Documente Academic
Documente Profesional
Documente Cultură
Baze Practic
Baze Practic
Fidelitatea
a. Metoda test-retest
Se aplica pentru trasaturile fixe, care nu se modifica in timp.
1. Se recodează itemii retroverși
Transform
Recode into same variable
o Se selectează variabilele in cauză
Old and new values
o Values: 1=5, 2=4, 3=3, 4=2, 5=1
!!! Scala de gaseste pe foaie, pot fi orice valori !!!
Continue
Ok
2. Se calculează scorul
Transform
Compute variable
o La Target value punem numele fără spații (ex: scor_extraversiune)
o Se adaugă variabilele cu + intre ele (ex: ex1+ex2+ex3) apoi împărțim la numărul de variabile
3. Se face la fel pentru celălalt scor (ex: ex1_2+ex2_2+ex3_2)
4. Se corelează scorurile
Analyze
Correlate
Bivariate
o Se selectează variabilele scoruri
o One-tailed + Pearson
Exemplu de interpretare: P=.872 – este o corelație foarte puternică = am măsurat aceași chestie; p=.87 > p=.70 –
fidelitate crescută
b. Metoda consistenței interne (α Cronbach)
Se aplica atat pentru trasaturile fixe, care nu se modifica in timp cat si pentru starile care se modifica in timp.
1. Se recodează itemii retroverși
Transform
Recode into same variable
o Se selectează variabilele în cauză
Old and new values
o Values: 1=5, 2=4, 3=3, 4=2, 5=1
Continue
Ok
2. Se verifică fidelitatea
Analyze
Scale
Reliability Analyze
o Trecem in dreapta itemii scalei
o Statistics – scale if item deleted
Continue
OK
Se generează un output cu 3 tabele, ne interesează ultimele 2.
La cel de-al doilea, importantă este ultima coloană: α trebuie să fie de minim .70
Exemplu de interpretare: alfa cronbach = .89 > .70 = pot avea încredere în scoruri, fidelitate crescută – se
bazează pe consistența internă (de la primul la ultimul item, fiecare măsoară aceeași chestie).
Ultima coloană – scoruri asemănătoare = toți itemii sunt în regulă iar scala nu ar deranja un coeficient mai mare
dacă am renunța la vreunul.
c. Metoda split-half
Se urmează aceași pași:
- Se recodează itemii retroverși
- Este recomandabil să se combine itemii pari cu cei impari (1,3,5 cu 2,4,6)
- Se face similar cu metoda test-retest: un scor pentru itemii pari, unul pentru cei impari
(compute varibale)
Analyze
Scale
Reliability Analyze
o Se selectează scorurile
o La Model alegem split-half
o Statistics - debifam Scale if item deleted.
Continue
Ok
Se analizează coeficientul Spearman-Brown: trebuie să fie peste .70
Exemplu de interpretare: coeficientul Spearman-Brown (equal daca am numar egal de itemi, unequal dacă am
număr inegal) = .921 > .70 – cele două părți măsoară același lucru în mod consistent
II. Validitatea
a. Validitatea convengertă (același construct măsurat prin altceva – o scală din literatura de
specialitate – de exemplu scala stimei de sine și „Self Esteem Scale”)
1. Recodarea itemilor retroverși
Transform
Recode into same variable
o Se selectează variabilele în cauză
Old and new values
o Values: 1=5, 2=4, 3=3, 4=2, 5=1
Continue
Ok
2. Se calculează scorul
Transform
Compute variable
o La Target value punem numele fără spații (ex: scor_extraversiune)
o Se adaugă variabilele cu + intre ele (ex: ex1+ex2+ex3)
3. Se corelează scorul obținut, cu scorul unui alt test din literatură
Analyze
Correlate
Bivariate
o Se selectează variabilele
Ok
Exemplu de interpretare: corelație puternică (.96) între cele două scale = cele două scale măsoară același lucru.
b. Validitatea divergentă (două constructe diferite – ex: starea de deschidere cu scală de
conștiinciozitate). Dacă nu se asociază două scale diferite înseamnă că scala măsurată principale
e validă întrucât măsoară ce trebuie să se măsoare.
Exemplu de interpretare: corelație scăzută (.12) între cele două scale = cele două scale măsoară lucruri diferite,
având validitate divergentă, însă există o corelație foarte slabă (.01) adică nu există o suprapunere între
concepte.
c. Validitate predictivă – corelație între două teste ce se dau cu o perioadă de timp între ele –
Exemplu de interpretare: legăm scala cu o variabilă ireductibilă (ex: conștiinciozitate (predictor) cu
punctualitate (criteriu), stima de sine (predictor) cu anxietatea (criteriu)
-.67 = corelație negativă și semnificativă = cele două variabile cresc invers proporțional (crește stima de sine,
scad problemele de anxietate) – am măsurat stima de sine deoarece ne așteptăm ca acest lucru să se întâmple –
stima de sine să producă anxietatea scăzută.
Important e să fie corelația semnificativă.
d. Validitate concurentă – dacă e negativă, e bună – măsurarea scalei cu mediile de final de an
Diferența dintre cele două scale este momentul măsurării
III. Etalonarea
1. Se studiază tipul de distribuție
Analyze
Descriptive statistics
Frequencies
o Se trece în dreapta variabila urmărită
o Statistics – mean, minimum, maximum, Skewness, Kurtosis – pentru ca o scală să fie
simetrică, cele două scoruri – Skewness si Kurtosis – trebuie să fie în intervalul [-.80, .80].
o Charts – histograms (show normal curve on histogram)
Continue
Ok
a. Dacă este distribuție simetrică
Analyze
Descriptive statistics
Descriptives
o Se selectează variabila urmărită
o Se bifează save standard values as variables
o (Variable view – decimals – 2)
Scorurile obținute (coeficientul z) se interpretează pe Curba lui Gauss/axa:
z∗10+m
X= a
20 30 40 50 60 70 80
În cazul coeficientului de inteligență, media = 100 iar abaterea standard = 15
Exemplu de interpretare: skewness și kurtosis = .48 și -.76 = distribuție normală – folosesc scoruri z. Pentru a
interpreta cotele individuale ne raportăm la distrbiuție, care are întotdeauna media 0 și abaterea 1.
!! 68% se încadrează între -1 și 1 deci încadrăm scorurile pe distrubuție pentru a le putea compara:
11 = 1.28
33 = -.86
Nu este o diferență mare – 11 = puțin peste medie dpdv al stimei de sine, în timp ce celălalt are un scor
mediu spre scăzut.
b. Dacă este distribuție asimetrică
Pentru a putea etalona un scor, putem folosi fie percentile, pentru o explicație mai complexă, fie clasele, pentru
o explicație mai precisă.
1. Clasele
Analyze
Descriptive statistics
Frequencies
o Trecem in dreapta variabila urmărită
o Statistics – cut points for (recomandat 5) equal groups
Continue
Ok
Vor apărea în primul tabel 4 puncte – 20, 40, 60, 80 – ale căror valori le trecem pe o axa de intervale după cum
urmează, împreună cu minimum și maximum pentru a putea identifica în ce categorie se încadrează scorul
urmărit.
minimum --- 20 20 --- 40 40 --- 60 60 --- 80 80 --- maximum
Astfel avem 5 clase în care putem identifica fiecare scor.
2. Percentilele
Analyze
Descriptive statistics
Explore
o Trecem în dreapta sus variabila urmărită – în căsuța dependent list
o Descriptives – percentils
o Display – statistics
Continue
Ok
Ultimul tabel este cel care ne interesează, în care găsim percentilele și scorurile.
Exemplu de interpretare: 75% din toată distribuția > 62, deci pentru a-i include pe cei 25% cei mai agresivi îi
luăm pe toți cu scor mai mare de 62.