120 2,583 2,921 3,686 4,015
17 1,333 1,740 2,110 2,567 2,898 3,646 3,965
18 1,330 1,734 2,101 2,552 2,878 3,610 3,922
19 1,328 1,729 2,093 2,539 2,861 3,579 3,883
20 1,325 1,725 2,086 2,528 2,845 3,552 3,850
21 1,323 1,721 2,080 2,518 2,831 3,527 3,819
22 1,321 1,717 2,074 2,508 2,819 3,505 3,792
23 1,319 1,714 2,069 2,500 2,807 3,485 3,768
24 1,318 1,711 2,064 2,492 2,797 3,467 3,745
25 1,316 1,708 2,060 2,485 2,787 3,450 3,725
26 1,315 1,706 2,056 2,479 2,779 3,435 3,707

358

27 1,314 1,703 2,052 2,473 2,771 3,421 3,690
28 1,313 1,701 2,048 2,467 2,763 3,408 3,674
29 1,311 1,699 2,045 2,462 2,756 3,396 3,659
30 1,310 1,697 2,042 2,457 2,750 3,385 3,646
31 1,309 1,696 2,040 2,453 2,744 3,375 3,633
32 1,309 1,694 2,037 2,449 2,738 3,365 3,622
33 1,308 1,692 2,035 2,445 2,733 3,356 3,611
34 1,307 1,691 2,032 2,441 2,728 3,348 3,601
35 1,306 1,690 2,030 2,438 2,724 3,340 3,591
36 1,306 1,688 2,028 2,434 2,719 3,333 3,582
37 1,305 1,687 2,026 2,431 2,715 3,326 3,574
38 1,304 1,686 2,024 2,429 2,712 3,319 3,566
39 1,304 1,685 2,023 2,426 2,708 3,313 3,558
40 1,303 1,684 2,021 2,423 2,704 3,307 3,551
50 1,299 1,676 2,009 2,403 2,678 3,261 3,496
60 1,296 1,671 2,000 2,390 2,660 3,232 3,460
80 1,292 1,664 1,990 2,374 2,639 3,195 3,416
100 1,290 1,660 1,984 2,364 2,626 3,174 3,390
150 1,287 1,655 1,976 2,351 2,609 3,145 3,357
Infinit 1,282 1,645 1,960 2,326 2,576 3,090 3,291
Mod de utilizare:
din lotul dumneavoastr de cercetare.
Pe rndul selectat, alegei pragul de semnificaie dorit, n funcie de tipul in-
tervalului, unilateral sau bilateral. n cazul n care coeficientul dumneavoastr
de corelaie este mai mare dect valoarea nscris, atunci este semnificativ la
pragul ales. De exemplu, dac pe un lot de cercetare de 31 de subieci am ob-
inut o valoare t de 3,68, atunci este semnificativ la un prag de semnificaie
mai mic de 0,01 (3,68 este mai mare de 0,37, valoarea de referin pentru
acest prag).

359

Anexa 5
Valori critice ale testului de concordan W Kendall. Sunt furnizate att pragurile
pentru S ct i, direct, pragurile pentru W.
Anexa 5 Valori critice ale testului de concordan W Kendall
k
N
3 4 5 6 7
Valori pentru un prag de semnificaie mai mic de 0,05
S W S W S W S W S W
3 - - - - 64,4 0,716 103,9 0,660 157,3 0,624
4 - - 49,5 0,619 88,4 0,552 143,3 0,512 217,0 0,484
5 - - 62,6 0,501 112,3 0,449 182,2 0,417 276,2 0,395
6 - - 75,7 0,421 136,1 0,378 221,4 0,351 335,2 0,333
8 48,1 0,379 101,7 0,318 183,7 0,287 299,0 0,267 453,1 0,253
10 60,0 0,300 127,8 0,256 231,2 0,231 376,7 0,215 571,0 0,204
15 89,8 0,200 192,9 0,171 349,8 0,155 570,5 0,145 864,9 0,137
20 119,7 0,150 258,0 0,129 468,5 0,117 764,4 0,109 1158,7 0,103
Valori pentru un prag de semnificaie mai mic de 0,01
3 - - - - 75,6 0,840 122,8 0,780 185,6 0,737
4 - - 61,4 0,768 109,3 0,683 176,2 0,629 265,0 0,592
5 - - 80,5 0,644 142,8 0,571 229,4 0,524 343,8 0,491
6 - - 99,5 0,553 176,1 0,489 282,4 0,448 422,6 0,419
8 66,8 0,522 137,4 0,429 242,7 0,379 388,3 0,347 579,9 0,324
10 85,1 0,425 175,3 0,351 309,1 0,309 494,0 0,282 737,0 0,263
15 131,0 0,291 269,8 0,240 475,2 0,211 758,2 0,193 1129,5 0,179
20 177,0 0,221 364,2 0,182 641,2 0,160 1022,2 0,146 1521,9 0,136
Valori suplimentare cnd n=3
SURSA: dup (Radu, i alii, 1993)
p<0,05 p<0,01
9 54,0 0,333 75,9 0,469
12 71,9 0,250 103,5 0,359
14 83,8 0,214 121,9 0,311
16 95,8 0,187 140,2 0,274
18 107,7 0,166 158,6 0,245


360

Anexa 6
Valori critice privind testarea coeficienilor de corelaie r Bravais-Pearson
Anexa 6 Valori critice ale testului de concordan W Kendall
df= n-2
Nivel de semnificaie pentru ipotez bidirecional
0,10 0,05 0,02 0,01
1 0.988 0.997 0.9995 0.9999
2 0.900 0.950 0.980 0.990
3 0.805 0.878 0.934 0.959
4 0.729 0.811 0.882 0.917
5 0.669 0.754 0.833 0.874
6 0.622 0.707 0.789 0.834
7 0.582 0.666 0.750 0.798
8 0.549 0.632 0.716 0.765
9 0.521 0.602 0.685 0.735
10 0.497 0.576 0.658 0.708
11 0.476 0.553 0.634 0.684
12 0.458 0.532 0.612 0.661
13 0.441 0.514 0.592 0.641
14 0.426 0.497 0.574 0.628
15 0.412 0.482 0.558 0.606
16 0.400 0.468 0.542 0.590
17 0.389 0.456 0.528 0.575
18 0.378 0.444 0.516 0.561
19 0.369 0.433 0.503 0.549
20 0.360 0.423 0.492 0.537
21 0.352 0.413 0.482 0.526
22 0.344 0.404 0.472 0.515
23 0.337 0.396 0.462 0.505
24 0.330 0.388 0.453 0.495
25 0.323 0.381 0.445 0.487
26 0.317 0.374 0.437 0.479
27 0.311 0.367 0.430 0.471
28 0.306 0.361 0.423 0.463
29 0.301 0.355 0.416 0.456
30 0.296 0.349 0.409 0.449
35 0.275 0.325 0.381 0.418
40 0.257 0.304 0.358 0.393
45 0.243 0.288 0.338 0.372
50 0.231 0.273 0.322 0.354
60 0.211 0.250 0.295 0.325

361

70 0.195 0.232 0.274 0.302
80 0.183 0.217 0.256 0.284
90 0.173 0.205 0.242 0.267
100 0.164 0.195 0.230 0.254
Mod de utilizare:

Cutai rndul din tabel ce conine n prima coloan (df) numrul de grade de
libertate (n-2).
Pe rndul selectat, alegei pragul de semnificaie dorit. n cazul n care coefi-
cientul dumneavoastr de corelaie este mai mare dect valoarea nscris,
atunci este semnificativ la pragul ales. De exemplu, dac pe un lot de cerceta-
re de 31 de subieci am obinut o valoare r de 0,68, atunci este semnificativ la
un prag de semnificaie mai mic de 0,01.


362

Anexa 7
Valori de referin privind coeficientul de corelaie biserial i triserial
Anexa 7 Valori de referin pentru calculul coeficientului biserial i triserial
p
q

p
q

p
q

0,350 0,6142 1,288 1,0583 0,401 0,6213 1,268 0,9644 0,451 0,6254 1,257 0,8779
0,351 0,6144 1,287 1,0564 0,402 0,6214 1,267 0,9623 0,452 0,6254 1,257 0,8762
0,352 0,6145 1,287 1,0544 0,403 0,6215 1,267 0,9605 0,453 0,6255 1,256 0,8746
0,353 0,6147 1,286 1,0525 0,404 0,6216 1,267 0,9587 0,454 0,6255 1,256 0,8729
0,354 0,6149 1,286 1,0506 0,405 0,6218 1,267 0,9570 0,455 0,6256 1,256 0,8712
0,355 0,6151 1,285 1,0487 0,406 0,6219 1,266 0,9552 0,456 0,6256 1,256 0,8695
0,356 0,6152 1,285 1,0468 0,407 0,6220 1,266 0,9534 0,457 0,6257 1,256 0,8679
0,357 0,6154 1,284 1,0449 0,408 0,6221 1,266 0,9517 0,458 0,6257 1,256 0,8662
0,358 0,6155 1,284 1,0430 0,409 0,6222 1,265 0,9499 0,459 0,6258 1,256 0,8646
0,359 0,6157 1,283 1,0411 0,410 0,6223 1,265 0,9482 0,460 0,6258 1,256 0,8629
0,360 0,6158 1,283 1,0392 0,411 0,6224 1,265 0,9464 0,461 0,6258 1,256 0,8612
0,361 0,6160 1,283 1,0373 0,412 0,6225 1,265 0,9446 0,462 0,6259 1,255 0,8596
0,362 0,6162 1,282 1,0354 0,413 0,6225 1,264 0,9429 0,463 0,6259 1,255 0,8579
0,363 0,6163 1,282 1,0336 0,414 0,6226 1,264 0,9411 0,464 0,6260 1,255 0,8563
0,364 0,6165 1,281 1,0317 0,415 0,6227 1,264 0,9394 0,465 0,6260 1,255 0,8546
0,365 0,6166 1,281 1,0289 0,416 0,6228 1,264 0,9376 0,466 0,6260 1,255 0,8530
0,366 0,6168 1,280 1,0279 0,417 0,6229 1,263 0,9359 0,467 0,6261 1,255 0,8513
0,367 0,6169 1,280 1,0261 0,418 0,6230 1,263 0,9342 0,468 0,6261 1,255 0,8497
0,368 0,6171 1,280 1,0242 0,419 0,6231 1,263 0,9342 0,469 0,6261 1,255 0,8480
0,369 0,6172 1,279 1,0223 0,420 0,6233 1,263 0,9307 0,470 0,6262 1,255 0,8464
0,370 0,6174 1,279 1,0205 0,421 0,6233 1,262 0,9290 0,471 0,6262 1,255 0,8448
0,371 0,6175 1,278 1,0186 0,422 0,6234 1,262 0,9272 0,472 0,6262 1,254 0,8431
0,372 0,6177 1,278 1,0167 0,423 0,6234 1,262 0,9255 0,473 0,6263 1,254 0,8415
0,373 0,6178 1,278 1,0149 0,424 0,6235 1,262 0,9237 0,474 0,6263 1,254 0,8399
0,374 0,6179 1,277 1,0130 0,425 0,6236 1,261 0,9221 0,475 0,6263 1,254 0,8382
0,375 0,6181 1,277 1,0112 0,426 0,6237 1,261 0,9203 0,476 0,6263 1,254 0,8366
0,376 0,6182 1,276 1,0093 0,427 0,6238 1,261 0,9186 0,477 0,6264 1,254 0,8350
0,377 0,6184 1,276 1,0075 0,428 0,6239 1,261 0,9169 0,478 0,6264 1,254 0,8333
0,378 0,6185 1,276 1,0057 0,429 0,6239 1,261 0,9152 0,479 0,6264 1,254 0,8317
0,379 0,6186 1,275 1,0038 0,430 0,6240 1,260 0,9134 0,480 0,6264 1,254 0,8301
0,380 0,6188 1,275 1,0020 0,431 0,6241 1,260 0,9117 0,481 0,6265 1,254 0,8285
0,381 0,6189 1,274 1,0002 0,432 0,6242 1,260 0,9100 0,482 0,6265 1,254 0,8268
0,382 0,6190 1,274 0,9983 0,433 0,6242 1,260 0,9083 0,483 0,6265 1,254 0,8252
0,383 0,6192 1,274 0,9965 0,434 0,6243 1,260 0,9066 0,484 0,6265 1,254 0,8236
0,384 0,6193 1,273 0,9947 0,435 0,6244 1,259 0,9049 0,485 0,6265 1,254 0,8220
0,385 0,6194 1,273 0,9929 0,436 0,6244 1,269 0,9032 0,486 0,6266 1,254 0,8204
0,386 0,6196 1,273 0,9910 0,437 0,6245 1,259 0,9015 0,487 0,6266 1,254 0,8188
0,387 0,6197 1,272 0,9892 0,438 0,6246 1,259 0,8998 0,488 0,6266 1,254 0,8171

363

0,388 0,6198 1,272 0,9874 0,439 0,6246 1,259 0,8981 0,489 0,6266 1,253 0,8155
0,389 0,6199 1,272 0,9856 0,440 0,6247 1,259 0,8964 0,490 0,6266 1,253 0,8139
0,390 0,6200 1,271 0,9838 0,441 0,6248 1,258 0,8947 0,491 0,6266 1,253 0,8123
0,391 0,6202 1,271 0,9820 0,442 0,6248 1,258 0,8930 0,492 0,6266 1,253 0,8107
0,392 0,6203 1,271 0,9802 0,443 0,6249 1,258 0,8913 0,493 0,6266 1,253 0,8091
0,393 0,6204 1,270 0,9784 0,444 0,6250 1,258 0,8896 0,494 0,6266 1,253 0,8075
0,394 0,6205 1,270 0,9766 0,445 0,6250 1,258 0,8880 0,495 0,6266 1,253 0,8059
0,395 0,6206 1,270 0,9748 0,446 0,6251 1,258 0,8863 0,496 0,6266 1,253 0,8043
0,396 0,6208 1,269 0,9730 0,447 0,6251 1,257 0,8846 0,497 0,6266 1,253 0,8027
0,397 0,6209 1,269 0,9712 0,448 0,6252 1,257 0,8829 0,498 0,6267 1,253 0,8011
0,398 0,6210 1,269 0,9694 0,449 0,6253 1,257 0,8813 0,499 0,6267 1,253 0,7995
0,399 0,6211 1,268 0,9676 0,450 0,6253 1,257 0,8796 0,50 0,6267 1,253 0,7979
0,400 0,6212 1,268 0,9659 SURSA: dup (Radu, i alii, 1993)


364

Anexa 8
Valori critice pentru testul U Mann-Whitney la un prag de semnificaie p < 0,05.
Pentru a fi semnificativ la acest prag, valoarea U trebuie s fie MAI MIC SAU CEL
MULT EGAL cu valoarea de referin din acest tabel.
Anexa 8 Valori de referin pentru calculul testului U Mann-Whitney

Eantionul cu numrul cel mai mare de subieci n
1

5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
E
a
n
t
i
o
n
u
l

c
u

n
u
m
r
u
l

c
e
l

m
a
i

m
i
c

d
e

s
u
b
i
e
c
i

n
2

3 0 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8
4 1 2 3 4 4 5 6 7 8 9 10 11 11 12 13 14
5 2 3 5 6 7 8 9 11 12 13 14 15 17 18 19 20
6 - 5 6 8 10 11 13 14 16 17 19 21 22 24 25 27
7 - - 8 10 12 14 16 18 20 22 24 26 28 30 32 34
8 - - - 13 15 17 19 22 24 26 29 31 34 36 38 41
9 - - - - 17 20 23 26 28 31 34 37 39 42 45 48
10 - - - - - 23 26 29 33 36 39 42 45 48 52 55
11 - - - - - - 30 33 37 40 44 47 51 55 58 62
12 - - - - - - - 37 41 45 49 53 57 61 65 69
13 - - - - - - - - 45 50 54 59 63 67 72 76
14 - - - - - - - - - 55 59 64 67 74 78 83
15 - - - - - - - - - - 64 70 75 80 85 90
16 - - - - - - - - - - - 75 81 86 92 98
17 - - - - - - - - - - - - 87 93 99 105
18 - - - - - - - - - - - - - 99 106 112
19 - - - - - - - - - - - - - - 113 119
20 - - - - - - - - - - - - - - - 127


365

Anexa 9
Praguri de semnificaie pentru coeficientul de corelaie parial
xy.z
Kendall.
Anexa 9 - Valori critice pentru coeficientul de corelaie parial Kendall
n 0,05 0,025 0,01 0,005
3 1 1 1 1
4 0,707 1 1 1
5 0,667 0,802 0,816 1
6 0,600 0,667 0.764 0,866
7 0,527 0,617 0,712 0,761
8 0,484 0,565 0,648 0,713
9 0,443 0,515 0,602 0,660
10 0,413 0,480 0,562 0,614
11 0,387 0,453 0,530 0,581
12 0,365 0,430 0,505 0,548
13 0,346 0,410 0,481 0,527
14 0,331 0,391 0,458 0,503
15 0,317 0,375 0,439 0,482
16 0,305 0,361 0,423 0,466
17 0,294 0,348 0,410 0,450
18 0,284 0,336 0,395 0,434
19 0,275 0,326 0,382 0,421
20 0,267 0,317 0,372 0,410
25 0,235 0,278 0,328 0,362
30 0,211 0,251 0,297 0,328
SURSA: Adaptare dup S. Maghsoodloo (1975), Estimates of the quantiles of Kendall's
partial rank correlation coefficient and additional quantile estimates, Journal of Statisti-
cal Computation and Simulation 4: 155-164

Mod de utilizare:
Cutai rndul din tabel ce conine n prima coloan (n) numrul de subieci.
Pe rndul selectat, alegei pragul de semnificaie dorit. n cazul n care coefi-
cientul dumneavoastr de corelaie este mai mare dect valoarea nscris,
atunci este semnificativ la pragul ales. De exemplu, dac pe un lot de cerceta-
re de 13 de subieci am obinut o valoare de 0,481, atunci este semnificativ
la un prag de semnificaie mai mic de 0,01.


366

Anexa 10
Praguri de semnificaie pentru valoarea de referin s n cazul semnelor, la diferite
valori ale lotului de cercetare (n).

Anexa 10 - Valori critice pentru s testul semnelor
n p<0,05 p<0,01
6-7 0 0
8 0 0
9-11 1 0
12-14 2 1
15-16 3 2
17 4 2
18-19 4 3
20 5 3
21-22 5 4
23 6 4
24 6 5
25 7 5
26-27 7 6
28 8 6
29 8 7
30-31 9 7

Mod de utilizare:
Pe rndul selectat, alegei pragul de semnificaie dorit, pentru s. Dac valoa-
rea este mai mic dect valoarea nscris, atunci este semnificativ la pragul
ales.


367

Anexa 11
Praguri de semnificaie pentru suma de referin a rangurilor n cazul testului
Wilcoxon, la diferite valori ale lotului de cercetare (n).

Anexa 11 - Valori critice pentru s testul Wilcoxon
n p<0,05 p<0,01
7 2 0
8 4 0
9 6 2
10 8 3
11 11 5
12 14 7
13 17 10
14 21 13
15 25 16
16 30 20
17 35 23
18 40 28
19 46 32
20 52 38

Mod de utilizare:
Pe rndul selectat, alegei pragul de semnificaie dorit, pentru s. Dac valoa-
rea este mai mic dect valoarea nscris, atunci este semnificativ la pragul
ales.


368

Anexa 12
Praguri de semnificaie pentru valorile de referin n cazul testului Romanovski,
la diferite valori ale lotului de cercetare (n) i pentru diferite praguri de semnificaie.

Anexa 12 - Valori critice pentru Romanovski
n p<0,05 p<0,01
3 4,93 11,46
4 3,56 6,53
5 3,04 5,04
6 2,78 4,36
7 2,62 3,96
8 2,51 3,71
9 2,43 3,54
10 2,37 3,41
11 2,33 3,31
12 2,29 3,23
13 2,26 3,17
14 2,24 3,12
15 2,22 3,08
16 2,20 3,04
17 2,18 3,01
18 2,17 3,00
19 2,16 2,95
20 2,15 2,93
SURSA: dup (Sntion, 2009)

Mod de utilizare:
Pe rndul selectat, alegei pragul de semnificaie dorit, pentru R. Dac valoa-
rea este mai mare dect valoarea nscris, atunci este semnificativ la pragul
ales.


369

Anexa 13
Funcia de repartiie normal normat (funcia cumulativ F
(z)
a lui Laplace).
Anexa 13 Funcia cumulativ F
(z)
Laplace
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7321 0,7337 0,7380 0,7422 0,7454 0,7486 0,7517 0,7519
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8261 0,8289 0,8315 0,830 0,8365 0,8389
1,0 0,8413 0,8438 0,8161 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8702 0,8719 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8914 0,8962 0,8980 0,8997 0,9015
1,3 0,9023 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9729 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9932 0,9932 0,9934 0,9979
2,5 0,9938 0,9940 0,9941 0,9913 0,9945 0,9916 0,9918 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9977 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9981 0,9983 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998

370

Anexa 14
Coeficienii a pentru testul de normalitate W Shapiro-Wilk.
Anexa 14 Coeficienii a pentru testul de normalitate W Shapiro-Wilk
n
k
2 3 4 5 6 7 8 9 10 -
1 0,7071 0,7071 0,6872 0,6646 0,6431 0,6233 0,6052 0,6052 0,5888 -
2 - 0 0,1677 0,2413 0,2806 0,3031 0,3164 0,3244 0,3291 -
3 - - - 0 0,0875 0,1401 0,1743 0,1976 0,5141 -
4 - - - - - 0 0,0561 0,0947 0,1224 -
5 - - - - - - - 0 0,0399 -
n
k
11 12 13 14 15 16 17 18 19 20
1 0,5601 0,5475 0,5359 0,5251 0,5150 0,5056 0,4958 0,4886 0,4808 0,4743
2 0,3315 0,3325 0,3325 0,3318 0,3306 0,3290 0,3273 0,3253 0,3232 0,3211
3 0,2260 0,2347 0,2412 0,2460 0,2495 0,2521 0,2540 0,2553 0,2561 0,2565
4 0,1429 0,1586 0,1707 0,1802 0,1878 0,1939 0,1988 0,2027 0,2059 0,2085
5 0,0695 0,0922 0,1099 0,1240 0,1353 0,1447 0,1524 0,1587 0,1641 0,1686
6 0 0,0303 0,0539 0,0727 0,0880 0,1005 0,1109 0,1137 0,1271 0,1334
7 - - 0 0,0240 0,0433 0,0593 0,0725 0,0837 0,0932 0,1013
8 - - - - 0 0,0196 0,0359 0,0496 0,0612 0,0711
9 - - - - - - 0 0,0163 0,0303 0,0422
10 - - - - - - - - 0 0,0140
n
k
21 22 23 24 25 26 27 28 29 30
1 0,4643 0,4590 0,4542 0,4493 0,4450 0,4407 0,4366 0,4328 0,4291 0,4254
2 0,3185 0,3156 0,3126 0,3098 0,3069 0,3043 0,3018 0,2992 0,2968 0,2944
3 0,2578 0,2571 0,2563 0,2554 0,2543 0,2533 0,2522 0,2510 0,2499 0,2487
4 0,2119 0,2131 0,2139 0,2145 0,2148 0,2151 0,2152 0,2151 0,2150 0,2148
5 0,1736 0,1764 0,1787 0,1807 0,1822 0,1836 0,1848 0,1857 0,1864 0,1870
6 0,1399 0,1443 0,1480 0,1512 0,1539 0,1563 0,1584 0,1601 0,1616 0,1630
7 0,1092 0,1150 0,1201 0,1245 0,1283 0,1316 0,1346 0,1372 0,1395 0,1415
8 0,0804 0,0878 0,0941 0,0997 0,1046 0,1089 0,1128 0,1162 0,1192 ,1219
9 0,0530 0,0618 0,0696 0,0764 0,0823 0,0876 0,0923 0,0965 0,1002 0,1036
10 0,0263 0,0368 0,0459 0,0539 0,0610 0,0672 0,0728 0,0778 0,0822 0,0862
11 0 0,0122 0,0228 0,0321 0,0403 0,0476 0,0540 0,0598 0,0650 0,0697
12 - - 0 0,0107 0,0200 0,0284 0,0358 0,0424 0,0483 0,0537
13 - - - - 0 0,0094 0,0178 0,0253 0,0320 0,0381
14 - - - - - - 0 0,0084 0,0159 0,0227
15 - - - - - - - - 0 0,0076


371

n
k
31 32 33 34 35 36 37 38 39 40
1 0,4220 0,4188 0,4156 0,4127 0,4096 0,4068 0,4040 0,4015 0,3989 0,3964
2 0,2921 0,2829 0,2876 0,2854 0,2834 0,2813 0,2794 0,2774 0,2755 0,2737
3 0,2475 0,2463 0,2451 0,2439 0,2427 0,2415 0,2403 0,2391 0,2380 0,2368
4 0,2145 0,2141 0,2137 0,2132 0,2127 0,2121 0,2116 0,2110 0,2101 0,2098
5 0,1874 0,1878 0,1880 0,1882 0,1883 0,1883 0,1883 0,1881 0,1880 0,1878
6 0,1641 0,1651 0,1660 0,1667 0,1673 0,1678 0,1683 0,1680 0,1689 0,1691
7 0,1433 0,1449 0,1463 0,1475 0,1487 0,1496 0,1505 0,1513 0,1520 0,1526
8 0,1243 0,1265 0,1284 0,1301 0,1317 0,1331 0,1344 0,1356 0,1366 0,1376
9 0,1066 0,1093 0,1118 0,1140 0,1160 0,1179 0,1196 0,1211 0,1225 0,1237
10 0,0899 0,0931 0,0961 0,0988 0,1013 0,1036 0,1056 0,1075 0,1092 0,1108
11 0,0739 0,0777 0,0812 0,0844 0,0873 0,0900 0,0924 0,0947 0,0967 0,0986
12 0,0585 0,0629 0,0669 0,0706 0,0739 0,0770 0,0798 0,0824 0,0848 0,0870
13 0,0435 0,0485 0,0530 0,0572 0,0610 0,0645 0,0677 0,0706 0,0733 0,0759
14 0,0289 0,0344 0,0395 0,0441 0,0484 0,0523 0,0559 0,0592 0,0622 0,0651
15 0,0144 0,0206 0,0262 0,0314 0,0631 0,0404 0,0444 0,0481 0,0515 0,0546
16 0 0,0068 0,0131 0,0187 0,0239 0,0287 0,0331 0,0372 0,0409 0,0444
17 - - 0 0,0062 0,0119 0,0172 0,0220 0,0264 0,0305 0,0343
18 - - - - 0 0,0057 0,0110 0,0158 0,0203 0,0244
19 - - - - - - 0 0,0053 0,0101 0,0116
20 - - - - - - - - 0 0,0049
n
k
41 42 43 44 45 46 47 48 49 50
1 0,3940 0,3917 0,3894 0,3872 0,3850 0,3830 0,3808 0,3789 0,3770 0,3751
2 0,2719 0,2701 0,2684 0,2667 0,2651 0,2635 0,2620 0,2604 0,2589 0,2574
3 0,2357 0,2345 0,2334 0,2323 0,2310 0,2303 0,2291 0,2281 0,2271 0,2260
4 0,2091 0,2085 0,2078 0,2072 0,2065 0,2058 0,2052 0,2045 0,2038 0,2032
5 0,1876 0,1874 0,1871 0,1868 0,1865 0,1862 0,1859 0,1855 0,1851 0,1847
6 0,1693 0,1694 0,1695 0,1695 0,1695 0,1695 0,1695 0,1693 0,1692 0,1691
7 0,1531 0,1535 0,1539 0,1512 0,1541 0,1548 0,1550 0,1551 0,1553 0,1554
8 0,1384 0,1392 0,1398 0,1405 0,1410 0,1415 0,1420 0,1423 0,1427 0,1430
9 0,1249 0,1259 0,1269 0,1278 0,1286 0,1293 0,1300 0,1306 0,1312 0,1317
10 0,1123 0,1136 0,1149 0,1160 0,1170 0,1180 0,1189 0,1197 0,1205 0,1212
11 0,1004 0,1020 0,1035 0,1049 0,1062 0,1073 0,1085 0,1095 0,1105 0,1113
12 0,0891 0,0909 0,0927 0,0943 0,0959 0,0972 0,0986 0,0998 0,1010 0,1020
13 0,0782 0,0804 0,0824 0,0824 0,0860 0,0876 0,0892 0,0906 0,0919 0,0932
14 0,0677 0,0701 0,0724 0,0745 0,0765 0,0783 0,0801 0,0817 0,0832 0,0816
15 0,0575 0,0602 0,0628 0,0651 0,0673 0,0694 0,0713 0,0731 0,0718 0,0764
16 0,0476 0,0506 0,0534 0,0560 0,0584 0,0607 0,0628 0,0648 0,0667 0,0685
17 0,0379 0,0411 0,0442 0,0471 0,0497 0,0522 0,0546 0,0568 0,0588 0,0608
18 0,0283 0,0318 0,0352 0,0383 0,0412 0,0439 0,0465 0,0489 0,0511 0,0532
19 0,0188 0,0227 0,0263 0,0296 0,0328 0,0357 0,0385 0,0411 0,0436 0,0459
20 0,0094 0,0136 0,0175 0,0211 0,0245 0,0277 0,0307 0,0335 0,0361 0,0386
21 0 0,0045 0,0087 0,0126 0,0163 0,0197 0,0229 0,0259 0,0288 0,0314
22 - - 0 0,0042 0,0081 0,0118 0,0153 0,0185 0,0215 0,0244
23 - - - - 0 0,0039 0,0076 0,0111 0,0143 0,0174
24 - - - - - - 0 0,0037 0,0071 0,0104
25 - - - - - - - - 0 0,0035

372

Anexa 15
Praguri de semnificaie pentru testul de normalitate W Shapiro-Wilk.
Anexa 15 Valori critice pentru testul de normalitate W Shapiro-Wilk
n 0,01 0,02 0,05
3 0,653 0,756 0,767
4 0,686 0,707 0,748
5 0,687 0,715 0,762
6 0,713 0,743 0,788
7 0,730 0,760 0,803
8 0,749 0,778 0,818
9 0,764 0,791 0,829
10 0,781 0,806 0,842
11 0,792 0,817 0,850
12 0,805 0,828 0,859
13 0,814 0,837 0,866
14 0,825 0,846 0,874
15 0,835 0,855 0,881
16 0,844 0,863 0,887
17 0,851 0,869 0,892
18 0,858 0,871 0,897
19 0,863 0,879 0,901
20 0,868 0,884 0,905
21 0,873 0,888 0,908
22 0,878 0,892 0,911
23 0,881 0,895 0,914
24 0,881 0,898 0,916
25 0,888 0,901 0,918
26 0,891 0,904 0,920
27 0,894 0,906 0,923
28 0,896 0,908 0,924
29 0,898 0,910 0,926
30 0,900 0,912 0,927
31 0,902 0,914 0,929
32 0,904 0,915 0,930
33 0,906 0,917 0,931
34 0,908 0,919 0,933
35 0,910 0,920 0,934
36 0,912 0,922 0,935
37 0,914 0,924 0,936
38 0,916 0,925 0,938
39 0,917 0,927 0,939
40 0,919 0,928 0,940

373

41 0,920 0,929 0,941
42 0,922 0,930 0,942
43 0,923 0,932 0,943
44 0,924 0,933 0,944
45 0,926 0,934 0,945
46 0,927 0,935 0,945
47 0,928 0,936 0,946
48 0,929 0,937 0,947
49 0,929 0,937 0,947
50 0,930 0,938 0,947

Statistica Aplicata in Stiintele Socio-Umane. Volume 2 (Romanian)

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Statistica Aplicata in Stiintele Socio-Umane. Volume 2 (Romanian)

Încărcat de

Drepturi de autor:

Formate disponibile

S

. Din acest lucru putem de-

. Dac nu ar exista inversiuni,

) , deoarece avem dou legturi cu 2 elemente i o singur

. Pentru brbai nefumtori avem

, pentru femeile fumtoare frecvena ateptat devine

, iar pentru femeile nefumtoare vom avea

. Cea mai mare frecven dintre frecvenele calcu-

. Relaxai-v. V-am spus c formulele mai mult sperie prin aspect

se citete n acelai tabel ca i raportul

. Obinnd coeficientul de corelaie punct biserial de

, iar pentru proporia clasei vrstnice (0,312) gsim rapor-

(formula 1.44) sau

, unde n reprezint numrul total de subieci

. Observai c nu este alt-

| (formula 2.23) 9 0,512 0,635

| (formula 2.24) 12 0,546 0,642

reprezint variana ntregului chestionar,

reprezint variana celei de-a doua forme.

), unde p reprezint numrul de

S-ar putea să vă placă și