Sunteți pe pagina 1din 11

Master Kinetoterapie

Statistică inferenţială
Curs + aplicaţii seminar

Modele de cercetare şi procedee statistice

1. Variabile dependente şi variabile independente

Variabilele măsurate, aspectele realităţii pe care acestea le descriu, nu sunt perfect autonome, ci
se află în relaţie între ele. Tocmai surprinderea acestei legături face obiectul cercetărilor realizate.
Aceste legături sunt de regulă de intercondiţionare, fără a fi vorba propriu-zis de o relaţie tip
„cauză” – „efect” - pentru că pe lângă aceşti doi termeni mai intervin o multitudine de variabile
mediatoare, modelatoare.
Într-o astfel de relaţie, definim variabila dependentă ca fiind efectul, iar variabila
independentă ca fiind cauza. Variabila dependentă face obiectul măsurării, al interesului direct al
cercetătorului. Variabila independentă o influenţează pe cea dependentă, reprezintă condiţia sau
contextul din care rezultă variaţia valorilor variabile dependente.
Exemplu: ne poate interesa în ce măsură urmarea unui program de reducere a anxietăţii
îmbunătăţeşte performanţa la sportivi. În acest caz variabila dependentă este performanţa, iar variabila
independentă includerea sau nu într-un astfel de program.
Trebuie spus faptul că variabilele nu sunt dependente sau independente prin natura lor; ex. ne
putem pune problema dacă performanţa obţinută influenţează stima de sine; în acest caz, performanţa
este variabilă independentă.
Termenii de „dependent” / „independent”, cu referire la variabile, se folosesc uzual chiar dacă
relaţia descrisă nu este una de cauzalitate directă.

2. Studii corelaţionale şi studii experimentale

Studiile în care se analizează relaţia dintre variabile, fără a se face o apreciere de natură cauzală,
se numesc studii corelaţionale sau studii observaţionale.
Un alt tip de studii sunt studiile experimentale. În context experimental, variabilele sunt
controlate, sunt manipulate riguros de cercetător, putându-se astfel stabili relaţii de cauzalitate între
variabila dependentă şi cea independentă.
Experimentul presupune de regulă existenţa a două momente de desfăşurare a evaluării: un
moment iniţial (testare iniţială sau pretest) şi un moment final (testare finală sau posttest). Între aceste
două momente se interpune partea de intervenţie experimentală propriu-zisă.
În contextul experimentului se folosesc frecvent două grupe de subiecţi (design intersubiect -
between subjects design): o grupă asupra căreia se intervine efectiv (grupa experimentală GE) şi o
grupă asupra căreia experimentatorul nu intervine (grupa martor sau de control GC). Necesitatea
controlului experimental asupra VI impune ca în faza de testare iniţială cele două grupe să fie
echivalente sub aspectul variabilelor de interes (variabile demografice, fiziologice etc.). Echivalenţa
grupurilor se asigură de regulă prin selecţia aleatorie a subiecţilor din cele două grupuri, dar poate fi
testată şi prin proceduri statistice.

1
În alte experimente, se foloseşte un singur grup de subiecţi, testaţi în mod repetat (design
intrasubiect - within subjects design). Avantajul este acela că se asigură astfel echivalenţa totală a
grupurilor; dar nu mereu acest design poate fi folosit, intervenind în plus şi efectul obişnuinţei. Ca o
alternativă, se pot folosi grupuri cu subiecţi pereche: fiecărui subiect din fiecare grup îi corespunde un
alt subiect având trăsături şi caracteristici asemănătoare (vârstă, sex, indici antropometrici şi fiziologici
etc.).
Tipurile de designuri experimentale şi aspectele ţinând de controlul variabilelor fac obiectul
metodologiei cercetării.

3. Planurile experimentale de cercetare

Sunt mai multe tipuri de planuri experimentale de cercetare.


După numărul de VI1, vorbim de planuri experimentale de bază (cu o singură VI) şi planuri
experimentale factoriale (cu două sau mai multe VI).

I. Planuri experimentale de bază

a) Planuri experimentale între grupuri independente (GC – GE):


1. planuri experimentale doar cu evaluare posttest: GE urmează un tratament, GC nu; în posttest,
cele două grupuri sunt evaluate şi comparate. Dacă la posttest se obţin diferenţe semnificative
statistic între valorile variabilei de interes, acestea sunt atribuite relaţiei de cauzalitate existente
între VI şi VD;
exemplu: două grupe de copii (GE şi GC); copiii din GE sunt incluşi într-un program de dezvoltare a
abilităţilor motrice, program cu durata de 6 luni. La finalul programului, evaluăm nivelul de dezvoltare
a abilităţilor motrice, separat pentru cele două grupuri. Dacă rezultatele diferă semnificativ, putem pune
acest lucru pe seama relaţiei cauzale existente între includerea în program şi performanţă motrică
(pentru VD numerică, diferenţele se testează folosind testul statistic t pentru două eşantioane
independente)

2. planuri experimentale cu evaluare pretest-posttest: este similară cu tipul anterior, dar are în plus:
pretestul (acesta certifică o dată în plus echivalenţa grupurilor);
pt. ex. anterior: nivelul dezvoltării abilităţilor motrice este evaluat şi în pretest (anterior includerii în
program), pentru a ne asigura de faptul că între subiecţii din cele două grupe nu există din start
diferenţe pe linie de motricitate

3. planuri experimentale cu mai mult de două grupuri de participanţi (VI are mai multe niveluri;
pentru fiecare nivel, se obţin scoruri diferite ale VD); la final, se compară performanţele
grupurilor respective
pt. exemplu anterior: avem de ex. trei grupe de subiecţii: cu unii nu se lucrează, cu alţii se foloseşte un
program clasic de antrenament, iar cu al treilea grup un nou program; la final, compar performanţele
celor trei grupe (folosind procedura statistică ANOVA unifactorială).

b) Planuri experimentale pe grupuri corelate, dependente (planuri experimentale cu măsurători


repetate)
1. pe acelaşi grup de subiecţi: participanţii sunt expuşi la toate condiţiile experimentale, pe rând; la
final, rezultatele obţinute sunt comparate (pentru VD numerică, se foloseşte testul statistic
ANOVA unifactorială pentru măsurători repetate)

1
VI sunt numite în acest context “factori”

2
exemplu: un grup de persoane cu dizabilităţi este implicat în programul de recuperare „A”, apoi în
programul „B”, apoi în programul „C” etc. Se compară starea de sănătate a participanţilor la finalul
fiecăruia din cele trei programe.

2. cu subiecţi pereche: utilizează subiecţi diferiţi în situaţii experimentale diferite, dar subiecţii sunt
selectaţi în „perechi”; la final, rezultatele obţinute sunt comparate (folosind aceeaşi procedură
ANOVA unifactorială pentru măsurători repetate)
pt. exemplul anterior: pentru a se evita cumularea în timp a efectelor tratamentului etc., se folosesc
„perechi de subiecţi”: ex. un bărbat de 50 de ani, normoponderal, cu hipertensiune arterială, care
fumează şi cu o dispoziţie afectivă bună, va avea în celălalt grup o „pereche”: un bărbat de vârstă
asemănătoare, cu aproximativ aceleaşi probleme cardiace, tot fumător etc.

3. cu un singur subiect (single subject design - studiiu de caz): experimentul se realizează pe un


singur subiect, care apare în toate condiţiile experimentale.

II. Planuri experimentale factoriale: conţin două sau mai multe VI2; se urmăreşte atât influenţa
fiecărei VI asupra VD, cât şi interacţiunea dintre nivelurile VI.

1. planuri experimentale bifactoriale: avem două VI, fiecare având câte două niveluri;

Medicaţia A
A1 A2
Program de relaxare da I II
nu III IV

OBS: sunt posibile patru combinaţii între nivelurile VI; avem deci patru grupuri de subiecţi (obs.
acestea trebuie să fie echivalente între ele!)

Exemplu: patru grupuri de cardiaci; grupul I: medicaţia A1 şi urmează un program de relaxare; grupul
II: medicaţia A2 şi urmează programul de relaxare; grupul III: medicaţia A1 şi nu urmează programul
de relaxare; grupul IV: medicaţia A2 şi nu urmează programul de relaxare. Avem două VI: tipul de
medicaţie şi programul de relaxare. Ca VD se pot specifica o serie de indicatori fiziologici, ex. TA.

Diferenţele dintre grupuri se testează, pentru variabile numerice, folosind procedura ANOVA factorială

Avantaj: acest design permite evidenţierea interacţiunii dintre variabile, a.î. efectul uneia asupra VD
depinde de valoarea celeilalte
Ex. se poate evidenţia faptul că medicaţia A1 are un efect puternic de normalizare a TA, dar numai
atâta vreme cât se însoţeşte cu şedinţe de relaxare.

2. planuri experimentale multifactoriale: avem „N” VI, fiecare având „N” niveluri; sunt mai complexe
şi interpretarea rezultatelor mai dificilă.

4. Testele statistice
2
spre deosebire de planurile experimentale unifactoriale, cu o singură VI („factor”)

3
Testele statistice servesc la testarea ipotezelor statistice. Aceste teste sunt calculate automat de
softurile statistice. În urma rulării lor, programul SPSS afişează mai multe elemente, dintre care
interesează în special următoarele:
- valoarea calculată a testului (scorul calculat – ex. t calculat, F calculat, r calculat etc.);
- d.f. (gradele de libertate);
- Sig. (p) = probabilitatea asociată valorii calculate a testului
OBS: p este cel mai important element; pe baza lui se ia decizia statistică (decizia privitoare la
ipotezele cercetării). Astfel, pentru un prag de semnificaţie de 0,053:
- dacă p < 0,05: se acceptă H1, se respinge H0;
- dacă p > 0,05: se acceptă H0, se respinge H1

Testele statistice sunt de două mari tipuri:


- teste parametrice (folosite pentru variabile numerice);
- teste neparametrice (folosite pentru variabile nonnumerice);

4.1.Principalele teste statistice parametrice

4.1.1. Testele t (Student)

- se bazează pe distribuţia t4 (z)5


- rol: testează semnificaţia diferenţei dintre două medii

Condiţii generale de aplicare:


- VD măsurate pe scală de interval-raport; distribuţia variabilelor nu se abate semnificativ de la
forma distribuţiei normale (lucru verificabil în primul rând prin analiza asimetriei);
- volumul eşantionului se recomandă a fi peste 30 de subiecţi (“eşantion mare”).

Sunt trei tipuri de teste t:


- testul t (z) pentru media unui singur eşantion;
- testul t pentru două eşantioane independente;
- testul t pentru două eşantioane dependente (perechi);

Toate acestea se realizează în SPSS din meniul Analyze --- Compare means

3
OBS. Se poate alege şi un prag mai exigent, de 0,01
4
distribuţia t este o distribuţie teoretică care are toate caracteristicile unei distribuţii normale, specificul ei fiind acela că
forma ei depinde de un parametru numit „grade de libertate” (engl. degrees of freedom, prescurtat d.f.)
5
distribuţia z (distribuţia standard) este o distribuţie rezultată prin standardizarea valorilor unei distribuţii

4
Testul t pentru două eşantioane independente6

Se foloseşte pentru a testa diferenţa dintre mediile aceleiaşi variabile (VD) măsurate pe două
eşantioane independente. Cele două eşantioane sunt definite prin categoriile variabilei independente
(variabilă măsurată pe scală nominală dihotomică).

Exemplu:
Ne interesează diferenţa dintre nivelul performanţei la sportivii care practică exerciţii de relaxare şi cei
care nu practică astfel de exerciţii.
- VD este: nivelul performanţei la o probă motrică; VD se măsoară pe scală de interval / raport
(variabilă numerică);
- VI este: practicarea exerciţiilor de relaxare, variabilă non-numerică, măsurată pe scală
nominală categorială cu două modalităţi (dihotomică): practică versus nu practică.

Calcularea testului folosind programul SPSS

Se definesc cele două variabile (VI, VD)7.


Testul se rulează din meniul Analyze --- Compare means ---- Independent samples t-test
La deschiderea casetei principale de dialog din opţiunea Independent samples t-test, trecem:
- VD în zona Test Variable (s) şi
- VI în zona Grouping variable; în acest moment programul solicită completarea codurilor care
definesc cele două grupuri (ex. 1- practică, 0- nu practică)
Se acţionează butonul OK.

În fereastra Output Viewer se afişează rezultatele testului t:


1. un tabel cu statistici descriptive, calculate separate pentru cele două grupuri (numărul de
subiecţi, media, abaterea standard)

Group Statistics
Std. Error
grup N Mean Std. Deviation Mean
performanţă practicanţi 21 120.81 8.612 1.879
nepracticanţi 29 109.86 14.225 2.641

2. un tabel cu rezultatele testului t propriu-zis.

6
eşantioane independente = între subiecţii din cele 2 eşantioane nu există nici o legătură, în sensul că selecţia unui subiect
din primul eşantion nu influenţează selecţia unui subiect din al doilea eşantion (ex. normotensivi-hipertensivi, adulţi-
vârstnici, subiecţi care au urmat un tratament / subiecţi care nu au urmat acel tratament)
7
ex. pentru proba săritura în lungime de pe loc (ce măsoară forţa explozivă a membrelor inferioare); valori ridicate la
această probă echivalează cu o performanţă ridicată
Ipotezele sunt:
- ipoteza cercetării: nivelul performanţei diferă semnificativ între cele două grupuri
- ipoteza nulă: nivelul performanţei nu diferă semnificativ între cele două grupuri

5
Independent Samples Test
P Levene's Test for t-test for Equality of Means
E Equality of
R Variances
F 95% Confidence
O Interval of the
R Difference
M Upper Lower
A
N Sig. (2- Mean Std. Error
Ţ F Sig. t df tailed) Difference Difference
A Equal
variances 10.233 .002 -3.131 48 .003 -10.947 3.497 -17.978 -3.917
assumed
Equal
variances
-3.377 46.750 .001 -10.947 3.242 -17.470 -4.425
not
assumed

Acest al doilea tabel are două linii.


1) Preliminar realizării testului t propriu-zis, programul realizează Testul Levene pentru
omogenitatea varianţei (dispersiei)8. Dacă pe coloana Sig. din dreptul testului Levene se obţine o
valoare mai mare de 0.05, înseamnă că dispersiile pe cele două eşantioane sunt egale, caz în care
rezultatul testului t se citeşte pe prima linie. În caz contrar (Sig. < 0.05), se citeşte pe linia a doua a
tabelului.
În exemplul nostru, citim pe a doua linie (varianţe inegale).
2) citim rezultatul testului t propriu-zis:
- t (scorul t calculat pentru diferenţa dintre mediile pe cele două eşantioane);
- d.f. = N -2 (N = numărul total de subiecţi din cele două grupuri) ;
- Sig. (p)

În exemplul nostru:
Pe eşantioanele studiate (N total = 50), nivelul mediu al performanţei a fost mai ridicat la
sportivii ce practică exerciţii de relaxare (media = 120,81 cm) comparativ cu ceilalţi (media = 109,86).
Diferenţa dintre cele două medii este suficient de mare pentru a fi statistic semnificativă la un prag de
0.01 (t= - 3,377, d.f.= 46,750, p = 0,001). Putem astfel accepta ipoteza cercetării, conform căreia există
o diferenţă între nivelul performanţei în funcţie de practicarea sau nu a exerciţiilor de relaxare.

8
testul t se calculează diferit pentru dispersii egale / inegale

6
Testul t pentru două eşantioane dependente9

Se foloseşte pentru a testa diferenţa dintre mediile aceleiaşi variabile măsurate pe acelaşi grup
de subiecţi (sau pe „subiecţi-pereche”) în situaţii diferite sau în momente diferite (ex. „înainte” şi
„după” acţiunea unei anumite condiţii).
Variabila trebuie să fie una măsurată pe scală de interval / raport.

Exemplu:
Ne interesează diferenţa dintre nivelul performanţei la sportivi înainte şi după practicarea exerciţiilor de
relaxare.

Calcularea testului folosind programul SPSS

Se creează două variabile distincte, care primesc câte o valoare pentru fiecare subiect (în cazul
nostru, „performanţa_înainte” şi „performanţa_după”)10.
Testul se rulează din meniul Analyze --- Compare means ---- opţiunea Paired Samples t-test,
La deschiderea casetei principale de dialog selectăm pe rând cele două variabile, care sunt trecute în
zona Current Selection şi apoi în zona Paired Variables. Se acţionează butonul OK.

În fereastra Output Viewer se afişează rezultatele testului t:


1. un tabel cu statistici descriptive, calculate separate pentru cele două momente (numărul de
subiecţi, media, abaterea standard)

Paired Samples Statistics


Std. Error
Mean N Std. Deviation Mean
Pair 1 saritura în lungime
de pe loc_initial 113.88 51 13.754 1.926

saritura în lungime
de pe loc_final 115.57 51 13.147 1.841

2. un tabel cu rezultatele testului t propriu-zis.


Paired Samples Test

95% Confidence Interval of the t df Sig.


Difference (2-
Std. Std. Error tailed)
Mean Deviation Mean Upper Lower
-1.686 2.709 .379 -2.448 -.924 -4.445 50 .000

Din acest tabel, ne interesează:


- t (scorul t calculat pentru diferenţa dintre mediile pe cele două variabile);
- d.f. = N -1 (N = numărul de subiecţi) ;
9
eşantioane dependente (perechi) = între subiecţii din cele 2 eşantioane există o anumită relaţie, a.î. fiecărui subiect din
primul eşantion îi corespunde un subiect în al doilea eşantion (ex. copil-părinte, acelaşi subiect evaluat în două condiţii
diferite)
10
ex. pentru proba săritura în lungime de pe loc
Ipotezele sunt:
- ipoteza cercetării: nivelul performanţei diferă semnificativ între cele două momente
- ipoteza nulă: nivelul performanţei nu diferă semnificativ între cele două momente

7
- Sig. (p)

În exemplul nostru:
Pe eşantionul de sportivi studiat (N =51), nivelul mediu al performanţei a fost mai ridicat la
testarea finală, după parcurgerea şedinţelor de relaxare (media = 115,57 cm), comparativ cu testarea
iniţială (media = 113,88 cm). Diferenţa dintre cele două medii este suficient de mare pentru a fi statistic
semnificativă la un prag de 0.01 (t= - 4,445, d.f.= 50, p < 0,001). Putem astfel accepta ipoteza
cercetării, conform căreia există o diferenţă între nivelul performanţei la cele două testări, diferenţă ce
poate fi atribuită practicării exerciţiilor de relaxare.

4.1.2. Corelaţia pentru date parametrice

Analiza de corelaţie
Analiza de corelaţie pune în evidenţă existenţa unei legături între variaţia valorilor unei variabile în
raport cu o altă variabilă. Se testează gradul de asociere dintre două variabile măsurate pe acelaşi grup
de subiecţi.

ex. asocierea dintre:


- numărul de ore dormite şi gradul de oboseală neuropsihică;
- gradul de impulsivitate şi nivelul TA;
- numărul de ore de antrenament şi performanţa la o probă sportivă.

În contextul analizei de corelaţie nu se poate vorbi de variabile „dependente” şi „independente”


(ambele variabile sunt dependente una de alta)11.
Există mai multe teste de corelaţie, toate bazate pe calcularea unui „coeficient de corelaţie”;
opţiunea pentru un test statistic sau altul se face în funcţie de scala pe care se măsoară variabilele.

Analiza de corelaţie pentru date parametrice: coeficientul de corelaţie liniară


Pearson

- testează asocierea liniară dintre variabile


- condiţii de aplicare: variabile măsurate pe scală de interval-raport, şi distribuţia variabilelor nu se
abate semnificativ de la forma distribuţiei normale (caz în care se preferă un test neparametric, ex.
corelaţia Spearman sau Kendall);
- notat cu „r”
- domeniul de variaţie al lui r: de la -1 ( corelaţie negativă perfectă) la + 1 (corelaţie pozitivă perfectă),
trecând prin zero
- semnul lui r: „+” (corelaţie pozitivă sau directă: valorile celor două variabile evoluează în acelaşi
sens, ex. creşte numărul de ore de antrenament, creşte performanţa) sau „-„ (corelaţie negativă sau
inversă: valorile celor două variabile evoluează în sens opus, ex. scade numărul de ore de somn, creşte
gradul de oboseală)

11
Obs. este vorba de variaţia concomitentă a valorilor variabilelor testate, şi nu de existenţa unei relaţii cauzale între acestea

8
- mărimea lui r: cu cât valoarea lui r este mai depărtată de zero, cu atât corelaţia este mai „puternică”
(0: lipsa oricărei corelaţii, cele două variabile evoluează independent; 0,1-0,3: corelaţie slabă; 0,3-0,5:
corelaţie medie; 0,5-0,7: corelaţie puternică; 0,7-0,9: corelaţie foarte puternică; 0,9-1: variabile practic
indistincte)
- semnificaţia lui r: dincolo de mărimea coeficientului, ne interesează şi măsura în care acesta este
„semnificativ” (diferit de o valoare rezultată prin jocul întâmplării; coeficientul r calculat pe eşantion
estimează corelaţia la nivelul populaţiei); de aceea întotdeauna analizăm şi probabilitatea aferentă
valorii calculate a lui r; dacă este sub 0,05, spunem despre r că este „semnificativ”)

Calculul corelaţiei în SPSS

Ex. dorim să analizăm relaţia dintre „numărul de ore de antrenament” şi „performanţa la proba
săritură în lungime de pe loc ”12. Înregistrăm date pentru 51 de subiecţi (N=51).
Variabilele se definesc în foaia Variable view şi se introduc datele în Data View.
Analiza de corelaţie se realizează din meniul Analyze --- Corelate --- Bivariate:
La deschiderea casetei principale de dialog, trecem variabilele de interes în zona Variables.
Este bifată implicit opţiunea de calculare a coeficientului de corelaţie Pearson, precum şi
opţiunea testării bilaterale a ipotezelor (Test of significance – two-tailed).
De asemenea, este bifată implicit opţiunea marcării cu un asterisc a corelaţiilor semnificative la
un prag de 0,05 şi cu două asteriscuri a corelaţiilor semnificative la un prag de 0,01 (Flag significant
correlations), fapt ce uşurează citirea tabelului
Se acţionează butonul OK.
În fereastra Output Viewer se afişează tabelul de corelaţie:
Correlations
ore
performanta antrenament
performanta Pearson Correlation 1 .852(**)
Sig. (2-tailed) .000
N 51 51
ore antrenament Pearson Correlation .852(**) 1
Sig. (2-tailed) .000
N 51 52
** Correlation is significant at the 0.01 level (2-tailed).

Informaţia dintr-un astfel de tabel este redundantă. Citim rezultatul testului în căsuţa bolduită:
- coeficientul de corelaţie lineară Pearson r (Pearson Correlation): r= 0,85;
- N (numărul de subiecţi): N = 51
- Sig. (p, probabilitatea asociată valorii calculate a lui r): p = 0,000
Raportarea rezultatelor
În exemplul nostru: Pe eşantionul studiat, a putut fi găsită o asociere pozitivă, foarte puternică şi
statistic semnificativă între numărul de ore de antrenament şi performanţa motrică (r= 0,85, N= 51, p <
0,001). Putem astfel accepta ipoteza cercetării; cu cât un sportiv se antrenează mai mult timp, cu atât
performanţa sa motrică se îmbunătăţeşte.

12
Ipotezele sunt:
- ipoteza cercetării: există o asociere semnificativă între numărul de ore de antrenament şi performanţa motrică
- ipoteza nulă: nu există nici o asociere între numărul de ore de antrenament şi performanţa motrică

9
Reprezentarea grafică a corelaţiei

Interpretarea corelaţiei este facilitată de folosirea reprezentării sale grafice – graficul tip
Scatterplot.
În SPSS, graficul se realizează din meniul Graphs --- Interactive--- Scatterplot
Una dintre variabile se trece pe axa OX, cealaltă pe axa OY.
Acţionând butonul OK, se obţine în output graficul Scatterplot.


Linear Regression

130

   
 

   
120
 
performanta

   
 

 
110 

100

90  

 
 

10.00 20.00 30.00

ore antre na ment

În grafic sunt reprezentate punctele de intersecţie ale perechilor de valori ale celor două
variabile (puncte ce compun un „nor”). Norul de puncte poate fi aproximat printr-o linie („linia de
regresie”).
Având o corelaţie pozitivă, observăm cum norul de puncte se orientează din stânga-jos spre
dreapta-sus; în plus, corelaţia fiind una puternică, punctele sunt alăturate şi situate în jurul liniei de
regresie.

4.1. Teste statistice neparametrice


Corelaţia pentru date nominale: Testul Chi-pătrat al asocierii

Se foloseşte atunci când se doreşte a se testa asocierea dintre două variabile nonnumerice,
măsurate pe scală nominală.

10
Ex. Relaţia dintre starea de bine autoraportată (da / nu) şi urmarea unui program de relaxare
(da / nu)13.
Testul Chi-pătrat se rulează în SPSS din meniul Analyze --- Descriptive Statistics --- Crosstabs.
Una dintre variabile se trece în zona Rows, cealaltă în zona Columns.
Se acţionează butonul Statistics şi se bifează opţinea Chi-square.

În output sunt prezentate:

1. tabelul de frecvenţă pentru cele două variabile analizate simultan (tabel de corespondenţă)

relaxare * stare bine Crosstabulation


Stare bine Total
nu da nu
relaxare nu 22 7 29
da 4 18 22
Total 26 25 51

2.tabelul statisticilor test


Chi-Square Tests
Asymp. Sig. Exact Sig. Exact Sig.
Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 16.655(b) 1 .000
Continuity
14.426 1 .000
Correction(a)
Likelihood Ratio 17.765 1 .000
Fisher's Exact Test .000 .000
Linear-by-Linear
Association 16.328 1 .000

N of Valid Cases 51
a Computed only for a 2x2 table
b 0 cells (.0%) have expected count less than 5. The minimum expected count is 10.78.

Se citeşte rezultatul testului pe linia Pearson Chi-Square

Raportarea rezultatelor:
Pentru a testa asocierea dintre realizarea de exerciţii de relaxare şi starea de bine la cardiaci, a fost
folosit testul Chi-pătrat. Majoritatea persoanelor care au fost implicate într-un program de relaxare au
afirmat că au o stare generală de bine, spre deosebire de persoanele care nu au fost implicate într-un
astfel de program. Asocierea dintre cele două variabile este statistic semnificativă la un prag de 0,01
(Chi-pătrat = 16,655, d.f. =1, p< 0,001). Ipoteza cercetării a fost confirmată.

13
ipotezele sunt:
H1: Există o asociere între starea de bine autoraportată şi participarea la şedinţe de relaxare la cardiaci
Ho: Nu există nici o asociere semnificativă între starea de bine autoraportată şi participarea la şedinţe de relaxare la cardiaci

11