Introducere in SPSS

Introducere în SPSS.
SUPORT SEMINAR
Asist.univ. Mutali Sezen
Universitatea Andrei Saguna

CONSTANTA
Universitatea Andrei Şaguna Introducere în SPSS
INTRODUCERE
_________________________________________________________________________________________________________________
Aplicaţia SPSS („Statistical Package for the Social Sciences” – „pachet de programe
statistice aplicate ştiinţelor sociale”) a fost elaborată în anul 1965 de către Universitatea
Stanford din California.
Programul SPSS (Statistical Package for the Social Sciences) este unul dintre cele
mai utilizate în analiza statistică a datelor şi a evoluat până la versiunea 16, aria de
aplicabilitate extinzându-se de la versiune la versiune, odată cu modul de operare şi cu
facilităţile oferite. Programul este utilizat în foarte multe domenii: în marketing, cercetare
experimentală, educaţie, sănătate etc. În afară de analizele statistice posibile, programul are
componente puternice pentru managementul datelor (selectare, reconfigurare, creare de date
noi) şi pentru documentarea datelor (există un dicţionar metadata, care reţine caracteristici ale
datelor). Se mai poate adăuga flexibilitatea privind tipurile de date acceptate ca şi modul de
construire a rapoartelor.
Această carte prezintă un mod de abordare a analizei statistice folosind SPSS for
Windows şi este destinată studenţilor care doresc să analizeze date din psihologie, sociologie,
criminologie, sau date similare. Cartea se doreşte a fi un îndrumător pentru analiza datelor,
fiind o carte completă, de sine stătătoare care satisface nevoile studenţilor la toate nivelele.
Manualul este structurat pe XVII capitole, oferind astfel posibilitatea parcurgerii
pas cu pas a informaţiilor prezentate dar şi o privire de ansamblu asupra procedurilor de calcul
din SPSS.
Seminar 1:
Noţiuni de bază despre introducerea şi analiza statistică
folosind SPSS
_________________________________________________________________________________________________________________
I.1. Accesarea SPSS-ului.

SPSS-ul for Windows este accesat în general prin folosirea butoanelor şi meniurilor
folosind pentru aceasta clicuri ale mouse-ului. Astfel, cea mai rapidă modalitate de învăţare
este de a urma paşii prezentaţi şi capturile de ecran.
Pasul 1:
Se dă dublu clic pe imagine
– dacă imaginea nu apare pe ecran
atunci accesaţi „Start”
→Programe→SPSS.
Pasul 2:
Această fereastră va
apărea după câteva momente şi se
pot alege oricare dintre
opţiunile din fereastră.(Fereastra
se numeşte „Data Editor”.
Fereastra de editare (Data Editor)
se deschide implicit la lansarea
SPSS şi este folosită pentru
introducerea, modificarea sau
ştergerea datelor în format
spreadsheet. Într-o fereastră de
editare poate fi prezentat
conţinutul unui fişier de date
care a fost selectat dintr-o listă de
fişiere creat anterior (în SPSS, Excel, Statistica etc.) sau poate fi creată o nouă foaie de lucru.
Această fereastră recunoaşte fişierele de date care au extensia implicită .sav.
În fereastra Data Editor sunt afişate datele de lucru. Acestea sunt aranjate în format tabel
(spreadsheet), care conţine coloane şi linii. La intersecţia acestora sunt celulele (casetele,
căsuţele) în care se introduc datele. La un moment dat este activă (curentă) o singură celulă, cea
în care este plasat Seminarorul. Celula curentă este scoasă în evidenţă printr-un chenar îngroşat.
Trecerea de la o celulă la alta se realizează prin clic de mouse în noua celulă sau de la tastatură
cu ajutorul tastelor de control (taste săgeţi, Page Up, Page Down).
I.2. Introducerea datelor.

Pasul 3:
Aceasta este fereastra Data
Editor a SPSS-ului şi este un spaţiu de
lucru cu linii şi coloane în care pot fi
introduse datele.
Coloanele sunt folosite pentru a
desemna diferite variabile.
Liniile sunt cazurile sau indivizii
despre care se deţin date.
Pasul 4:
Pentru a introduce date in SPSS
se selectează una dintre celule şi se dă clic
pe celula respectivă.
În SPSS există întotdeauna o singură
celulă selectată.
Pasul 5:
Se introduce un număr folosind tastatura

calculatorului. La apăsarea tastei „Enter” sau la
selectarea cu mouse-ul a unei alte celule numărul
va fi introdus în foaia de lucru la fel
cum este arătat aici.
Valoarea 10 este înregistrarea pentru primul
rând (primul caz) al variabilei VAR00001.
 Se observă că această variabilă a automat
un nume standard. Pentru efectua
schimbarea se dă clic pe numele
variabilei.
Pasul 6:
Corectarea erorilor se face folosind mouse-ul: se

selectează celula unde este eroarea şi se introduce
valoarea corectă. La apăsarea tastei „Enter” sau
deplasarea pe o altă celulă valoarea corectată va fi
introdusă.
I.3. Salvarea datelor.
Pasul 7:
Selectând „File”→ „Save As” datele se vor
salva sub forma unui fişier. Fişierul salvat va primi
automat de la SPSS extensia „.sav”.
Se recomandă folosirea de fişiere distincte (ex.
date1) pentru a face conţinutul lor cât mai clar.
Salvarea datelor este recomandat sa se facă într-un
fişier diferit de cel al SPSS-ului.
Pasul 8:
Pentru a alege locaţia
unde va fi salvat fişierul de
date, se alege calea în mediul
„Save In” (se foloseşte săgeata
pentru a ajunge la locaţia
dorită).
Salvarea unui fişier se realizează prin pictograma Save din bara de instrumente
Standard sau cu ajutorul comenzilor Save sau Save As şi meniul File . Aceste comenzi
deschid fereastra Save Data As în care se pot stabili: numele fişierului (File name); tipul
fişierului (Save as type); locaţia în care să aibă loc salvarea (Save In).
I.4. Folosirea „Variabilei View” pentru crearea şi etichetarea variabilelor

Pasul 9:
Apăsarea meniului „Variable View”,
situat în josul paginii, schimbă fereastra „Data
View” (spaţiul de lucru pentru introducerea
datelor) în altă fereastră în care pot fi
introduse informaţii despre variabilele create.
Pasul 10:
Acesta este spaţiul de lucru „Variable View”. În acest caz, o variabilă este deja
înscrisă fiind introdusă la pasul 8. Variabila poate fi redenumită şi pot fi adăugate alte
variabile destul de uşor selectând celula corespunzătoare şi tastând numele variabilei.
Pasul 11:
La versiunea SPSS 12- 16 (faţă de
cele anterioare unde se permit maxim
8 caractere) nu există pentru lungimea
numărului unei variabile.
Se selectează o celulă din coloana
„Name” şi se scrie un nume diferit
de variabilă. Celelalte variabile vor
primi valori care vor fi implicit
schimbate ulterior.
A
c
Acesta este numărul de zecimale
care va apărea pe ecran.
*La editarea unei variabile trebuie să se ţină cont de următoarele restricţii: numele
variabilei să fie unic, primul caracter să fie o literă, sa nu conţină simboluri speciale folosite
în SPSS sau spaţii.
Pasul 12:
Apare acest buton:
se dă clic pe el.
Pasul 13:
Va apărea această fereastră. În
continuare se vor urmări paşii care
vor arăta cum genul biologic
„masculin” şi „feminin” este
introdus folosind codul „1”
(masculin) respectiv „2” (feminin).
Pasul 14:
Se scrie „1” în
dreptul câmpului „value”
şi „masculin” în dreptul
câmpului „value Label”.
Apoi se apasă „Add”.
Pasul 15:
Aceasta operaţie de adăugare
transferă informaţia în câmpul aflat
dedesubt.
La fel se procedează şi pentru
introducerea celeilalte variabile (Ex. 2 -
feminin). Cele mai frecvent utilizate ferestre
in SPSS sunt „data Editor”, „Syntax Editor”
şi „Output Viewer”, „Pivot Table (Pivot
Table Editor)”, “Chart Editor”.
Fereastra de sintaxă (Syntax Editor) este folosită pentru a genera programe de comenzi pe
care le vom executa asupra datelor (exemplu: calculul unor noi variabile). Opţiunile selectate în
casetele de dialog sunt afişate în fereastra de sintaxă sub formă de comenzi. Aceste ferestre îi
sunt specifice fişierele de tip .sps.
Fereastra de rezultate (Output Viewer) devine disponibilă automat după ce a fost
efectuată o comandă de analiză a datelor. În această fereastră, sunt afişate rezultatele statistice,
tabele şi grafice care au asociate ferestre distincte. Fereastra de editare a rezultatelor (Text
Output Editor) este folosită pentru modificarea textului rezultat, care nu a fost afişat în tabele
pivot.
Fereastra de rezultate (Output Viewer) devine disponibilă automat după ce a fost efectuată o
comandă de analiză a datelor. În această fereastră, sunt afişate rezultatele statistice, tabele şi
grafice care au asociate ferestre distincte. Fereastra de editare a rezultatelor (Text Output Editor)
este folosită pentru modificarea textului rezultat, care nu a fost afişat în tabele pivot. Toate
rezultatele obţinute din analizele statistice sunt afişate în fereastra Output Viewer.
Această fereastră se aseamănă cu fereastra Windows Explorer şi se deschide doar dacă

s-au lansat comenzi din meniurile Statistics sau Graphs.
Fereastra Output Wiewer este structurată în două cadre/zone. Cadrul din stânga
(cuprinsul/structura) prezintă, sub forma unei schiţe, obiectele conţinute în fereastră.
Elementele din schiţă se referă la titlu, note şi denumirea rezultatelor statistice propriu-zise.
Fereastra Pivot Table (Pivot Table Editor) oferă multiple posibilităţi de modificare a
tabelelor pivot: editare text, schimbarea datelor din rânduri şi coloane, adăugarea de culori,
crearea unor tabele multidimensionale, ascunderea sau afişarea selectivă a rezultatelor.
Fereastra de editare a graficelor (Chart Editor) permite modificarea elementelor unui
grafic (axe, scale, diagramă, legendă etc.)
I.5. Exemplu de calcul statistic.

Pasul 16:
Pentru a calcula media de
vârstă se urmăresc următoarele
se dă clic pe „Analyze”;
 Se selectează
„Descriptive statistics”;
 Se selectează „Descriptive…”
Pasul 17:
Se selectează „vârsta”.
Se apasă butonul ►
pentru a muta „vârsta” în
căsuţa „Variable(s)”.
Se dă clic pe „OK”.
Pasul 18:
Fereastra „Data Editor” este înlocuită de output-ul SPSS-ului. Acest tabel apare
pentru analiza realizată anterior.
Media scorului pentru vârstă este încercuită.

*Ferestrele în SPSS reprezintă zone de pe ecran tratate ca elemente de sine stătătoare,
cu caracteristici proprii, care determină acţiunile ce se pot executa în cadrul lor.
8
I.6. Concepte statistice esenţiale în analizele cu ajutorul SPSS-ului.

Elementele de statistică sunt foarte simple dar apar probleme la asamblarea elementelor,
abilităţile matematice având un mic rol în analiza statistică a datelor. Conceptele de bază pe care
cercetătorii trebuie să le înţeleagă înainte de a trece la analizele SPSS sunt:
Variabila= orice concept care poate fi măsurat şi care variază de la un studiu la altul.
Tipurile de variabile.
Variabilele pot fi clasificate ca fiind de două tipuri:
Scoruri: Vorbim despre scoruri atunci când o valoarea numerică este atribuită unei
variabile, pentru fiecare caz în parte din eşantion. Această valoare indică cantitatea sau valoarea
caracteristicii (variabilei) în cauză.
Exemplul. Vârsta este o variabilă numerică deoarece valoarea –scor indică o cantitate în
creştere a variabilei vârstă.
Variabile nominale sau categoriale: Sunt variabile care se măsoară clasificând cazurile în
unul sau mai multe categorii.
Exemplul 1: Genul biologic are două categorii: masculin şi feminin
*Este foarte important să se hotărască pentru fiecare variabilă în parte dacă este variabilă
nominală (categorială) sau variabilă cantitativă.
Definirea atributelor unei variabile este prima operaţie din procesul de pregătire a setului
de date. Definirea presupune precizarea atributelor unei variabile: numele variabilei, tipul,
lungimea (numărul de caractere), numărul de zecimale (pentru cele numerice), eticheta, valorile
etichetei, valorile lipsă, alinierea şi modalităţile de măsurare a variabilei. Variabilele se definesc
în coloanele foii Variabile View din fereastra Data Editor.
Tipul variabilei – variabilele pot fi de mai multe tipuri: numerice (Numeric, Coma, Dot,
Scientific notation), alfanumerice (String), date calendaristice, simbol monetar.
I.7. Exerciţii
1. Realizaţi o bază de date şi introduceţi 10 subiecţi cu vârste cuprinse între 10 şi 15 ani

astfel: primul subiect are vârsta de 10 ani, al doilea subiect are vârsta de 13 ani, al
treilea subiect are vârsta de 12 ani, al patrulea subiect are vârsta de 11 ani, al cincilea
subiect are vârsta de 15 ani, al şaselea subiect are vârsta de 14 ani, al şaptelea subiect
are vârsta de 13 ani, al optulea subiect are vârsta de 15 ani, al nouălea subiect are
vârsta de 10 ani şi ultimul subiect are vârsta de 13 ani.
Salvaţi fişierul cu denumirea „subiect” pe desktop.
2. La o cercetare „percepţia socială asupra consumului de droguri” participă 10 persoane

dintre care: 4 studenţi, 2 profesori şi 4 elevi. Aceştia au vârste cuprinse între 15 şi 35
de ani astfel: cei 4 studenţi au 21, 22, 25, 26 ani, elevii au 15, 16, 17, 17 ani şi
profesorii au 34 de ani şi 35 de ani. (a se vedea figura de mai jos).
Se cere:
1. să se calculeze media de
vârstă a participanţilor la
studiu;
2. să se calculeze şi să se
interpreteze media
obţinută.
3. să se salveze fişierul
creat în „My
documents”cu
denumirea „cercetare”.
I.8. Alegeţi răspunsul corect
1. Fereastra de editare (Data Editor):

a. se deschide implicit la lansarea SPSS;
b. este folosită pentru introducerea, modificarea sau ştergerea datelor în format
spreadsheet;
c. este folosită pentru a genera programe de comenzi pe care le vom executa
asupra datelor;
d. este folosită pentru modificarea textului rezultat, care nu a fost afişat în tabele
pivot;
2. Fereastra de rezultate (Output Viewer):

a. afişează rezultatele statistice, tabele şi grafice care au asociate ferestre distincte;
b. permite modificarea elementelor unui grafic (axe, scale, diagramă, legendă
etc.);
c. este folosită pentru a genera programe de comenzi pe care le vom executa
asupra datelor.
3. Ferestrele în SPSS reprezintă:

a. zone de pe ecran tratate ca elemente de sine stătătoare, cu caracteristici proprii,
care determină acţiunile ce se pot executa în cadrul lor;
b. elemente constitutive ale programului SPSS;
c. elemente prin care i se conferă utilizatorului posibilitatea selectării unei anumite
opţiuni.
4. Care sunt cele mai frecvent utilizate ferestre în SPSS

a. data editor;
b. output editor;
c. syntax editor;
d. syntax viewer;
e. output viewer.
5. În SPSS fereastra SPSS Output Viewer este utilizată pentru:

a. afişarea rezultatelor;
b. editarea de date;
c. editarea de date şi tabele;
6. La editarea unei variabile trebuie să se ţină cont de următoarele restricţii:

a. să conţină spaţii sau simboluri folosite în SPSS;
b. să conţină numai litere;
c. să aibă cel puţin 8 caractere;
d. primul caracter trebuie să fie o cifră;
e. să fie unic.
7. Numele variabilei trebuie să ţină cont de câteva restricţii:

a. să aibă cel mult 6 caractere;
b. se poate repeta;
c. primul caracter să fie literă;
d. poate să conţină simboluri speciale folosite în SPSS sau spaţii.
7. Pentru a introduce date în SPSS se selectează:

a. o celulă dând clic pe celula respectivă;
b. meniul data, split file;
c. meniul transform, compute.
9. Prin apăsarea butonului “Variable View”:

a. se schimbă fereastra “Data View”;
b. apare fereastra output;
c. se poate introduce o variabilă diferită.
10. Care dintre următoarele afirmaţii este adevărată?

a.indicatorul “medie” reprezintă media aritmetică a unui scor şi se obţine prin
însumarea valorilor şi înmulţirea cu numărul de valori;
b. modul este valoarea cu cea mai mare frecvenţă si este frecvenţa cu care
apare cel mai frecvent scor;
c. mediana este valoarea din centrul distribuţiei, dacă variabilele numerice sunt
ordonate după mărime, de la cea mai mică la cea mai mare.
11. Pentru a calcula media aritmetică alegem

a. SE Mean;
b. Median;
c. Mean;
d. Rouge.
I.9. Răspunsuri corecte
1. a. se deschide implicit la lansarea SPSS;

2. a. afişează rezultatele statistice, tabele şi grafice care au asociate ferestre distincte;
3. a. zone de pe ecran tratate ca elemente de sine stătătoare, cu caracteristici proprii,
care determină acţiunile ce se pot executa în cadrul lor ;
4. a. data editor; c. syntax editor; e. output viewer;
5. a. afişarea rezultatelor;
6. e. să fie unic;
7. c. primul caracter să fie literă;
8. a. o celulă dând clic pe celula respectivă;
9. a. se schimbă fereastra “Data View”;
10. c. mediana este valoarea din centrul distribuţiei, dacă variabilele numerice sunt
ordonate după mărime, de la cea mai mică la cea mai mare;
11. c. mean.
Seminar 2:
II. Descrierea variabilelor. Tabele şi diagrame.
________________________________________________________
II.1. Frecvenţa procentuală.

Pentru realizarea unui tabel de frecvenţă este necesară o coloană căreia i se va da un
nume.
Pasul 1:
 Se defineşte variabila.
 Se etichetează valorile variabilei.
 Valorile pentru ocupaţie se definesc
aşa
cum este descris în paşii 13-15 din
capitolul I.
Pasul 2:
Se selectează:
„Analize”,
„Descriptive Statistics”
„Frequencies…”
Pasul 3:
Se selectează ocupaţia şi se
mută în partea dreaptă a tabelului
aşa cum a fost descris la pasul 17
din capitolul I.
Se apasă „OK”
Pasul 4:
1. Prima coloană a tabelului

conţine eticheta celor 5 categorii de
ocupaţii.
2. A treia coloană afişează

procentul de frecvenţă pentru 3. A patra afişează procentul
fiecare categorie. de frecvenţă valorile lipsă
Exemplu: 5 (psiholog) reprezintă * Deoarece nu valori lipsă, procentajul
33,3% din totalul de 15 persoane. este acelaşi coloana a treia.
4. A cincea coloană adună procentele în josul tabelului.
 În ceea ce priveşte raportarea rezultatelor se prezintă numai etichetele

categoriale, frecvenţele şi frecvenţele procentuale.
II.2. Diagrama circulară pentru date categoriale.
15
Universitatea Andrei Şaguna Introducere în
SPSS
Pasul 1:
Se selectează:
„Graphs”
„Pie”
Pasul 2:
Se selectează „Define”.
Pasul 3:
Se selectează „Ocupaţia”
prin apăsarea butonului ►(◄).
Se apasă „OK”.
Diagrama Pie este un cerc divizat în

sectoare. Fiecare sector de cerc reprezintă
o categorie, aria acestuia fiind
proporţională cu numărul de cazuri din
această categorie a variabilei nominale.
Pasul 4:
Acesta este felul în care apare

o diagramă circulară folosind
opţiunile din SPSS. Sectoarele
din cerc sunt codate cu diferite
culori.
* Caracteristicile din această

diagramă pot fi modificate cu „Chart
Editor”.
16
SPSS
II.3. Adăugarea etichetelor unei diagrame circulare
Pasul 1:
Se dă dublu clic oriunde în

dreptunghiul care conţine
pentru a selecta „Chart
Se selectează:
„Elements”
„Show Data Labels”
* Diagrama de structură „pie” este folosită

pentru reprezentarea frecvenţelor absolute
(numere) şi/sau relative (procente) pe
categorii/grupe.
Pasul 2:
Se selectează „Count” şi
„X”-ul roşu pentru a nu afişa.
Se selectează „Ocupaţie” şi săgeata

verde curbată în sus pentru a afişa denumirile
ocupaţiilor.
Se procedează asemănător pentru

„Procent” pentru a afişa fiecărei
ocupaţii în parte.
Seselectează „Apply” şi „Close”.
17
SPSS
Pasul 3:
Pentru a înlătura legenda,

se selectează „Options”
şi „Hide Legend”
Diagrama circulară cu
sectoarele
denumite şi frecvenţa
procentuală afişată.
II.4. Diagrama cu bare pentru date categoriale.
Pasul 1:
Se selectează:
„Graphs”
„Bar…”.
Pasul 2:
Selectaţi „Define”.
„Simple” este preselectat.
*Selectare unei alte variante se face prin

clic cu mouse-ul pe varianta respectivă.
18
Pasul 3:
Se selectează ocupaţia şi se apasă

butonul ► de lângă „Category Axis”
pentru a introduce acolo
ocupaţia. Se selectează „% of
cases”. Se apasă „OK”
Diagrama cu bare.
* Diagrama cu bare este folosită pentru a reprezenta grafic mediile diferitelor grupe dintr-o
colectivitate (Summaries for groups of cases) sau valorile medii ale diferitelor variabile pentru
aceeaşi colectivitate (Summaries of separate variables).
Diagrama Bar este folosită pentru a ilustra categoriile unei distribuţii în formă convenabilă.
Diagrama prezintă atâtea bare câte categorii are o variabilă. Barele au aceeaşi bază, egală cu
unitatea, iar înălţimea proporţională cu frecvenţa categoriei astfel încât aria fiecărei bare
reprezintă numărul cazurilor categoriei considerate.
Pentru a fi interpretat un grafic trebuie să conţină următoarele elementele:
- titlul graficului – oferă informaţii asupra fenomenului reprezentat (Titlul
graficului coincide cu titlul tabelului de date);
- axele de coordonate sunt folosite pentru a reprezenta variabilele. Pe abscisă se
înscrie variabila de distribuţie, iar pe ordonată frecvenţa.
- legenda – este folosită pentru a explica elementele din diagramă;
- sursa – precizează originea datelor reprezentate.
II.5. Histograme.
19
Pentru a ilustra procesul de realizare a unei histograme vom folosi datele

obţinute din răspunsurile subiecţilor la întrebarea „Vă place statistica?”.
(răspunsuri: a. foarte mult; b. mult; c. Puţin d. foarte puţin; e. deloc).
Pasul 1:
Se introduc datele în „Data Editor” (aşa

cum a fost prezentat la începutul
capitolului).
Se selectează:
„Graphs”
„Hitogram”
Pasul 2:
Se selectează întrebarea „Vă place

statistica?” şi se apasă butonul ►de
lângă „Variable” pentru a duce
întrebarea în căsuţa din dreapta.

Se apasă „OK”.
Histograma.
* Pentru a schimba denumirile axelor se dă

clic pe ele şi se editează.
* Histograma este folosită pentru a arăta
forma unei distribuţii după o variabilă înregistrată asupra unei colectivităţi (frecvenţa de
apariţie pentru diferite clase de valori ale variabilei observate).
Alte tipuri de grafice:
Line – diagrama liniară este folosită pentru a reprezenta de regulă valori medii.
Boxplot – diagrama „cutia cu mustăţi” este folosită pentru a prezenta amplitudinea, intervalul
intercuartilic şi mediana unei distribuţii.
Error Bar – diagrama „bara erorilor” este folosită pentru a arăta media şi intervalul de
variabile.
Scatter – diagrama „norul de puncte” este folosită pentru a reprezenta relaţiile dintre încredere
de 95% pentru media respectivă.
20
II.6. Exerciţii
3. La o cercetare „percepţia socială asupra consumului de droguri” participă

10 persoane dintre care: 4 studenţi, 2 profesori şi 4 elevi. Aceştia au
vârste cuprinse între 15 şi 35 de ani astfel: cei 4 studenţi au 21, 22, 25, 26
ani, elevii au 15, 16, 17, 17 ani şi profesorii au 34 de ani şi 35 de ani. (a se
vedea figura 1).
Se cere:
4. să se realizeze un tabel
de frecvenţe pentru
variabila „subiecţi”;
5. să se realizeze tabel de
frecvenţe pentru
variabila „vârstă”;
6. să se realizeze diagrama
de structură pentru
variabila „subiecţi”;
7. să se adauge etichete diagramei;
8. să se realizeze diagrama de bare şi histograma pentru variabila „vârstă”.
9. să se calculeze media pentru variabila „vârstă şi să se interpreteze.
10. să se salveze fişierul creat pe „Desktop” cu denumirea „cercetare”;
21
II.7. Alegeţi răspunsul corect
1. Care sunt graficele folosite pentru o distribuţie după o variabilă

calitativă?
a. diagrama Bar si diagrama Pie
b. diagrama Boxplot
c. Scatter sau Line
2. Diagrama de bare este folosită pentru:

a. a reprezenta valori medii;
b. a reprezenta frecvenţe absolute (numere) şi/sau relative (procente);
c. a reprezenta relaţiile dintre variabile;
d. a reprezenta grafic mediile diferitelor grupe dintr-o colectivitate.
3. Diagrama de structură este folosită pentru:

a. a reprezenta frecvenţele absolute (numere) şi/sau relative (procente);
b. a arăta forma unei distribuţii după variabila înregistrată asupra unei
colectivităţi;
c. a prezenta amplitudinea şi mediana unei distribuţii;
d. a reprezenta relaţia dintre variabile.
4. Histograma este folosită pentru:

a. a reprezenta grafic valorile medii ale diferitelor variabile pentru aceeaşi
colectivitate;
b. a arăta forma unei distribuţii după o variabilă înregistrată asupra unei
colectivităţi;
c. a reprezenta relaţia dintre variabile;
d. a reprezenta intervalul intercuartilic.
5. Pentru o distribuţie după o variabilă cantitativă se folosesc

următoarele grafice:
a. scatter (norul de puncte) şi histograma;
b. pie (diagrama de structută) şi line (diagrama liniară);
c. histograma şi curba frecvenţelor;
d. bar (diagrama de bare) şi curba frecvenţelor.
22
SPSS
6. Media aritmetică se calculează pentru:

a. variabile categoriale
b. variabile categoriale şi cantitative
c. variabile cantitative.
7. Prima coloană a tabelului de frecvenţe conţine:

a. etichetele categoriilor introduse;
b. procentul de frecvenţă pentru fiecare categorie;
c. valorile lipsă.
8. Pentru a realiza o diagramă circulară se selectează:

a. analize/ descriptive statistics/descriptives;
b. graphs/ pie;
c. graphs/ area.
9. Indicatorii tendinţei centrale sunt:

a. modul, mediana, abaterea standard
b. medie, mod, mediană
c. dispersie, abaterea standard
10. Care dintre următoarele afirmaţii este adevărată?

a. indicatorul “medie” reprezintă media aritmetică a unui scor şi se
obţine prin însumarea valorilor şi înmulţirea cu numărul de valori;
b. modul este valoarea cu cea mai mare frecvenţă si este frecvenţa cu care
apare cel mai frecvent scor;
c. mediana este valoarea din centrul distribuţiei, dacă variabilele numerice
sunt ordonate după mărime, de la cea mai mică la cea mai mare.
23
II.8. Răspunsuri corecte
1. a. diagrama Bar şi diagrama Pie

2. d. a reprezenta grafic mediile diferitelor grupe dintr-o colectivitate.
3. a. a reprezenta frecvenţele absolute (numere) şi/sau relative (procente);
4. b. a arăta forma unei distribuţii după o variabilă înregistrată asupra unei
colectivităţi;
5. c. histograma şi curba frecvenţelor;
6. c. variabile cantitative.
7. a. etichetele categoriilor introduse;
8. b. graphs/ pie;
9. b. medie, mod, mediană
10. c. mediana este valoarea din centrul distribuţiei, dacă variabilele

numerice sunt ordonate după mărime, de la cea mai mică la cea mai mare.
24
Seminar 2
III. Descrierea numerică a variabilelor
- Medie, variaţie şi dispersie –
_________________________________________________________________________________________________________________
III.1. Introducerea datelor şi efectuarea analizei
Pentru realizarea acestui exemplu am selectat un număr de 0 subiecţi cu vârste

cuprinse între 15-35 ani.
Pasul 1:
În „Variable View” din „Data Editor” se denumeşte prima coloană „Vârstă”.

* Se îndepărtează cele 2 zecimale şi se scrie 0.
Pasul 2: Pasul 3:
În “Data View” Se selectează “Analize” →

din “Data Editor” “Descriptives statistics” şi
se introduc vârstele “Frequencies...”
în prima coloană.
Pasul 4:
25
Se selectează „vârsta”
şi butonul ► pentru a
introduce în lista de
variabile.
Se deselectează
butonul „Display frequencys
tables” şi se ignoră mesajul
de avertizare.
Se dă clic pe „Statistics…”
Pasul 5:
Se selectează
„Mean”;
„Median”;
„Mode”.
Se dă clic pe „Continue”.
Se apasă „OK” din ecranul

anterior, care reapare.
III.2. Interpretarea
output-ului.
Există 10 cazuri cu date valide pe care se

bazează analiza.
Nu sunt date lipsă (0).
Media de vârstă, media aritmetică
=22,8 ani.
Mediana de vârstă (vârsta persoanei
26
aflate la mijlocul liniei de vârste de la cea

mai mică la cea mai mare) este de 21.5 ani.
Valoarea mod de vârstă este 17.
III.3. Alte caracteristici.
În căsuţele de dialog de la pasul 5 se pot observa mai multe valori

statistice adiţionale care pot fi calculate:
1. centilele – indică punctele de separaţie pentru procentajele scorurilor.
Exemplu: Al 90-lea centil este valoarea numerică care separă cele 90%
de valori de dedesubt, din punct de vedere al mărimii.
2. Cvartilele – sunt valorile distribuţiei care indică punctele de separare
pentru cele ai mici 20%, cele mai mici 50% şi cele mai mici 75% dintre scoruri.
3. Suma – indică totalul scorurilor pentru o variabilă.
4. Skewness – Este un indicator de asimetrie sau înclinare a distribuţiei
scorurilor pentru o variabilă. Valoarea este pozitivă dacă valorile sunt asimetrice
spre stânga, sau negativă dacă valorile sunt asimetrice spre dreapta.
5. Kurtosis – este un index care arată cât de ascuţită sau turtită este
distribuţia scorurilor pentru o variabilă, comparativ cu distribuţia normală. Va fi
cu semnul „+” pentru curbe de frecvenţe ascuţite şi cu semnul „-” pentru curbe
de frecvenţe „turtite”.
6. Abaterea standard (estimată) – este o evaluare a măsurii în care
scorurile diferă în medie faţă de media scorurilor pentru o variabilă particulară.
7. Variaţia (estimată) – este o evaluare a măsurii în care scorurile
variază în medie faţă de media scorurilor pentru variabila respectivă.
8. Rang – diferenţa dintre cel mai mare şi cel mai mic scor obţinut
pentru o variabilă.
9. Minim (scor) – valoarea celui mai mic scor al datelor pentru o
variabilă particulară.
10. Maxim (scor) – valoarea celui mai mare scor al datelor pentru o
variabilă particulară.
27
11. Eroarea standard (ES medie) – valoarea medie cu care mediile

eşantioanelor extrase dintr-o populaţie, diferă faţă de media populaţiei.
III.4. Alegeţi răspunsul corect
1. Cum putem calcula mediana?

a. alegând din meniul Transform / Compute;
b. statistics / summarize / case summaries / statistics;
c. statistics / Compare Means / Means;
2. Pentru a calcula eroarea medie de selecţie alegem:

a. Mean;
b. Std Deviation;
c. S.E. mean; d.
Range;
3. Pentru a calcula asimetria alegem una din

opţiunile: a. Range;
b. Std Deviation;
c. Skewness;
d. Kurtosis;
e. Variance;
4. Într-un calcul statistic, media reprezintă:

a. valoarea cu cea mai mare frecvenţă;
b. valoarea din centrul distribuţiei;
c. media aritmetică a unui set de scoruri, care se obţine prin însumarea valorilor
şi împărţirea rezultatului la numărul de valori;
d. media aritmetică a unui set de scoruri, care se obţine prin diferenţa valorilor
şi împărţirea rezultatului la numărul de valori.
5. Într-un calcul statistic, abaterea standard este:

a. valoarea a măsurii în care scorurile diferă în medie faţă de media scorurilor
pentru o variabilă particulară;
b. diferenţa numerică între cel mai mare şi cel mai mic scor obţinut pentru o
variabilă;
c. valoarea cu frecvenţa cea mai mare
28
6. Kurtosis, ca indicator al formei distribuţiei, indică:

a. cât de ascuţită sau turtită este distribuţia scorurilor pentru o variabilă,
comparativ cu distribuţia normală;
b. simetria sau asimetria unei distribuţii de frecvenţe faţă de medie;
c. distribuţia scorurilor pentru 2 variabile comparative;
7. Eroarea standard este:

a. diferenţa numerică între cel mai mare şi cel mai mic scor obţinut pentru o
variabilă;
b. valoarea medie cu care mediile eşantioanelor extrase dintr-o populaţie, diferă
faţă de media populaţiei;
c. diferenţa scorurilor a 2 variabile.
8. Pentru a calcula boltirea alegem:

a. Range;
b.Variance;
c. Skewness;
d. Kurtoses.
III.5. Răspunsuri corecte
1. c. statistics / Compare Means / Means;

2. c. S.E. mean;
3. c. Skewness;
4. c. media aritmetică a unui set de scoruri, care se obţine prin însumarea
valorilor şi împărţirea rezultatului la numărul de valori;
5. a. valoarea a măsurii în care scorurile diferă în medie faţă de media
scorurilor pentru o variabilă particulară;
6. a. cât de ascuţită sau turtită este distribuţia scorurilor pentru o variabilă,
comparativ cu distribuţia normală;
7. b. valoarea medie cu care mediile eşantioanelor extrase dintr-o
populaţie, diferă faţă de media populaţiei;
8. d. Kurtoses.
29
SPSS
30
Seminar 3
IV. Forme ale distribuţiei scorurilor
_________________________________________________________________________________________________________________
Este foarte important de studiat forma distribuţiilor scorurilor pentru o

variabilă. Este bine ca o distribuţie să fie simetrică şi cu o formă normală (formă
de clopot).
Distribuţia normală, a fost descrisă prima dată de Ch. Fr. Gauss (1777-
1855) şi de aceea distribuţia normală se mai numeşte şi distribuţie gaussiană.
Deoarece la demonstrarea acestui concept a participat şi P.S. Laplace (1749-
1827), în literatura de specialitate se va întâlni şi termenul de distribuţie Gauss-
Laplace.
Pentru ca o distribuţie să fie considerată normală, trebuiesc îndeplinite

simultan următoarele condiţii:
 Să fie unimodală – adică să existe un singur modul, o
singură categorie cu frecvenţă maximă;

 Să fie simetrică faţă de medie – adică să nu fie deplasată
spre stânga sau spre dreapta;

 Să fie normal boltită – adică să nu fie nici ascuţită şi nici

„turtită”;

Toţi aceşti termeni se referă la acelaşi lucru, distribuţia normală.
De asemenea, limitele din stânga şi din dreapta ale unei distribuţii normale
tind spre valoarea zero, pe care însă nu o întâlnesc niciodată. O distribuţie
perfect normală are aceeaşi valoare pentru toţi cei trei indicatori ai tendinţei
centrale (media, mediana şi modulul), adică media = mediana = modulul. În
practică, acest lucru se întâlneşte extrem de rar şi, de aceea, ne punem problema
între ce limite putem considera o distribuţie ca fiind normală.
31
În exemplul următor este elaborat un tabel de frecvenţă şi o histogramă cu

scorurile obţinute la evaluarea coeficientului de inteligenţă pentru 20 de jurişti.
32
SPSS
IV.1. Introducerea datelor.
Pasul 1:
În „Variable View” din

„Data Editor” se denumeşte
prima coloană „Atenţie”.
Se înlătură cele
două zecimale.
*Datele se salvează ca
fişier deoarece vor fi
folosite şi la capitolul 9.
Pasul 2:
În „Data View”
din „Data Editor”
se introduc
scorurile obţinute
la „Atenţie” în
prima coloană.
Pasul 3:
Se selectează
„Analyze”,
„Descriptives
Statistics” şi
Frequencies…”
Pasul 4:
Se selectează
„atenţie” şi apoi
se
►pentru a
introduce în lista de variabile. Se apasă „OK”.
33
IV.2. Interpretarea Output-ului

Prima coloană arată
scorurile obţinute la
testul de „atenţie”.
A doua coloană arată

frecvenţa acestor
valori.
Exemplu: este 1 caz
în care scorul obţinut
are valoarea 55.
A treia coloană
exprimă aceste frecvenţe ca
un procent al numărului total A patra coloană A cincea coloană
incluzând şi datele care exprimă aceste frecvenţe cumulează aceste
lipsesc. ca un procent al numărului procentaje în josul
Exemplu: Din totalul cazurilor, total excluzând datele lipsă. tabelului.
5% au obţinut scorul 55.
IV.3. Histograme.
Histograma este un grafic, folosit în statistica descriptivă şi arată o distribuţie de
frecvenţă. Distribuţia de frecvenţă se referă la numărul de evenimente statistice pe clase
(grupe) de evenimente. Pentru o serie de date statistice cu o distribuţie de frecvenţă după o
variabilă numerică continuă (sau continuă pe porţiuni), reprezentările grafice care ne permit să
vizualizăm distribuţia de frecvenţe sunt histograma şi poligonul frecvenţelor.
Pasul 1:
Se seletează:
„Graphs”,
„Histogram”
Pasul 2:
Se selectează
„Atenţie”şi
apoi se apasă
butonul ►
pentru a o
introduce în
34
butonul ► butonul ► pentru a o introduce în

caseta de
în caseta de variabile Se
apasă „OK”.
Variabile.
Se apasă „OK”
35
SPSS
I a cazurilor de la 0
n la 14 din doi în doi.
t
r Înălţimea barelo r arată cât de frecvent apare fiecare s cor la atenţie.
o
d
u
c Axa orizontală arată s coruri le diferi te ale „Atenţiei”.
e
r
e
*M edia s corului la atenţie es te 62,2.
î
n
*Abaterea standard este 4,36.
S *Numărul cazurilor este 20.
P
S
S IV.5. Modalitatea.
M
i
h
a
e
l O dis tribuţie no rmală (f igura 1 ) es te o dis tribuţie uni modală, adică exis tă doar o s ingură catego rie cu frecvenţa maxi mă. Prezenţa a două s au mai mul te valori m od determină d is tribuţi
N
a
i
d
i
n
I
V
.
4
.
Interpretarea output - ului

Frecvenţadeapariţie
A
x
a
verticală arată
f
r
e
c
v
e
n
ţ
Figura nr. 2.
Normalitatea distribuţiei, sub aspectul modalităţi, se verifică prin

calcularea valorii modul. Dacă există o singură valoare cu frecvenţa maximă,
atunci distribuţia poate fi considerată normală sub acest aspect. În condiţiile în
care sunt două sau mai multe valori cu frecvenţa maximă şi, evident, egală,
distribuţia este polimodală (multimodală) şi nu poate fi considerată ca fiind
normală.
IV.6. Simetria.
O distribuţie este
simetrică, dacă valorile sunt
egal (simetric) răspândite în
jurul tendinţei centrale. Atunci
când rezultatele tind către valori
mici, sunt aglomerate în partea
stângă a distribuţiei, avem de a
Figura nr. 3 face cu o distribuţie asimetrică
spre dreapta (sau distribuţie skewness pozitiv). Când rezultatele tind către valori
mari, se aglomerează în partea dreaptă a distribuţiei, vorbim despre o distribuţie
asimetrică la stânga (skewness negativ). Iată că, asimetria este dată de panta
distribuţiei şi nu de vârful acesteia, aşa cum tratează şi consideră unii.
În figura nr. 3, distribuţia „B” este o distribuţie simetrică. Distribuţia „A”

este o distribuţie asimetrică la dreapta (skewness pozitiv) unde predomină
scorurile scăzute (mici), în timp ce distribuţia „C” este o distribuţie asimetrică la
stânga (skewness negativ) în care predomină scorurile mari.
37
Nu ne putem limita la o apreciere pur vizuală a simetriei; acest lucru necesită

demonstrarea statistică a simetriei sau asimetriei distribuţiei. În acest scop, există mai mulţi
coeficienţi care pot fi calculaţi.
Atunci când discutăm de asimetrie, trebuie să precizăm o serie de relaţii

care apar între indicatorii tendinţei centrale, media, mediana şi modul.
Într-o distribuţie simetrică, media, mediana şi modul au exact aceleaşi
valori. Caracteristica acestei distribuţii o reprezintă coincidenţa absolută a celor
trei indicatori ai tendinţei centrale.
După cum puteţi observa în figura
de mai sus, atât media, cât şi
mediana şi modulul, se află în
acelaşi punct, la mijlocul
distribuţiei. Grupa subiecţilor cu
scoruri
Figura nr. 4
mai mici decât media este perfect simetrică cu grupa subiecţilor cu scoruri mai
mari decât media. Acest aspect este menţionat din raţiuni teoretice. În practică
nu vom întâlni o distribuţie perfect normală, ci o distribuţie care poate fi
acceptată ca fiind normală.
Într-o distribuţie asimetrică la dreapta (distribuţie skewness pozitiv,

vezi figura alăturată), predomină
scorurile mici. În acest caz,
modulul este valoarea situată cel
mai la stânga în şirul de date, iar
mediana este mai mică decât
media. Evident, mediana fiind
valoarea care împarte şirul ordonat
de date în două părţi egale, Figura nr. 5
iar dacă în distribuţie predomină scorurile mici, atunci scorurile mari sunt
considerate ca scoruri extreme. Ştim de la analiza preciziei indicatorilor
38
tendinţei centrale, că într-o serie de date în care întâlnim scoruri extreme mari,
media tinde să le pună în valoare. Iată că acest fapt este ilustrat grafic în figura
de mai sus. Observaţi relaţia existentă într-o asemenea distribuţie: Mo<Me<m.
Această relaţie este relaţia caracteristică a unei distribuţii asimetrice pozitiv.
Într-o distribuţie asimetrică la stânga (distribuţie skewness negativ,
vezi figura alăturată), predomină
scorurile mari. În acest caz,
modulul este valoarea situată cel
mai la dreapta în şirul de date, iar
mediana este mai mare decât
media. Evident, mediana fiind
valoarea care împarte şirul ordonat
de date în două părţi egale, Figura nr. 6
iar dacă în distribuţie predomină scorurile mari, atunci scorurile mici sunt
considerate ca scoruri extreme. Ştim, de la analiza preciziei indicatorilor
tendinţei centrale, că într-o serie de date în care întâlnim scoruri extreme mici,
media tinde să le pună în valoare. Iată că acest fapt este ilustrat grafic în figura
de mai sus. Observaţi relaţia existentă într-o asemenea distribuţie: Mo>Me>m.
Această relaţie este relaţia caracteristică a unei distribuţii asimetrice negativ.
IV.7. Boltirea (excesul).
Asimetria pe orizontală, presupune, după cum am văzut, o deplasare a

tendinţei centrale spre stânga sau spre dreapta, către scoruri mici sau către
scoruri mari. Dar, aceasta nu este singura asimetrie posibilă. Există şi un fel de
„asimetrie verticală” sau boltire. Termenul folosit generic pentru acest concept
este termenul de kurtosis (din limba greacă, kurtos = „cocoşat”).
Practic, boltirea se referă la aspectul „cocoaşei” distribuţiei rezultatelor.
Cocoaşa poate fi ascuţită şi atunci vorbim de o distribuţie ascuţită sau
leptocurtică, poate fi turtită, distribuţia turtită, plată sau platicurtică sau
39
normală, distribuţie mezocurtică. O distribuţie normală este întotdeauna o

distribuţie mezocurtică.
În figura alăturată,
distribuţia „C” este o distribuţie
leptocurtică, ascuţită. Distribuţia
„B” este o distribuţie platicurtică,
turtită, iar distribuţia „A” este o
distribuţie normală sub aspectul
boltirii, sau mezocurtică.
Figura nr. 7
Se observă că boltirea nu este altceva decât simetria pe axa verticală (OY),

spre deosebire de simetria propriu zisă, deplasarea valorilor pe axa orizontală
(OX). Dacă la simetrie se vorbeşte de frecvenţe (care sunt cele mai frecvente
scoruri obţinute, unde se concentrează acestea? În eşantionul sunt mai degrabă
subiecţi scunzi sau subiecţi înalţi? Ori poate există un echilibru între subiecţii
scunzi şi cei înalţi), la boltire se discută de valori, de modul în care aceste valori
se grupează în jurul tendinţei centrale (sunt mai grupate valorile în jurul mediei
sau, din contra, foarte împrăştiate.)
La fel ca şi simetria, boltirea nu poate fi apreciată pur „ochiometric” ci
avem nevoie şi aici de anumiţi coeficienţi de boltire. Pearson a discutat despre
boltire în termeni de momente, la fel ca şi simetria, rezultând astfel coeficientul
de boltire sau coeficientul kurtosis.
O distribuţie leptocurtică, ascuţită, arată că datele sunt foarte grupate şi

apropiate de medie, lotul de subiecţi având un mare grad de omogenitate a
scorurilor. Această distribuţie nu ridică nici un fel de probleme atunci când
trebuie să diferenţiem subiecţii care obţin scoruri mici sau mari. Avem însă
dificultăţi atunci când trebuie să diferenţiem subiecţii din zona medie a
distribuţiei.
40
De exemplu, dacă într-o clasă de 30 de elevi, 27 obţin medii anuale între

7,9 şi 8,1. Iată că, doar două zecimi diferenţiază între aproape întreg efectivul de
elevi. Nu avem nici o problemă cu repartizarea celorlalţi trei elevi. Pe aceia îi
vom considera ori foarte buni, ori foarte slabi, în funcţie de media obţinută – sub
7,9 sau peste 8,1. Ce ne facem însă cu cei 27 de subiecţi? Suntem, iată, în
imposibilitatea de ai-i ierarhiza în vreun fel. Dacă presupunem că cei trei
subiecţi au note mai mici de 7,9, atunci cine va lua, dintre cei 27 de elevi,
premiul I, cine va lua premiul II şi cine va lua premiul III. Decizia ar fi, după
cum se poate vedea, extrem de dificilă, dacă nu chiar imposibilă. Singura
variantă în acest caz, ar putea fi creşterea preciziei. Nu calculăm media cu o
singură zecimală, ci cu 2, 3 sau 4 zecimale. Totuşi, sunt situaţii în care un
asemenea nivel de precizie este ridicol. O evaluare în care distribuţia rezultatelor
este leptocurtică, este o evaluare ce nu poate diferenţia între subiecţii de nivel
mediu, iar o curbă leptokurtică nu este o distribuţie normală;
O distribuţie platicurtică, plată, este o distribuţie în care rezultatele sunt

foarte împrăştiate faţă de medie şi indică un grad ridicat de eterogenitate a
scorurilor. Problema generală a acestei distribuţii, în opoziţie cu distribuţia
leptokurtică, este aceea că diferenţiază greu la extreme şi destul de bine în zona
mediei. Va fi greu, utilizând o asemenea distribuţie, să facem diferenţieri între
elevii slabi şi între elevii buni, deşi putem diferenţia relativ uşor elevii medii.
Datorită acestui fapt, o distribuţie platicurtică nu este nici ea o distribuţie
normală.
O distribuţie normală este o distribuţie mezocurtică.
Analiza unei distribuţii sub aspectul normalităţii este primul pas pe care îl
facem în orice prelucrare de date. Deoarece, în funcţie de rezultatul acestei
analize, vom putea alege tehnicile şi procedeele statistice pe care le putem
folosi, această etapă o întâlnim, de obicei, la începutul oricărui raport de
cercetare, imediat după descrierea eşantionului.
41
IV.8. Alegeţi răspunsul corect
1. Histograma:
a. este un grafic folosit în statistica descriptivă;
b. arată o distribuţie de frecvenţă;
c. se foloseşte pentru date calitative.
2. Valid procent:
a. exprimă aceste frecvenţe ca un procent al numărului total excluzând
datele lipsă.
b. frecvenţe ca un procent al numărului total lipsesc incluzând şi datele
care lipsesc.
c. frecvenţa valorilor.
3. Pentru a obţine un tabel de frecvenţe accesăm:

a. analyze/ descriptive statistics/frequences;
b. analyze/ descriptive statistics/descriptives;
c. analyze/ descriptive statistics/frequences/descriptives.
4. Pentru a crea o histogramă accesăm:

a. graphs/histogram;
b. graphs/interactve;
c. graphs/control.
5. O distribuţie poate fi:

a. unimodală;
b. bimodală;
c. trimodală.
6. Într-o distribuţie simetică:

a. media < mdiana< modul;
b. media = mediana = modul;
c. media >mediana>modul.
7. Într-o distribuţie asimetrică la dreapta:
42
a. modul <mediana<media;
b. modul>mediana>modul;
c. modul=mediana=modul.
8. Într-o distribuţie asimetrică la

dreapta: a. modul=mediana=media;
b. modul <mediana>modul;
c. modul>mediana>modul.
9. O distribuţie poate fi:

a. leptocurtică;
b. platicurtică;
c. asimetrică pozitiv;
d. asimetrică negativ;
e. mezocurtică.
f. toate variantele de mai sus.
10. O distribuţie leptocurtică arată că:

a. datele sunt foarte grupate şi apropiate de mediană iar lotul de subiecţi are
un grad mare de omogenitate;
b. datele sunt foarte împrăştiate de mediană iar lotul de subiecţi are un grad
mare de eterogenitate;
c. distribuţia este normală.
11. O distribuţie platicurtică arată că:

d. datele sunt foarte grupate şi apropiate de mediană iar lotul de subiecţi are
un grad mare de omogenitate;
e. datele sunt foarte împrăştiate de mediană iar lotul de subiecţi are un grad
mare de eterogenitate;
f. distribuţia este normală.
43
IV.9. Răspunsuri corecte
1. a. este un grafic folosit în statistica descriptivă;

b. arată o distribuţie de frecvenţă;
2. a. analyze/ descriptive statistics/frequences;
3. a. analyze/ descriptive statistics/frequences;
4. a. graphs/histogram;
5. a. unimodală;
b. bimodală;
c. trimodală.
6. b. media = mediana = modul;
7. b. modul <mediana<media;
8. c. modul>mediana>modul.
9. f. toate variantele de mai sus.
10. a. datele sunt foarte grupate şi apropiate de mediană iar lotul de subiecţi
are un grad mare de omogenitate;
11. b. datele sunt foarte împrăştiate de mediană iar lotul de subiecţi are un
grad mare de eterogenitate;
44
Seminar 4
V. Abaterea standard.
________________________________________________________________________________________________________________
Abaterea standard este un indice care arată cât de mult deviază (diferă)
unele scoruri „în medie” faţă de media setului de scoruri din care acestea fac
parte.
Abaterea standard poate fi folosită şi pentru a transforma scoruri pentru
variabile foarte diferite în scoruri Z (sau standard), care sunt uşor de comparat şi
însumat.
Calcularea abaterii standard şi a scorurilor Z este prezentată în
exemplul următor:
Vârstă 20 22 25 26 35 38 28 24 23 24
V.1. Introducerea datelor.
Pasul 1:
În „Variable View” din

„Data Editor” se
denumeşte prima
coloană „Vârsta”.
Se înlătură cele
două zecimale.
Pasul 2:
În „Data View” din „Data Editor”
se introduc vârstele în prima
45
SPSS
coloană.
Pasul 3:
Se selectează:
„Analyze”
„Descriptives…”
Pasul 4:
Se selectează „vârsta” şi apoi
se apasă butonul ► pentru a o
introduce în lista de variabile.
Se selectează „Options…”
Pasul 5:
Se deselectează „Mean”,
„Minimum”, „Maximum”.
Se selectează „Continue”.
Se selectează „OK” din

ecranul precedent care
reapare.
V. 2. Interpretarea output-ului.
Numărul 10 reprezintă numărul de

cazuri.
Abaterea standard pentru vârstă este
de 6,115.
V.3. Scorurile Z
Pasul 1:
La pasul 4 selectaţi „Save standardized values as variables”.
Se apasă „OK”.
Pasul 2:
Scorurile Z sau standard sunt

în a doua coloană din „Data
View” în „Data Editor” şi sunt
numite „ZVârstă”.
V.4. Raportarea output-ului.
Abaterea standard pentru o variabilă este uşor de menţionat în textul

raportului: „A fost determinată abaterea standard a vârstei ca fiind 6,11 ani (N=
10)”.
*Este posibil ca abaterea standard să fie înregistrată împreună cu alte statistici, cum ar
fi media, rangul, etc.
Notele „z” reprezintă diferenţa dintre scorul observat şi medie, în
termeni de abatere standard. Cu alte cuvinte, notele „z” nu sunt altceva decât
distanţele la care se situează scorurile particulare în raport cu media grupului iar
această distanţă este exprimată standardizat.
Teoretic, notele „z” sunt note obţinute pe o „curbă” cu media 0 şi abaterea
standard 1. În acest caz, o distribuţie normală are practic notele „z” cuprinse
între -3 şi +3, între aceste note regăsindu-se peste 99% din populaţie, după cum
observaţi în figura de mai jos.
Notele „z” au şi ele o serie de proprietăţi cu aplicabilitate practică

deosebită, dintre care menţionăm (Popa, 2006):
 Media unei distribuţii „z” este egală cu zero, afirmaţie ce rezultă din
proprietatea acestui indicator de a se diminua atunci când scădem o

47
constantă din fiecare scor particular. Deoarece din formulă rezultă această
diferenţă (se scade fiecare scor particular din medie), în final media va
ajunge la valoarea zero
 Abaterea standard a unei distribuţii „z” este întotdeauna 1. Şi această
afirmaţie rezultă din proprietăţile abaterii standard. Ştim că dacă împărţim

abaterea standard cu o constantă, valoarea acesteia se divide corespunzător.
Din formulă, observăm că acea constantă cu la care împărţim este chiar
abaterea standard iar împărţirea a două numere egale are ca rezultat 1
Notele „z” sunt note direct calculabile, utilizându-se media şi abaterea

standard şi reprezintă „temelia” oricărui proces de standardizare. Totuşi,
principalul dezavantaj al notelor „z” este acela că sunt puţin intuitive. Trebuie să
ştim bine ce înseamnă distribuţia normală pentru a înţelege corect semnificaţia
acestor note. În plus, au valori pozitive şi negative, ceea ce le face, iarăşi, greu
de utilizat.
V.5. Alte caracteristici.

În meniul „Descriptives Statistics sunt conţinute mai multe calcule
statistice care pot fi selectate:
Mean (media);
Sum (suma);
Standard deviation (estimate) (abaterea
standard); Range (amplitudinea);
Minimim;
Maximum;
Kurtosis;
Skewness.
* Aceste concepte sunt explicate pe scurt la sfârşitul capitolului 3.
V.6. Alegeţi răspunsul corect

1. Abaterea standard:
a. este un indice care arată cât de mult deviază (diferă) unele scoruri „în
medie” faţă de media setului de scoruri din care acestea fac parte.
b. este un indice care arată cât de simetrică sau asimetrică este o
distribuţie;
c. este un indice care arată cât de turtită sau boltită este o distribuţie.
2. Media este o mărime generalizată , adică, înlocuind fiecare nivel

individual al caracteristicii de distribuţie cu nivelul mediu:
a) suma seriei rămâne aceeaşi
b) suma termenilor seriei se modifică
c) suma termenilor seriei este nulă.
3. Media aritmetică reprezintă:

a) valoarea pe care ar purta-o fiecare unitate statistică dacă distribuţia ar
fi eterogenă
b) valoarea pe care ar purta-o fiecare unitate statistică dacă distribuţia ar
fi omogenă
c) valoarea pe care ar purta-o fiecare variabilă statistică dacă distribuţia
ar fi omogenă.
4. Media aritmetică, ca indicator fundamental al tendinţei

centrale: a) reprezintă valoarea care modifică nivelul totalizator;
b)se foloseşte cel mai frecvent şi reprezintă suma valorilor raportată
la numărul lor;
c) se calculează adunând valorile existente;
d) nu poate determina numărul de unităţi din colectivitate.
49
V.7. Răspunsuri corecte
1. a. este un indice care arată cât de mult deviază (diferă) unele

scoruri „în medie” faţă de media setului de scoruri din care acestea fac
parte.
2. a) suma seriei rămâne aceeaşi
3.b) valoarea pe care ar purta-o fiecare unitate statistică dacă distribuţia ar fi

omogenă
4. b. se foloseşte cel mai frecvent şi reprezintă suma valorilor raportată la

numărul lor;
50
Seminar4
VI. Relaţiile dintre două sau mai multe variabile.
Diagrame şi tabele.
________________________________________________________________________________________________________________
În foarte multe cercetări se studiază relaţiile dintre două sau mai multe
variabile. Procedurile statistice univariate (cu o singura variabilă) care au fost
descrise până acum pot fi utilizate pentru analiza oricăror date. Dar, cercetarea
poate necesita ca relaţiile şi corelaţiile dintre diferitele variabile să fie studiate.
La fel ca statistica univariată, statistica bivariată a datelor necesită
studierea tendinţelor fundamentale ale datelor utilizând tabele şi diagrame.
Modelele de prezentare a relaţiilor bivariate includ crearea tabelelor scatter.
O condiţie esenţială o constituie etichetarea tabelelor şi diagramelor şi
denumirea acestora.
În continuare se va ilustra elaborarea unui tabel de asociere şi a unei
diagrame cu bare.
VI.1. Introducerea datelor.
În studiu sunt introduşi 11 copii instituţionalizaţi şi 9 copii

neinstituţionalizaţi. Dintre aceştia 9 au fost fete şi 11 au fost băieţi.
Pasul 1:
În „Variable View” din „Data Editor” se denumeşte:
- prima coloană „Instituţionalizare”
- a doua coloană „Genul biologic”;
- A treia coloană „Frecvenţa”.
Se înlătură cele două zecimale.
51
SPSS
Pasul 2:
Se etichetează cele două valori
ale instituţionalizării:
1 - instituţionalizat;
2 - neinstituţionalizat.
Şi genul biologic:
1. Feminin;
2. Masculin
*Paşii acestei proceduri au fost explicaţi
în capitolul 1.
Pasul 3:
Se introduc aceste numere în „Data
View” din „Data Editor”.
Primul rând se referă la fetele care
au fost instituţionalizate: sunt în de 5.
Al doilea rând se referă la

care au fost instituţionalizaţi:
sunt în număr de 6.
Al treilea rând se referă la fetele
neinstituţionalizate: sunt în număr de 4. Al
patrulea rând se referă la băieţii
neinstituţionalizaţi: sunt în număr de 5
VI.2. Ponderea datelor
Pasul 4:
Pentru a pondera datele cu scopul

ca cele patru celule să conţină
numărul de cazuri corespunzător,
se selectează:
„Data”
„Weight Cases…”
Pasul 5:
Se selectează „Frecvenţa”,
„Weight cases by” şi apoi se
apasă butonul ►pentru
transfer în căsuţa
variabilei„Frequency
Variable”.
52
Se apasă „OK”
VI.3. Crearea tabelelor de asociere (Crosstabs).
Pasul 6:
Se selectează:
„Analize”
„Descriptivesc statistics”
„Crosstabs…”.
Pasul 7:
Pentru a pune „instituţionalizare” pe
rândurile tabelului, se selectează şi
apoi se apasă butonul ►de lângă
eticheta „Row(s)”.
Pentru a pune „genul biologic”

pe coloanele tabelului, se
selectează apoi se apasă butonul
► eticheta „Column(s)
Se apasă „OK”.
Pasul 8:
În tabel sunt
prezentate valorile
celor două variabile.
Se observă că sunt 5
fete şi 6 băieţi
instituţionalizaţi (în total 11) şi 4 fete şi 5 băieţi neinstituţionalizaţi (în total 9).
(N=20).
Tabelul de asociere este folosit pentru prezentarea relaţiilor dintre două variabile categoriale.
În fiecare celulă a tabelului este prezentată frecvenţa parţială (adică efectivul care poartă
simultan o valoare a fiecărei variabile).
Observaţie:
1. Dacă într-un crosstabs numărul categoriilor unei variabile este mai mare decât al
alteia, atunci categoriile acelei variabile se plasează pe rânduri.
2. O celulă din crosstabs oferă informaţia despre intersecţia celor două variabile. Pentru
aceasta alegem din fereastra Crosstabs butonul de comandă Cell ce are ca efect
afişarea ferestrei Crosstabs Cell Display.
53
Seminar 5
VII. Coeficienţi de corelaţie.
Coeficienţi de corelaţie Pearson şi Spearman.
_________________________________________________________________________________________________________________
Corelaţia este o metodă statistică utilizată pentru a determina relaţiile

dintre două sau mai multe variabile. Există mai multe tipuri de corelaţii atât
parametrice cât şi neparametrice.
Coeficientul de corelaţie este o valoare cantitativă ce descrie relaţia
dintre două sau mai multe variabile. El variază între (-1 si +1), unde valorile
extreme presupun o relaţie perfectă între variabile în timp ce 0 înseamnă o lipsa
totala de relaţie liniară. O interpretare mai adecvată a valorilor obţinute se face
prin compararea rezultatului obţinut cu anumite valori prestabilite în tabele de
corelaţii în funcţie de numărul de subiecţi, tipul de legătură şi pragul de
semnificaţie dorit.
Cel mai comun şi cel mai folositor este coeficientul de corelaţie Pearson
şi coeficientul de corelaţie Spearman.
Corelaţ ia Pearson(r) evaluează gradul de asociere dintre două variabile

măsurate pe scală de interval/raport. Aceasta se referă la intensitatea şi sensul de
variaţ ie concomitentă a valorilor unei variabile în raport cu cealaltă , după un
model de tip liniar. Dacă valorile unei variabile urmează, în sens direct, crescător,
sau invers, descrescă tor, valorile celeilalte variabile, atunci cele două variabile
corelează între ele. Domeniul de variaţ ie a coeficientului de corelaţ ie Pearson(r)
este între r = -1 (corelaţ ie perfectă negativă : ceea ce înseamnă că în timp ce
scorurile unei variabile cresc, scorurile pentru cealaltă variabilă descresc) şi r = +1
(corelaţ ie perfectă pozitivă : ceea ce înseamnă că scorurile unei variabile se
măresc odată cu creşterea scorurilor celeilalte variabile). Absenţ a oricărei legă
turi (corelaţii) dintre variabile se traduce prin r =0.
O corelaţ ie de 1,00 indică o asociere perfectă între cele două variabile.

Cu alte cuvinte, o diagramă scatter a celor două variabile va ară ta că toate
punctele sunt conţ inute de o singură dreaptă . O valoare de 0,00 indică faptul că
54
toate punctele din diagrama scatter sunt dispersate aleatoriu în jurul orică rei
drepte desenate pe această diagramă a datelor sau sunt aranjate într-o manieră
curbilinie.
În continuare vom ilustra calculul corelaţ iei Pearson, o diagramă scatter
şi coeficientul de corelaţie Spearman, folosind pentru aceasta datele din tabelul
următor, care reprezintă scoruri ale abilităţ ilor muzicale şi matematice pentru 10
copii.
muzica 3 7 8 9 9 6 4 3 4 7
matematică 7 5 4 4 5 8 9 9 7 6
VII.1. Introducerea datelor.
Pasul 1:
În „Variable „View” din „Data
Editor” se denumeşte rând
„muzică”
şi al doilea rând „matematică” * Se înlă tură cele două zecimale.
Pasul 2:
În „Data View” din „Data editor” se

introduc datele pentru:
- muzică în prima coloană;
- matematică în a doua coloană .
VII.2. Corelaţia Pearson.
Pasul 1:
Se selectează:
„Analyze”,
„Corelate”,
„Bivariate…
Pasul 2:
Se selectează „Muzică ” şi „Matematică ” ş i apoi se apasă butonul ►pentru a le

introduce în lista de variabile aş a cum este ă figura din dreapta.
Se apasă „OK”.
VII.3. Interpretarea
output-ului.
Corelaţia dintre
„matematică ” şi „muzică”
este - 0,845 La un test de
semnificaţie, two-tailed la
nivelul de probabilitate 0,01
sau mai mic, corelaţia este
statistic semnificativă.
Numărul cazurilor pe care este bazată corelaţ ia este 10. Informa ia apare şi în această
celulă.
*One tailed – dacă distribuţia este unidirecţională.
Two-tailed – dacă distribuţia este bidirecţională.
VII.4. Raportarea output-ului.

Corelaţ ia dintre abilităţ ile muzicale şi cele matematice este – 0,845.
* Se obiş nuieş te să se rotunjească corelaţia cu două zecimale, deci aceasta va deveni 0,90,
acesta fiind un rezultat mult mai precis pentru majoritatea măsurătorilor psihologice.
Nivelul de semnificaţ ie exact, cu trei zecimale, este 0,002. Înseamnă că
nivelul de semnificaţie este mai mic decât 0,01.
Interpretarea psihologică va fi: „Există o relaţ ie negativă semnificativă între

abilităţ ile muzicale şi cele matematice , ceea ce înseamnă că , copii cu nivel
ridicat al abilităţ ilor muzicale au un nivel scă zut al abilităţii matematice”.
Un coeficient de corelatie poate fi calculat corect numai când datele ambelor variabile
se refera la esantioane si fiecare este ales independent.
Un coeficient de corelatie poate fi apropiat de ą1, deci ne va indica o corelatie
puternica, dar ea poate fi nesemnificativa din cauza volumului mic a esantionului studiat.
Corelatia nu trebuie identificata cu cauzalitatea, in sensul ca observatiile a 2 variabile se
pot corela foarte bine fara sa avem motive logice si stiintifice ca una dintre variabile poate fi
cauza celeilalte.
VII.5. Coeficientul de corelaţie Spearman.
56
Pasul 1:
Identic corelaţiei Pearson se
selectează „Analyze”, „Correlate”,
„Bivariate” şi variabilele care se
doresc pentru corelaţie.
Se selectează „Spearman” şi se
deselectează Pearson (dacă nu
se doreşte ca şi corelaţie).
Se apasă „OK”.
VII.6. Interpretarea output-ului.
Coeficientul de corelaţie Spearman Numărul cazurilor este 10.

între muzică şi matematică este – 0,842.
Nivelul de semnificaţie este 0,001 sau
mai mic, deci corelaţia este statistic
semnificativă.

Corelaţia raportată cu două zecimale este – 0,84.
Interpretarea psihologică va fi: „Există o corelaţie negativă semnificativă
între abilităţile muzicale şi cele matematice, ceea ce semnifică faptul că, cei cu
un nivel ridicat al abilităţii muzicale au abilităţi matematice scăzute şi
viceversa”.
 Coeficientul de corelatie al rangurilor (Spearman) testeaza gradul de corelare intre 2
variabile calitative; este alternativa neparametrica a “coeficientului de corelatie Pearson”. 
 Acest coeficient variaza intre -1 si +1. O valoare apropiata de +1, inseamna ca suma
patratelor diferentelor este aproape nula, deci avem clasamente identice.
 O valoare apropiata de 0, inseamna necorelarea variabilelor, iar valoarea apropiata de -1
pune in evidenta discordanta maxima a variabilelor.
VII.8. Diagrama scatter.
57
SPSS
Pasul 1:
Se selectează:
„Graphs”
„Scatter/Dot”
Pasul 2:
Se selectează „define” din moment ce „simple” este

deja selectat.
Pasul 3:
Pentru a avea variabila

„muzică” ca axă verticală,
se selectează şi apoi se
apasă butonul ►de lângă
căsuţa „Y Axis”

„matematică” ca axă
orizontală, se selectează
apoi se apasă butonul ◄
lângă căsuţa „X Axis”.
Se apasă „OK”.
VII.9. Interpretarea output-ului.
58
În diagrama scatter, răspândirea

punctelor este relativ îngustă,
ceea ce indică o corelaţie mare.
Forma împrăştierii rezultatelor

este relativ în linie dreaptă,
indicând mai degrabă o relaţie
în linie dreaptă decât o relaţie
curbilinie.
Linia este de la colţul stânga

sus până în dreapta jos, ceea ce
indică o corelaţie negativă.
*Dacă relaţia este curbilinie atunci
corelaţiile Pearson şi Spearman pot fi
înşelătoare.
Despre diagrama scatter s-ar putea scrie următoarele afirmaţii: „ A fost

examinată o diagramă scatter pentru relaţia dintre abilităţile muzicale şi
matematice. Nu există nicio dovadă privind o relaţie curbilinie sau asupra
influenţei avute de rezultatele atipice”.
VII.11. Alegeţi răspunsul corect

1. Corelaţia:
a. măsoară variaţia concomitentă a doi factori
b. măsoară parametria distribuţiei între două eşantioane
c. măsoară rangul unei distribuţii trihotomice
2. Corelaţia Pearson(r):
a. evaluează gradul de asociere dintre două variabile mă surate pe scală de
interval/raport.
b. evaluează gradul de asociere dintre două variabile mă surate pe scală nominală;
c. evaluează gradul de asociere dintre două variabile mă surate pe scală

ordinală.
3. O corelaţ ie de 1,00 indică:

a. o asociere perfectă între cele două variabile;
b. faptul că toate punctele din diagrama scatter sunt dispersate aleatoriu în jurul oricărei
drepte desenate pe această diagramă a datelor;
c. absenţ a orică rei legă turi (corelaţii) dintre variabile.
4. Pearson este un indicator de corelaţie:

a. parametric;
b. neparametric;
c. ambele variante de mai sus.
5. Spearman este un indice de corelaţie:

a. parametric;
b. neparametric;
6. O corelaţ ie negativă semnifică faptul că:

a. în timp ce scorurile unei variabile cresc, scorurile pentru cealaltă variabilă
descresc;
b. că scorurile unei variabile se măresc odată cu creşterea scorurilor celeilalte
variabile).
c. nu există nicio legătură între variabile.
60
7. O corelaţ ie pozitivă semnifică faptul că:

d. în timp ce scorurile unei variabile cresc, scorurile pentru cealaltă variabilă
descresc;
e. că scorurile unei variabile se măresc odată cu creşterea scorurilor celeilalte
variabile).
f. nu există nicio legătură între variabile.
8. Norul de puncte este folosit pentru:

a. a reprezenta relaţia dintre variabile;
b. a arăta frecvenţa de apariţie pentru diferite clase de valori ale variabilei
observate;
c. a arăta intzervalul de încredere de 95% pentru media respectivă.
9. Pentru a realiza un tabel de asociere selectăm:

a. Analyze/Descrisptiv statistics/crosstabs;
b. Analyze/Descrisptiv statistics/Explore; c.
Statistics / Corelate / Crosstabs
d. Statistics / Custom tables / Crosstabs
10. Tabelul de asociere este folosit pentru:

a. selectarea unor subiecţi
b. prezentarea relaţiilor dintre două variante categoriale
c. recodificarea variabilelor
d. modificarea unui tabel
61
VII.12. Răspunsuri corecte
1. a. măsoară variaţia concomitentă a doi factori
2. a. evaluează gradul de asociere dintre două variabile mă surate pe scală de

interval/raport.
3. a. o asociere perfectă între cele două variabile;
4. b. neparametric;
5. b. neparametric;
6. a. în timp ce scorurile unei variabile cresc, scorurile pentru cealaltă
variabilă descresc;
7. e. că scorurile unei variabile se mă resc odată cu creşterea scorurilor

celeilalte variabile).
8. a. a reprezenta relaţia dintre variabile;
9. a. Analyze/Descrisptiv statistics/crosstabs;
10. b. prezentarea relaţiilor dintre două variante categoriale
62
VIII. Regresia.
Predicţia cu precizie.
_________________________________________________________________________________________________________________
Dacă există o relaţie între două variabile atunci sunt posibile estimarea sau
predicţia scorului unei persoane la o variabilă pornind de la scorul obţinut la
cealaltă variabilă. Cu cât este mai puternică corelaţia cu atât este mai bună
predicţia. Variabila independentă este variabila folosită pentru a realiza
predicţia, aceasta fiind cunoscută şi ca variabilă predictor sau variabila X.
*Este foarte important a nu se confunda variabila independentă cu cea dependentă. Cel
mai bun mod de a evita aceste probleme este de a examina scatterplot-ul sau diagrama scatter
a relaţiei dintre cele două variabile. Axa orizontală X este variabila independentă şi axa
verticala Y este variabila dependentă. Se poate investiga şi punctul de tăiere, acesta fiind
punctul în care panta se intersectează cu axa verticală.
Regresia devine o tehnică mult mai importantă atunci când sunt folosite
mai multe variabile pentru predicţia valorilor unei alte variabile.
În continuare este ilustrată procesarea unei regresii simple şi a unei
diagrame de regresie folosind datele din tabelul următor.
Scor muzica 3 7 8 9 9 6 4 3 4 7
Scor 7 5 4 4 5 8 9 9 7 6
matematică
Unul din principalele capitole ale statisticii are în vedere posibilitatea de a face
predictii. Desi nu se gasesc relatii perfecte în lumea reala, prin intermediul regresiei se pot
face predictii ale unei variabile, în functie de valoarea alteia. Predictia este procesul de
estimare a valorii unei variabile cunoscând valoarea unei alte variabile.
Regresia se leaga foarte mult de conceptul de corelatie. O asociere puternica între
doua elemente conduce la cresterea preciziei predictiei unei variabile pe seama alteia. Daca
am avea o corelatie perfecta (+1 sau –1) estimarea ar fi extrem de precisa
VIII.1. Introducerea datelor.
Pasul 1:
În „Variable „View” din „Data
Editor” se denumeşte rând
„muzică”
63
SPSS
şi al doilea rând „matematică”. * Se înlă tură cele două zecimale.

Pasul 2:
În „Data View” din „Data editor” se

introduc datele pentru:
- muzică în prima coloană ;
- matematică în a doua coloană
VIII.2. Regresia simplă.
Pasul 1:
Se selectează:
„Analyze”
„Regression”
„Linear…”
Pasul 2:
Se selectează „Muzică” şi apoi se

apasă butonul ► de lângă
„Dependent”, pentru a introduce
această variabilă în căsuţa
variabilei dependente.
Se selectează „matematica” şi
apoi se apasă butonul ◄ de lângă
eticheta „Independent(s) pentru a
introduce această variabilă în
căsuţa variabilei (lor)
independente.
Se selectează „Statistics…”
Pasul 3:
Se selectează „Confidence
Intervals”.
Se apasă „OK” din ecranul
precedent care reapare.
VIII.3. Interpretarea output-ului.

Acest tabel conţine datele esenţiale pentru analiza regresiei.
Constanta este 12,716. Acesta este punctul în care linia de regresie
intersectează axa verticală.
Coeficientul nestandardizat Coeficientul standardizat Intervalul de

al regresiei este – 1,049. al regresiei este – 0,845. încredere ia valori de
Acesta semnifică faptul că, Acesta este mai mult sau la -1,591 la -0,507.
pentru fiecare creştere cu 1 a mai puţin coeficientul de
variabilei “matematică” corelaţie Pearson dintre
valoarea variabilei “muzică” abilităţile muzicale şi
descreşte cu – 1,049. cele matematice.
În acest tabel, B este panta liniei de regresie (în SPSS fiind denumită
coeficient de regresie nestandardizat).
Intervalul de încredere de 95% pentru aceşti coeficienţi este de la -1,59 la -
0,50. Intervalul de încredere de 95% arată intervalul pantelor de regresie în care
putem fi siguri într-o proporţie de 95% că panta pentru populaţie se va găsi.
Cota denumită „Beta” are valoarea -0,845. Aceasta este de fapt corelaţia
Pearson între cele două variabile.
Regresia simplă - o variabila dependenta si una independent
VIII.4. Scatterplot-ul de regresie.
Atunci când se realizează o regresie este recomandabilă cercetarea

diagramei scatter pentru cele două variabile.
Pasul 1:
Se selectează:
„Graphs”
„Scatter/Dot”
Pasul 2:
65
SPSS
Se selectează „define”; „simple” este deja selectat.
Pasul 3:

„muzică” ca axă verticală, se
selectează şi apoi se apasă
butonul ►de lângă căsuţa „Y
Axis”

„matematică” ca axă
orizontală, se selectează
se apasă butonul ◄ de
căsuţa „X Axis”. Se
apasă „OK”
Pasul 4:
Pentru a încadra o linie de

regresie în scatterplot, se dă
dublu clic oriunde în interior şi
se va deschide „Chart Editor”.
Se selectează „Elements”
şi „Fit Line at Total”.
VIII.5. Interpretarea output-ului.
Punctele de pe scatterplot sunt apropiate de linia de regresie. În plus,

punctele par să formeze o linie dreaptă (relaţia nu este curbilinie)
În regresie, axa verticală este
variabila-criteriu sau
dependentă (în cazul nostru =
muzica).
Linia de regresie are o pantă

negativă în acest caz; de
exemplu: de la stânga sus spre
dreapta jos. În consecinţă B are
valoare negativă.
66
În regresie axa orizontală este variabila predictor sau independentă (în

cazul nostru „matematică”).
67
* Linia de regresie oblică, de la stânga sus spre dreapta jos, indică o relaţie negativă între cele
două variabile.
Punctele par relativ apropiate de line, ceea ce sugerează că beta (corelaţia)

ar trebui sa fie un număr mare (negativ) şi că intervalul de încredere este relativ
mic.
Regresia liniară - relatia dintre cele doua variabile poate fi descrisa printr-o dreapta în cadrul
norului de puncte.
VIIII.6. Raportarea output-ului.
Interpretarea diagramei se poate realiza în felul următor:

„Diagrama scatterplot a relaţiei dintre abilităţile matematice şi muzicale
sugerează o relaţie liniară negativă între cele două variabile. Este posibilă
predicţia cu acurateţe a abilităţii muzicale a unei persoane cunoscând abilitatea
sa matematică.
68
IX. Eroarea standard

_________________________________________________________________________________________________________________
Eroarea standard este un indice pentru variabilitatea mediilor mai multor

eşantioane extrase din populaţie; cu alte cuvinte este media măsurii cu care
media eşantioanelor diferă faţă de media populaţiei din care au fost extrase.
Eroarea standard poate fi folosită ca un pas intermediar în alte tehnici
statistice, cum ar fi Testul t şi este un concept important pentru calculul
intervalelor de încredere.
Calcularea erorii standard estimate pentru medie este ilustrată cu un set
de şase scoruri ale stimei de sine, prezentate în tabelul următor.
Stima de sine 5 7 3 6 4 5
IX. 1. Introducerea datelor.
Pasul 1:
Se introduc datele în „Data Editor”.
Se etichetează variabila „Stima”
IX. 2. Eroarea standard estimată

a mediei.
Pasul 1:
Se selectează:
„Analyze”
„Descriptive…”
Pasul 2:
Se selectează „stima de sine” şi apoi se apasă butonul ◄pentru a introduce

variabila „Stima de sine” în „variable(s)”. Se selectează „Options…”
Pasul 3:
Se selectează „ S-E mean”.
Se selectează „continue”.
Se apasă „OK” din ecranul anterior care

reapare.
IX. 3. Interpretarea output-ului.
Eroarea standard (estimată) pentru medie a acestui eşantion este 0,577.

este o indicaţie a mediei cu care mediile eşantioanelor diferă de media populaţiei
din care au fost extrase.
testul oferă valoarea erorii standard a mediilor eşantioanelor ca fiind 0,58

(suma este rotunjită la două zecimale) aceasta fiind valoarea medie cu care
mediile eşantioanelor (N=6) diferă faţă de media populaţiei.
tabelul include şi alte informaţii cum ar fi media (5,00), abaterea standard
estimată a populaţiei bazată pe acest eşantion, valorile minime şi maxime ale
datelor.
ultima coloană oferă abaterea standard (estimată) a celor şase scopuri, care
este 1,41.
X. Testul t.
Compararea a două eşantioane
de scopuri corelate/relaţionate.
_________________________________________________________________________________________________________________
70
Testul t este folosit pentru evaluarea semnificaţiei statistice a diferenţei

dintre mediile pentru două seturi de scoruri. Cu ajutorul testului t se pune în
evidenţă dacă valoarea medie pentru un set de scoruri diferă în medie de
valoarea medie pentru alt set de scoruri.
Testul t are două variante:
1. prima variantă este folosită atunci când cele două seturi de scoruri
ce trebuie comparate provin dintr-un singur eşantion sau când

coeficientul de corelaţie între cele două seturi este mare – testul t
pentru eşantioane perechi;
2. a doua variantă a testului t este utilizată în momentul în care două
seturi diferite de valori provin din grupe diferite de participanţi. –

testul t pentru eşantioane independente.
* Testul t pentru eşantioane perechi este optim dacă distribuţia diferenţelor dintre
cele două seturi de valori se prezintă (aproximativ) sub formă de clopot (atunci când
distribuţia este normală). Dacă distribuţia este foarte diferită de forma de clopot ar trebui luată
în considerare utilizarea unei tehnici statistice relaţionate nonparametrică pentru eşantioane
perechi, cum ar fi testul de perechi Wilcoxon.
Procesarea unui Test t este ilustrată cu datele din tabelul următor unde
sunt prezentate numărul de cuvinte pe care aceeaşi copii le-au verbalizat cu
mamele lor la 18 luni şi la 24 luni.
Numărul de cuvinte verbalizate într-un minut la vârste diferite.
Alina Cristina Raluca Carmen Simona Radu Cristi Dan

18 luni 3 2 4 5 2 3 2 4
24 luni 5 4 7 8 3 4 4 6
71
SPSS
X.1. Introducerea datelor.
Pasul 1:
În „Variable View” din „Data
Editor” se etichetează primul rând cu
„optsprezece” şi al doilea rând cu
„douăzeci şi patru”.
* Se înlătură cele două zecimale.
Pasul 2:

se introduc datele în primele două
coloane.
X.2. Testul t pentru eşantioane perechi
Pasul 1:
Se selectează:
„Analyze”
„Compare Means”
„Paired-Samples T Test…”
Pasul 2:
Se selectează „optsprezece” şi se
pune această variabilă lângă
eticheta „Variable1” sub „Curent
Selections”. Se selectează
„douăzeci şi patru” şi se pune
această variabilă lângă eticheta
„Variable2” sub „Curent
Selections”.
Se apasă butonul ►pentru a

pune aceste două variabile în
lista variabilelor relaţionale.
Se apasă „OK”.
72
X.3. Interpretarea output-ului.
Primul tabel arată media, numărul de cazuri şi abaterea standard

pentru cele două grupuri. Media pentru „optsprezece” este 3,13 şi abaterea
standard este 1,126.
Al doilea tabel arată gradul în care cele două seturi de valori sunt corelate.
Corelaţia dintre ele 0,94. Aceasta este o corelaţie mare, nivelul de semnificaţie
fiind de 0,00.
Primele trei coloane care conţin cifre sunt componentele fundamentale ale
calcului unui Test t relaţionat. Media de -2,000 este de fapt diferenţa dintre
mediile pe 18 şi 24 luni, deci în realitate este media diferenţei. Valoarea lui t este
bazată pe această medie a diferenţei (-2,00), divizată cu eroarea standard a
mediei (0,267). Calculul oferă valoarea lui t (-7,483).
X.4. Raportarea output-ului.
Rezultatele obţinute ar putea fi prezentate astfel: „Media numărului de

cuvinte verbalizate la 18 luni diferă semnificativ de media cuvintelor verbalizate
la 24 de luni.
73
XI. Testul t.
Compararea a două eşantioane de
scoruri necorelate/nerelaţionate.
_________________________________________________________________________________________________________________
Atunci cînd o investigaţie de tip statistic se efectuează pe un eşantion,

orice rezultat obţinut are o valoare relativă, în sensul că datele respective nu
numai că nu coincid cu cele referitoare la populaţie, dar nici măcar nu se poate
şti cu certitudine care este diferenţa dintre cele două genuri de date, de vreme ce
starea populaţiei este, de regulă, necunoscută. Teoria matematică a
probabilităţilor oferă însă proceduri pentru evaluarea rezultatelor studiilor
selective, permiţînd o estimare, în termeni de probabilitate, a marjei maxime de
eroare ce se poate comite prin utilizarea mărimilor din eşantion în locul celor
care caracterizează populaţia.
Testul t este în esenţă o procedură de testare a semnificaţ iei diferenţ ei
dintre două medii.
Ca urmare, el este potrivit atunci când variabila dependentă este măsurată

pe scală cantitativă (interval-raport). Distribuţ ia teoretică de referinţă (distribuţ ia
de nul) este cea normală , pentru eşantioane mai mari de 30 de subiec ţ i, şi
distribuţ ia t (Student), pentru eş antioane mai mici de 30 de subiecţi. Chiar dacă
formulele de calcul sunt diferite, forma de prezentare a rezultatelor şi ra ţ
ionamentul decizional sunt similare pentru ambele situaţii.
Testul t pentru eşantioane independente este utilizat pentru a calcula
dacă mediile pentru două seturi de variabile sunt diferite semnificativ una faţă de
cealaltă.
* Testul t pentru eşantioane independente este cel mai des folosit.
Testul t pentru eşantioane independente este utilizat atunci când cele
două seturi de variabile provin din două eşantioane diferite de oameni.
Procesarea unui Test t pentru eşantioane independente este ilustrată cu
datele din tabelul următorcare arată valorile la un test de emotivitate pentru 10
74
copii care provin din familii biparentale şi 10 copii care provin din familii
monoparentale. Scopul analizei este de a aprecia dacă valorile emotivităţii sunt
diferite la copii care provin din familii cu doi părinţi faţă de copii care provin din
familii monoparentale.
Familii 12 18 14 10 19 8 15 11 10 13
biparentale
monoparentale 6 9 4 13 14 9 8 12 11 9
XI.1. Introducerea datelor
Pasul 1:
În „Variable View” din „Data Editor”, se etichetează pe rând „Familii”.
Aceasta va defini cele două tipuri de familii.
Se etichetează al doilea rând

„Emotivitate” (aici vor fi introduse
rezultatele la testul de emotivitate)
Se înlătură cele două zecimale
Pasul 2:
În „Data View”
din „Data Editor” se
introduc valorile pentru
cele două variabile în
primele două coloane.
* Se observă că sunt două coloane
de date: A doua coloană conţine
cele 20 de valori ale testului de
emotivitate de la ambele grupe
de copii. Datele nu sunt păstrate
separat pentru cele două grupe;
valorile 1 din prima coloană indică copii proveniţi din familiile biparentale şi valorile 2
indică copii proveniţi din familiile monoparentale. Astfel, este utilizată o singura variabilă
dependentă (în cazul nostru „emotivitatea”) şi altă coloană pentru variabila independentă
(familia). Cu alte cuvinte, fiecare rând în parte reprezintă un anumit copil şi variabilele sale
dependente şi independente sunt introduse separat în „Data Editor”.
75
SPSS
XI.2. Efectuarea Testului t pentru eşantioane independente.
Pasul 1:
Se selectează:
„Analyze”
„Compare Means”
„Independent Samples T test…”
Pasul 2:
Se selectează
„Emotivitate” şi apoi se
apasă butonul ► pentru
a introduce această
variabilă în lista
variabilelor de test.
Se selectează „Familie”
şi apoi se apasă butonul
◄pentru a introduce
această variabilă în
căsuţa „Grouping
Variable”.
Se selectează „Define Groups…” pentru a defini cele două grupuri.
Pasul 3:
Se introduce:
- valoarea 1 (codul pentru familiile
biparentale) lături de eticheta „Group 1”
- valoarea 2 (codul pentru familiile
monoparentale) alături de eticheta „Group
2”.
Se selectează „Continue”
Se apasă „OK” din ecranul precedent, care reapare.
XI.3. Interpretarea output-ului.
76
Primul tabel arată , pentru fiecare grup în parte, numărul de cazuri, media
şi abaterea standard. Media pentru familiile biparentale este 13,00. După cum se
observă există o diferenţă între cele două tipuri de familii, dar, întrebarea este
dacă mediile diferă semnificativ.
Valoarea lui t este media diferenţei (3,500) divizată cu eroarea standard a
diferenţei (1,493), diviziune ce produce valoarea 2,345.
Dacă valoarea semnificaţiei pentru Pentru varianţe egale, t este 2,345,

Testul Levene este mai mare de care la 18 grade de libertate este
0,05, lucru care se întâmplă aici semnificativ la 0,031 pentru nivelul
(0,642) se foloseşte informaţia de pe two-tailed.
acest prim rând.
Dacă valoarea semnificaţiei pentru
Testul Levene este mai mică de 0,05,
se foloseşte informaţia de pe al doilea
rând (al doilea rând oferă cifrele pentru
cazul în care varianţele sunt diferite
semnificativ).
XI.4. Raportarea output-ului.
Rezultatele obţinute se pot raporta astfel: „Media pentru valorile testelor

de emotivitate ale copiilor ce provin din familii cu doi părinţi este semnificativ
mai mare decât cea a copiilor proveniţi din familiile cu un singur părinte”.
77
Dacă se preferă folosirea intervalelor de încredere , se poate scrie:

„Diferenţa dintre valorile testelor de emotivitate ale copiilor ce provin din
familii cu doi părinţi (M=13,00, SD=3,55) şi cei proveniţi din familii cu un
singur părinte (M=9,50, SD=3,10) este de 3,50. Intervalul de încredere de 95%
pentru această diferenţă este de la 0,36 la 6,63.Deoarece intervalul nu conţine
punctul 0,00 diferenţa este statistic semnificativă la nivelul de semnificaţie two-
tailed de 5%.
78
XI.5. Alegeţi răspunsul corect
1. Independent – Samples T Test se aplică în

cazul: a. aceluiaşi eşantion
b. eşantioanelor independente
c. eşantioanelor dependente
2. Independent – Samples T Test testează:

a. dacă mediile a două grupe sunt egale;
b. dacă mediile a două grupe diferă;
c. dacă se compară mediile pentru un singur grup observat la momente
diferite;
3. Testul „t” se foloseşte pentru:

a. compararea a două seturi de date pentru identificarea diferenţelor;
b. identificarea predictorilor pentru o variabilă numerică; c.
compararea datelor de frecvenţă.
4. One sample T Test este un procedeu prin care:

a. se compară mediile pentru un singur grup observat în momente diferite
b. se testează dacă mediile a două grupe sunt egale
c. se testează dacă media unei variabile este egală cu o constantă
specificată
b. se testează dacă mediile a două grupe
diferă 5. Paired – Samples T test:
a. testează dacă mediile a două grupe sunt egale
b. testează dacă media unei variabile este egală cu o constantă specificată
c. compară mediile pentru un singur grup observat în momente diferite d.
compară mediile pentru mai multe medii observate în momente diferite
6. Testul t pentru eşantioane independente este utilizat atunci când:

a. cele două seturi de scoruri ce trebuie comparate provin dintr-un singur
eşantion
b. coeficientul de corelaţie între cele două seturi este mare
c. cele două seturi de variabile provin din două eşantioane diferite de
oameni.
79
7. Testul t pentru eşantioane perechi este utilizat atunci când:

a. cele două seturi de scoruri ce trebuie comparate provin dintr-un singur
eşantion
c. cele două seturi de variabile provin din două eşantioane diferite de
oameni.
8. Testul t:
a. este folosit pentru evaluarea semnificaţiei statistice a diferenţei dintre
mediile pentru două seturi de scoruri;
b. este potrivit atunci când variabila dependentă este măsurată pe scală cantitativă
(interval-raport).
c. este utilizat pentru a calcula dacă mediile pentru două seturi de variabile
sunt diferite semnificativ una faţă de cealaltă.
80
XI.6. Răspunsuri corecte
1. b. eşantioanelor independente;
2. a. dacă mediile a două grupe sunt egale;
3. a. compararea a două seturi de date pentru identificarea diferenţelor;
4. c. se testează dacă media unei variabile este egală cu o constantă
specificată;
5. c. compară mediile pentru un singur grup observat în momente
diferite
6. c. cele două seturi de variabile provin din două eşantioane diferite de
oameni.
7. a. cele două seturi de scoruri ce trebuie comparate provin dintr-un
singur eşantion
8. a. este folosit pentru evaluarea semnificaţiei statistice a diferenţei
dintre mediile pentru două seturi de scoruri;
b. este potrivit atunci când variabila dependentă este măsurată pe

scală cantitativă (interval-raport).
c. este utilizat pentru a calcula dacă mediile pentru două seturi de
variabile sunt diferite semnificativ una faţă de cealaltă.
81
XII. Testul Chi-Square.

Diferenţe între frecvenţele eşantioanelor.
_________________________________________________________________________________________________________________
În general Testul chi-square este folosit pentru evaluarea existenţei unei

diferenţe semnificative între două eşantioane formate din date de frecvenţă (date
nominale). Acesta, analizează tabelele de asociere sau contingenţă pe baza a
două variabile categoriale nominale.
*Testul chi-square analizează frecvenţe. Niciodată acestea nu trebuie să fie
transformate în procente pentru a fi introduse în SPSS, deoarece vor da rezultate eronate
atunci când se vor calcula valoarea şi semnificaţia chi-square.
* O analiză chi-square trebuie să includă datele fiecărui individ o singură dată, astfel
încât frecvenţele totale să fie egale cu numărul persoanelor folosite în analiză.
Tabel 1. Relaţia dintre site-urile accesate şi genul biologic.
Respondenţi Site-uri anunţuri muzică
matrimoniale
Feminin 27 14 19
Masculin 17 33 9
XII.1. Introducerea datelor din tabelul anterior

folosind procedura „Weighing cases”.
Procesarea Testului chi-square folosind două sau mai multe eşantioane

este exemplificată cu datele din tabelul anterior, care arată care dintre cele trei
tipuri de site-uri este preferat de către un eşantion de 119 adolescenţi de ambele
sexe.
Pasul 1:
În meniul „Variable View” Se îndepărtează cele Se etichetează valorile

din „Data Editor” se etichetează două zecimale. „gen” şi „program”.
primele trei coloane cu „gen
biologic”, „Site” şi „Frecvenţă”.
82
SPSS
Pasul 2:
Se introduc valorile adecvate în meniul
„Data View” din meniul „Data Editor”.
Fiecare rând reprezintă una dintre cele
celule din tabelul prezentat anterior.
Paul 3:
Pentru a pondera aceste

se selectează:
„Data”
„Weight Cases…”
Pasul 4:
Se selectează
„Frecvenţa”, „Weight
cases by” şi apoi se
apasă butonul ◄.
Se apasă „OK”.
XII.2. Introducerea datelor din tabelul 1 caz cu caz.
Se introduc valorile pentru

cele două variabile în fiecare dintre cele 119
cazuri.
XII.3. Efectuarea Testului chi-square pe baza tabelului 1.

Pasul 1:
Se selectează:
„Analyze”
„descriptives statistics”
„Crosstabs…”(tabele de asociere)
83
SPSS
Pasul 2:
Se selectează „Gen” şi se
apasă butonul ► pentru
„Row(s)”: pentru a-l
introduce în caseta
respectivă.
Se selectează „Site” şi se
apasă butonul ◄ pentru
„Column(s)”: pentru a-l
introduce în caseta
respectivă.
Ser selectează
„Statistics…”
Pasul 3:
Se selectează „Chi-square”
Se seletează „Continue”.
Pasul 4:
Se selectează „Cells..”
Pasul 5:
84
În secţiunea „Counts” se selectează „Expected”. Se selectează

„Unstandardized” în secţiunea „Residuals”. Se selecteaze „Continue”, apoi se
apasă „OK în ecranul anterior care reapare.
* Termenul „rezidual” se referă la diferenţe.
85
XII.4. Interpretarea output-ului pentru Testul chi-square.
Acest al doilea tabel din output indică frecvenţa (Count), frecvenţa

aşteptată (Expected Count” şi diferenţa (Residual) dintre cele două pentru
fiecare dintre cele şase celule ale tabelului.
De exemplu: Frecvenţa sau numărul de

fete care spun că preferă site-rile de
matrimoniale este de 17, iar numărul
anticipat de probabilitate este 21,8,
diferenţa dintre cele două valori fiind de
– 4,8.
Al treilea tabel, şi ultimul

indică valoarea
coeficientului (Pearson)
chi-square (13,518),
gradele de libertate (2) şi
semnificaţia two-tailed
(0,001) . Din moment ce
această valoare este mai
mică de 0,05, coeficientul
chi-square este
semnificativ.
Al doilea tabel indică frecvenţele observate şi cele aşteptate ale cazurilor şi

diferenţa (valoarea reziduală) dintre acestea pentru fiecare celulă. Frecvenţa
observată (numită „Count”) este prezentată prima, apoi frecvenţa aşteptată
(numită „Expected Count”. Frecvenţele observate sunt întotdeauna numere
întregi, astfel încât să fie uşor de localizat.
86
Coloana finală din tabel etichetată „Total” conţine numărul de cazuri din
respectivul rând, urmat de numărul aşteptat de cazuri din tabel.
Astfel primul rând are 60 de cazuri, urmat de numărul aşteptat de cazuri
din tabel. Astfel, primul rând are 60 de cazuri, număr care va fi identic
numărului de cazuri aşteptate (adică 60).
În mod similar, rândul final din acest tabel (etichetat „Total) prezintă mai
întâi numărul de cazuri din respectiva coloană urmat de numărul aşteptat de
cazuri din tabel pentru coloana respectivă. Astfel, prima coloană are 44 de
cazuri, număr care ca fi întotdeauna egal cu numărul aşteptat de cazuri (adică
44,0).
Valoarea chi-square, gradul său de liberate şi nivelul său de semnificaţie sunt
afişate în al treilea tabel care începe cu „Pearson” (cel care a elaborat acest test).
Valoarea chi-square este de 13,518, care, rotunjită la un număr cu două
zecimale, devine 13,52. Gradul său de libertate este 2, iar probabilitatea two-
tailed exactă este 0,001.
Sub acest tabel se mai poate vedea şi mărimea „minimum expected count” a
oricărei celule din tabel, care este 13,88 pentru ultima celulă (fetele care preferă
site-urile cu muzică). Dacă diferenţa minimă aşteptată este mai mică decât 5.0,
atunci trebuie să se acorde foarte multă atenţie Testului chi-square.
* Dacă se foloseşte un tabel 2x2 de tip chi-square şi apar frecvenţe anticipate reduse, este
recomandat să se folosească testul Fisher, pe care aplicaţia SPSS îl include în output în astfel
de situaţii.
XII.5. Raportarea output-ului pentru Testul chi-square.

Există două modalităţi de descriere a rezultatelor.
* Pentru o persoană neexperimentată aceste două posibilităţi de interpretare pot părea

foarte diferite, dar, practic, ele înseamnă acelaşi lucru.
87
Rezultatele se pot descrie astfel: „A existat o diferenţă semnificativă

între frecvenţele observate şi cele aşteptate în cazul adolescenţilor băieţi şi fete
2
în ceea ce priveşte preferinţa lor pentru cele trei tipuri de site-uri ( χ =
13,51. DF = 2, p = 0,001)”.
O altă posibilitate de interpretare a rezultatelor obţinute ar putea fi:
„ Există o asociere semnificativă între genul biologic şi tipul de site
preferat ( χ2 = 13,51. DF = 2, p = 0,001)”.
Raportarea şi direcţia rezultatelor se poate face astfel: „ Fetele tind mai
mult decât băieţii să prefere site-urile cu anunţuri (de toate genurile) şi preferă
mai puţin site-urile despre matrimoniale sau pe cele cu muzică”.
88
XIII. Recodificarea variabilelor.

Aplicaţia SPSS poate recodifica valori în mod rapid şi cu uşurinţă, ceea ce
îi oferă cercetătorului o mare libertate de recodificare a datelor.
*Nu se modifică variabilele decât în cazul în care este absolut sigur că se doreşte
modificarea permanentă a datelor originare.
Scorurile abilităţilor muzicale şi matematice
obţinute de către un număr de 10 copii
Scor muzică Scor matematică Gen biologic Vârstă
3 7 1 10
7 5 1 9
8 4 2 12
9 4 1 8
9 5 2 11
6 8 2 13
4 9 2 7
3 9 1 10
4 7 2 9
7 6 1 11
* Scorurile abilităţilor muzicale şi matematice sunt aceleaşi care au fost

prezentate anterior în capitolul VIII.1.
Dorim să se realizeze corelaţia dintre valorile abilităţilor muzicale şi a

celor matematice, în cazul copiilor mici şi a celor mari. Pentru a realiza această
corelaţie este important să se stabilească numărul de grupe de vârstă dorite. În
acest caz se vor alege două grupe de vârstă: copii mai mici de 10 ani şi copii mai
mari de 10 ani.
XIII.1. Recodificarea rezultatelor.
Pasul 1:
Se introduc datele aşa cum este

prezentat în tabelul alăturat.
(Paşii de introducere a datelor
sunt prezentaţi în capitolele
anterioare).
89
SPSS
Pasul 2:
Se selectează „Transform”,
„recode”
Şi „Into Different Variables”
Pasul 3:
Se selecteaă „Vârstă” şi se
apasă butonul ◄ pentru a
introduce „Vârsta” în
caseta „Numeric Variable
– Output variable”.
Se introduce numele noii
variabile.
Se selectează „Change” pentru
a adăuga acest nume nou în Se selectează „Old and New values”.
caseta „Numeric variable –
Output Variable”.
Pasul 4:
Se selectează „Lowest
through” şi se scrie 9 în
caseta alăturată.
Se selectează „Value”
din meniul „new value”
şi se scrie 1 în căsuţa
alăturată.
Se selectează „Add” şi
se introduce „lowest
throught 9→1 „ în caseta
„Old→New”.
90
Pasul 5:
Se selectează
„Range: through
highest” şi se scrie
10 în caseta de
lângă el.
Se selectează
„value” şi se scrie
2 în caseta
alăturată.
Se selectează
„Add” şi se
introduce „10
through
Highest→2” în
caseta „Old→New”. Se apasă „OK” în ecranul care va reapărea.
Pasul 6:
Noua variabilă şi valorile sale sunt
afişate în meniul „Data View”.
 1 semnifică copii cu vârste mai mici de

 10 ani
 2 semnifică copii cu vârste mai mari de
10 ani.
Pentru o astfel de recodificare se

deschide fereastra Recode into Different
Variables (din meniul Transform comanda
Recode) în care:
- se selectează variabila pe care dorim să o recodificăm din lista variabilelor din
partea stângă şi se mută în lista variabileor de recodat;
- se scrie numele noii variabile în caseta Name din zona Output Variable;
- se scrie în caseta Label eticheta noii variabile;
- se acţionează butonul de comandă Change pentru a se realiza modificarea. Pentru
a defini categoriile variabilei numerice acţionăm butonul de comandă Old and
New Values ce are ca efect deschiderea unei ferestre de dialog în care pentru a schimba o
valoare particulară într-o valoare nouă se introduce valoarea veche în caseta Old Value şi
valoarea nouă în caseta New Value şi se acţionează butonul Add.
De regulă se schimbă o valoare reală cu altă valoare reală. În acest scop selectăm
butonul de opţiuni Range. Casetele de editare sunt folosite pentru a stabili limita inferioară şi
respectiv limita superioară a intervalului dorit. Apoi se selectează butonul de opţiuni Value
din zona New Value în care se introduce noua valoare şi acţionăm butonul Add.
91
Prin clic pe butonul de comandă Continue se revine în fereastra Record into

Different Variables în care acţionăm OK pentru recodificarea variabilei.
XIII.2. Alegeţi răspunsul corect
1. Comanda RECODE permite:

a. recodificarea într-o variabilă diferită sau în aceeaşi variabilă;
b. tranformarea unei variabile prin divizarea valorilor acesteia într-un număr
mai mare de categorii;
c. combinarea valorilor acestei variabile cu scopul creării unei alte serii;
2. Comanda RECODE se găseşte în meniul:

a. transform/recode/into different variables; b.
transform/recode/into same variables;
3. Chi – Square
a. testează egalitatea a două sau mai multe proporţii
b. testează egalitatea unei proporţii cu o valoare specificată c.
testează egalitatea mediilor a două eşantioane independente
d. testează egalitatea mediilor a două eşantioane perechi
4. Pentru recodificarea în aceeaşi variabilă se selectează:

a. transform/recode/into different variables;
b. transform/recode/into same variables;
c. nicio variantă de mai sus.
5. Pentru recodificarea într-o variabilă diferită se selectează:
92
SPSS
a. transform/recode/into different variables;

b. transform/recode/into same variables; c.
nicio variantă de mai sus.
XIII.3. Răspunsuri corecte
1. a. recodificarea într-o variabilă diferită sau în aceeaşi variabilă;

2. c. ambele variante de mai sus.
3. a. testează egalitatea a două sau mai multe proporţii
4. b. transform/recode/into same variables;
5. a. transform/recode/into different variables;
93
XIV. Calculul variabilelor noi.

_________________________________________________________________________________________________________________
Calculul variabilelor noi permite adunarea, scăderea, etc. a valorilor

câtorva variabile pentru a obţine o nouă variabilă.
Exemplu: Se doreşte să se adune câteva întrebări dintr-un chestionar, pentru a
obţine un indice general al ceea ce măsoară chestionarul.
Atunci când sunt măsurate variabilele psihologice, se folosesc mai multe
întrebări pentru a măsura mai mult sau mai puţin acelaşi lucru.
De exemplu, următoarele afirmaţii pot fi folosite pentru evaluarea satisfacţiei
profesională:
a. În general mă bucură profesia mea.
b. Uneori stresul de la serviciu devine insuportabil.
c. Unii colegi sunt enervanţi câteodată.
d. Viitorul pare promiţător la locul de muncă.
Participanţilor li se cere să afirme în ce măsură sunt de acord cu fiecare
dintre aceste afirmaţii, pe următoarea scală de la 1 la 4:
1. întru totul de acord; 2. de acord;
3. dezacord; 4. total dezacord.
94
Aceşti itemi se pot folosi pentru a determina nivelul de satisfacţie

profesională a angajaţilor, prin adunarea răspunsurilor date tuturor celor patru
afirmaţii.
Întru totul De acord dezacord Total dezacord
de acord
Respondent 1
Respondent 2
Respondent 3
Deoarece este nevoie de scoruri mari pentru a indica satisfacţia
profesională, se va inversa evaluarea, astfel:
4. total de acord; 3. de acord;
2. dezacord; 1. total dezacord.
XIV.1. Procedura unei variabile noi.

Pasul 1:
Se scrie un nume
pentru noua
variabilă în caseta
de sub „Target
Variable” (ex.
scor total.
Se scrie sau se
selectează termenii
expresiei şi se
introduc în caseta
„Numeric
Expression”.
Se apasă „OK”. Se
selectează „Paste”
pentru a salva
această procedură
sub formă de
sintaxă.
Pasul 4:
Pentru a salva această
procedură sub formă de fişier
de sintaxă, se selectează
„Paste” în caseta principală.
Această comandă de sintaxă va apărea în fereastra „Syntax”.
XV. Testele rangurilor.

Statistici nonparametrice.
_________________________________________________________________________________________________________________
Testele nonparametrice sunt folosite atunci când nu este îndeplinită

condiţia ca scorurile fiecărei variabile să fie cât de cât normal distribuite (în
formă de clopot). Aceste teste fac mai puţine presupuneri referitoare la
caracteristicile populaţiei de la care provin datele, trăsătură care nu este
caracteristică testelor parametrice (cum ar fi Testul t). Metodele statistice
nonparametrice nu testează diferenţele dintre medii, deoarece acestea folosesc
scoruri transformate în ranguri. De obicei, prin aceste metode se verifică dacă
rangurile dintr-un grup sunt mai mari sau mai mici decât rangurile din celălalt
grup.
În acest capitol vom vorbi despre Testul semnului şi Testul Wilcoxon
pentru date corelate (eşantioane perechi). Cu alte cuvinte, aceste teste sunt
echivalentele nonparametrice ale Testului t pentru eşantioane perechi.
Testul U Mann-Witney se foloseşte pentru date nerelaţionate, acesta
fiind echivalentul nonparametric al Testului pentru eşantioane independente.
Procesarea a două teste nonparametrice pentru scoruri relaţionate este
exemplificată folosind datele din tabelul următor, care a fost folosit şi în
96
capitolul X şi care indică numărul de cuvinte pe care aceeaşi copii le-au

verbalizat cu mamele lor la 18 luni şi la 24 luni.
Numărul de cuvinte verbalizate într-un minut la vârste diferite.
Alina Cristina Raluca Carmen Simona Radu Cristi Dan

18 luni 3 2 4 5 2 3 2 4
24 luni 5 4 7 8 3 4 4 6
XV.1. Scoruri relaţionate: testul semnului.
Pasul 1:

se introduc datele în primele două
coloane.
P asul 2:
Se selectează:
„Analyze”
„Nonparametric Tests”
„2 Related Samples…”
Pasul 3:
Se selectează
„Optsprezece” şi
„douăzecisipatru” şi se
apasă butonul ◄
a introduce aceste
variabile în caseta „Test
Pair(s) List”.
Se deselectează „Wilcoxon”.
Se selectează „Sign”.
Se apasă „OK”.
XV.2. Interpretarea output-ului pentru testul semnului.

Se poate ignora primul dintre cele
două tabele care indică numărul
de diferenţe negative (0), pozitive
(8) şi inexistente (0) în ceea ce
priveşte numărul de cuvinte
verbalizate la cele două vârste.
Al doilea tabel indică nivelul de

semnificaţie al acestui test. Probabilitatea
two-tailed este de 0,008 ceea ce este
semnificativ la nivelul de 5%.
XV.3. Raportarea output-ului pentru testul semnului.
Rezultatele obţinute pot fi raportate astfel: „Există o schimbare

semnificativă la nivelul numărului de cuvinte verbalizate de la 18 luni la 24 de
luni (Testul semnului: N=0,008).
XV.4. Scoruri relaţionate: testul Wilcoxon.

Testul Wilcoxon reprezintă opţiunea predefinită în caseta de dialog a
testelor cu două eşantioane perechi. Dacă s-a deselectat anterior, se selectează
din nou. Se apasă „OK” pentru a obţine output-ul Testului Wilcoxon.
XV.5. Interpretarea output-ului pentru Testul Wilcoxon.
98
Se poate ignora primul dintre cele două tabele de output. Acestea indică
numărul de diferenţe negative (0), pozitive (8) şi inexistente (0) în ceea ce
priveşte datele ordonate după cele două vârste, şi media şi suma catalogate
negative şi pozitive. Valorile pentru „două zeci şi patru „ de luni sunt mai mari
decât cele pentru „optsprezece” luni.
Al doilea tabel indică nivelul de
semnificaţie al acestui test. În loc să
folosească tabelul valorilor critice,
computerul utilizează o formulă care
stabileşte o conexiune cu distribuţia Z.
Scorul Z este de – 2,558, care are o
probabilitate two-tailed de 0,011. Aceasta înseamnă că diferenţele dintre cele
două variabile sunt semnificative din punct de vedere statistic la un nivel de 5%.
XV.6. Raportarea output-ului pentru Testul Wilcoxon.

Rezultatele obţinute pot fi raportate astfel: „Există o diferenţă
semnificativă între numărul de cuvinte verbalizate de copii între 18 şi 24 de luni
(Wilcoxon: N=8, z =2,56, two-tailed p = 0,011)”.
XV.7. Scoruri nerelaţionate: Testul U Mann-Whitney.
Pentru procesarea unui test nonparametric pentru scoruri necorelate, vom

folosi datele din tabelul următor, care indică scoruri ale emotivităţii obţinute de
99
10 copii care provin din familii biparentale şi 10 copii care provin din familii
monoparentale.
Familii 12 18 14 10 19 8 15 11 10 13
biparentale
monoparentale 6 9 4 13 14 9 8 12 11 9
Pasul 1:
- este acelaşi ca şi cel prezenta la capitolul XI.
Pasul 2:
Se selectează:
„Analyze”
„Nonparametric tests”
„2 Independent Samples…
Pasul 3:
Se selectează
„Emotivitate” şi se
apasă butonul
►pentru a introduce
parametrul
„Emotivitate” în
caseta „Test Variable
List”.
Se selectează
„Familie” şi se apasă
butonul ◄pentru a
introduce „Familie” în
caseta „Grouping
Variables”.
100
Se selectează „Define Groups…”
Pasul 4:
Se scrie 1 (pentru un singur părinte) în c

aseta de lângă „Group 1”.
Se scrie 2 (pentru 2 părinţi) în caseta de
lângă „Group 2”.
Se apasă „OK” din ecranul anterior care va reapărea.
XV.8. Interpretarea output-ului pentru testul U Mann-Whitney.
Se poate ignora primul dintre cele două tabele de output. Acest tabel
indică faptul că rangul mediu dat parametrului „Emotivitate” pentru primul
grup (adică valoarea 2) este 13,15, iar rangul mediu pentru al doilea grup (adică
valoarea 1) este de 7,85. Aceasta înseamnă că valorile din grupul 2 (biparentale)
au tendinţa să fie mai mari decât cele din grupul 1 (monoparentale).
Al doilea tabel indică statistica de bază mann-

Whitney, valoarea U fiind de 23,500, ceea ce
este semnificativ din punct de vedere statistic
la un nivel de 0,043.
Computerul a listat şi un scor Z de -2,011, care
este semnificativ la nivel de 0,044.
Aceasta este valoarea Testului Mann-Whitney atunci când se aplică o corecţie
pentru ranguri înrudite. După cum se poate
101
vedea, aceasta a modificat nivelul de semnificaţie doar marginal, de la 0,44 la

0,44.
XV.9 Raportarea output-ului pentru Testul U Mann-Whitney.
Rezultatele obţinute în urma acestei analize se pot raporta astfel: „ Testul

U Mann-Whitney a concluzionat că scorurile emotivităţii la copii din fa,iliile cu
doi părinţi sunt semnificativ mai mari decât la cei din familiile cu un singur
părinte (U=23,5, N1,2=10, p two-tailed p= 0,044)”.
XVI. Analiza de varianţă (ANOVA).

Introducere în metoda one-way ANOVA
cu scoruri nerelaţionate sau necorelate.
_________________________________________________________________________________________________________________
Analiza de varianţă cu scoruri nerelaţionate/necorelate indică măsura

în care câteva (două sau mai multe) grupuri au medii foarte diferite.
*Grupurile diferite aparţin variabilei independente iar valorile numerice corespund

variabilei dependente.
Analiza de varianţă calculează variaţia dintre scoruri şi pe cea dintre

mediile eşantioanelor.
One – way ANOVA este folosit pentru testare pentru diferenţele între
două sau mai multe grupe independente. ANOVA este utilizat pentru a testa
diferenţe între cel puţin trei grupuri, deoarece cele două grupuri de caz pot fi
acoperite de u un T-test.
De fapt, testul t independent este un tip special de ANOVA simpla în
care sunt implicate doar doua grupe. ANOVA simpla permite evaluarea ipotezei
nule între mediile a doua sau mai multe serii de date cu restricţia ca acestea sa
fie trepte ale aceleiaşi variabile independente.
102
ANOVA simpla permite compararea simultana a trei sau mai multe

grupe menţinând nivelul  la valoarea dorita, de maxim 0,05.
Procesarea analizei one-way de varianţă cu scoruri nerelaţionate este
exemplificată folosind datele din tabelul următor, care indică rezultatele obţinute
de către diferiţi participanţi în condiţii diferite. Este vorba despre un studiu
asupra efectului unor tratamente hormonale şi placebo asupra depresiei.
Astfel, medicamentul este variabila independentă şi depresia este
variabila dependentă.
Date studiu
Grup 1 Grup 2 Grup 3
Tratament hormonal Tratament hormonal Placebo
8 4 4
11 2 6
8 4 4
XVI.1. Metoda one-way ANOVA pentru eşantioane independente.
Pasul 1:
Se introduc datele.
Se codifică cele trei
condiţii cu valorile 1, 2, 3.
Se etichetează „Hormon 1”,
„Hormon 2” şi „Placebo”.
Pasul 2:
Se selectează:
„Analyze”
„Comparea Means”
„One-Way ANOVA”.
Pasul 3:
Se selectează „depresie” şi se
caseta „Dependent List” –
pentru a introduce
parametrul în casetă.
Se selectează „Condiţie” şi
se apasă butonul ◄ de lângă
caseta „Factor” – pentru a
introduce parametrul acolo.
Se selectează „Options…
Pasul 4:
Se selectează metodele statistice
„descriptive” şi „Momogenity of
test”.
Se selectează „Continue…”.
Se apasă „OK” din ecranul anterior, care va reapărea.
XVI.2. Interpretarea output-ului.
Primul tabel oferă diferite statistici descriptive, cum ar fi numărul de

cazuri, media şi abaterea standard în cele trei condiţii şi pe eşantionul total.
104
Al doilea tabel oferă rezultatele

Testului Levene al similarităţii
varianţelor. Acest test nu este
semnificativ deoarece are o
semnificaţie de 0,441.
Al treilea tabel indică rezultatele analizei de varianţă. Raportul F este

semnificativ la nivel de 0,00, acesta fiind mai mic decât 0,05.
Raportul F se calculează prin împărţirea „sum of square” (suma
pătratelor abaterilor de la medie) dintre grupe, este împărţită suma pătratelor de
la media din interiorul grupelor (sum of squares groups)m ceea ce dă un Raport
F de 13,941 (20,333/0,889 = 13,941).
Aceasta înseamnă că există o diferenţă semnificativă între cele trei
grupuri.
XVI.3. Raportarea ouput-ului.
Rezultatele obţinute pot fi raportate astfel: „Per total, efectul tratamentului

cu medicamente a fost semnificativ (F2,6 = 13,94, p= 0,00). În schimb, nu a
existat nicio diferenţă semnificativă între media controlului placebo şi media
tratamentului hormonal 2.
105
XVII. Analiza de varianţă bifactorială pentru

scoruri nerelaţionate/necorelate.
_________________________________________________________________________________________________________________
Analiza two-way de varianţă permite compararea mediilor unei variabile

dependente atunci când există două variabile independente.
Dacă există mai mult de o variabilă dependentă, atunci analiza se
realizează separat pentru fiecare variabilă.
Realizarea unei analize two-way pentru scoruri nerelaţionate de varianţă
este exemplificată în tabelul următor, care indică scorurile obţinute de către
diferiţi participanţi în şase condiţii, reflectând cei doi factori ai privării de somn
şi alcool. Scopul acestei analize este acela de a aprecia dacă diferitele combinaţii
de cafea şi deprivare de somn afectează diferenţiat numărul mediu de greşeli
făcute.
Datele pentru un experiment referitor la privarea de somn:

Numărul de erori în cazul unui test video.
106
SPSS
privare de somn
3 ore 6 ore 9 ore
Consum alcool 14 16 20
10 14 22
15 23 30
Fără alcool 9 11 10
9 8 14
12 11 12
XVII.1. Metoda two-way ANOVA pentru scoruri nerelaţionate.
Pasul 1:
Se introduc datele. Cele ouă coduri pentru
„Alcool” (1=alcool; 2= fără alcool) – în prima
coloană.
Cele trei coduri pentru „Privare de somn” se

regăsesc în a doua coloană (1= 3 ore, 2= 6 ore,
3= 9 ore).
Greşelile sunt prezentate în a treia coloană.
Se elimină cele două zecimale din mediul

„Variable View”.
Pasul 2:
Se selectează:
„Analyze”
„General Linear Model”
„Univariate…”
107
SPSS
Pasul 3:
Se selectează „Erori” şi
se apasă butonul ► de
lângă caseta „Dependent Variable”pentru a
introduce
parametrul acolo.
Se selectează „Alcool”
şi „Privare de somn” fie
împreună, fie separat, şi
se apasă butonul „Fixed
factor(s)” pentru a le
introduce în casetă. Se
selectează
„Options…”
Pasul 4:
Se selectează
„Descriptives
statistics” şi
„Homogeneity test”.
Se selectează
„Continue”.
În ecranul anterior,
care va reapărea, se
selectează „Plots…”.
Pasul 5:
Se selectează „Alcool”
şi se apasă butonul ►
de lângă caseta
„Horizontal axis” –
pentru a introduce
parametrul acolo.
Se selectează „Privare
de somn” şi se apasă
butonul ◄ de lângă caseta „Separate Lines” - pentru a introduce opţiunea în

casetă.
Se selectează „Add”
.
Se selectează „Continue”. Se apasă „OK” din ecranul anterior
care va reapărea.
XVII.2. Interpretarea output-ului.

Acest tabel conţine
mediile , abaterile
standard şi numărul
(N) de cazuri
pentru cele două
variabile „Alcool”
şi „Privare de
somn”. Luate
separat sau
împreună. Media
pentru condiţia
„Alcool” este
comparată cu
„Totalul” pentru
„Privare de somn”
(adică 18,22). Media pentru privare de 3 ore de somn este comparată cu „Total”
pentru „Alcool” (adică 11,50).
Al treilea tabel de oferă

informaţii referitoare la Testul
Levene, care verifică
similaritatea varianţelor. Din
moment ce semnificaţia acestui
test este 0,085 (valoarea care este
mai mare decât 0,05), varianţele
sunt similare
Al patrulea
tabel indică
nivelele de
semnificaţie
pentru cele două variabile „Alcool” şi „Privare de somn”, şi interacţiunea

dintre acestea.
În tabelul de analiză a varianţei, raportul F pentru cele două efecte principale

(Alcool şi Privare de somn) este prezentat primul.
Pentru prima variabilă, cea a alcoolului, Raportul F este 22,891, ceea ce este
semnificativ la nivelul 0,000. Deoarece sunt numai două condiţii pentru ca acest
efect să se producă, se poate conhide că scorul mediu al uneia dintre condiţii este
mult mai mare decât pentru cealaltă.
Pentru a doua variabilă a privării de somn, aceasta este egală cu 5,797,
valoare care are un nivel exact de semnificaţie de 0,017. Astfel, Raportul f este
semnificativ din punct de vedere statistic la un nivel de 0,05, ceea ce înseamnă
că mediile celor trei condiţii legate de somn nu sunt similare.
Mediile care diferă de celelalte pot fi determinate ulterior prin folosirea
testelor de comparaţii multiple, cum este Testul t pentru eşantioane
independente.
raportul F pentru interacţiunile dintre cele două variabile (Alcool şi Privare
de somn) este de 2,708 → nivelul de semnificaţie al acestui raport este de
0,107→ nu este nicio interacţiune semnificativă.
Acest grafic este realizat pentru mediile celor şase condiţii. El a fost editat
cu ajutorul comenzii “Chart Editor”.
Marginal Means of erori
privare de somn
3 ore
22,50 6 ore
9 ore
Estimated Marginal Means
20,00
17,50
15,00
12,50
10,00
alcool fara alcool
alcool
110
SPSS
XVII.3. Raportarea output-ului.
Rezultatele din output se pot raporta astfel: „O analiză de varianţă two-way

ANOVA demonstrează obţinerea unor efecte semnificative în cazul alcoolului
(F = 22,981, p< 0,001) şi al privării de somn (F=5,80, p = 0,017), dar nu şi în
cazul interacţiunii celor două variabile (F =2,70, p= 0,107).
111
XVIII. Comparaţii multiple cu ANOVA.

_________________________________________________________________________________________________________________
Acest capitol extinde aria de acoperire a Testelor t multiple prezentate în

capitolele anterioare şi explică modul în care se decide care perechi de medii
sunt diferite în mod semnificativ între ele, în cazul analizei de varianţă.
Această tehnică se foloseşte atunci când sunt mai mult de două medii.
Pentru a prezenta această procedură vor fi folosite informaţiile prezentate
la capitolul XV.
Date studiu
Grup 1 Grup 2 Grup 3
Tratament hormonal Tratament hormonal Placebo
8 4 4
11 2 6
8 4 4
Pasul 1:
Se introduc datele.
Se codifică cele trei
condiţii cu valorile 1, 2, 3.
Se etichetează „Hormon 1”,
„Hormon 2” şi „Placebo”.
Pasul 2:
Se selectează:
„Analyze”
„Comparea Means”
„One-Way ANOVA”.
SPSS
Pasul 3:
Se selectează „depresie” şi se
caseta „Dependent List” –
pentru a introduce
parametrul în casetă.
Se selectează „Condiţie” şi
se apasă butonul ◄ de lângă
caseta „Factor” – pentru a
introduce parametrul acolo.
Se selectează „Post Hoc…”
Pasul 4:
Se selectează:
„Tukey”
„Duncan”
„Scheffe”.
Se apasă
„Continue”.
Se selectează „OK”
în ecranul care va
apărea din nou.
XVIII.1. Interpretarea output-ului.
113
Primul tabel reprezintă rezultatele analizei de varianţă. Raportul F pentru

efectul dintre grupuri (adică efectul hormonilor) este 13,941, care are un nivel
exact de semnificaţie de 0,006. Acest lucru înseamnă că efectul dintre grupuri
este semnificativ; per total, mediile pentru cele trei grupuri diferă.
Al doilea tabel şi ultimul oferă rezultatele celor trei teste de comparaţii

multiple.
Dacă se foloseşte Testul Tukey al diferenţei semnificative oneste

(HSD), media de la grupul hormonului 1 este semnificativ diferită de media de
la grupul hormonului 2 (semnificaţia=0,06) şi semnificaţia de la media grupului
Controlului placebo (semnificaţia=0,020).
Subgrupele omogene.
Grupul hormonului 2 şi al
controlului Placebo
aparţin aceleiaşi
subgrupe, ceea ce
înseamnă că nu sunt
semnificativ diferite.
Grupul hormonului 1
este singurul din această
a doua subgrupă, motiv
pentru care aceasta este
semnificativ diferită de
mediile celorlalte două
114
grupe.
*Sunt reprezentate mediile grupelor din subgrupele omogene. a.
Foloseşte Media armonică a dimensiunilor eşantioanelor
=3,000.
Tabelul final, numit „Subgrupele omogene”, enumeră grupurile de medii care

nu sunt semnificativ diferite între ele.
Dacă se ia în calcul aceste două rânduri pentru a se folosi în Testul Tukey HSD,
în acest caz există două subgrupe de medii. Subgrupa 1 indică faptul că mediile
grupelor hormonului 2 şi ale controlului placebo cu valorile 3,33 şi 4,67 nu
diferă semnificativ. Subgrupa 2 conţine doar media grupei hormonului 1, în
valoare de 9,00. Astfel, media grupului hormonului 1 este semnificativ diferită
atât de media grupei hormonului 2, cât şi de cea a gupelor de control placebo.
Toate cele trei teste prin comparaţii multiple sugerează acelaşi lucru: faptul
că există diferenţe semnificative între grupele hormonului 1 şi hormonului 2 şi
între grupele hormonului 1 şi cele ale controlului placebo. Alte diferenţe nu mai
există.
XVIII.2. Raportarea output-ului.
Rezultatele output-ului pot fi raportate astfel: „O analiză de varianţă

unifactorială pentru scoruri necorelate a demonstrat producerea unui efect
general semnificativ pe tip de tratament medicamentos (F=13,94, p= 0,06). Prin
Metoda Scheffe de analiză a intervalului s-a descoperit că grupul hormonului 1
era diferit de grupul hormonului 2 (p= 0,07) şi de grupul controlului placebo
(p=0,24), dar nu s-au mai găsit alte diferenţe semnificative”.
115
XIII.2. Alegeţi răspunsul corect
1. Calculul variabilelor noi:

a. adunarea şi scăderea;
b. înmulţirea şi împărţirea;
2. Analiza de varianţă (ANOVA):

a. indică măsura în care două sau mai multe grupuri au medii foarte
diferite;
b. calculează variaţia dintre două scoruri;
c. calculează variaţia dintre mediile eşantionului.
3. ANOVA este utilizată pentru:

a. a testa diferenţa între cel puţin 2 grupuri;
b. a testa diferenţa între cel puţin 3 grupuri;
c. a testa diferenţa între cel puţin 4 grupuri;
4. Analiza two-way de varianţă permite:

a. compararea mediilor unor variabile independente;
b. compararea mediilor dintre două grupuri;
c. compararea mediilor unei variabile dependente atunci când există
două variabile independente.
5. Comparaţiile multiple cu ANOVA:

a. explică modul în care se decise care perechi de medii sunt diferite
în mod semnificativ între ele;
b. se foloseşte atunci când sunt mai mult de două medii;
c. indică scorurile obţinute de respondenţi.
116
XIII.3. Răspunsuri corecte
1. c. ambele variante de mai sus.

2. a. indică măsura în care două sau mai multe grupuri au medii foarte
diferite;
3. b. testa diferenţa între cel puţin 3 grupuri;
4. c. compararea mediilor unei variabile dependente atunci când există
două variabile independente.
5. a. explică modul în care se decise care perechi de medii sunt diferite
în mod semnificativ între ele;
b. se foloseşte atunci când sunt mai mult de două medii;
SPSS

Introducere in SPSS

Încărcat de

Informații document

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

Introducere in SPSS

Încărcat de

Drepturi de autor:

Formate disponibile

Introducere în SPSS.

Universitatea Andrei Saguna

I.1. Accesarea SPSS-ului.

I.2. Introducerea datelor.

Se introduce un număr folosind tastatura

Corectarea erorilor se face folosind mouse-ul: se

I.3. Salvarea datelor.

I.4. Folosirea „Variabilei View” pentru crearea şi etichetarea variabilelor

Această fereastră se aseamănă cu fereastra Windows Explorer şi se deschide doar dacă

I.5. Exemplu de calcul statistic.

Media scorului pentru vârstă este încercuită.

I.6. Concepte statistice esenţiale în analizele cu ajutorul SPSS-ului.

1. Realizaţi o bază de date şi introduceţi 10 subiecţi cu vârste cuprinse între 10 şi 15 ani

2. La o cercetare „percepţia socială asupra consumului de droguri” participă 10 persoane

I.8. Alegeţi răspunsul corect

1. Fereastra de editare (Data Editor):

2. Fereastra de rezultate (Output Viewer):

3. Ferestrele în SPSS reprezintă:

4. Care sunt cele mai frecvent utilizate ferestre în SPSS

5. În SPSS fereastra SPSS Output Viewer este utilizată pentru:

6. La editarea unei variabile trebuie să se ţină cont de următoarele restricţii:

7. Numele variabilei trebuie să ţină cont de câteva restricţii:

7. Pentru a introduce date în SPSS se selectează:

9. Prin apăsarea butonului “Variable View”:

10. Care dintre următoarele afirmaţii este adevărată?

11. Pentru a calcula media aritmetică alegem

I.9. Răspunsuri corecte

1. a. se deschide implicit la lansarea SPSS;

II.1. Frecvenţa procentuală.

1. Prima coloană a tabelului

2. A treia coloană afişează

4. A cincea coloană adună procentele în josul tabelului.

 În ceea ce priveşte raportarea rezultatelor se prezintă numai etichetele

II.2. Diagrama circulară pentru date categoriale.

Diagrama Pie este un cerc divizat în

Acesta este felul în care apare

* Caracteristicile din această

II.3. Adăugarea etichetelor unei diagrame circulare

Se dă dublu clic oriunde în

* Diagrama de structură „pie” este folosită

Se selectează „Ocupaţie” şi săgeata

Se procedează asemănător pentru

Seselectează „Apply” şi „Close”.

Pentru a înlătura legenda,

II.4. Diagrama cu bare pentru date categoriale.

*Selectare unei alte variante se face prin

Se selectează ocupaţia şi se apasă

cases”. Se apasă „OK”

Pentru a ilustra procesul de realizare a unei histograme vom folosi datele

Se introduc datele în „Data Editor” (aşa

Se selectează întrebarea „Vă place

întrebarea în căsuţa din dreapta.

* Pentru a schimba denumirile axelor se dă

3. La o cercetare „percepţia socială asupra consumului de droguri” participă

7. să se adauge etichete diagramei;

8. să se realizeze diagrama de bare şi histograma pentru variabila „vârstă”.

9. să se calculeze media pentru variabila „vârstă şi să se interpreteze.

10. să se salveze fişierul creat pe „Desktop” cu denumirea „cercetare”;

II.7. Alegeţi răspunsul corect

1. Care sunt graficele folosite pentru o distribuţie după o variabilă

2. Diagrama de bare este folosită pentru:

3. Diagrama de structură este folosită pentru:

4. Histograma este folosită pentru:

5. Pentru o distribuţie după o variabilă cantitativă se folosesc