Explicati si exemplificati patru tipuri de teste parametrice si neparametrice

pentru minim doua esantioane dependente.

Testul T pentru doua esantioane perechi (parametric)

Pentru a calcula marimea efectului si puterea statistica in urma aplicarii testului t

pentru doua esantioane perechi, avem nevoie de urmatoarele informatii:

 media variabilei dependente pentru fiecare dintre masuratorile efectuate;

 abaterea standard a variabilei dependente, atat pentru pre-test, cat si
pentru post-test;
 numarul de perechi formate (numarul de subiecti);
 coeficientul de corelatie dintre scorurile participantilor la pretest si
scorurile subiectilor la post-test;
 indicatorii testului statistic (valoarea testului t, numarul gradelor de
libertate, pragul de semnificatie).

Start – Incepere aplicatie – Teste t – Testul t pentru esantioane perechi.

Pentru a exemplifica direct modul de utilizare a PowerStaTim 1.0 pentru

testul t pentru doua esantioane perechi, vom apela la urmatorul exemplu:

Un student din anul III este interesat sa stabileasca daca anul I la

Psihologie este mai dificil decat anul al II-lea, din perspectiva rezultatelor
scolare. Pentru aceasta el selecteaza la intamplare un grup de 28 de colegi,
de la care obtine media generala din primii doi ani, anticipand ca subiectii
selectati vor avea rezultate mai mari in anul II decat in anul I.

Coeficientul de corelaţie liniară (Pearson)  (parametric)

Testul t pentru eşantioane dependente se aplică în situaţia în care avem o

           
variabilă dependentă măsurată în două situaţii diferite. În practica cercetării,
însă, există şi situaţia în care avem două variabile dependente, măsurate
pentru aceiaşi subiecţi. Cu alte cuvinte, avem două măsurări pentru aceiaşi
subiecţi, dar efectuate cu instrumente diferite.  Acest gen de situaţie este
întâlnit în cercetări a căror problemă se exprimă în maniera: „există o legătură
între numărul atitudini pozitive pe care le manifestă oamenii şi numărul
atitudinilor pozitive pe care le primesc din partea celor din jur?”. Sau: „există o
legătură între timpul de reacţie şi nivelul extraversiunii ca trăsătură de
personalitate?”. În aceste cazuri avem două variabile dependente cu valori
perechi pentru fiecare subiect şi nici o variabilă independentă.
 Pentru situaţii de acest gen, problema care se pune este existenţa unei
relaţii variaţia reciprocă a acelor două variabile. Testul statistic utilizat este
testul de corelaţie (coeficientul de corelaţie). Termenul de corelaţie, înainte de
a fi un concept statistic este un cuvânt uzual în limbajul cotidian. În esenţă, el
exprimă o legătură între anumite aspecte ale realităţii aşa cum este ea
reflectată în plan observaţiei directe. (O parcare plină cu maşini ne sugerează
că magazinul alăturat este plin cu cumpărători, între numărul de maşini din
parcare şi numărul de cumpărători existând o anumită „corelare”).
La nivel statistic, corelaţia exprimă o legătură cantitativă sistematică între
valorile a două variabile perechi, măsurate pe subiecţi aparţinând aceluiaşi
eşantion de cercetare.
             Să presupunem că un grup de studenţi au efectuat un test de inteligenţă
bazat pe raţionament abstract/figurativ şi unul altul, bazat pe raţionament
verbal/logic. Dacă pe măsură ce performanţa la unul dintre teste creşte
concomitent cu performanţa la celălalt test, avem ceea ce se numeşte o
corelaţie pozitivă. Dacă, dimpotrivă, creşterea performanţei la un test este
asociată cu scăderea performanţei la celalalt test, ne aflăm în faţa unei corelaţii
negative. Este evident că există şi posibilitatea ca variaţia performanţei la unul
din teste să nu aibă nici o legătură cu variaţia performanţei la al doilea test.
Intensitatea legăturii dintre cele două valorile celor două distribuţii se
exprimă prin coeficientul de corelaţie liniară, notat cu simbolul r. Introdus de
Karl Pearson[1], el mai este cunoscut şi sub numele de coeficientul de corelaţie
Pearson, sau al „moment-produsului”, după expresia uneia din formulele de
calcul.
În exemplul de mai sus am presupus valori care se referă la două teste de
inteligenţă, măsurate, ambele, prin numărul de răspunsuri corecte. Cum am
putea corela însă, două variabile măsurate fiecare cu altă unitate de măsură, de
exemplu, timpul de reacţie în sutimi de secundă, cu extraversiunea, exprimată
prin scorul la un test?  Soluţia cea mai simplă este aceea de a transforma
ambele variabile în distribuţii standardizate z, care sunt independente de
unitatea de măsură. Pe această transformare se bazează şi formula de calcul a
coeficientului de corelaţie:

unde zx respectiv zy sunt scorurile z ale variabilelor x şi y iar N este volumul

eşantionului
Dacă presupunem că cele două variabile au valori identice, atunci zx ar fi
egali cu zy iar formula ar  deveni:

r
2
  z x

  N
 
  
În continuare, prin înlocuirea expresiei de calcul a lui z am ajunge la
formula deja cunoscută a dispersiei. Ori, ştim că dispersia unei distribuţii z este
întotdeauna egală cu +1. Am obţinut astfel valoarea maximă pe care o poate
atinge coeficientul de corelaţie în cazul unei corelaţii pozitive perfecte (r max=+1).
În cazul unei corelaţii negative perfecte, conform aceluiaşi raţionament,
obţinem valoarea minimă a coeficientului de corelaţie (rmin= –1).

Testul Wilcoxon pentru două eşantioane perechi (neparametric)

      Dacă avem subiecţi evaluaţi de două ori, pe o scală de interval, iar
variabilele nu întrunesc condiţiile pentru utilizarea testului t al diferenţelor
pentru eşantioane dependente, se poate apela la testul Wilcoxon. Acesta este
un test care, deşi se aplică pe scale de interval/raport, utilizează proceduri de
tip neparametric, apelând la diferenţele dintre valorile perechi şi la ordonarea
lor. Este, din acest punct de vedere, un test de date ordinale.
 
Exemplu
Un psiholog evaluează frecvenţa conduitelor agresive după prezentarea
unui film care are incluşi stimuli subliminali cu semnificaţie agresivă. Frecvenţa
conduitelor agresive este măsurată înainte şi după vizionarea filmului.
Rezultatele sunt sintetizate în tabelul următor.
           
Cod Modulul
„după”- Rangul Semnul
subiec „Înainte” „După” diferenţe
„înainte” diferenţei Diferenţei
t i
1 9 8 -1 1 7.5 -
2 14 17 3 3 5.5 +
3 10 17 7 7 2.0 +
4 11 12 1 1 7.5 +
5 12 15 3 3 5.5 +
6 9 13 4 4 3.5 +
7 10 14 4 4 3.5 +
8 14 2 -12 12 1.0 -
 
Coloanele tabelului prezintă etapele procedurii de calcul:
-         se calculează diferenţa dintre variabilele supuse testării
-         dacă sunt diferenţe nule, se elimină
-         se iau în considerare diferenţele în valoare absolută
-         se construiesc rangurile pentru diferenţele în valoare absolută
-         se marchează semnul diferenţelor pentru fiecare pereche de valori
Din acest punct, calcularea valorilor testului este simplă. Se calculează două
valori,  T(-) prin însumarea rangurilor diferenţelor negative şi T(+) prin
însumarea rangurilor diferenţelor pozitive. Valoarea cea mai mică dintre ele
este rezultatul testului Wilcoxon, al cărui nivel de  semnificaţie se află prin
compararea cu valorile critice dintr-o tabelă specială în funcţie de nivelul alfa
ales şi de volumul eşantionului (N). Testul se fundamentează pe ideea că atunci
când ipoteza nula este adevărată ar trebui ca suma rangurilor pentru
diferenţele pozitive să fie egală cu suma rangurilor pentru diferenţele negative.
Pe măsură ce diferenţa dintre ele este mai mare, ne îndepărtăm de condiţia
ipoteza de nul.
Decizia statistică se ia în felul următor:
o       Atunci când valoarea calculată este mai mică decât valoarea
critică tabelară, ipoteza de nul se respinge iar ipoteza cercetării se
confirmă
o       Atunci când valoarea calculată este mai mare decât valoarea
critică tabelară, ipoteza de nul se acceptă iar ipoteza cercetării nu
se confirmă.
Pentru exemplul nostru, T(+)=28.5 iar T(-)=8.5. Acesta din urmă devine
rezultatul testului. Valoarea calculată (8.5) este mai mare decât valoarea critică
(4) pentru N=8 şi alfa=0.5 bilateral. Ca urmare, suntem nevoiţi să acceptăm
ipoteza de nul, considerând neconfirmată ipoteza cercetării.
Ca şi în cazul testului Mann-Whitney, pentru eşantioane mai mari de 20
distribuţia de nul a testului Wilcoxon poate fi aproximată prin distribuţia
normală.

 
Testul semnului (neparametric)
 
            Ne amintim că unul dintre modelele uzuale de cercetare în psihologie
este cel care se bazează pe eşantioane perechi (corelate sau dependente), în
care este evaluată o anumită variabila de două ori pentru aceiaşi subiecţi (sau
perechi de subiecţi). Dacă rezultatul măsurării este exprimat pe o scală de
interval/raport, atunci diferenţa dintre cele două momente (situaţii) se verifică
cu ajutorul testului t pentru eşantioane dependente. Ce ne facem, însă, dacă nu
dispunem de posibilitatea unei măsurări la nivel cantitativ şi suntem nevoiţi să
observăm doar sensul variaţiei de la un moment la altul?
Să ne imaginăm următoarea situaţie de cercetare: Un psiholog clinician
aplică o metodă de reducere a manifestărilor de tip fobic la un grup de 8 de
subiecţi. După un număr de şedinţe el este curios sa afle dacă metoda lui este
eficientă şi îi întreabă pe cei 8 subiecţi dacă se simt mai bine decât la începutul
tratamentului. Răspunsurile arată că 6 dintre ei afirmă că se simt mai bine iar 2,
că nu simt nici o modificare (să admitem că nimeni nu răspuns că se simte mai
rău).
În acest caz ipoteza cercetării susţine că metoda are efect, ceea ce înseamnă că
procentul de ameliorare este semnificativ mai mare decât cel al absenţei
oricărui efect al terapiei. Ipoteza de nul este opusul ei, fapt care se exprimă
prin echivalenţa celor două evenimente posibile (eficienţa/ineficienţa terapiei)
şi se formalizează ca P=Q=0.5.
Testul semnului (denumit astfel pentru că ia în considerare doar sensul variaţiei
nu şi valoarea ei) este utilizabil ca substitut al testului t pentru eşantioane
dependente în cazul datelor măsurate pe  scală nominală dihotomică.