Suport Seminar – Analiza de varianță pentru măsurători repetate (ANOVA - MR)

Lector univ. dr. Adrian Gorbănescu

Ca orice nativ născut în zodia Taur, sunt un gurmand. De fiecare dată când merg într-o
călătorie îmi place să gust cât mai multe din mâncărurile specifice locului pe care îl vizitez. De
asemenea, îmi plac foarte mult fructele, iar dintre legume, roșiile sunt preferatele mele. Atunci
când trebuie să îmi pregătesc singur masa, îmi tai repede două-trei roșii, pun puțină sare peste
ele și...mi-am făcut „salata de roșii”. Când eram necăsătorit (happy days) și se termina mâncarea
pe care o primeam la pachet de la părinți, „salata de roșii” era nelipsită la micul dejun, la prânz
și la cină. Chiar și acum, când soția pleacă în câte o delegație (other happy days) „salata de roșii”
este meniul de bază.
Începând cu anul 2011 primim roșii cultivate de tata în grădină și de fiecare dată când
mergem acasă vara, în vacanță, tata se mândrește cu roșiile sale și ne pregătește cu dragostea
specifică fiecărui părinte o salată de roșii afirmând, în fiecare an, același lucru: „Roșii așa bune
ca anul acesta nu am avut niciodată”. An de an roșiile sunt mai bune decât cele din anii precedenți.
Ar fi interesant ca în fiecare an să acordăm o notă, pe o scală de la 1 la 10, pentru calitatea
roșiilor să calculăm media pentru anul respectiv. Astfel, am avea un design de cercetare cu
măsurători repetate, iar ANOVA-MR ar fi testul statistic potrivit pentru a compara aceste medii
și a verifica ipoteza pe care tata o enunță an de an.

15.1 Descrierea modelului cu măsurători repetate

În cadrul capitolului 9, când am prezentat testul ANOVA One-Way, am observat că aceasta

este o procedură utilizată pentru a testa semnificația statistică a diferențelor dintre cel puțin trei
medii obținute pe eșantioane diferite. Cu alte cuvinte, eșantionul cercetării era împărțit în cel puțin
trei grupuri diferite de participanți. Ne amintim exemplul în care am comparat rezistența la
accelerația gravitațională a celor trei categorii de piloți de avioane (de acrobații, de vânătoare și de
linie).
 Termenul de măsurători repetate este utilizat atunci când aceeași participanți sunt evaluați în
mai multe etape ale cercetării. De exemplu, presupunem că dorim să studiem efectul consumului
de alcool asupra stării de bine la o petrecere. Într-un astfel de design este important să controlăm
diferențele interindividuale în ceea ce privește toleranța la alcool. Astfel, vom controla cantitatea
de alcool consumată și fiecare participant va primi aceeași cantitate de alcool. În concluzie,
participații vor răspunde la chestionarul care măsoară starea de bine după ce au consumat 1 sticlă
de bere, 2 sticle, 3 sticle și 4 sticle.
Acest tip de design cu măsurători repetate are o serie de avantaje, dar și dezavantaje.
Principalele avantaje sunt:
1. Volum redus de participanți
2. Puterea testului este mai mare – cercetările cu măsurători repetate sunt de tip within-
subjects, ceea ce asigură o mai mare putere a testului.
3. Scade variabilitatea primară.

Printre dezavantaje putem aminti:

1. Pierderea participanților
2. Efectul de oboseală
3. Memorarea probei
4. Efectul de ordine

În capitolul 6 am specificat faptul că în cazul testelor parametrice trebuie respectată condiția

de independență. Însă atunci când utilizăm designul cu măsurători repetate această condiție este
încălcată deoarece scorurile obținute în condiții experimentale diferite provin de la aceeași
participanți. În consecință, rezultatele testului vor fi lipsite de precizie. Relația dintre scorurile
obținute în diferite condiții experimentale presupune că o altă condiție trebuie îndeplinită și anume
că relațiile dintre perechile de condiții experimentale sunt similare. Cu alte cuvinte, dependența
dintre condițiile experimentale este asemănătoare. Această nouă condiție este cunoscută sub
numele de condiția de sfericitate.

15.2 Condiția de sfericitate

Condiția de sfericitate este asemănătoare cu omogenitatea varianțelor din cazul testului t

pentru eșantioane independente sau ANOVA. Sfericitatea, care se notează cu ε (epsilon), se referă
la:
a) omogenitatea varianței pentru fiecare nivel al măsurării
b) egalitatea varianțelor diferențelor dintre măsurători luate două câte două. Astfel, dacă
formăm perechi de câte două măsurători și calculăm diferențele dintre scoruri, atunci este necesar
ca aceste diferențe să aibă varianțe aproximativ egale. Prin urmare, problema sfericității se pune
atunci când avem cel puțin trei condiții (măsurători).
Vom exemplifica afirmațiile de mai sus cu un exemplu. Să presupunem că avem trei condiții
experimentale, pe care le vom denumi generic A, B și C. Condiția de sfericitate se referă la faptul
că dacă am calcula diferențele dintre perechile de măsurători, acestea ar trebui să aibă varianțe
aproximativ egale. Tabelul 15.1 ilustrează datele dintr-o cercetare cu trei condiții experimentale.
Pentru fiecare participant au fost calculate diferențele dintre perechile de măsurători și apoi a fost
calculată varianța pentru fiecare distribuție de diferențe. Pentru datele de mai jos, sfericitatea este
îndeplinită atunci când:
 varianțaA-B ≈ varianțaA-C ≈ varianțaB-C

Tabelul 15.1 – Un model ilustrativ al modului în care se calculează varianța diferențelor dintre
condițiile experimentale
A B C A-B A-C B-C
7 7 3 0 4 4
5 13 9 -8 -4 4
6 12 7 -6 -1 5
8 12 8 -4 0 4
4 6 6 -2 -2 0
13 13 11 0 2 2
11 13 9 -2 2 4
12 13 13 -1 -1 0
8 7 4 1 4 3
5 2 5 3 0 -3
Varianța 10,99 6,71 6,46

Pentru aceste date există o oarecare abatere de la sfericitate deoarece varianța diferențelor
dintre condițiile A și B (10,99) este mai mare decât varianțele diferențelor dintre măsurătorile A și
C (6,71), respectiv B și C (6,46). Totuși, pentru aceste date există sfericitate locală deoarece două
dintre varianțele diferențelor sunt aproape egale (Rouanet & Lapine, 1970). Abaterea de la
sfericitate a datelor din Tabelul 15.1 este suficient de mare pentru respinge condiția de sfericitate?

Atunci când aplicăm testul ANOVA-MR, SPSS afișează rezultatele testului Mauchly,
acesta fiind un test care verifică ipoteza conform căreia varianțele diferențelor dintre măsurători
sunt egale. Prin urmare, daca testul Mauchly este semnificativ statistic (p ≤ 0,05) vom concluziona
că există diferențe semnificative între varianțele diferențelor și condiția de sfericitate nu este
îndeplinită. Dacă testul Mauchly este nesemnificativ statistic (p > 0,05) diferențele dintre
varianțele diferențelor nu sunt semnificative statistic (sunt aproximativ egale) și este îndeplinită
condiția de sfericitate. Totuși, ca orice test de semnificație statistică, testul Mauchly este dependent
de mărimea eșantionului: pentru eșantioane mari abaterile mici de la sfericitate sunt semnificative
statistic, iar în eșantioanele mici abaterile mari de la sfericitate nu sunt semnificative statistic.

Dacă datele nu îndeplinesc condiția de sfericitate, există o serie de corecții care pot fi
aplicate. SPSS calculează trei corecții propuse în calculul sfericității de către Greenhouse și
Geisser (1959) și de Huynh și Feldt (1976). Corecția Greenhouse-Geisser (notată cu ) ia valori
cuprinse între 1/(k-1) și 1 (unde k reprezintă numărul de măsurători). Cu cât se apropie mai mult
de 1, cu atât varianțele diferențelor sunt mai omogene și, în consecință, este îndeplinită condiția
de sfericitate.
Huynh și Feldt (1976) au observat că atunci când Greenhouse-Geisser este mai mare decât
0,75 corecția este prea conservatoare și de multe ori sfericitatea este respinsă, deși în realitatea
trebuie acceptată. Collier et al. (1967) au raportat rezultate similare atunci când Greenhouse-
Geisser ia valori mai mari decât 0,90. În consecință, Girden (1992) recomandă ca atunci când
indicele de corecție al sfericității Greenhouse-Geisser este mai mare de 0,75 să se folosească
corecția Huynh-Feldt, iar atunci când este mai mic de 0,75 se va folosi însăși corecția Greenhouse-
Geisser.
 O altă opțiune ce poate fi utilizată atunci când este încălcată condiția de sfericitate este
reprezentată de citirea rezultatelor testelor multivariate, deoarece acestea nu depind de îndeplinirea
condiției de sfericitate.

15.3 ANOVA MR în SPSS

Să presupunem că în cadrul unei cercetări, am aplicat studenților un chestionar care măsoară

anxietatea. Instrumentul a fost aplicat în trei momente diferite ale anului universitar: în săptămâna
șase din primul semestru, în prima săptămână din semestrul II și în săptămâna zece din semestrul
II. Cercetătorul este interesat să studieze dacă anxietatea se modifică în timp, odată cu rezultatele
obținute de studenți la parțiale și odată cu acumularea de noi noțiuni și concepte. Pe parcursul
anului universitar anxietatea studenților s-a modificat semnificativ statistic?
În baza de date vom introduce trei variabile, fiecare dintre ele reprezentând un moment al
măsurării. Deoarece avem aceeași participanți, nu este nevoie să creăm o variabilă prin care să îi
împărțim în grupuri separate așa cum se întâmplă în cazul testului t pentru eșantioane independente
sau ANOVA One-Way. Imaginea de mai jos ilustrează modul în care trebuie introduse datele în
SPSS. Cele trei variabile introduse în baza de date vor fi denumite astfel: Sapt6_I (anxietatea
măsurată în săptămâna șase din primul semestru), Sapt1_II (anxietatea măsurată la începutul
semestrului II) și Sapt10_II (măsurătoarea din săptămâna 10 din semestrul al doilea).

Pentru a aplica testul ANOVA pentru măsurători repetate vom folosi meniul Analyze
→ General Linear Model → Repeated Measures. În pasul următor se va deschide caseta
de dialog Repeated Measures Factor Name. În această casetă de dialog ni se cere să
denumim variabila independentă (cea care determină condițiile de măsurare) și variabila
dependentă. În cazul nostru, măsurătorile repetate sunt reprezentate de momentul evaluării
anxietății. Deci, vom înlocui cuvântul factor 1 (setat implicit în SPSS) cu termenul Timp.
Denumirea pe care o dăm variabilei intra-subiect nu trebuie să conțină spații. După ce am
denumit variabila intra-subiect, trebuie să specificăm numărul de măsurători repetate
 (numărul condițiilor experimentale). În cazul nostru sunt trei măsurători, iar în secțiunea
Number of Level vom introduce cifra 3. Apoi vom apăsa butonul Add, iar în caseta de dialog
va apărea Timp(3). În zona Measure Name vom defini variabila care a fost măsurată în cele
trei condiții experimentale (momente). Astfel, vom scrie Anxietate. De asemenea, denumirea
pe care o dăm nu trebuie să conțină spații. Operațiunea se finalizează prin apăsarea butonului
Add. După ce am terminat de denumit variabila intra-subiect și variabila măsurată, vom
apăsa butonul Define pentru a intra în caseta de dialog principală.

În caseta de dialog principală există un spațiu denumit Within-Subjects Variables care

conține o listă de trei semne de întrebare urmate de un număr. Aceste semne de întrebare vor fi
înlocuite cu variabilele care au fost măsurate în cele trei condiții (nivelurile variabilei
independente). Variabilele corespunzătoare acestor niveluri (Sapt6_I, Sapt1_II și Sapt10_II) vor
trebui selectate și mutate în spațiile corespunzătoare. Putem selecta cele trei variabile deodată
(apăsăm click pe prima variabilă, apoi ținem apăsat butonul Shift și în același timp apăsăm click
ultima variabilă pe care dorim să o adăugăm). Odată ce am selectat variabilele, folosind săgeata,
le vom muta în zona Within-Subjects Variables.
 După ce toate variabilele au fost transferate, putem selecta o serie de opțiuni, pe care le vom
prezenta mai jos.
Analiza post hoc este utilă atunci când dorim să comparăm perechi de condiții experimentale.
În cazul nostru, comparăm anxietatea din săptămâna șase a primului semestru cu cea din săptămâna
10 a celui de al doilea semestru sau pe cea din prima săptămână a semestrului II cu cea din
săptămâna 10 din același semestru. Deoarece lipsa sfericității afectează și rezultatele analizei post-
hoc, vom selecta metoda Bonferroni care este cea mai robustă în astfel de situații, mai ales în ceea
ce priește eroarea de tip I și puterea testului. Din motivele precizate mai sus, vom utiliza în cazul
acestui exemplu testul Bonferroni. Această metodă va fi selectată din meniul Options. Variabila
Timp va fi mutată în secțiunea Display Means for. În următorul pas vom selecta opțiunea
Compare main effects pentru a obține rezultatele analizei post hoc. După bifarea acestei opțiuni,
vom alege testul Bonferroni. În final, vom selecta opțiunile Descriptive statistics, Estimates of
effect size și Observed power.
 La finalizarea acestor acțiuni, în Output ne sunt afișate rezultatele testului ANOVA-MR.
Pentru început vom primi informații despre variabilele care reprezintă fiecare nivel al variabilei
independente (Sapt6_I, Sapt1_II și Sapt10_II). Această informație este utilă pentru a verifica dacă
variabilele au fost introduse în ordinea corectă. Următorul tabel (Descriptive Statistics) ne
prezintă statistica descriptivă elementară. Acest tabel ne afișează media, abaterea standard și
numărul de participanți pentru fiecare nivel de măsurare. Astfel, putem observa că anxietatea a
fost mai mare la începutul semestrului II, iar cea mai mică în săptămâna șase din primul semestru.
 În secțiunea 15.2 am specificat că SPSS calculează un test prin care se verifică dacă datele
îndeplinesc condiția de sfericitate. Următorul tabel (Mauchly’s Test of Sphericity) conține
informații despre acest test. Testul Mauchly ar trebuie să fie nesemnificativ statistic pentru ca
sfericitatea să fie îndeplinită. Cea mai importantă coloană din acest tabel este cea care conține
semnificația statistică (Sig). În cazul nostru, valoarea lui p (.000) este mai mică decât 0,05 și
suntem nevoiți să respingem ipoteza conform căreia varianțele diferențelor dintre măsurători sunt
egale. Cu alte cuvinte, condiția de sfericitate este încălcată, nu este îndeplinită. Știind că nu este
îndeplinită condiția de sfericitate, ce putem face mai departe?

În secțiunea 15.2 am menționat, de asemenea, că SPSS calculează în estimarea sfericității

două corecții propuse de Greenhouse și Gaisser (1959) și de Huynh și Feldt (1976). Cu cât indicele
de corecție Greenhouse-Geisser este mai aproape de 1, cu atât varianțele diferențelor sunt mai
omogene, iar datele sunt mai aproape de a fi sferice. În condițiile în care noi avem trei condiții
experimentale (măsurători), limita inferioară a lui va fi 1/(3-1), adică 0,50 (valoarea indicată în
tabel de Lower-bound). În cazul nostru, valoarea calculată a lui este 0,724, fiind la mijlocul
distanței dintre valoarea minimă pe care ar fi putut să o aibă (lower bound) și valoarea maximă 1.
Acest rezultat ne indică faptul că nu există o abatere substanțială de la sfericitate.

Tabelul Test of Within-Subjects Effects conține rezultatele testului ANOVA-MR. Acest

tabel conține mai multe linii, dar se vor citi rezultatele doar de una dintre ele în funcție de testul
cu care acceptăm îndeplinirea condiției de sfericitate:
• Dacă acceptăm sfericitatea cu testul Mauchly, rezultatele vor fi citite de pe linia Sphericity
Assumed.
• Atunci când acceptăm sfericitatea prin metoda Greenhouse-Geisser citim rezultatele de pe
linia Greenhouse-Geisser.
 • Când sfercitatea este acceptată prin intermediul corecției Huynh-Feldt se vor citi rezultatele
pe linia Huynh-Feldt.
Pentru exemplu nostru, sfericitatea este acceptată prin intermediul testului Greenhouse-
Geisser, deoarece = 0,724 și vom citi rezultatele de pe linia indicată de acest test. Coloanele cele
mai importante sunt:
• F – indică valoarea calculată a testului. Astfel, valoarea calculată a testului este F = 24,397.
• Sig – indică probabilitatea calculată a testului și arată semnificația statistică a acestuia.
Pentru exemplul prezentat p (.000) este mai mic decât 0,05 ceea ce se traduce în faptul că
există diferențe semnificative la nivelul anxietății. Astfel, ca urmare a acumulării de
informații pe parcursul anului universitar, a notelor de la parțiale și a altor factori,
anxietatea se modifică semnificativ statistic. Pe baza informațiilor oferite de statistica
descriptivă putem preciza că anxietatea crește semnificativ în timpul anului universitar.
• Partial Eta Squared – indică mărimea efectului și se notează cu η2. În cazul prezentat,
mărimea efectului (0,120) este de intensitate medie.
• Observed Power – afișează puterea testului, care în cazul nostru are valoarea maximă
(1.000).

Așa cum am precizat atunci când am discutat despre sfericitate, atunci când sunt încălcate
condițiile de sfericitate, putem utiliza testele multivariate. În Output vom găsi rezultatele acestor
teste în tabelul Multivariate Tests. Deoarece rezultatele de pe liniile acestui tabel sunt identice,
se pot citi rezultatele de pe oricare dintre liniile afișate. Coloana care indică semnificația statistică
indică faptul că testele multivariate sunt semnificative statistic, p (.000) fiind mai mic decât 0,05.
În concluzie, anxietatea a crescut semnificativ în timpul anului universitar.

Tabelul Pairwise Comparisons cuprinde rezultatele analizei post hoc, în care sunt
comparate perechi de măsurători. Tabelul afișează afișează diferența dintre mediile celor două
măsurători comparate (Mean Difference), eroarea standard a diferenței (Std. Error), semnificația
statistică (Sig.) și intervalul de încredere al diferenței dintre medii (95% Confidence Interval for
Difference). Rezultatele din acest tabel se citesc în același mod ca în cazul analizei post hoc de la
testul ANOVA One-Way. Astfel, când comparăm anxietatea din săptămâna șase din primul
semestru cu anxietatea din prima săptămâna a semestrului II observăm o diferență dintre medii
egală cu -9,706, semnificativă statistic p < 0,05, intervalul de încredere fiind cuprins între -13,755
și -5,656. Când este comparată anxietatea din prima săptămâna a semestrului II cu cea din
săptămâna 10 a aceluiași semestru diferența dintre medii este 1,333, și este nesemnificativă statistic
p (0,472) fiind mai mare decât 0,05, iar intervalul de încredere al diferenței dintre medii este
cuprins între -0,935 și 3,602.

15.4 Raportarea rezultatelor testului ANOVA-MR

Atunci când raportăm rezultatele testului ANOVA-MR trebuie să oferim câteva detalii
despre variabila independentă. De asemenea, vor fi raportate rezultatele testului de sfericitate și,
dacă aceasta nu a fost îndeplinită, se vor raporta rezultatele corecției Greenhouse-Geisser sau
Huynh-Feldt. Ca și în cazul ANOVA One-Way, valoarea lui F va fi raportată alături de gradele de
libertate. Astfel, vom declara gradele de libertate pentru efectul modelului (dfM = 1,45) și gradele
de libertate pentru erorile modelului (dfR = 259,37). În concluzie, pentru exemplul prezentat în
secțiunea anterioară vom raporta rezultatele astfel:

S-a aplicat testul ANOVA-MR pentru a compara anxietatea a studenților din anul I odată cu
acumularea de informații noi și a evaluărilor parțiale. Astfel, anxietatea a fost măsurată în trei
momente ale anului universitar: în săptămâna șase din semestrul I, în prima săptămână din
semestrul II și în săptămâna 10 din semestrul II. Testul Mauchly a respins îndeplinirea condiției
de sfericitate χ2(2) = 85.17, p < .05. Astfel, a fost aplicată corecția Greenhouse-Geisser (ε = .72).
Rezultatele ne indică faptul că anxietatea se modifică semnificativ pe parcursul anului universitar,
F(1.45, 259,37) = 24.40, p < .001, η2 = .12.
15.5 ANOVA-MR multi-factorial

Modelul cu măsurători repetate pe care l-am prezentat în secțiunile anterioare poate fi extins
prin adăugarea celei de-a doua (sau celei de-a treia) variabile independente. Vom analiza în
rândurile de mai jos rezultatele obținute la evaluările parțiale de studenții cu care am lucrat la
seminar în anul universitar 2016-2017. Pe parcursul celor două semestre au avut loc nouă evaluări
parțiale. Informația evaluată la parțiale a fost împărțită în trei capitole: (1) teste parametrice, (2)
teste neparametrice și (3) teste multivariate. Pe de altă parte, fiecare capitol a fost evaluat prin trei
metode: (1) evaluare scrisă, (2) evaluare orală și (3) evaluare practică (în SPSS). Astfel, avem două
variabile independente: capitolul și metoda de evaluare. Aceste două variabile independente se
intersectează rezultând nouă condiții experimentale. Tabelul 15.2 ilustrează designul experimental
și conține câteva din cazurile cuprinse în eșantion. Studenții au primit în cazul fiecărei evaluări
puncte pe o scală de la 0 la 15. Fiecare linie din tabel reprezintă un singur participant.

Tabel 13.2 – Rezultatele obținute la evaluările parțiale în funcție de capitol și tipul evaluării
Capitol Tete Parametrice Teste Neparametrice Teste Multivariate
Tip
evaluare Scris Oral SPSS Scris Oral SPSS Scris Oral SPSS
7 7 7 14 3 4 6 5 5
5 9 13 11 9 9 10 8 4
6 9 12 11 7 5 4 3 3
8 10 12 13 8 11 13 12 12
4 5 6 5 6 6 6 5 4
13 13 13 13 11 11 12 13 15
11 12 13 13 9 12 14 15 15
12 13 13 13 13 14 14 14 13
8 8 7 3 4 2 1 2 2
5 4 2 13 5 3 2 3 4

Pentru a introduce datele în SPSS vom crea nouă variabile, câte una pentru fiecare condiție
experimentală: Parametric_Scris, Parametric_Oral, Parametric_SPSS, Neparametric_Scris,
Neparametric_Oral, Neparametric_SPSS, Multivariat_Scris, Multivariat_Oral și
Multivariat_SPSS.
 Pentru a aplica testul prin intermediul SPSS vom urma pașii descriși în secțiunea 15.3:
Analyze → General Linear Model → Repeated Measures. În caseta de dialog ce se deschide
va trebuie să definim variabilele intra-subiect. În acest caz avem două variabile (doi factori) intra-
subiect: Capitol (Parametric, Neparametric și Multivariat) și Tip_Evaluare (Scris, Oral, SPSS).
Apoi vom înlocui cuvântul factor1 cu numele primului factor: Capitol. După ce am definit numele
factorului va trebui să specificăm numărul de niveluri pe care îl are acesta. În cazul nostru, există
trei capitole și vom scrie cifra 3 în căsuța cu numele Number of Levels. Apăsăm click pe butonul
Add, iar această variabilă va fi afișată în lista de variabile supuse măsurărilor repetate sub forma
Capitol(3). În continuare vom repeta pașii efectuați anterior pentru a denumi a doua variabilă
independentă. Introducem denumirea Tip_Evaluare în zona Within-Subject Factor Name și,
deoarece aceasta are trei niveluri, vom nota cifra 3 în în spațiul cu numele Number of Levels.
Apăsând butonul Add în lista factorilor va apărea Tip_Evaluare(3). În zona Measure Name vom
nota numele variabilei dependente, mai exact, Punctaj. În final vom obține caseta de dialog de
mai jos:

După ce am introdus denumirile factorilor și numărul de niveluri vom apăsa butonul Define
pentru a intra în caseta de dialog principală. Această casetă este identică cu cea din situația în care
am avut o singură variabilă independentă, cu excepția faptului că acum avem nouă semne de
întrebare. În partea de sus a zonei Within-Subjects Variables, SPSS specifică faptul că există doi
factori: Capitol și Tip_Evaluare. În spațiul corespunzător acestei zone există o serie de semne de
întrebare urmate, între paranteze, de numere și numele variabilei dependente. Numerele din
paranteze reprezintă nivelurile factorilor. Primul numărul se referă la nivelurile primului factor
introdus (în cazul nostru Capitol). Al doilea număr din paranteze se referă la nivelurile celui de-
al doilea factor specificat (în cazul nostru Tip_Evaluare). La fel ca în cazul ANOVA-MR cu un
singur factor, va trebui să înlocuim semnele de întrebare cu variabilele existente în lista din stânga
a casetei de dialog. În lista de mai jos este specificată poziția pe care vom muta fiecare variabilă.
 • _?_(1,1 Punctaj) - reprezintă nivelul 1 al factorului Capitol și nivelul 1 al factorului
Tip_Evaluare. Astfel, pe această poziție vom muta variabila Parametric_Scris, deoarece
primul nivel al factorului Capitol se referă la testele parametrice, iar primul nivel al
factorului Tip_Evaluare este evaluarea scrisă.
• _?_(1,2 Punctaj) - reprezintă nivelul 1 al factorului Capitol și nivelul 2 al factorului
Tip_Evaluare. Astfel, pe această poziție vom muta variabila Parametric_Oral,
• _?_(1,3 Punctaj) - reprezintă nivelul 1 al factorului Capitol și nivelul 3 al factorului
Tip_Evaluare. Astfel, pe această poziție vom muta variabila Parametric_SPSS,
• _?_(2,1 Punctaj) - reprezintă nivelul 2 al factorului Capitol și nivelul 1 al factorului
Tip_Evaluare. Astfel, pe această poziție vom muta variabila Neparametric_Scris,
• _?_(2,2 Punctaj) - reprezintă nivelul 2 al factorului Capitol și nivelul 2 al factorului
Tip_Evaluare. Astfel, pe această poziție vom muta variabila Neparametric_Oral,
• _?_(2,3 Punctaj) - reprezintă nivelul 2 al factorului Capitol și nivelul 3 al factorului
Tip_Evaluare. Astfel, pe această poziție vom muta variabila Neparametric_SPSS,
• _?_(3,1 Punctaj) - reprezintă nivelul 3 al factorului Capitol și nivelul 1 al factorului
Tip_Evaluare. Astfel, pe această poziție vom muta variabila Multivariat_Scris,
• _?_(3,2 Punctaj) - reprezintă nivelul 3 al factorului Capitol și nivelul 2 al factorului
Tip_Evaluare. Astfel, pe această poziție vom muta variabila Multivariat_Oral,
• _?_(3,3 Punctaj) - reprezintă nivelul 3 al factorului Capitol și nivelul 3 al factorului
Tip_Evaluare. Astfel, pe această poziție vom muta variabila Multivariat_SPSS,

După ce am mutat variabilele pe pozițiile corespunzătoare vom obține caseta de dialog de

mai jos:
 Atunci când avem un singur factor, în analiza rezultatelor ANOVA-MR, am ignorat meniul
Plots al casetei de dialog. În situația în care avem doi factori, vom utiliza meniul Plots pentru a
afișa un grafic ce ilustrează mediile punctajelor obținute de studenți pentru fiecare nivel al
factorilor. După ce apăsăm click pe Plots, selectăm variabila Capitol din lista din stânga casetei
de dialog și cu ajutorul săgeții o vom muta în spațiul Horizontal Axis, iar în spațiul cu numele
Separate Lines vom introduce cealaltă variabilă independentă, Tip_Evaluare. După ce am așezat
variabilele independente în spațiile corespunzătoare, apăsăm butonul Add, iar interacțiunea dintre
cele două variabile va fi afișată în partea de jos a casetei de dialog, precum în imaginea de mai jos.
Acțiunea se va finaliza prin apăsarea butonului Continue.

În Options, vom selecta Capitol, Tip_Evaluare și Capitol*Tip_Cercetare și le vom muta

cu ajutorul săgeții în spațiul Display Means for. Pentru a obține rezultatele analizei post hoc se va
bifa opțiunea Compare main effects și se va selecta metoda Bonferroni. Așa cum am procedat
și în situația în care am aplicat ANOVA-MR cu o singură variabilă independentă, vom bifa
opțiunile Descriptive statistics, Estimates of effect size și Observed power. Setarea opțiunilor
se finalizează prin apăsarea butoanelor Continue → OK.
 În output, primul tabel (Within Subjects Factors) afișează lista variabilelor care au fost
incluse și nivelul fiecărei variabile independente. Acest tabel este important deoarece ne permite
să verificăm dacă am introdus variabilele în ordinea corectă în vederea comparării pe care dorim
să o realizăm. Al doilea tabel (Descriptive Statistics) afișează media și abaterea standard pentru
fiecare din cele nouă condiții experimentale. Numele afișate în acest tabel reprezintă denumirile
pe care le-am dat variabilelor atunci când am creat baza de date. Din acest tabel putem observa că
studenții au avut punctajele cele mai mari la evaluarea scrisă din capitolul testelor neparametrice
(10,80). De asemenea, varianța cea mai mare o au scorurile când au fost evaluate cunoștințele
testelor multivariate prin intermediul SPSS (4,394). Valorile din acest tabel ne vor ajuta, mai
târziu, în interpretarea efectelor principale ale analizei.
 Următorul tabel pe care îl vom citi este cel care ne indică rezultatele testului de sfericitate
(Mauchly’s Test of Sphericity) pentru fiecare dintre cele trei efecte introduse în model (două ale
variabilelor independente și cel al interacțiunii dintre variabilele independente). Nivelurile de
semnificație ale ale testului Mauchly arată că sfericitatea este încălcată atât în cazul efectului
generat de variabilele Capitol și Tip_Evaluare, cât și în cazul efectului generat de interacțiunea
dintre cele două variabile independente, deoarece p < 0,05. Prin urmare, vom citi indicele de
corecție Greenhouse-Geiser pentru fiecare linie. Pentru variabila Capitol, indicele Greenhouse-
Geisser este 0,937 și deoarece este mai mare decât 0,75 vom folosi corecția Huynh-Feldt (0,947).
Pentru efectul variabilei Tip_Evaluare și a interacțiunii dintre cele două variabile indepenente
putem folosi corecția Greenhouse-Geisser.

Tabelul Test of Within-Subjects Effects afișează rezultatele testului ANOVA-MR. Tabelul

este împărțit în secțiuni care indică efectul fiecărei variabile incluse în model. Uitându-ne la nivelul
de semnificație este destul de clar faptul că există diferențe la nivelul punctajelor obținute de
studenți la parțiale în funcție de capitolul evaluat, de tipul evaluării sau în funcție de interacțiunea
dintre capitol și forma evaluării. Vom analiza fiecare din aceste diferențe.
Efectul variabilei capitol

În tabelul Test of Within-Subjects Effects, în secțiunea destinată efectului generat de

variabila Capitol, vom citi rezultatele de pe linia Huynh-Feldt. Valoarea calculată a testului este
F (6,092) și este semnificativă statistic p (0,003) fiind mai mic decât 0,05, la o mărime a efectului
slabă (η2 = 0,033). Cu alte cuvinte, dacă ignorăm efectul generat de tipul evaluării, există diferențe
semnificative la nivelul punctajelor obținute de studenți în funcție de capitolul evaluat.
În output vom găsi o secțiune denumită Estimated Marginal Means care afișează mediile
punctajelor obținute de studenți în funcție de capitolul evaluat. SPSS etichetează cele trei niveluri
ale variabilei Capitol cu 1, 2 și 3. Astfel, trebuie să ne reamintim ordinea în care am introdus
variabilele în baza de date pentru a putea face legătura cu liniile din tabel. De exemplu, putem
observa că media punctajelor pentru capitolul testelor parametrice este 9,061. Această medie a fost
obținută ca urmare a mediei aritmetice a punctajelor celor trei evaluări parțiale din capitolul testelor
parametrice. Media cea mai mică a fost obținută la evaluările din capitolul testelor parametrice,
rezultat ce nu poate fi surprinzător deoarece studenții încă nu erau obișnuiți cu metodele de
evaluare.

𝑀𝑒𝑑𝑖𝑒𝐶𝑎𝑝𝑖𝑡𝑜𝑙 = (𝑀𝑒𝑑𝑖𝑒𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑖𝑐_𝑆𝑐𝑟𝑖𝑠 + 𝑀𝑒𝑑𝑖𝑒𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑖𝑐_𝑂𝑟𝑎𝑙 + 𝑀𝑒𝑑𝑖𝑒𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑖𝑐_𝑆𝑃𝑆𝑆 )/3

→ 𝑀𝑒𝑑𝑖𝑒𝐶𝑎𝑝𝑖𝑡𝑜𝑙 = (8,30 + 9,06 + 9,82)/3 = 9,06
 SPSS ne oferă și comparațiile dintre perechile formate din cele trei capitole evaluate prin
intermediul metodei Bonferroni. Rezultatele acestei analize sunt afișate în tabelul Pairwise
Comparisons și ne indică faptul că există diferențe semnificative între punctajele obține la nivelul
1 și nivelul 2 (teste parametrice vs teste neparametrice) nivelul de semnificație p (0,001) fiind mai
mic decât 0,01, respectiv între cele obținute la nivelul 1 și cele obținute la nivelul 3 (teste
parametrice vs teste multivariate) la un nivel de semnificație p (0,032) mai mic decât 0,05.
Diferența dintre punctajele obținute la testele neparametrice (nivelul 2) și cele de la testele
multivariate (nivelul 3) nu este semnificativă statistic (p > 0,05). În concluzie, studenții au obținut
punctaje semnificativ mai mici la parțiale din capitolul testelor parametrice.

Efectul generat de tipul evaluării

Tabelul Test of Within-Subjects Effects afișează și rezultatele efectului produs de tipul

evaluării asupra punctajelor pe care le obțin studenții la parțiale. Ca urmare a rezultatelor testului
de sfericitate, de această dată, va trebui să citim rezultatele testului cu ajutorul corecției
Greenhouse-Geisser. Analiza rezultatelor ne arată că, dacă am ignora efectul capitolului evaluat,
există diferențe semnificative la nivelul punctajelor în funcție de forma evaluării (F(1,37, 244,88)
= 17,85; p < 0,001; η2 = 0,09). La fel ca în cazul rezultatelor analizate anterior, în secțiunea
Estimated Marginal Means, în output vom găsi tabelul ce cuprinde mediile punctajelor în funcție
de forma evaluării. Reamintim faptul că, în tabel, tipurile de evaluare sunt etichetate cu 1, 2 și 3 și
trebuie să ne reamintim ordinea în care au fost introduse variabilele pentru a putea face
corespondența corect. Putem observa că media cea mai mare a fost obținută în cazul evaluărilor
scrise (9,642), iar cea mai mică în cazul evaluărilor orale (9,093).
 Analiza post hoc, ale cărei rezultate sunt afișate în tabelul Pairwise Comparisons, a fost
realizată cu testul Bonferroni. Tabelul arată că există diferențe semnificative (p < 0,001) la nivelul
punctajelor între nivelurile 1 și 2 (scris vs oral) și între nivelurile 2 și 3 (oral vs SPSS). Diferența
dintre nivelul 1 și nivelul 3 (scris vs SPSS) nu este semnificativă statistic (p > 0,05). În concluzie,
studenții au avut punctaje semnificativ mai mici la evaluările orale.

Efectul interacțiunii dintre variabilele independente (capitol x tipul evaluării)

Tabelul în care sunt prezentate rezultatele testului ANOVA-MR ne indică faptul că există o
interacțiune între capitolul evaluat și tipul evaluării la care au fost supuși studenții. Cu alte cuvinte,
există o interacțiune semnificativă între capitolul evaluat și tipul evaluării, F(2,02, 362,10) = 41,28,
p < 0,001 la o mărime a efectului puternică (η2 = 0,19). Acest rezultat ne spune că tipul evaluării
re un efect semnificativ diferit asupra notelor în funcție de capitolul evaluat în cadrul parțialelor.
Așa cum am procedat mai sus, putem utiliza mediile afișate de SPSS în tabelul Descriptives sau
pe cele afișate în tabelul Estimates.
 Mediile afișate în tabelul de mai sus sunt utilizate pentru a obține graficul pe care l-am
solicitat prin setările din meniul Plots. Figura de mai jos arată graficul interacțiunii dintre cele
două variabile. Graficul arată cum sunt mediile punctajelor atunci când același capitol a fost
evaluat prin parțial scris, oral și prin intermediul SPSS. Linia albastră, care reprezintă mediile
evaluărilor scrise, este mai ridicată la nivelul evaluărilor din testele neprametrice și a celor din
testele multivariate. Linia verde, care indică valorile mediilor pentru evaluările orale, este mai
ridicată la nivelul tetelor multivariate, comparativ cu nivelul testelor parametrice și neprametrice.

15.6 Raportarea rezultatelor ANOVA-MR multi-factorial

Rezultatele ANOVA-MR multi-factorial se raportează într-o manieră similară ANOVA-MR

cu o singură variabilă independentă. Totuși, trebuie să ne amintim faptul că avem de raportat
rezultatele efectelor celor două variabile independente și rezultatul interacțiunii dintre acestea. De
asemenea, nu trebuie să uităm faptul că atunci când raportăm rezultatele testului, trebuie să
declarăm și gradele de libertate.

A fost aplicat testul ANOVA-MR multi-factorial pentru a studia efectul capitolului evaluat
și forma evaluării asupra punctajelor obținute de studenți la parțialele de la Statistică. Testul
Mauchly indică faptul că în cazul celor trei efecte analizate condiția de sfericitate nu este
îndeplinită. Astfel, pentru capitol χ2(2) = 12.38, p < .05; pentru tipul evaluării χ2(2) = 110.32, p
< .05, iar pentru interacțiunea capitol x tip evaluare χ2(9) = 1078.16, p <.05. Prin urmare vom
folosi indicele de corecție Greenhouse-Geisser (ε = .94 pentru capitol, ε = .68 pentru tipul
evaluării și ε = .51 pentru variabila interacțiunii capitol x tip evaluare). Deoarece indicele de
corecție Greenhouse-Geisser pentru variabila capitol este mai mare decât .75 vom folosi corecția
Huynh-Feldt (ε = .95).
Există diferențe semnificativă la nivelul punctajelor în funcție de capitolul evaluat, F(1.89,
338.88) = 6.09, p < .001, η2 = .03. De asemenea, există diferențe semnificative și în funcție de
tipul evaluării, F(1.37, 244.88) = 17.85, p < .001, η2 = .09. Efectul interacțiunii dintre capitolul
evaluat și forma evaluării asupra punctajelor obținute de studenți la parțial este și el semnificativ
statistic, F(2.02, 362.10) = 41.28, p < .001, η2 = .19.

Tema 2

Tema va fi trimisă pe e-mail la adresa adrian.gorbanescu@gmail.com până luni, 19 martie,

ora 20.00.
Pe e-mail se vor trimite următoarele documente:
1. Output-ul obținut ca urmare a rezolvării exercițiilor salvat sub denumirea
Nume_Prenume_grupa.
2. Un document word salvat sub aceeași denumire care va cuprinde răspunsurile la
cele 8 exerciții și subpunctele acestora. De asemenea documentul va cuprinde, pe
lângă rezolvarea exercițiului, explicația procedurilor utilizate pentru a obține
rezultatele prezentate.

1. În ce context se aplică testul ANOVA-MR?

2. Ce presupune condiția de sfericitate?
3. La ce nivel de semnificație testul Mauchly acceptă condiția de sfericitate?
4. În ce context acceptăm condiția de sfericitate cu ajutorul coreției Greenhouse-Geisser? Dar cu
Huynh-Feldt?
5. Ce relație trebuie să existe între covariante în contextul ANCOVA? Dar între covariante și
variabila dependentă?
6. Ce înțelegem prin omogenitatea pantei de regresie în contextul ANCOVA?

Folosind baza de date Tema 2 rezolvați următoarele sarcini:

7. Într-un studiu este analizat efectul job craftingului (modelarea postului) asupra performanței în
muncă. În prima etapă, angajații au fost instruiți să facă job crafting prin modelarea resurselor
postului; în etapa a doua angajații au fost încurajați să modeleze postul prin modificarea
provocărilor, iar în ultima etapă modelarea s-a făcut prin modificarea dificultății sarcinilor. După
fiecare etapă a fost măsurată performanța în muncă a angajaților. Modelarea postului are efecte
asupra performanței în muncă?
a. Verificați dacă este îndeplinită condiția de sfericitate. Argumentați răspunsul.
b. Indicați linia de pe care se vor citi rezultatele
c. Specificați valoarea calculată a testului, probabilitatea asociată, η2 și puterea testului.
d. Luați decizia statistică.
e. Prezentați rezultatele analizei post-hoc.
f. Prezentați rezultatele în format APA.

8. Există diferențe la nivelul Performanței în muncă (Performanta_Resurse) în funcție de nivelul

de execuție al sarcinilor (Level) ținând sub control variabila IQ?
a. Precizați valorile indicilor de corelație dintre cele trei variabile incluse în model.
b. Folosiți procedura statistică corespunzătoare pentru a răspunde la întrebarea cercetării.
c. Specificați valoarea calculată a testului, probabilitatea asociată, η2 și puterea testului.
d. Luați decizia statistică.
e. Prezentați rezultatele analizei post-hoc.