Curs Statistica Anul 2 Modul 2 Spss PDF

Marian Popa
UNIVERSITATEA DIN BUCUREŞTI
FACULTATEA DE PSIHOLOGIE ŞI DEPARTAMENTUL DE

ŞTIINŢELE EDUCAŢIEI ÎNVĂŢĂMÂNT LA DISTANŢĂ
CURSUL
STATISTICĂ PSIHOLOGICĂ ŞI PRELUCRAREA COMPUTERIZATĂ

A DATELOR
MODULUL 2
STATISTICI DESCRIPTIVE CU SPSS
TESTE STATISTICE PARAMETRICE
Titular curs:
Conf. univ. dr. Marian POPA
Email: popamarian@gmail.com
Universitatea din Bucureşti

Editura CREDIS
2009
1
Copyright © DEPARTAMENT ID 2009
Acest material este destinat uzulului studenţilor Universităţii
din Bucureşti, forma de învăţământ la distanţă.
Conţinutul cursului este proprietatea intelectuală a
autorului/autorilor; designul, machetarea şi transpunerea în
format electronic aparţin Departamentului de Învăţământ la
Distanţă al Universităţii din Bucureşti.
Universitatea din Bucureşti

Editura CREDIS
Bd. Mihail Kogălniceanu, Nr. 36-46, Corp C, Etaj I, Sector 5
Tel: (021) 315 80 95; (021) 311 09 37, 031 405 79 40, 0723 27 33 47
Fax: (021) 315 80 96
Email: credis@credis.ro
Http://www.credis.ro

Marian Popa
Cuprins

Modulul 2 ................................................................................................................................................ 3
Calcularea indicatorilor statistici descriptivi ....................................................................................... 3
Procedura Frequencies.................................................................................................................... 3
Procedura Descriptives.................................................................................................................... 5
Procedura Explore ........................................................................................................................... 7
Procedura Explore factorială ......................................................................................................... 12
Testele t ............................................................................................................................................. 15
1. Testul z (t) pentru media unui singur eşantion ......................................................................... 15
2. Testul t pentru eşantioane independente................................................................................. 17
3. Testul t pentru diferența dintre mediile a două eşantioane dependente (perechi)................. 20
Analiza de varianță unifactorială....................................................................................................... 23
(One Way ANOVA)......................................................................................................................... 23
Coeficientul de corelație liniară Pearson (r)...................................................................................... 30
Analiza de itemi ................................................................................................................................. 35
2
Marian Popa
Modulul 2
Calcularea indicatorilor statistici descriptivi
Reamintim faptul că statistica descriptivă are ca obiectiv analiza caracteristicilor variabilelor

sub aspectul tendinţei centrale, împrăştierii şi formei distribuţiei. Principalele componente ale
statisticii descriptive sunt:
• reprezentarea întregii distribuţii, pe cale:
o numerică (analiza de frecvenţe)
o grafică (bară, histogramă, box-plot, stem and leaf)
• indicatorii tendinţei centrale
o mod
o medie
o mediană
• indicatorii împrăştierii
o amplitudine
o abatere standard
• indicatorii formei distribuţiei
o indice de simetrie (skewness)
o indice de boltire (kurtosis)
SPSS oferă posibilităţi variate de reprezentare şi de calcul a acestor indicatori. În acest sens
există, pe de o parte, proceduri specializate şi, pe de altă parte, opţiuni care pot fi accesate din
interiorul altor proceduri. Fie şi acest aspect numai, ar trebui să sugereze că statistica descriptivă, în
ciuda caracterului ei „elementar”, este o componentă indispensabilă a analizei statistice.
În ceea ce priveşte procedurile specializate, ele se lansează din meniul Statistics-Summarize
(sau Analyze-Descriptive statistics, pentru versiunile mai noi de SPSS), şi sunt grupate în trei
proceduri: Frequencies, Descriptives şi Explore (vezi imaginea de mai jos).
L Aceste proceduri oferă, fiecare, atât prelucrări distincte, cât şi identice. Alegerea uneia sau
alteia dintre proceduri depinde de necesităţile de analiză sau de modul specific de afişare a
rezultatelor în Viewer.
Fişierul utilizat pentru exemplificări la acest capitol este descriptives.sav

(htpp://marianpopa.tripod.com/id2.html).
Procedura Frequencies
Aceasta este singura procedură care permite analiza de frecvenţe. La apariţia casetei
Frequencies, variabila pe care dorim să o supunem analizei se mută în lista de calcul Variable(s), prin
3
Marian Popa
selectarea ei şi acţionarea butonului de transfer (►). Pot fi incluse mai multe variabile simultan în
această listă, rezultatele fiind afişate distinct, pentru fiecare în parte.
În cazul nostru, am ales variabila cantitativă nr_cor.
Se va observa pe caseta Frequencies marcarea implicită a opţiunii pentru tabela de frecvenţe

(Display frequency tables), care este funcţia specifică a acestei proceduri. În plus, prin acţionarea
butoanelor din partea de jos a casetei, se pot seta alte analize, astfel:
Butonul Statistics Butonul Chart Butonul Format

Se aleg indicatorii statistici descriptivi Se alege tipul de grafic Se aleg diverse moduri de
doriţi dorit prezentare a rezultatelor
Rezultatele sunt afişate în SPSS Viewer în forma de mai jos
Tabelul Statistics cuprinde lista

indicatorilor statistici solicitaţi
Tabelul frecvenţelor simple prezintă lista

crescătoare a valorilor distribuţiei, frecvenţa
absolută, procentul, procentul valid (prin eliminarea valorilor lipsă şi procentul cumulat).
În mod obişnuit, tabela frecvenţelor simple se solicită pentru variabile categoriale. Atunci
când avem o variabilă cu foarte multe valori, tabela frecvenţelor simple poate fi prea lungă pentru a fi
utilă.
4
Marian Popa
Iată cum se prezintă rezultatul procedurii Frequencies pentru variabila gen:
Procedura Descriptives
Această procedură vizează doar indicatorii statistici descriptivi. La lansare - Satistics-

Descriptives - se deschide caseta principală Descriptives.
Se trec variabilele vizate în lista Variable(s)

(dacă dorim calcularea scorurilor z, se bifează Se aleg indicatorii doriţi din Options
opţiunea din stânga-jos a casetei )
Prin bifarea opţiunii Save standardized values as variables, programul va crea o variabilă
standardizată z, pe care o va pune în baza de date, la sfârşitul listei de variabile.
Rezultatul analizei, din Viewer, se prezintă astfel:
5
Marian Popa
În tabelul Descriptives Statistic găsim: N (numărul valorilor şi al valorilor valide); valoarea

minimă şi maximă a distribuţiei, media; abaterea standard şi valorile indicatorilor simetriei (skewness)
şi boltirii (kurtosis). Pentru aceştia din urmă, alături de valoarea calculată, avem şi eroarea standard,
care ne dă gradul de imprecizie (eroare) al celor doi indicatori în raport cu valorile lor reale, la nivelul
populaţiei din care se presupune a fi fost extrase datele analizate.
Aşa cum ştim, în cazul unei distribuţii normale valorile pentru skewness şi kurtosis sunt egale
cu 0. Dar, chiar şi în cazul unui eşantion aleator, extras dintr-o populaţie normală, este puţin probabil
să obţinem indici de simetrie şi boltire egali cu 0, din cauza variaţiei de eşantionare. Ca urmare, este
util să ştim dacă eşantionul valorilor analizate provine dintr-o populaţie asimetrică sau boltită
anormal. Sau, altfel spus, în cazul unui eşantion, sunt skewness şi kurtosis atât de diferite de zero încât
trebuie să respingem ipoteza că valorile eşantionului provin dintr-o distribuţie normală? Pentru a
răspunde la această întrebare poate fi utilizată eroarea standard a fiecăruia dintre cei doi indici pentru
calcularea limitelor intervalului lor de încredere. Dacă în limitele unui interval de încredere de 95% se
va afla şi valoarea zero (caracteristică unei distribuţii normale), atunci va trebui să acceptăm ipoteza că
distribuţia populaţiei are simetrie sau boltire normală.
Limitele unui interval de încredere de 95% pentru skewness se calculează la fel ca pentru
oricare indicator statistic::
95% CI =Skewness ± 1.96 * (eroarea standard a lui skewness)
Iar pentru kurtosis:
95% CI =Kurtosis ± 1.96 * (eroarea standard a lui kurtosis)
Astfel, pentru variabila nr_cor, analizată mai sus, limitele de încredere pentru skewness sunt:
95% CI=-0.724± 1.96 *0.277
De unde:
Lim. inf.=-0.905
Lim. sup.=+0.361
Deoarece în intervalul de încredere intră şi valoarea zero (caracteristică distribuţiei normale)
acceptăm că variabila nr_cor are o distribuţie simetrică.
În mod similar, limitele de încredere pentru kurtosis sunt:

95% CI=-0.134± 1.96 *0.548
De unde:
Lim. inf.=-0.134
Lim. sup.=+0.806
Concluzia este că şi intervalul de încredere pentru indicele de boltire include valoarea zero
(caracteristică unei curbe normale), fapt care permite acceptarea ipotezei că distribuţia nu prezintă o
boltire anormală.
În fine, dacă ne uităm în Data Editor, la sfârşitul coloanelor cu

variabile, găsim noua variabilă znr_cor, care conţine valorile variabilei nr_cor
transformate în scoruri z. Aducem aminte faptul că prin transformarea în z a
6
Marian Popa
valorilor unei variabile, acestea nu urmează forma curbei normale, ci exprimă doar distanţa în abateri
standard faţă de media distribuţiei.
Procedura Explore
Procedura Explore este cea mai complexă dintre toate procedurile statisticii descriptive şi se
poate utiliza atunci când se doreşte o analiză exhaustivă a variabilei (sau variabilelor). Vom utiliza
pentru exemplificare trei variabile (asim, normal şi uniform) din fişierul descriptives.sav, ale căror
distribuţii prezintă particularităţile sugerate de nume.
Caseta principală Explore
• În zona Dependent List se includ variabilele de analizat (asim, uniform, normal).

• În zona Factor List se includ eventualele variabile categoriale, în funcţie de care se doreşte
analiza variabilei analizate (vezi mai jos).
• Label cases by, permite etichetarea cazurilor la afişare (rar utilizat).
• Display, permite alegerea opţiunilor de afişare a rezultatelor numerice (Statistics), grafice
(Plots) sau ambele categorii (Both).
• Butonul Statistics deschide caseta pentru alegerea indicatorilor care vor fi calculaţi.
Opţiunea implicită o reprezintă Descriptives, care calculează toţi indicatorii statistici

descriptivi de bază.
M-estimators, calculează estimări ale valorilor tendinţei centrale la nivelul populaţiei mai
robuşti, ţinând cont de forma distribuţiei.
Percentiles, calculează percentilele 5, 10, 25, 50, 75, 90 şi 100.
• Butonul Plots, permite alegerea reprezentărilor grafice dorite: am ales reprezentarea Boxplot
şi reprezentarea Stem-and-leaf:
7
Marian Popa
Una dintre opţiunile importante ale acestei aceste este Normality plots with tests, care testează
normalitatea distribuţiei (vezi discuţia rezultatelor afişate în Viewer).
• Butonul Options, permite setarea modului de tratare a valorilor lipsă
Rezultatele analizei Explore, definită mai sus, se prezintă astfel:
Un tabel sintetic al variabilei, de unde aflăm numărul valorilor şi procentul lor, pentru cazurile
valide, pentru cele care lipsesc şi pentru total. O privire atentă pe acest tabel este necesară cu scopul de
a identifica eventuale probleme cu datele. În acest caz, toate variabilele au 75 de valori şi nu există
valori lipsă.
Tabelul Descriptives conţine toţi

indicatorii statistici descriptivi
cunoscuţi:
95% Confidence Interval for

mean ne dă limita inferioară (Lower
Bound) şi pe cea superioară (Upper
Bound) a intervalului de încredere
pentru medie, calculate pe baza erorii
standard a acesteia, afişate pe ultima
coloană.
5% Trimmed Mean, este o
medie calculată fără participarea a 5%
dintre valorilor de la extremele
distribuţiei, ceea ce are ca efect
eliminarea efectului eventualelor
valori extreme. Cu cât aceasta este
mai apropiată de media obişnuită, cu
atât se poate aprecia că distribuţia nu
are valori extreme. Pe o distribuţie
8
Marian Popa
normală, media şi 5% trim-media, sunt identice.

Se vor observa:
- distanţa relativ mare dintre medie şi mediană în cazul distribuţiei asimetrice, comparativ cu
celelalte două.
- faptul că media 5% trim a distribuţiei asimetrice se apropie mult de media aritmetică uzuală.
Tabelul percentilelor afişează valorile percentile. Percentilele de pe linia Tuckey’s Hinges sunt
valorile care intră în calcularea înălţimii casetei boxplot (abaterea interquartilă).
Tabelul Tests of Normality cuprinde rezultatele testelor de normalitate. În esenţă, acestea

testează gradul de suprapunere dintre distribuţia cumulativă a variabilei analizate şi distribuţia
cumulativă a unei variabile a cărei distribuţie urmează forma Gauss. Cele mai uzuale sunt testele
Kolmogorov-Smirnov (numit şi statistica D) şi Shapiro-Wilk (numit şi statistica W). Desigur, dintre
ele se va lua în considerare numai unul singur. Tendinţa actuală este de a se da un credit mai mare
testului Shapiro-Wilk, deoarece se apreciază că dispune de o putere mai mare de a surprinde
normalitatea unei distribuţii, atunci când aceasta este reală (Shapiro, Wilk, & Chen, 1968), mai ales
dacă numărul valorilor este mic. SPSS calculează testul Shapiro-Wilk numai pentru distribuţii cu mai
puţin de 50 de valori, în celelalte cazuri limitându-se doar la Kolmogorov-Smirnov.
Atât pentru testul Kolmogorv-Smirnov, cât şi pentru testul Shapiro-Wilk, contează numai
valoarea lui p (Sig.), care se interpretează invers decât interpretările cu care ne-am obişnuit pentru p,
astfel:
- Dacă p (Sig.) este mai mic sau egal cu 0.05, atunci se respinge ipoteza de normalitate a
distribuţiei (distribuţia variabilei se abate de la forma normală);
- Dacă p (Sig.) este mai mare decât 0.05, atunci se acceptă ipoteza de normalitate a distribuţiei
(distribuţia )
În cazul nostru, observăm că testul de normalitate are valori p (Sig.) mai mici de 0.05 pentru
variabilele asim şi uniform, ceea ce ne confirmă că cele două variabile nu prezintă o formă normală. În
acelaşi timp, variabilei normal îi corespunde un p=0.200 (mai mare de 0.05), ceea ce confirmă forma
normală a distribuţiei sale.
Principala problemă care se pune în legătură cu interpretarea testelor de normalitate este legată
de faptul că, pe măsură ce eşantionul este mai mic, este din ce în ce mai dificil să fie apreciată corect
normalitatea distribuţiei unei variabile. Nici chiar un test statistic nu ne poate oferi o concluzie
fundamentată, deoarece nu este suficient de sensibil pentru a distinge între o distribuţie normală şi una
ne-normală. Pentru mai puţin de 5 valori, SPSS nici nu mai calculează testul de normalitate, chiar dacă
este cerut. Pentru a avea suficientă încredere în rezultatul testelor de normalitate distribuţia trebuie să
9
Marian Popa
aibă cel puţin câteva zeci de valori. Rezultă că interpretarea rezultatului la testele de normalitate
depinde simultan de valoarea lui p şi de mărimea eşantionului. În mod obişnuit, această interpretare se
face dup următoarea grilă:
Valoarea p
a testului de Mărimea eşantionului Interpretare
normalitate
≤ 0.05 oricare Forma distribuţiei nu este normală.
mare
>0.05 Distribuţia are o formă normală.
(cel puţin câteva zeci)
Deşi testul confirmă forma normală a distribuţiei, o
mică
>0.05 astfel de concluzie este riscantă, dată fiind capacitatea
(sub câteva zeci)
reală testului de a surprinde acest lucru.
Utilitatea testului de normalitate a distribuţiei se raportează la decizia de a utiliza teste

parametrice în cazul variabilelor cantitative, care, după cum ştim, sunt supuse acestei condiţii. Atât
testul K-S cât şi Shapiro-Wilk sunt sensibile atât la asimetrie cât şi la boltire. În general, testele
statistice bazate pe scale de interval (raport) sunt mai „robuste” (mai sigure) dacă distribuţiile sunt
simetrice, dar existenţa unei boltiri nu reprezintă o problemă. Ca urmare, atunci când utilizăm testul t
sau analiza de varianţă, existenţa boltirii este mai puţin preocupantă decât aceea a asimetriei. Din acest
motiv, dacă testul de normalitate este semnificativ este recomandabil să verificăm dacă acest lucru se
datorează asimetriei, boltirii sau ambelor.
Reprezentările Stem-and-leaf
Pentru distribuţia asimetrică
Să observăm că sunt menţionate şi

valori extreme, cele mai mari sau egale cu
145.
Pentru distribuţia uniformă
10
Marian Popa
Pentru distribuţia normală
Reprezentările boxplot
Redăm mai întâi schema constructivă a unei reprezentări boxplot:
Pentru variabilele analizate, imaginile boxplot se prezintă astfel:

160 14 30
38
140 12
20
10
120
10
8
100
6 0
80
4
-10
60
2
-20
40
0
20 -2 -30
N= 75 N= 75
N= 75
Asimetrica Uniforma Normala
Aşa cum ştim, caseta din mijlocul reprezentării boxplot include 50% dintre valorile
distribuţiei, liniile verticale fiind trasate la o lungime de 1.5xH, unde H este distanţa dintre limitele
casetei (abaterea interquartilă, Q3-Q1). Punctele marcate în dincolo de limitele orizontale ale
reprezentării marchează valorile marginale ale distribuţiei (O=Outliers) şi valorile extreme (E). În
cazul variabilei asim observăm gruparea valorilor spre partea inferioară a distribuţiei, cu o linie
superioară mai lungă decât cea inferioară, şi cu o valoare excesivă mult deasupra „mustăţii”
superioare. Variabila uniform prezintă o casetă centrală extinsă şi linii verticale relativ apropiate ca
lungime, dar scurte, comparativ cu înălţimea casetei. În fine, variabila normal prezintă o formă
simetrică, cu o casetă centrală de dimensiuni moderate şi cu linii verticale sensibil egale.
11
Marian Popa
Histogramele
Histogram
30
Histogram Histogram
10 10
8 8
20
6 6
10 4 4
Frequency
Frequency
Frequency
Std. Dev = 21,67 Std. Dev = 3,80
2 2 Std. Dev = 11,67
Mean = 70,5 Mean = 6,9 Mean = 1,4
0 N = 75,00 N = 75,00
Histogramele reprezintă într-o
0,0 manieră diferită
10,0 12,0 ceea ce reprezintă şi graficele boxplot de mai
0 N = 75,00 0
40
50
60 0
70
80
90
10
1 1 ,0
1 2 ,0
1 3 ,0
1 4 ,0
1 5 ,0
2,0 4,0 6,0 8,0

,0
,
,0
,0
,0
,0
0
0
0
0
0
0,
-2
-1 5
-1 5
-7 5
-2
2,
7,
12
17
22
27
sus. Asimetrica
Recomandăm analiza comparativă a histogramei şi boxplot-ului fiecărei variabile.
0
5
5
2,
7,
2,
,5
,5
1,0 3,0 5,0 7,0 9,0 11,0
,5
,5
,5
,5
Uniforma Normala
Toate cele trei tipuri de reprezentări grafice (stem-and-leaf, boxplot şi histogramă) pot fi utile
în analiza distribuţiilor, dar se va evita introducerea lor simultană într-un document de cercetare. De
asemenea, este de evitat introducerea acestor reprezentări pentru variabile singulare (descrise în mod
suficient cu valorile numerice ale indicatorilor statistici). De regulă, graficele de acest gen sunt
introduse în lucrări pentru a prezenta imagini comparative ale variabilelor.
Graficele Normal Q-Q Plot
Graficul Normal plot compară scorul brut (pe axa Ox) cu scorul z aşteptat al unei distribuţii
care ar avea o formă normală (pe axa Oy). Scorul z aşteptat se găseşte prin convertirea rangului
percentil al fiecărui scor în scor z, utilizând tabelul probabilităţilor de sub cuba normală. Acesta
reprezintă o expresie grafică a normalităţii. Dacă valorile variabilei se distribuie normal, atunci
graficul scorurilor brute şi aşteptate va urma o linie dreaptă pe diagonala axelor de coordonate. Dacă
scorurile nu se distribuie normal, linia celor două scoruri deviază de la modelul rectiliniu. Privind
graficele celor trei tipuri de distribuţii, observăm că liniile punctate ale variabilelor asim şi uniform se
abat de la linia dreaptă, în timp ce pentru variabila normal linia punctată aproape se suprapune peste
linia teoretică. Graficele Normal Q-Q Plot nu fac decât să ilustreze grafic rezultatele testelor de
normalitate.
Normal Q-Q Plot of Asimetrica Normal Q-Q Plot of Uniforma Normal Q-Q Plot of Normala
3 3 3
2 2 2
1 1 1
0 0
Expected Normal
0
Expected Normal
Expected Normal
-1 -1
-1
-2 -2
-2
-3 -3
20 40 60 80 100 120 140 160 -3 -30 -20 -10 0 10 20 30
-10 0 10 20
Observed Value Observed Value
Observed Value
Procedura Explore factorială
Aşa cum am spus, în caseta

principală Explore, în zona Factor List, se
poate introduce o variabilă categorială,
rezultatul fiind acela că variabila (sau
variabilele) din zona Dependent List vor fi
12
Marian Popa
analizate separat pentru fiecare dintre categoriile variabilei Factor. Vom ilustra această opţiune pentru
variabila nr_cor, în funcţie de valorile variabilei cond_prez.
În imaginea
alăturată se poate vedea
conţinutul tabelului
Descriptives din Viewer
pentru această
configuraţie de analiză.
Iar mai jos, reprezentările comparative boxplot, care fac mai expresive raporturile dintre
distribuţiile analizate, prin raportarea simultană la acelaşi cadru de referinţă.
Utilizarea opţiunii factoriale din procedura Explore este foarte utilă atunci când suntem
interesaţi să analizăm descriptiv caracteristicile unei variabile cantitative în raport de categoriile
definite prin valorile unei variabile categoriale.
13
Marian Popa
Valorile marginale (Outliers)
Tabelul Extreme Values listează câte cinci valori de la marginea distribuţiei, fără ca acestea să
fie în mod necesar valori care întrunesc condiţiile definite în contextul procedurii boxplot pentru
valorile marginale sau extreme. Ca urmare, aceste valori vor fi analizate pentru a constata în ce măsură
se abat grav de la tendinţa centrală a distribuţiei.
14
Marian Popa
Testele t
Testul t este în esenţă o procedură de testare a semnificaţiei diferenţei dintre două medii. Ca
urmare, el este potrivit atunci când variabila dependentă este măsurată pe scală cantitativă (interval-
raport). Distribuţia teoretică de referinţă (distribuţia de nul) este cea normală, pentru eşantioane mai
mari de 30 de subiecţi, şi distribuţia t (Student), pentru eşantioane mai mici de 30 de subiecţi. Chiar
dacă formulele de calcul sunt diferite, forma de prezentare a rezultatelor şi raţionamentul decizional
sunt similare pentru ambele situaţii.
Tipuri de teste t
1. Testul t pentru un eşantion.
2. Testul t pentru eşantioane independente
3. Testul t pentru eşantioane dependente
Condiţii de aplicare
Condiţia teoretică de bază pentru testele t este normalitatea distribuţiei de eşantionare.

Rezultatul testului devine nesigur dacă distribuţia variabilei se abate de la forma normală, mai ales
dacă volumul eşantionului este mai mic de 40 de subiecţi (Gardner, 1975, Moore, 1995). În temeiul
teoremei limitei centrale, cu cât volumul eşantionului este mai mare, cu atât normalitatea distribuţiei
de eşantionare este mai sigură, iar impactul unei eventuale anormalităţi a distribuţiei asupra testului t,
mai mic.
1. Testul z (t) pentru media unui singur eşantion
Utilizare
Testul z pentru un singur eşantion este utilizat pentru se testa diferenţa dintre media unui
eşantion faţă de media cunoscută a populaţiei din care face parte (de exemplu, în ce măsură diferă
înălţimea femeilor diagnosticate cu depresie cronică de înălţimea femeilor în general?). De asemenea,
acest test poate fi utilizat pentru a testa diferenţa unei medii faţă de o constantă oarecare, care prezintă
interes pentru cercetător (de exemplu, media QI=117 a unui eşantion de candidaţi respinşi, diferă
semnificativ de media QI=125 a candidaţilor admişi la un examen de selecţie?). Utilizarea acestui test
statistic este condiţionată de cunoaşterea mediei populaţiei. Dacă populaţia are o extindere mare, acest
lucru este dificil de realizat (în afara cazurilor în care există studii speciale, cum sunt cele
antropometrice, de exemplu). Dintre variabilele psihologice ale căror medie pentru populaţie este
cunoscută, este inteligenţa, exprimată în unităţi QI (μ=100). Testul poate fi utilizat, însă, şi atunci când
populaţia are o extindere mai redusă. De exemplu, dacă a fost evaluat nivelul de satisfacţie într-o
organizaţie, se poate testa diferenţa dintre nivelul de satisfacţie la nivelul unei secţii faţă de media
satisfacţiei la nivelul întregii organizaţii (populaţie). De asemenea, acest test poate fi utilizat pentru a
testa semnificaţia diferenţei dintre media eşantionului şi orice altă valoare care prezintă interes pentru
cercetător.
Aranjarea datelor
Datele supuse testării trebuie să fie incluse într-o variabilă SPSS de tip numeric (vezi imaginea
de mai jos). În exemplul următor vom testa semnificaţia diferenţei dintre media unui eşantion de cinci
valori QI în raport cu media populaţiei (QI=100)1
1
Exemplul are un caracter didactic, motiv pentru care nu ne interesăm de normalitatea distribuţiei.
15
Marian Popa
Procedura: Statistics-Compare Means-One Sample T Test
Caseta principală Caseta Options permite alegerea

Variabila testată este trecută în lista Test pragului de semnificaţie.
Variable(s) Confidence Interval 95% este
Variabila testată
În zona Test Value se înscrie media echivalent cu p=0.05 şi este
populaţiei, sau altă valoare de referinţă valoarea implicită pentru toate
(100 în cazul nostru) testele statistice
Rezultate
Imaginea de mai jos prezintă cele două tabele din Viewer cu rezultatele procedurii:
• Primul tabel include statistica descriptivă a variabilei testate (N, media, ab.std, eroarea
standard a mediei).
• Al doilea tabel include rezultatele testului statistic, pe coloane, după cum urmează:
o QI → Numele variabilei (dacă variabila este etichetată, este afişată eticheta);
o t → 6.254 Valoarea calculată a testului t. Valoarea în sine nu se interpretează în nici
un fel, iar când se raportează sunt suficiente primele două zecimale;
o df → Gradele de libertate (degrees of freedom), calculate ca N-1. Acestea trebuiesc
raportate, dar acest lucru poate fi omis dacă este menţionat volumul eşantionului,
o Sig. (2-tailed) → Probabilitatea asociată valorii calculate a lui t (simbolizată în mod
uzual cu „p”). În acest caz, p=0.003 semnifică faptul că pe distribuţia teoretică t există
o probabilitate de 0.003 (sau 3 la mie) de a se obţine din întâmplare o valoare a lui t
egală sau mai mare de 6.254. Dacă în situaţia calculării manuale comparam valoarea
calculată a lui t cu o valoare critică, corespunzătoare pragului alfa (0,05), în condiţiile
utilizării SPSS se compară direct valoarea p=0,003 cu pragul alfa=0.05 pentru a se lua
decizia statistică. Atunci când p este mai mic sau cel mult egal cu alfa, ipoteza de nul
se respinge. Este evident că raportul dintre p şi alfa trebuie să fie invers decât cel
dintre t calculat şi t critic, dacă avem în vedere că p este cu atât mai mic cu cât t este
mai mare. Dacă p este mai mare decât alfa, ipoteza de nul se acceptă. În cazul de faţă,
p(0,003)<alfa(0,05), ceea ce permite respingerea ipotezei de nul.
16
Marian Popa
o Mean difference → 22.60 este diferenţa dintre media eşantionului şi valoarea de

referinţă.
o 95% CI for the mean difference → Reprezintă limitele intervalului de încredere pentru
diferenţa dintre media eşantionului şi valoarea de referinţă. În cazul nostru ea se
situează între o limită inferioară=12.57 şi o limită superioară=32.63. Altfel spus,
există 95% şanse ca diferenţa adevărată dintre valoarea obţinută pe eşantion (estimare)
şi valoarea de referinţă (media populaţiei) să fie cuprinsă între 12.57 şi 32.63.
Concluzia testului
Media eşantionului de cercetare (m=122,6) diferă semnificativ de media populaţiei (μ=100),
(t=6.254, df=4, p=0.03).
2. Testul t pentru eşantioane independente
Utilizare
Testul t pentru eşantioane independente este utilizat pentru testarea diferenţei dintre mediile
aceleiaşi variabile măsurate pe două grupuri, formate din subiecţi diferiţi (performanţa la un test de
reprezentare spaţială diferă între bărbaţi şi femei?; nivelul de extraversie este diferit între piloţi şi
controlorii de trafic aerian?).
Atunci când grupurile comparate fac parte din acelaşi eşantion de cercetare, nefiind
selecţionate independent unul de altul, este posibil ca variabila dependentă să fie afectată de una sau
mai multe variabile mascate, fapt care poate influenţa rezultatul testului. De exemplu, atunci când
comparăm performanţa la un test de reprezentare spaţială pe un eşantion format din piloţi femei şi
bărbaţi, este posibil ca să obţinem un rezultat semnificativ dacă experienţa de zbor a unui grup este
mai mare decât a celuilalt grup (dacă acceptăm că experienţa de zbor poate avea un efect dezvoltare a
abilităţii de reprezentare în spaţiu ). Într-un astfel de caz, diferenţa de performanţă la testul de
reprezentare spaţială nu ar face decât să surprindă diferenţa de experienţă de zbor.
Exemplu:
Testarea diferenţei dintre media scorului la o scală de sociabilitate, aplicată unor copii crescuţi
în familie, pe de o parte, şi unor copii crescuţi în instituţii de ocrotire, pe de altă parte. În acest caz,
scorul la sociabilitate este variabila dependentă, măsurată pe scală cantitativă (interval/raport), iar
mediul de educare este variabila independentă, exprimată pe scală nominală dihotomică
(familie/instituţie de ocrotire)
Condiţii
Teoretic, testul t poate fi utilizat pentru eşantioane oricât de mici dacă distribuţia de
eşantionare pentru cele două grupuri este normală şi dacă varianţa valorilor în cele două grupuri nu
diferă semnificativ. În ce priveşte condiţia egalităţii varianţei, ea este testată cu un test specific. Unul
dintre acestea este testul Levene, iar în funcţie de rezultatul său programul calculează testul t pe două
căi, aşa cum vom vedea mai jos.
Dacă variabila dependentă nu întruneşte condiţiile pentru testul t, se poate apela la teste
neparametrice, astfel:
• Testul z pentru proporţii (compararea procentului de „sociabili” din cele două grupuri)
• Testul Mann-Whitney U, dacă se transformă valorile variabilei „sociabilitate” în valori de
rang
17
Marian Popa
Aranjarea datelor
Tabela de date SPSS va conţine variabila dependentă, de tip numeric, şi variabila
independentă, de tip nominal, cu două valori, în funcţie de apartenenţa la un grup sau altul. Variabila
independentă poate fi de tip „string” (codificând cele două grupuri cu valori de genul „A” şi „B”) sau
de tip numeric (cu codificarea convenţională 1 şi 2). Din principiu, însă, recomandăm cea de a doua
variantă.
Procedura: Statistics-Compare means-Indpendent Samples T Test

În caseta principală se trece variabila dependentă (soc) în lista Test Variable(s) (pot fi testate
mai multe variabile simultan), iar variabila independentă (grup), în zona Grouping Variable. În acest
moment programul ataşează variabilei dependente două semne de întrebare, sugerând introducerea
valorilor care definesc cele două grupuri. Concomitent se activează butonul Define Groups a cărui
acţionare deschide caseta secundară Define Groups, unde se introduc valorile care definesc cele două
grupuri comparate (ordinea lor nu este relevantă). După acţionarea butonului Continue, caseta
principală devine completă şi se poate acţiona OK pentru efectuarea testului.
Rezultate afişate în Viewer
18
Marian Popa
În primul tabel (Group Statistics) avem statistica descriptivă a celor două grupuri. Se va
observa că programul descrie grupurile prin intermediul etichetelor valorilor. Dacă acestea nu ar fi fost
definite, în loc de „institutie” şi „familie” ar fi apărut 1, respectiv, 2.
Al doilea tabel are două linii:

• Pe prima linie avem rezultatele testului t pentru situaţia în care varianţa celor două
grupuri comparate este egală. Egalitatea varianţelor este testată cu testul Levene. Dacă
probabilitatea asociată testului Levene este mai mare de p=0.05, atunci înseamnă că
varianţele sunt egale, iar rezultatul testului t se citeşte pe prima linie. În cazul nostru, avem
p=0.666, ceea ce înseamnă că acceptăm egalitatea varianţelor şi citim pe această linie
rezultatul: t=-2.42, df=12, p=0.045.
• Pe a doua linie avem rezultatele testului t pentru situaţia în care nu s-ar întruni condiţia
de omogenitate a varianţei celor două grupuri. Dacă semnificaţia testului Levene ar fi fost
mai mică sau egală cu 0.05, rezultatului testului t s-ar fi citit pe această linie.
Pentru exemplul nostru, rezultatul testului t permite acceptarea ipotezei cercetării, conform
căreia copiii crescuţi în mediu familial sunt mai sociabili decât cei crescuţi în mediu instituţional
(m1=22.00, m2=17.71, t=-2.42, df=12, p=0.045).
19
Marian Popa
3. Testul t pentru diferenţa dintre mediile a două eşantioane dependente

(perechi)
Utilizare
Testul t al diferenţei mediilor a două eşantioane dependente permite evaluarea semnificaţiei

variaţiei unei anumite caracteristici, la aceeaşi subiecţi, în două situaţii diferite (de exemplu, „înainte”
şi „după” acţiunea unei anumite condiţii), ori în două contexte diferite, indiferent de momentul
manifestării acestora. Avantajul major al acestui model statistic este acela că surprinde variaţia numită
„intrasubiect”, prin faptul că baza de calcul este diferenţa dintre două valori măsurate pentru fiecare
subiect în parte.
Exemplu:
Un grup de subiecţi efectuează operaţii aritmetice în condiţii de linişte şi, ulterior, în condiţii
de zgomot puternic. Ipoteza cercetării este că în condiţii de zgomot performanţa este mai redusă.
Performanţa la test, măsurată prin numărul de operaţii corecte, este variabila dependentă, măsurată pe
o scală de raport. Contextul în care se desfăşoară experimentul („linişte”-„zgomot”), reprezintă
variabila independentă, măsurată pe o scală nominală, categorială, dihotomică, ale cărei valori
convenţionale pot fi 1, respectiv 2.
Condiţii
Şi în acest caz condiţia de aplicare a testului t este normalitatea distribuţiei de diferenţe dintre
mediile unui număr infinit de eşantioane perechi („linişte”-„zgomot”). Din fericire, teorema limitei
centrale garantează normalizarea distribuţiei de eşantionare pe măsură ce volumul eşantioanelor creşte.
În situaţia în care condiţia nu se îndeplineşte, se pot utiliza teste neparametrice echivalente: testul
semnului (pentru date nominale) sau testul Wilcoxon (pentru date ordinale).
Aranjarea datelor
Vor fi create două variabile distincte, ambele cantitative, măsurate pe scală de tip I/R, care
primesc câte o valoare pentru fiecare subiect.
20
Marian Popa
Procedura: Statistics-Compare Means-Paired Sample T Test...
Se selectează cu câte un clic de mouse, pe rând, O dată constituită, perechea de variabile se trece
fiecare dintre cele două variabile. Astfel se în lista Paired Variables cu butonul de transfer
constituie perechea de variabile în zona Current (►). Pot fi create mai multe perechi de variabile
selection. şi prelucrate simultan.
Caseta Options permite alegerea pragului de semnificaţie, dacă dorim schimbarea celui
implicit (p=0.05).
Rezultate
Rezultatele sunt prezentate în trei tabele, ca în imaginea de mai jos:

În tabelul Paired Samples Statistics sunt afişate mediile celor două grupuri comparate
(Mean), numărul subiecţilor din fiecare grup (N), abaterea standard pentru fiecare grup (Std.
Deviation) şi eroarea standard a mediei fiecărui grup (Std. Error Mean).
Tabelul Paired Samples Correlations prezintă corelaţia dintre cele doua variabile:
r=0.74, p=0.013, N=10. Evaluarea corelaţiei liniare dintre cele două variabile este legitimă în acest
context de date, dar oferă o informaţie diferită de testul diferenţei dintre medii şi, în mod obişnuit, este
ignorat în acest context. Alegerea testului de corelaţie sau a testului t se decide în funcţie de obiectivul
cercetării. Dacă ne interesează măsura în care performanţă creşte (sau scade) în funcţie de condiţia de
zgomot, atunci testul t este cel potrivit.
Tabelul Paired Samples Test prezintă rezultatele testului t, astfel:

- Diferenţa dintre medii (Mean)=53
- Abaterea standard a diferenţei (Std. Deviation)=33.02
- Intervalul de încredere al diferenţie (95% Confidence Interval of the Difference):
limita inferioară (Lower)=29.38, limita superioară (Upper)=76.62. Dat fiind
numărul foarte mic al subiecţilor (N=10), este de înţeles de ce intervalul de
21
Marian Popa
încredere este atât de mare, ceea ce înseamnă că diferenţa reală, la nivelul

populaţiei, este estimată cu precizie scăzută de către cercetarea noastră.
- Valoarea calculată a testului t (t)=5.07
- Gradele de libertate (df)=9 (N-1)
- Probabilitatea p (Sig. 2-tailed)=0.001.
Concluzia cercetării şi raportarea rezultatelor
Având în vedere că p<0.05, se respinge ipoteza de nul.

Se acceptă ipoteza cercetării, conform căreia performanţă de calcul aritmetic, pe un eşantion
de 10 subiecţi, este mai mică în condiţii de zgomot (m=124) decât atunci când au fost testaţi în
condiţii de linişte (m=177), pentru t=5.07 şi p=0.001. Limitele de încredere ale diferenţei de
performanţă în cele două condiţii sunt, totuşi, destul de largi, fapt care indică o precizie redusă de
estimare, ceea ce presupune o încredere redusă că la repetarea aceleiaşi cercetări, pe un număr egal de
subiecţi, am obţine acelaşi rezultat.
22
Marian Popa
Analiza de varianţă unifactorială

(One Way ANOVA)
Utilizare
Analiza de varianţă este, în esenţă, o procedură de testare a diferenţelor dintre medii, atunci
când acestea sunt mai mult de două şi sunt calculate pe grupuri formate din subiecţi diferiţi. Dacă, de
exemplu, am evaluat nivelul de sociabilitate cu un scor numeric, pentru trei categorii de copii (crescuţi
în familie, crescuţi de bunici şi crescuţi la orfelinat), analiza de varianţă ne permite:
- să decidem dacă variaţiile mediei la scorul de sociabilitate sunt semnificative (testul F);
- să facem comparaţii multiple între media fiecărui grup de copii cu mediile celorlalte
grupuri cercetate (analiza post-hoc).
În contextul analizei de varianţă valorile variabilei dependente sunt exprimate pe scală
cantitativă (I/R), iar variabila independentă este de tip categorial. Dat fiind faptul că grupurile
comparate sunt formate din subiecţi diferiţi, modelul de cercetare acoperit de analiza de varianţă este
denumit model intersubiect (between subjects).
Dacă se utilizează ANOVA pentru a testa diferenţa dintre două medii obţinute pe grupuri
independente, rezultatul ei este echivalent cu al testului t pentru grupuri independente (dar este o
utilizare este neuzuală).
Exemplu
Pornind de o serie de observaţii din viaţa cotidiană, ne propunem să verificăm ipoteza că

nivelul de conformism variază în funcţie de vârstă, fiind mai scăzut la tineri şi mai ridicat la
persoanele mai în vârstă. În acest scop, am selecţionat un eşantion de subiecţi (N=30) format din trei
categorii de vârstă (1=sub 30 de ani; 2=31-40 ani; 3=41-50 ani), fiecare categorie fiind compusă din
10 subiecţi. Atitudinea conformistă a fost evaluată cu un chestionar specializat, iar rezultatul se
exprimă printr-un scor numeric.
Putem observa că variabila independentă (vârsta) deşi se exprimă pe o scală ordinală, (valorile
„1”, „2” şi „3” desemnează vârste ordonate crescător), este de natură categorială. Variabila dependentă
(scorul la conformism) este măsurată pe scală de raport.
Condiţii
Utilizarea procedurii ANOVA este supusă următoarelor condiţii prealabile:

1. Independenţa observaţiilor (valorilor) pentru fiecare grup comparat. Cu alte cuvinte,
valorile măsurate pe subiecţii unui grup să nu fie în nici un fel influenţate de valorile
măsurate pe celelalte grupuri. O modalitate de „influenţă” ar putea fi, de exemplu, faptul
că subiecţii sunt informaţi cu privire la ipoteza cercetării, fapt care i-ar putea stimula pe
cei mai în vârstă să intre în „competiţie” cu cei mai tineri (dacă percep „conformismul”
drept un aspect „negativ”).
2. Distribuţie normală a valorilor fiecărui grup comparat. Analiza de varianţă este robustă
dacă distribuţiile comparate sunt simetrice sau dacă asimetriile sunt în aceeaşi direcţie.
Verificarea normalităţii se face cu testele de normalitate din procedura Explore (opţiunea
Normality Plots with Tests...), ori prin calcularea limitelor de în credere pentru Skewness,
fapt care permite evaluarea normalităţii simetriei, separat de cea a boltirii. Din fericire,
testul F este considerat remarcabil de robust în cazul încălcării condiţiei de normalitate.
ANOVA este mai vulnerabilă în situaţia când distribuţia variabilei dependente este prea
aplatizată sau prea înaltă (kurtosis≠0) decât în cazul asimetriei (skewness≠0). Cu cât
volumul grupurilor supuse comparaţiei este mai mare, cu atât aspectele legate de
normalitatea distribuţiei au un efect mai mic asupra ANOVA.
3. Omogenitatea dispersiei la nivelul fiecărui grup. Împrăştierea valorilor variabilei
dependente în interiorul grupurilor definite prin valorile variabilei independente trebuie să
23
Marian Popa
fie egală. Această condiţie se numeşte omogenitatea varianţei. Încălcarea acestei condiţii
nu invalidează testul ANOVA, care este destul de robust şi în acest caz. În orice caz, se
vor analiza cu atenţie cazurile care prezintă valori extreme, care au un efect important
asupra varianţei. Egalitatea (omogenitatea varianţei) poate fi testată cu testul Levene.
Aranjarea datelor
Datele obţinute se introduc într-o tabelă SPSS aşa cum se vede în imaginea din anexă. Se
defineşte o variabilă independentă (definită ca „factor” în contextul ANOVA) care conţine codurile de
apartenenţă a cazurilor la fiecare dintre grupurile supuse analizei (în cazul nostru categoriile de vârstă:
„1”, „2”, „3”), şi o variabilă dependentă, care conţine valorile scorului la conformism.
Se va reţine faptul că procedura ANOVA nu suportă variabila independentă de tip „string”. În
imagine baza de date SPSS este ordonată crescător după variabila „virsta”, dar acest lucru nu este
necesar pentru procedura de calcul.
Pentru început verificăm respectarea condiţiei de normalitate a distribuţiilor la nivelul
fiecăruia dintre grupurile comparate. În acest scop efectuăm procedura Explore (din meniul Statistics-
Summarize), introducând variabila dependentă (conf) în zona Dependent List, iar variabila
independentă (virsta) în zona Factor List, cu bifarea opţiunii Normality plots with tests în caseta Plots.
Rezultatul apare în tabelul de mai jos. Aşa cum se observă, testul Shapiro-Wilk (recomandabil
pentru eşantioane mai mici de 40 de subiecţi) are un p (Sig.) mai mare de 0.05 pentru fiecare dintre
cele trei grupuri, ceea ce susţine concluzia de normalitate a distribuţiilor.
Omogenitatea dispersiei la nivelul celor trei grupuri comparate se ilustrează grafic prin
intermediul celor trei reprezentări box-plot.
24
Marian Popa
60
50
40
CONFORM
30
N= 10 10 10
sub30 ani 31-40 ani 41-50 ani
VIRSTA
O concluzie cu privire la omogenitatea dispersiilor se fundamentează însă pe baza unui test

statistic specializat, testul Levene, care se programează în caseta Explore: Plots (Spread vs Level with
Levene Test:).
Sunt oferite mai multe opţiuni de calcul pentru testul de omogenitate în funcţie de diferite
modalităţi de transformare preliminară a datelor.
- Opţiunea Power estimation este utilă pentru situaţia în care testul nu susţine ipoteza
omogenităţii, iar variabila independentă necesită o transformare de normalizare.2
- Opţiunea Transformed permite alegerea directă a unei modalităţi de transformare a
valorilor variabilei independente, în scopul normalizării lor.
- Ultima dintre opţiuni este „Untransformed”, pe care o considerăm o soluţie recomandabilă
în acest caz, având în vedere rezultatul testului de normalitate anterior.
Rezultatul este sintetizat în tabelul următor, care estimează omogenitatea distribuţiilor în

interiorul celor trei grupuri comparate, pe baze unor criterii variate (media, mediana, mediana ajustată,
media 5% trim). Valoarea lui p (Sig.) mai mare de 0.05 susţine concluzia că distribuţiile sunt omogene
sub aspectul dispersiei.
2
Problematica normalizării datelor nu face obiectul cursului de bază.
25
Marian Popa
Deoarece ipoteza de nul pentru testul Levene este aceea că dispersiile sunt omogene,
dispersiile vor fi considerate neomogene dacă valoarea lui p (Sig.) este mai mică sau egală cu 0.05. În
cazul nostru, valorile lui p pentru cele trei grupuri sunt mai mari decât 0.05 şi, drept urmare,
concluzionăm că dispersiile sunt omogene.
După ce am testat principalele condiţii ale analizei de varianţă, putem trece la efectuarea
testului ANOVA unifactorial.
Procedura: Statistics-Compare Means-One-Way ANOVA...
Caseta Post Hoc Multiple Comparison:

Se aleg testele de analiză post-hoc, pentru testarea
Caseta principală One-Way ANOVA:
diferenţei dintre medii, luate două câte două.
Variabila dependentă de trece în lista Dependent
Pentru că nu ştim încă dacă varianţa este
List (pot fi testate mai multe variabile simultan)
omogenă, vom bifa câte un test pentru fiecare caz
Variabila independentă se trece în zona Factor.
(Bonferoni, pentru varianţă neomogenă şi
Tamhane T2, pentru varianţă omogenă).
În caseta Options bifăm Descriptives şi, dacă nu am efectuat testul de omogenitate ca mai sus,
îl putem face aici, bifând Homogeneity-of-variance şi Means Plot.
După finalizarea setărilor se apasă OK pe caseta principală şi se analizează rezultatele.
Rezultate
Tabelul Descriptives prezintă indicatorii descriptivi ai variabilei dependente pentru grupurile

analizate.
26
Marian Popa
Tabelul Test of Homogeneity of Variance conţine rezultatul testului Levene. O valoare

nesemnificativă a acestuia (cum este cazul nostru, p=0.455), conduce la concluzia că dispersiile în
interiorul celor trei grupuri sunt omogene), ceea ce confirmă concluzia la care am ajuns prin procedura
Explore (evident, efectuarea testului de omogenitate a varianţei în acest punct nu mai este necesară,
dacă a fost făcută anterior).
Tabelul ANOVA conţine rezultatului testului F a cărui valoare este 8.201 pentru un prag
p=0.002.
Tabelul Post Hoc Tests – Multiple Comparisons prezintă comparaţiile mediilor celor trei
grupuri, luate două câte două. Mulţi autori recomandă utilizarea analizei post-hoc numai dacă se
obţine un nivel semnificativ pentru testul F, deoarece unele teste post-hoc nu anihilează într-o manieră
suficientă cumulul de eroare de tip I. Pe de altă parte, logica celor mai multe dintre testele post-hoc nu
reclamă existenţa unei semnificaţii globale a testului F drept condiţie de utilizare (testul Bonferoni este
unul dintre ele).
27
Marian Popa
Având în vedere că testul Levene a confirmat omogenitatea varianţei, se vor citi valorile pentru
testul Bonferoni (în caz contrar, s-ar fi citit cele pentru testul Tamhane). Valorile sunt uşor de analizat.
În prima coloana avem definite grupurile analizate (etichetarea valorilor variabilei independente ajută
mult la inteligibilitatea tabelului). În coloana a patra (Sig.) se află semnificaţiile pentru diferenţa dintre
medii. Astfel, putem constata faptul că nivelul de conformism al subiecţilor sub 30 de ani diferă
semnificativ de nivelul de conformism al fiecăreia din celelalte două categorii de vârstă (p=0.027
respectiv, p=0.002). În acelaşi timp, nu se contată o diferenţă semnificativă între categoria 31-40 ani şi
41-50 de ani (p=0.814).
Aceasta concluzie este ilustrată de reprezentarea grafică a mediei timpului de reacţie ale celor
trei grupuri.
50
48
46
CONFORMISM (media)
44
42
40
sub30 ani 31-40 ani 41-50 ani
VIRSTA
Aşa cum se poate observa, nivelul de conformism creşte progresiv de la o categorie de vârstă
la alta, dar mai accentuat între 21-30 ani şi 31-40 ani. Graficul singur, fără susţinerea procedurii
ANOVA, nu ar fi permis concluzionarea unei diferenţe semnificative între cele trei grupuri.
Relaţia dintre ANOVA unifactorială şi testul t
Logica testului ANOVA se potriveşte şi pentru situaţiile în care variabila independentă

prezintă două valori şi, ca urmare, această procedură se poate aplică şi în acest din urmă caz.
În practică însă, pentru testarea diferenţei dintre mediile a două grupuri independente se
utilizează testul t pentru eşantioane independente. Unul dintre motivele principale pentru care
este recomandabil să procedăm astfel este faptul că testul t este direcţional (testează diferenţa
dintre medii în ambele sensuri, peste şi sub zero), în timp ce ANOVA este nondirecţională (ne
spune numai dacă variaţia mediilor este semnificativă, indiferent de semnul diferenţei dintre
ele).
28
Marian Popa
Datele cercetării
29
Marian Popa
Coeficientul de corelaţie liniară Pearson (r)

Utilizare
Corelaţia Pearson (r) evaluează gradul de asociere dintre două variabile măsurate pe scală de
interval/raport. Aceasta se referă la intensitatea şi sensul de variaţie 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, descrescător, valorile celeilalte variabile, atunci cele două variabile
corelează între ele. Domeniul de variaţie a coeficientului de corelaţie Pearson (r) este între r=-1
(corelaţie perfectă negativă) şi r=+1 (corelaţie perfectă pozitivă). Absenţa oricărei legături (corelaţii)
dintre variabile se traduce prin r=0.
Analiza de corelaţie este o procedură care implică două măsurări pentru aceiaşi subiecţi,
situaţie care corespunde aşa numitului model de cercetare „intrasubiecţi” (within-subjects). Acelaşi
model se întâlneşte însă şi atunci când aplicăm testul t pentru eşantioane dependente, deoarece şi în
acest caz avem două măsurări pentru fiecare subiect. Să presupunem că măsurăm numărul erorilor
înainte şi după ingerarea unei anumite cantităţi de alcool. În această situaţie am putea, desigur, să
calculăm şi testul de corelaţie Pearson, dar testul t pentru eşantioane dependente ne-ar spune nu doar
dacă există o legătură între variabila dependentă (numărul erorilor) şi variabila independentă (alcoolul
„prezent”/„absent”), ci şi dacă diferenţa dintre cele două momente este una importantă sau nu. În
exemplul dat, cele două măsurări s-au efectuat cu acelaşi instrument, fapt care permite calcularea
diferenţei dintre cele două momente. Dar sunt şi alte situaţii de cercetare în care cercetătorul este
interesat să probeze existenţa unei relaţii între variabile diferite, măsurate pentru aceiaşi subiecţi (de
exemplu, între anxietate şi depresie, între timpul de reacţie şi numărul erorilor, între înălţime şi
atitudinea de agresivitate etc.). În aceste situaţii fiecare variabilă este măsurată cu instrumente diferite
şi se exprimă prin unităţi de măsură diferite. Testul de corelaţie este o metodă care permite probarea
existenţei unei asocieri între aceste de variabile, ca urmare a faptului că, principial, procedura de calcul
se bazează pe transformarea în valori z, libere de unitatea de măsură.
Testul de corelaţie implică două variabile dar, adesea, într-o cercetare psihologică numărul
variabilelor supuse corelaţiei este mai mare de două. Acest fapt conduce la ceea ce se numeşte o
matrice de corelaţii, care este un tabel ale cărui celule cuprind corelaţiile dintre perechile de variabile.
Exemplu: Într-un studiu cu privire la preferinţa pentru risc se urmăreşte evidenţierea asocierii
acesteia cu nivelul anxietăţii şi cu agresivitatea. În acest scop, toate cele trei variabile au fost măsurate
cu ajutorul unor scale special construite, iar rezultatele sunt exprimate în scoruri numerice (scală I/R).
Testul de corelaţie ne va spune în ce măsură există o relaţie (asociere) între preferinţa pentru risc, pe
de o parte, şi celelalte două caracteristici de personalitate, pe de altă parte. Deşi variabila care face
obiectul cercetării este „preferinţa pentru risc”, ea nu este considerată variabilă dependentă. În
contextul testului de corelaţie nu există variabile dependente şi independente. Rezultatul testului pune
în evidenţă asocierea dintre ele, ceea ce corespunde unei situaţii de „dependenţă reciprocă”.
Condiţii
Condiţia principală pentru calcularea coeficientului de corelaţie liniară Pearson este ca

variabilele implicate să fie măsurate pe scală de interval/raport (alături de existenţa unei forme a
distribuţiei care nu se abate sever de la curba normală).
Testele neparametrice alternative, pentru cazul în care condiţiile pentru utilizarea testului
Pearson nu se îndeplinesc, sunt: testul chi-pătrat (pentru date nominale) sau coeficienţii de corelaţie
Spearman sau Kendall (pentru date ordinale).
Aranjarea datelor
Se creează variabile distincte pentru fiecare caracteristică supusă testării.
30
Marian Popa
Procedura: Statistics-Corelate-Bivariate
Variabilele supuse corelaţiei vor fi trecute în lista Variables:
Testul implicit, din zona Correlation Coefficients, este Pearson, dar se poate bifa un altul
(Kendall sau Spearman), dacă datele sunt neparametrice (ordinale).
Tipul implicit de testare a ipotezei este bilateral (Two-tailed), dar se poate alege unilateral
(dacă există o justificare solidă).
Flag significant correlations, determină marcarea cu un asterisc a coeficienţilor semnificativi
la p=0.05, şi cu două asteriscuri a celor semnificativi la p=0.01. Acest lucru este util atunci când
matricea de corelaţie este mare, pentru a scoate în evidenţă valorile semnificative ale lui r.
Rezultate
Tabelul rezultatelor cuprinde matricea de corelaţii a variabilelor analizate. El este redundant,

deoarece prezintă aceleaşi corelaţii de două ori, odată deasupra diagonalei şi, din nou, sub diagonala
tabelului. Corelaţiile variabilelor cu ele însele sunt perfecte şi pozitive (r=1) şi nu prezintă, desigur,
nici un interes.
Fiecare celulă include următoarele informaţii:
31
Marian Popa
• valoarea lui r
• nivelul p (probabilitatea cu care valoarea calculată a lui r apare pe distribuţia de
nul)
• numărul de subiecţi (N)
În cazul nostru, consemnăm corelaţii negative dar nesemnificative între anxietate şi
agresivitate (r=-0.38, p=0.26), pe de o parte, şi între anxietate şi preferinţa pentru risc, pe de altă parte
(r=-0.40, p=0.24). În acelaşi timp, se constată o corelaţie semnificativă (r=0.96, p<0.0005) între
agresivitate şi preferinţa pentru risc. Precizăm faptul că raportarea coeficienţilor de corelaţie se face cu
două zecimale, chiar dacă programele îi calculează cu trei zecimale.
Dezavantajul acestui tip de tabel constă în faptul că avem, de fapt, o dublă prezentare a
corelaţiilor, deasupra diagonalei şi sub diagonală. Pentru corelaţii implicând multe variabile tabelul se
va citi cu relativă dificultate.
Să presupunem că suntem interesaţi doar de corelaţiile dintre anxietate şi agresivitate cu
variabila preferinţă pentru risc, nu şi de corelaţia dintre anxietate şi agresivitate. În acest caz, în caseta
principala, Bivariate Correlations, prezentată mai sus, variabilele vor fi introduse astfel încât variabila
„preferinţa pentru risc” sa fie ultima din listă. Apoi se apasă butonul Paste, al cărui efect este
deschiderea ferestrei Syntax, ca o fereastră distinctă, în care se află procedura de corelaţie. Acolo, pe
linia /VARIABLES=anx agresiv risc, se inserează cuvântul WITH între agresiv si risc, având grijă să
existe spaţiu atât în stânga cât şi în dreapta sa.
inseraţi WITH
Mai departe, se selectează întreaga procedură (cu ajutorul mouse-ului) şi se apasă pe butonul
Run (►) de pe bara de comenzi a ferestrei
Rezultatul din Viewer va arăta ca mai jos:
Este evident că această modalitate se poate aplica pentru oricât variabile, dacă avem grijă să le
aşezăm separat în listă şi să includem clauza WITH între cele două categorii de variabile. Nu pot fi
incluse mai multe clauze WITH în aceeaşi procedură.
Ulterior, putem reveni în fereastra Syntax pentru a o închide (cu File-Close), salvând sau nu
procedura astfel modificată.
32
Marian Popa
Expresia grafica a corelaţiei (Scatterplot)
Caracterul şi intensitatea corelaţiei dintre două variabile se evidenţiază extrem de sugestiv cu

ajutorul unei proceduri grafice specifice, numită scatterplot.
Aceasta se lansează din meniul principal Graphs-Scatter... care deschide următoarea casetă de
dialog:
În cazul nostru, să presupunem că dorim reprezentarea grafică a corelaţiei dintre agresivitate şi

preferinţa pentru risc, singura semnificativă. În acest scop, selectăm pe caseta Scatterplot opţiunea
Simple şi apăsăm Define.
Trecem variabila Agresivitate pe axa Y şi variabila Preferinţa pentru risc pe axa Z (se poate la
fel de bine şi invers). Se apasă OK şi se obţine graficul din imaginea următoare, care sugerează foarte
clar existenţa unei asocieri de tip liniar între cele două variabile.
Reprezentarea grafică este sursă de informaţii cu privire la natura relaţiei dintre variabile,
motiv pentru care este recomandabilă utilizarea frecventă a acesteia. Mai mult, ea este necesară în
33
Marian Popa
special atunci când valoarea corelaţiei este redusă, sau nesemnificativă, deoarece graficul poate scoate
în evidenţă o legătura de alt tip decât liniară.
L O corelaţie r=0.92, ca cea obţinută mai sus, între agresivitate şi preferinţă pentru risc, este
improbabil să se întâlnească într-un studiu real. De fapt, dacă s-ar întâmpla să apară, ar
trebui să concluzionăm mai degrabă că cele două variabile se confundă, decât că sunt
distincte. Aceasta deoarece este firesc să existe corelaţii între variabile psihologice, dar
este nefiresc ca relaţia dintre ele să fie atât de intensă, fără a ne gândi că rezultă dintr-o
eventuală eroare de definire a lor sau, eventual, dintr-o eroare de măsurare, prin utilizarea
unui instrument care nu face o distincţie reală între ele.
34
Marian Popa
Analiza de itemi
Introducere în analiza de itemi
Măsurarea caracteristicilor psihologice se bazează în mod obişnuit pe teste, care sunt formate
din mai multe întrebări sau sarcini (denumite generic „itemi”). Răspunsul subiecţilor la fiecare item
sunt punctate, după care se calculează „rezultatul” la testul respectiv, sub forma unui scor numeric. Pe
tot acest parcurs, conduita subiectului (subiectivă sau obiectivă) este fixată prin numere. Pentru ca
rezultatul final să fie unul adecvat, adică să exprime corect starea subiectului în raport cu caracteristica
psihologică măsurată, este esenţial să ne asigurăm că aceste numere au calităţi reale de măsurare. În
caz contrar, riscăm să facem evaluări lipsite de orice fundament. Analiza de itemi reprezintă o colecţie
de proceduri statistice care permit investigarea calităţilor de măsurare a testelor psihologice.
Principiile analizei de itemi se aplică atât instrumentelor care măsoară atribute ale
personalităţii, cât şi celor care vizează aspecte de performanţă (abilităţi, aptitudini). Analiza de itemi se
prezintă sub două aspecte principale:
- calitativ, analiza de itemi se referă la modul în care sunt elaboraţi itemii (întrebările sau
sarcinile de lucru) şi are în vedere aspecte de formulare lingvistică sau stilistică (de
exemplu, evitarea dublei negaţii);
- cantitativ, analiza de itemi se referă la proprietăţile statistice ale răspunsurilor la itemi.
În cazul unui chestionar psihologic sau a unui test de performanţă, este posibil ca unii dintre
itemii care le compun să nu funcţioneze aşa cum ne-am dorit: pot crea confuzii, pot fi interpretaţi
greşit, pot fi prea uşori sau prea dificili, etc. Motivele care pot genera astfel de situaţii sunt variate:
• formulare confuză (de exemplu, prin utilizarea negaţiei);
• alte informaţii care acompaniază itemul (grafice, imagini, diagrame, etc.) pot fi neclare sau
greşite;
• nu există un răspuns corect evident, situaţie în care una dintre variantele greşite (distractor)
este considerată corectă;
• există itemi care se referă la un alt conţinut (atribut) decât cel vizat de restul itemilor;
• există un efect discret de incompatibilitate al unor itemi în raport cu caracteristicile subiecţilor
investigaţi (legat de sex, grup etnic, vârstă, etc.)
Până la un punct, aceste neajunsuri pot fi, fie prevenite, fie eliminate, mai ales când sunt
evidente, prin analiza calitativă, intuitivă. Precizia operaţiei poate fi însă mult îmbunătăţită dacă se
apelează la un set de prelucrări statistice special destinate analizei de itemi. Aceste proceduri
contribuie la ameliorarea calităţilor psihometrice ale unui instrument de evaluare psihologică, prin
identificarea itemilor improprii (greşiţi sau redundanţi) care ar trebui eliminaţi sau modificaţi.. Toate
aceste proceduri sunt denumite generic „analiza de itemi”.
În funcţie de obiectivele urmărite, procedurile clasice ale analizei de itemi, care sunt cele mai
frecvent utilizate, sunt următoarele:
1. evaluarea indicelui de dificultate a itemilor;
2. evaluarea capacităţii de discriminare a itemilor.
3. evaluarea consistenţei interne a instrumentului;
Premisa fundamentală de la care porneşte analiza clasică a testelor psihologice este aceea că
scorul testului este compus dintr-o valoare „adevărată” (care exprimă corect atributul vizat) şi o
cantitate de „eroare” (care vizează ”altceva”). În cazul unui test bine făcut, „eroarea” se distribuie
normal pe ansamblul testului, nu este corelată cu scorul „adevărat” şi are media egală cu zero.
1. Evaluarea dificultăţii itemilor
Multe dintre testele dezvoltate de psihologi vizează caracteristici psihice exprimate în termeni
de performanţă, în scopul clasificării pentru selecţie sau evaluării comparative (aptitudini şi abilităţi
35
Marian Popa
diverse). În cazul acestui tip de scale, este de interes major evaluarea capacităţii de discriminare a
fiecărui item.
Unul dintre indicatorii utilizaţi în acest scop este indicele de dificultate, care semnifică
procentul de răspunsuri corecte al fiecărui item. Pentru testele de personalitate, conceptul de „corect”
sau „greşit” se înlocuieşte cu orientarea răspunsului spre semnificaţia scalei sau împotriva acesteia
(marcând prezenţa sau absenţa trăsăturii vizate). Orice item la care se obţin numai răspunsuri corecte,
sau la care nimeni nu răspunde corect, este lipsit de relevanţă deoarece nu produce nici o diferenţiere
între subiecţi. Dacă presupunem existenţa unei relaţii perfecte dintre abilitatea subiectului (cea
măsurată prin test) şi succesul la un item, atunci un indice de dificultate de 50% va diferenţia între
subiecţii care se plasează în prima jumătate a scalei şi cei care se plasează în doua jumătate a scalei de
performanţă. În acelaşi timp, dacă toţi itemii unei scale ar avea un indice de dificultate de 50%, atunci,
prin aplicarea scalei, s-ar discrimina doar două categorii de subiecţi, fapt care nu este de natură să
conducă la rezultate suficient de sensibile în evaluarea subiecţilor. În general, se consideră că o scală
este suficient de discriminativă atunci când este compusă din itemi al căror indice de dificultate este
moderat (30%-40%).
Într-un mod similar se pune problema şi în cazul întrebărilor la teste de personalitate, la care
răspunsurile sunt interpretate în funcţie de orientarea lor spre o anumită „trăsătură” psihică, sau
împotriva ei.
Atunci când itemii sunt selectaţi pe baza indicelui de dificultate, mai trebuie luaţi în
considerare doi factori suplimentari:
a. Deşi un indice mediu de dificultate de 50% este suficient pentru a maximiza varianţa totală a
scorului, această valoare trebuie să fie mai mare în cazul în care avem de a face cu
răspunsuri la un test cu alegeri multiple. Aceasta deoarece trebuie să luăm în considerare
faptul că o parte a răspunsurilor corecte pot fi ghicite, date la întâmplare.
b. Dacă dorim ca scala să fie discriminativă şi spre extremele ei, atunci vor trebui incluşi şi
itemi al căror indice de dificultate să se afle în apropierea extremelor, adică mai mici sau
mai mari de 50%.
În general, este considerat recomandabil un indice de dificultate mediu pe scală cuprins între
30%-70% (sau, exprimat sub formă zecimală, între 0.3 şi 0.7)
Modul de calcul al indicelui de dificultate
Aşa cum l-am descris mai sus, indicele de dificultate se calculează ca procent de răspunsuri
corecte pentru fiecare item. Pentru evaluarea dificultăţii itemilor cu SPSS se va utiliza procedura
Frequency din meniul Statistics. Mai jos avem imaginea analizei de frecvenţe pentru un item oarecare,
i_01, al unui test cu 22 de itemi, unde valoarea 0 înseamnă răspuns greşit iar valoarea 1, răspuns
corect3.
Indicele de dificultate se citeşte pe coloana Percent, dacă variabila nu are valori lipsă, şi pe
coloana Valid Percent, dacă există valori lipsă. În cazul nostru, indicele de dificultate al itemului 01
este de 81.8% (0.81) cazul nostru.
3
Se utilizează datele din fişierul didactic alfa_tema.sav
36
Marian Popa
2. Evaluarea capacităţii de discriminare a itemilor
Procentajul răspunsurilor corecte (indicele de dificultate) nu este o condiţie suficientă pentru a

judeca calitatea unui item. La fel de important este ca numărul răspunsurilor corecte să fie în legătură
cu nivelul abilităţii (sau trăsăturii, dacă este un test de personalitate) pe care intenţionăm să o măsurăm
cu acel instrument. Acest aspect este surprins de indicele de discriminare. Dacă cei care răspund corect
(sau în spiritul „trăsăturii”, pentru un test de personalitate), la un anumit item, au un nivel ridicat al
abilităţii (trăsăturii), în timp ce cei care răspund greşit au nivel scăzut, sau dacă ambele grupuri au
acelaşi nivel al abilităţii (trăsăturii), atunci este clar că itemul respectiv este, fie formulat greşit, fie
măsoară altceva decât se presupune că măsoară.
Un item care dispune de capacitate de discriminare are un procentaj al răspunsurilor corecte
mai mare pentru subiecţii care obţin rezultate mai mari la nivelul întregii scale (care măsoară
abilitatea), şi un procentaj mai mic pentru subiecţii care obţin o valoare mai mică pentru scala
respectivă. În absenţa unui criteriu extern de validare a răspunsului, scorul total, obţinut prin
însumarea răspunsurilor corecte, este utilizat drept criteriu de discriminare. Pentru calcularea indicelui
de discriminare se procedează în felul următor:
• se calculează scorul total;
• se formează două grupuri distincte, fiecare reprezentând un anumit procent din
subiecţii evaluaţi, aflaţi la extremele distribuţiei. Procentul selectat este arbitrar. Cu
cât este mai mic, cu atât indicele de discriminare este mai mare dar, în acelaşi timp,
mai puţin sigur. De aceea, se recomandă un selectarea unui procent cuprins între 25%
şi 33%, care reprezintă un compromis rezonabil.
• odată grupurile selecţionate, se poate calcula un indice de discriminare, simbolizat cu
"D", după următoarea formulă:
U L
D= −
nU nL
unde:
• U=numărul subiecţilor din grupul superior (Upper group) care au răspuns corect la un
item
• nU=numărul subiecţilor din grupul superior
• L=numărul subiecţilor din grupul inferior (Lower group) care au răspuns corect la un
item
• nL=numărul subiecţilor din grupul inferior
Dacă numărul subiecţilor din cele două grupuri extreme este egal, atunci D=(U-L)/n.
O valoare pozitivă va indica faptul că itemul discriminează corect, în concordanţă cu
constructul psihologic măsurat. Cu cât mai mare este diferenţa, cu atât mai mare este capacitatea
itemului de discriminare între subiecţii „buni” şi cei „slabi” sub aspectul acelui construct. Pe de altă
parte, o valoare negativă sugerează o discriminare negativă între grupurile extreme, fapt care este o
dovadă puternică a unei probleme în construcţia acelui item. Ebel (1965) sugerează eliminarea sau
revizuirea completă itemilor a căror indice de discriminare este mai mic de 0.20 şi revizuirea itemilor
al căror indice este între 0.20 şi 0.30. Un indice de discriminare bun se plasează între 0.30-0.39, iar
unul foarte bun, peste 0.40.
Deşi uşor de calculat şi utilizat, indicele D suferă de un mare neajuns: prin compararea a doar
două grupuri extreme, selectate arbitrar din ansamblul subiecţilor testaţi, o parte din informaţie este
ignorată, deoarece subiecţii care fac parte din grupul de performanţă intermediar nu sunt luaţi în
considerare. Soluţia acestei probleme ar putea fi aceea de a împărţi ansamblul valorilor scalei în mai
multe subgrupuri, în funcţie de numărul subiecţilor şi de fineţea dorită a analizei. În acest fel, indicele
de dificultate al fiecărui item ar putea fi analizat prin raportare la fiecare subgrup valoric. În mod ideal,
indicele de dificultate (procentul răspunsurilor corecte) al unui item bine „calibrat” trebuie să fie mai
37
Marian Popa
mic pentru subiecţii din grupul valoric inferior şi să crească progresiv, pe măsură ce este calculat
pentru grupurile cu performanţe mai mari la scorul global (Peladeau, 1995).
Modul de calcul al indicelui de discriminare cu SPSS
Programul SPSS nu dispune de o procedură specifică pentru analiza de discriminare a itemilor.

Cu toate acestea, dispune de suficiente posibilităţi pentru realizarea acestui tip de analiză. Vom
prezenta mai jos un exemplu pentru itemul i_01, al cărui nivel de dificultate a fost calculat anterior. În
acest scop, am procedat astfel:
a) Calculăm scorul global al scalei, compusă din 22 de itemi, din care face parte itemul i_01,
utilizând procedura Transform/Compute, aşa cum se vede mai jos:
b) Analizăm variabila "scor" astfel obţinută cu procedurile Explore şi Frequencies, din meniul
Statistics, fixând arbitrar două grupe extreme de performanţă, compuse fiecare din aproximativ 30%
dintre subiecţii examinaţi cu respectivul instrument, astfel:
• grupul inferior, valorile 7-13 (NL=7)
• grupul superior, valorile 18-22 (NU=11)
scor
Cumulative
Frequency Percent Valid Percent Percent
Valid 7,00 1 4,5 4,5 4,5
9,00 1 4,5 4,5 9,1
10,00 1 4,5 4,5 13,6
12,00 2 9,1 9,1 22,7
13,00 2 9,1 9,1 31,8
15,00 2 9,1 9,1 40,9
16,00 1 4,5 4,5 45,5
17,00 1 4,5 4,5 50,0
18,00 4 18,2 18,2 68,2
19,00 3 13,6 13,6 81,8
20,00 2 9,1 9,1 90,9
21,00 1 4,5 4,5 95,5
22,00 1 4,5 4,5 100,0
Total 22 100,0 100,0
c) Am creat o variabilă nouă, în care am definit apartenenţa subiecţilor la grupurile definite

mai sus, pe care le-am codificat astfel, cu procedura Tranform/Recode/Into Different Variables:
"1", grupul inferior
"2", grupul median
38
Marian Popa
"3", grupul superior
Şi apoi, după acţionarea butonului Old and New Values: declarăm valorile aşa cum se vede în
caseta de mai jos
În urma acestei operaţii am obţinut variabila "grup", ale cărei valori, 1,2 sau 3, marchează
apartenenţa subiecţilor la unul dintre cele trei grupe valorice.
d) Declarăm împărţirea fişierului cu date în trei categorii de subiecţi, cu procedura Data/Split

File, aşa cum se vede în imaginea de mai jos.
39
Marian Popa
Efectul acestei acţiuni este acela că, orice prelucrare vom face cu SPSS în continuare, aceasta
va fi efectuată separat pentru fiecare din cele trei categorii separate prin valorile variabilei "grup".
e) În fine, acum se poate rula procedura Frequencies din meniul Statistics, pentru variabila
i_01. Datorită efectului de împărţire a bazei de date prin comanda Split file, rezultatul va fi structurat
pentru fiecare subgrup valoric în parte, aşa cum se vede în imaginea de mai jos:
i_01
Cumulative
grup Frequency Percent Valid Percent Percent
1,00 Valid 0 3 42,9 42,9 42,9
1 4 57,1 57,1 100,0
Total 7 100,0 100,0
2,00 Valid 1 4 100,0 100,0 100,0
3,00 Valid 0 1 9,1 9,1 9,1
1 10 90,9 90,9 100,0
Total 11 100,0 100,0
Tabelul din imagine prezintă frecvenţa răspunsurilor corecte, citită pe coloana Percent (sau pe
coloana Valid Percent, dacă există valori lipsă). Aşa cum se observă, indicele de dificultate pentru
grupul valoric inferior este mai mic (57.1%) decât pentru grupul superior (90.9%).
Aplicând manual formula, obţinem indicele de discriminare căutat:
10 4
D= − = +0.33
11 7
Rezultatul arată că itemul i_01 are un indice pozitiv de discriminare de 0.33 care, în
conformitate cu criteriile lui Ebel, indică o capacitate bună de discriminare. Chiar dacă obţinem şi unii
indici de discriminare mai mici, dacă dorim să avem o scală care are putere de discriminare şi la
extremele sale, aceştia pot fi păstraţi.
Notă: Se poate observa că se poate ajunge la o valoare similară, exprimată în procente, prin
simpla diferenţă a celor doi indici de dificultate "D=90.9-57.1=33.7)
Mai departe, ar trebui efectuată procedura Frequencies pentru toţi cei 22 de itemi ai testului şi
extragerea concluziilor care se impun.
3. Consistenţa internă (Cronbach alfa)
Având un instrument psihologic format din itemi diferiţi, o problemă fundamentală care se
pune este măsura în care aceşti itemi sunt „unidimesionali”, adică măsoară aceeaşi realitate
psihologică. Numai dacă această condiţie este îndeplinită, se poate face suma lor, pentru construirea
unui scor unic (denumit în continuare „scală”). Dacă avem în vedere un chestionar de personalitate
sau o scală de atitudine de tip Lickert, atunci ne aşteptăm că acest instrument este destinat măsurării
unui anumit aspect sau atribut psihic şi, în mod ideal, numai aceluia. Cu alte cuvinte, întrebările unui
chestionar, la fel ca şi cele ale unui test de performanţă, ar trebui să fie astfel formulate încât să se
refere la o singură realitate psihică, vizată prin obiectivul instrumentului. Dacă această condiţie este
întrunită, atunci itemii ar trebui să aibă o variabilitate comună, adică o anumită relaţie unii cu alţii, pe
de o parte, dar şi o relaţie cu scorul global al scalei, pe de altă parte. Această calitate a unui test se
numeşte consistenţă internă şi este întrunită atunci când fiecare dintre itemii care îl compun este
relevant în raport cu dimensiunea psihică vizată de instrument. Corelaţia dintre un anumit item şi
40
Marian Popa
scorul global, calculat fără acel item, poate fi considerată un indicator a relaţiei mai sus amintite. O
altă faţetă a consistenţei unui instrument psihologic este fiabilitatea sa, care poate fi exprimată prin
stabilitatea scorului global atunci când acelaşi instrument, sau o formă alternativă a acestuia, este
aplicată aceloraşi subiecţi.
Fără a fi singura procedură statistică utilizabilă în astfel de situaţii, coeficientul Cronbach alfa
(ά) este de departe cel mai cunoscut dintre toate, fiind utilizat ca un indicator al preciziei de măsurare
a unui test, al consistenţei interne şi fidelităţii unui instrument psihologic. El nu este un test statistic, ci
un indice sau coeficient care măsoară caracteristica de consistenţă internă a unui instrument psihologic
compus din mai mulţi itemi, care sunt însumaţi într-un scor unic. Formula de calcul se bazează pe
media coeficienţilor de corelaţie dintre itemi şi numărul itemilor:
N ∗ rm
α=
1 + ( N − 1)* rm
unde:
N=numărul itemilor
rm=media coeficienţilor de corelaţie dintre itemi
Principalul motiv pentru care am introdus aici formula lui ά Cronbach este pentru a scoate în
evidenţă faptul că valoarea sa poate fi crescută pe două căi:
- fie prin creşterea similarităţii dintre itemi, care conduce la coeficienţi mai mari de
corelaţie interitemi;
- fie prin creşterea numărului de itemi.
Indicele Cronbach alfa este, de asemenea, un indicator al preciziei scalei şi poate fi văzut prin
prisma valorii teoretice maxime pe care o poate lua o corelaţie cu această scală. Altfel spus, corelaţia
unei variabile măsurate cu un test psihologic, cu o altă variabilă psihologică, nu va putea fi niciodată
mai mare decât consistenţa internă a fiecăreia dintre cele două variabile investigate, dată de indicele
Cronbach alfa. Din acest motiv, atunci când studiem relaţia dintre anumite variabile psihologice
trebuie să ne punem problema „preciziei” cu care acestea au fost măsurate, deoarece mărimea
corelaţiei posibile dintre ele este fixată de precizia măsurării fiecăreia.
Valoarea Cronbach alfa tinde sa fie cu atât mai mare cu cât numărul itemilor scalei este mai
mare. Ca urmare, putem fi tentaţi să utilizăm chestionare cu un număr mai mare de întrebări. Acest
lucru poate genera cel puţin două probleme pe care trebuie să le luăm în considerare:
• din motive practice, testele mai scurte sunt de dorit, date fiind reducerea costurilor de realizare
şi a duratei de aplicare;
• în cazul testelor mai lungi, pot exista întrebări care, chiar dacă au o corelaţie pozitivă cu scala,
contribuie la reducerea indicelui Cronbach alfa sau au o contribuţie minoră la consistenţa
generală a scalei.
În practică, autorul unui chestionar este interesat să reducă numărul itemilor fără a afecta
consistenţa internă a scalei. În acest scop, "valoarea lui alfa în cazul eliminării itemului" (Alpha if item
deleted) este un indicator foarte util. Eliminând succesiv itemii a căror prezenţă contribuie la reducerea
valorii Cronbach alfa, sau au o contribuţie redusă la acesta, se poate ajunge la un număr suficient de
mic de itemi în condiţiile obţinerii unei valori mai mari pentru Cronbach alfa.
Procedura de analiză a consistenţei interne are un caracter recursiv, cu evaluări succesive ale
relaţiilor dintre itemi, dintre itemi şi scorul global, şi cu operarea selecţiei itemilor în funcţie de relaţia
lor cu acesta. Criteriul de bază pentru această operaţie este valoarea indicelui Cronbach alfa, care are o
plajă de variaţie între 0 şi 1. O scală, pentru a fi considerată consistentă, trebuie să atingă o valoare a
indicelui Cronbach alfa cât mai aproape de 1, nivelul de 0.70 fiind acceptat, prin convenţie, ca prag
minim. Oricum pentru un instrument consistent valoarea lui Cronbach alfa nu poate fi mai mică de
0.60, iar o valoare cât mai mare este întotdeauna de dorit. Unii autori consideră drept acceptabilă o
valoare de 0.5 a indicelui Cronbach alfa în cazul scalelor cu un număr mic de itemi (10-15), în timp ce
pentru scalele mai mari de 50 de itemi reclamă valori ale lui Cronbach alfa de cel puţin de 0.80.
Facem precizarea că atunci când ne referim la „scorul global” al unei scale, avem în vedere
însumarea răspunsurilor fiecărui item care contribuie la construcţia acestuia. În cazul în care testul
41
Marian Popa
respectiv este compus din mai multe scale (trăsături de personalitate, de exemplu), indicele Cronbach
alfa se calculează, desigur, în mod distinct pentru fiecare scală în parte. Acesta nu se calculează însă în
situaţiile în care itemii unui instrument nu sunt utilizaţi pentru construcţia unui scor global, ci sunt
analizaţi de sine stătător (de exemplu, in cazul întrebărilor unui interviu).
Analiza de consistenţă internă cu SPSS
Procedura de analiză se lansează din meniul Statistics-Scale-Reliability Analysis..., care

deschide următoarea casetă de dialog:
Variabilele4 care conţin valorile itemilor de analizat vor fi trecute în lista Items.
Atenţie, variabilele trebuie să conţină valori care exprimă semnificaţia răspunsului în raport cu
scala globală şi nu răspunsul efectiv al subiectului. De exemplu, dacă variantele de răspuns sunt
codificate cu „1”, respectiv „2”, pot exista întrebări pentru care varianta „1” aduce un punct la scala iar
varianta „2” aduce zero puncte la scală. Într-o asemenea situaţie, pentru analiza de itemi valorile
codificate de răspuns vor fi transformate în valori corespunzătoare (0 şi 1). În acelaşi mod se va opera
şi pentru itemii care au mai multe variante de răspuns, cum este cazul scalelor de tip Lickert. Codurile
convenţionale ale variantelor de răspuns vor fi transformate în valori, în funcţie de semnificaţia
contribuţiei lor la construirea scorului global.
În lista Model se poate alege unul dintre următoarele modele de analiză:
• Alfa. Calculează Cronbach alfa care pentru date dihotomice este echivalent cu coeficientul
Kuder-Richardson 20 (KR20)
• Split-half. Pentru corelaţia dintre forme paralele, coeficientul de fidelitate Guttman,
coeficientul Spearman-Brown, coeficientul alfa pentru fiecare jumătate.
• Modele Gutman. Coeficienţii lambda, de la 1 la 6
• Modele paralele şi strict paralele. Testele pentru gradul de corespondenţă (goodness-of-
fit), varianţa comună şi alte caracteristici ale raporturilor dintre itemi.
Pentru analiza de consistenţă internă se alege modelul Alfa.
4
Se utilizează fişierul didactic saq_10_itemi.sav
42
Marian Popa
În continuare, se fac setări de analiză prin deschiderea casetei Statistics:
• În zona Descriptives se vor bifa opţiunile:

o Item (analiza fiecărui item separat);
o Scale (analiza scorului global)
o Scale if item deleted (analiza scorului fără contribuţia unui anumit item)
• În zona Inter-item se va bifa Corelations, pentru a obţine matricea de corelaţii dintre itemi.
• Summaries permite calcularea unor indicatori descriptivi pentru fiecare dintre itemii analizaţi
(media, varianţa, covarianţa, corelaţii)
În practică, bifarea opţiunilor marcate pe caseta din imaginea de mai sus oferă informaţiile
cele mai importante pentru analiza itemilor unui test. Celelalte opţiuni sunt explicitate în Help-ul
casetei şi pot fi utilizate pentru o analiză mai rafinată a datelor.
În continuare, vom analiza un set de 10 itemi ipotetici, aleşi doar în scop didactic. Pentru o
scală reală acest număr ar fi cu totul insuficient. Ca regulă generală, numărul itemilor din faza de
dezvoltare a unui astfel de instrument ar trebui să aibă cel puţin dublul numărului de itemi pe care îl
preconizăm la final. Acest lucru se impune deoarece analiza de itemi este un proces selectiv care are
drept scop alegerea itemilor adecvaţi pentru constituirea unei scale cu cel mai ridicat nivel de
consistenţă internă posibilă.
Rularea procedurii, cu setările de mai sus ne oferă mai multe categorii de informaţii:
Un tabel cu indicatori descriptivi, media şi abaterea standard a itemilor. Analiza valorilor
permite evidenţierea tendinţei centrale şi a împrăştierii răspunsurilor pentru fiecare item în parte:
43
Marian Popa
Matricea corelaţiilor dintre itemi.
Corelaţiile itemilor oferă o imagine a gradului de asociere dintre aceştia. Valorile sunt utile, pe
de o parte, pentru a sesiza itemii care tind să aibă relaţii negative cu ceilalţi, fiind un semn al unei
posibile probleme de construire respectivilor itemi. Din tabelul alăturat rezultă că itemii i_02 şi i_03
tind să se asocieze negativ cu majoritatea celorlalţi itemi. Pe de altă parte, valori extrem de ridicate ale
unor corelaţii, aproape de 1, ar putea sugera că itemii respectivi prezintă un grad de similitudine care
nu justifică utilizarea lor în aceeaşi scală (ar putea fi, de exemplu itemi formulaţi extrem de
asemănător).
Un set de indicatori statistici descriptivi la nivelul întregii scale:
În fine, cea mai importantă dintre categoriile de informaţii, tabelul relaţiilor dintre itemi şi
scorul global. Două dintre coloanele tabelului au o importanţă particulară: Corected Item-Total
Correlation (corelaţia dintre item şi scorul global) şi Alpha if Item Deleted (valoarea lui Cronbach
alfa, dacă respectivul item ar fi eliminat).
44
Marian Popa
Dacă privim coloana Corected Item-Total Correlation observăm că doi dintre itemi (i_03 şi
i_09) au corelaţii negative cu scorul global. Cu alte cuvinte, ei nu aduc informaţie utilă în raport cu
atributul măsurat ci, dimpotrivă, merg într-o altă direcţie decât acesta. În primul rând trebuie să
verificăm dacă valorile itemilor respectivi au fost corect codificate. Dacă da, atunci singura soluţie
posibilă este eliminarea itemilor în cauză. Observăm, de asemenea, că itemul i_02 are o corelaţie
extrem de mică cu scorul global (0.015). Contribuţia sa la scorul global este nerelevantă. Cu alte
cuvinte, nici nu strică, dar nici nu ajută.
Pe ultima linie a imaginii găsim valoare lui Cronbach alfa, care este 0.4576, o valoare care este
modestă în raport cu nivelul minim necesar (0.70), dar care poate fi crescută prin eliminarea itemilor
nepotriviţi, în primul rând a celor care corelează negativ cu scorul global.5
Următoarea fază este reluarea prelucrării, cu eliminarea itemilor negativi. În general, nu este
recomandabilă eliminarea mai multor itemi simultan, dar itemii negativi pot fi scoşi fără reţineri. Iată
care este rezultatul obţinut după reluarea analizei cu eliminarea itemilor 3 şi 9:
Ca urmare a noii iteraţii se observă că itemul i_02, care anterior avea o corelaţie pozitivă, dar
extrem de mică, a dobândit o corelaţie negativă cu scala. În consecinţă, va fi eliminat. În principiu,
chiar şi itemii pozitivi, care au corelaţii cu scala mai mici de 0.1, nu trebuie păstraţi, pentru simplul
motiv că nu contribuie la constructul psihologic vizat, fiind doar consumatoare de timp în aplicarea
5
Deşi programele statistice calculează Cronbach alfa cu patru zecimale, el se raportează în mod obişnuit cu două
zecimale.
45
Marian Popa
instrumentului. De altfel, se şi observă că prin eliminarea acestui singur item, valoarea lui Cronbach
alfa ar creşte la 0.75.
Se face din nou prelucrarea fără itemul i_02 şi se obţine următoarea configuraţie de rezultate:
Rezultatul arată o valoare Cronbach alfa de 0.75. În plus, dacă privim coloana Alfa if Item
Deleted, vedem că prin eliminarea oricărui item nu am obţine o valoare mai ridicată decât aceasta. În
acest moment analiza poate fi oprită, itemii selecţionaţi putând fi constituiţi într-un instrument de
măsurare psihologică.
În concluzie, cu ocazia iteraţiilor succesive se vor elimina, in ordine:

• itemii care au o corelaţie negativă cu scorul global
• itemii cu corelaţii mici, nerelevante
Cu cât avem mai mulţi itemi în această fază, cu atât avem posibilitatea să păstrăm itemi care
corelează mai intens cu scala şi, deci, să atingem un nivel mai ridicat de consistenţă internă. Este de la
sine înţeles că, în cazul în care construim un instrument ale cărui întrebări se adresează unor „scale”
diferite, consistenţa internă se va evalua separat pentru setul de întrebări corespunzător fiecărei scale.
O scală „consistentă intern” ne oferă garanţia că itemii instrumentului nostru „merg
împreună”, măsoară acelaşi „construct” psihologic. Atenţie, însă, acest lucru nu ne permite încă să
afirmăm că măsoară exact ceea ce n-am propus să măsoare. Această problemă va fi rezolvată ulterior,
prin studii de validare.
Evaluarea numărului de itemi necesari pentru o scală
În procesul de construcţie al unei scale de măsurare psihologică pot apare unele dificultăţi, pe
care statistica ne ajută să le surmontăm. De exemplu, ne putem afla în situaţia în care itemii elaboraţi
nu ating nivelul minim acceptabil de consistenţă internă şi trebuie să adăugăm noi itemi. Cât de mulţi
itemi ar trebui să mai elaborăm pentru a atinge un indice Cronbach alfa acceptabil? Numărul itemilor
necesari pentru a completa o scală care nu a atins valoarea acceptabilă a indicelui Cronbach alfa, poate
fi estimat cu ajutorul formulei Spearman-Brown:
α k * (1 − α x )
k=
α x * (1 − α k )
unde:
αx este valoarea curentă a lui Cronbach alfa
αk este nivelul dorit al lui Cronbach alfa
46
Marian Popa
k este factorul de multiplicare a scalei pentru a se obţine αk
Într-un mod similar, se poate estima valoarea lui Cronbach alfa (αk) care ar fi atinsă pornind de
la un anumit nivel calculat al acestuia αx şi un anumit factor de multiplicare al numărului de itemi (k):
k *α x
αk =
1 + (( k − 1) * α x )
Exemplu:
Avem o scală cu 20 de itemi şi αx=0.50
Câţi itemi ar trebui adăugaţi pentru a atinge un nivel α de 0.70?
α k * (1 − α x ) .70 * (1 − .50)
k= = = 2.33
α x * (1 − α k ) .50 * (1 − .70)
Deci, pentru a atinge un α de 0.70 va trebui să avem o scală de 20*2.33≈47 itemi, ceea ce
înseamnă că ne vor mai trebui 27 de itemi pe lângă cei 20 deja existenţi (estimare valabilă pentru
situaţia în care noii itemi ar avea aceeaşi corelaţie inter-itemi cu cei deja existenţi).
Pentru acelaşi caz, cu cât ar creşte α dacă am adăuga 30 de itemi:
k=(nr. itemi iniţiali+nr. itemi noi)/nr. itemi noi=(20+30)/20=2.5
k *α x 2.5 * .50
αk = = = 0.71
1 + (( k − 1) * α x ) 1 + (( 2.5 − 1) * .50)
Desigur, se presupune că noii itemi adăugaţi vor fi la fel de „buni” ca şi cei deja utilizaţi. De
aceea este posibil ca rezultatul formulei să fie o estimare uşor optimistă, dar nu mai puţin utilă.
Câteva reguli de bază pentru dezvoltarea itemilor
1. Itemii a căror corelaţie cu scala (scorul global) este negativă, sunt eliminaţi (după ce se
verifică în prealabil dacă au fost valorizaţi corect).
2. Itemii a căror corelaţie cu scala (scorul global) este mai mică de 0.15, ar trebui probabil
revizuiţi, deoarece nu sunt „încărcaţi” în suficientă măsură cu atributul vizat de test, sau de
subscala căruia îi aparţine. În orice caz, itemii cu corelaţii sub 0.1 nu sunt utilizabili. În
principiu, un test este cu atât mai bun cu cât itemii sunt mai omogeni.
3. În cazul itemilor cu variante de răspuns, variantele greşite (distractori) care nu sunt alese
de nici un subiect, ar trebui reformulate sau eliminate, deoarece nu contribuie la
discriminarea între subiecţii cu performanţă slabă şi cei cu performanţă bună. Faptul că
variantele greşite nu sunt alese cu aceeaşi frecvenţă nu reprezintă, însă, o problemă. De
asemenea, un item la care majoritatea răspunsurilor sunt greşite nu trebuie în mod necesar
eliminat, dar o analiză atentă a acestuia se impune.
4. Corectitudinea unui item la care frecvenţa de alegere a unei variante distractor este mai
mare decât a variantei corecte, trebuie analizată cu atenţie, mai ales atunci când corelaţia
cu scorul global este pozitivă.
5. Itemii la care se obţin (aproape) numai răspunsuri corecte sunt inutili şi ar trebui eliminaţi
sau înlocuiţi.
47
Marian Popa
Utilizarea analizei de itemi
Coeficientul de consistenţă internă se calculează numai pentru instrumente compuse din itemi
care sunt utilizaţi prin construirea unui scor unic. Chestionarele compuse din întrebări ale căror
răspunsuri sunt utilizate ca atare, fără însumarea lor într-un scor unic, nu reclamă analiză de
consistenţă internă.
Procedurile analizei de itemi sunt indispensabile pentru asigurarea calităţii instrumentelor de
evaluare în psihologie. Situaţiile în care este necesară utilizarea lor sunt următoarele:
• În faza de construcţie a unui test psihologic, fie de personalitate, fie de performanţă.
Analiza de itemi este, în acest caz, o condiţie obligatorie pentru acceptarea acestuia ca
instrument de măsură în psihologie.
• La adaptarea unui test psihologic, prin traducerea dintr-o limbă străină. Într-o astfel de
situaţie, chiar dacă versiunea originală beneficiază de documentaţia completă din punct de
vedere psihometric, traducerea itemilor poate aduce modificări substanţiale care să
modifice „comportamentul statistic” al acestora în noul mediu cultural.
• Atunci când se obţine un test aflat în uz, dar despre care nu există o documentaţie
adecvată sub aspectul caracteristicilor psihometrice.
• Atunci când se schimbă destinaţia (populaţia) pe care este utilizat un test, chiar dacă există
o documentaţie completă cu privire la caracteristicile psihometrice ale acestuia pentru
utilizarea anterioară.
• După trecerea unei perioade îndelungate (de ordinul anilor) de la efectuarea analizei de
itemi, pentru evaluarea diminuării potenţiale a caracteristicilor sale psihometrice. Acest
lucru se poate întâmpla, de exemplu, ca urmare a modificării lente a unor caracteristici ale
populaţiei pe care este aplicat.
Aşa cum am văzut, atunci când corelaţiile inter-itemi sunt ridicate acest lucru evidenţiază
faptul că aceştia măsoară acelaşi construct psihologic, cu alte cuvinte, au o componentă
unidimensională. O valoare scăzută a lui Cronbach alfa poate sugera însă faptul că itemii sunt
multidimensionali, adică se grupează pe două sau mai multe dimensiuni, aşa cum, de exemplu, itemii
chestionarului Cattell 16 PF se grupează pe un număr de 16 dimensiuni (factori) distincţi. În situaţii de
acest gen, coeficientul de consistenţă internă (ά), calculat pe toţi itemii chestionarului, va avea o
valoare mică, dar calculat pe grupe de itemi, va avea o valoare mare. Problema este cum identificăm
grupele de itemi atunci când nu ştim dacă aceştia sunt sau nu multidimensionali? Soluţia se află în
aplicarea unei analize factoriale6 pe valorile itemilor, care ne va spune în ce măsură aceştia tind să se
grupeze, şi care sunt itemii aferenţi fiecărui grup (dimensiune). În final, dacă se acceptă gruparea
itemilor în conformitate cu rezultatele analizei factoriale, se va calcula coeficientul Cronbach alfa
pentru fiecare grup de itemi separat.
Există şi situaţii în care analiza de itemi nu este adecvată. De exemplu, atunci când o scală
este utilizată pentru evaluarea cunoştinţelor cu privire la un anumit subiect sau temă educaţională,
pentru alte scopuri decât cele de selecţie sau discriminare, unele dintre tehnicile de analiza de itemi nu
sunt adecvate pentru selectarea itemilor. Acest lucru este adevărat deoarece ne aflăm într-o situaţie de
învăţare şi dorim să evaluăm performanţa elevilor ca urmare a unui proces de instruire, şi nu ca
trăsătură inerentă a fiecăruia. Dacă aplicăm un test înainte de parcurgerea materiei respective vom
obţine un procentaj foarte scăzut de răspunsuri corecte şi o corelaţie item-total aproape de zero, fapt
care reflectă necunoaşterea de către elevi a materiei respective (răspunsuri greşite, răspunsuri la
întâmplare, etc.). În acest caz soluţia nu constă în eliminarea sau refacerea itemilor, ci în instruirea
elevilor. Dacă aplicăm testul respectiv după parcurgerea perioadei de instruire, vom obţine procentaje
mari de răspunsuri corecte, ceea ce ar fi interpretabil drept redusă capacitate discriminativă a itemilor.
În realitate, eliminarea acestor itemi ar fi de asemenea o eroare, deoarece am elimina tocmai itemii
care pun în evidenţă succesul învăţării, ceea ce este exact obiectivul măsurării.
6
Procedură statistică de grupare a variabilelor. Prezentarea ei face obiectul cursurilor avansate de statistică.
48
Marian Popa
În astfel de situaţii, utilizarea indicelui de consistenţă internă Cronbach alfa este inadecvată.
Cu toate acestea, analiza de itemi poate fi utilizată ca modalitate de identificare a itemilor greşit
formulaţi, a celor nerelevanţi sau, pur şi simplu, pentru a scoate în evidenţă erorile tipice pe care le fac
subiecţii la anumite întrebări.
49

Curs Statistica Anul 2 Modul 2 Spss PDF

Încărcat de

Informații document

Titlu original

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

Curs Statistica Anul 2 Modul 2 Spss PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Marian Popa

UNIVERSITATEA DIN BUCUREŞTI

FACULTATEA DE PSIHOLOGIE ŞI DEPARTAMENTUL DE

STATISTICĂ PSIHOLOGICĂ ŞI PRELUCRAREA COMPUTERIZATĂ

Universitatea din Bucureşti

Universitatea din Bucureşti

Copyright © DEPARTAMENT ID 2009

Reamintim faptul că statistica descriptivă are ca obiectiv analiza caracteristicilor variabilelor

Fişierul utilizat pentru exemplificări la acest capitol este descriptives.sav

Se va observa pe caseta Frequencies marcarea implicită a opţiunii pentru tabela de frecvenţe

Butonul Statistics Butonul Chart Butonul Format

Rezultatele sunt afişate în SPSS Viewer în forma de mai jos

Tabelul Statistics cuprinde lista

Tabelul frecvenţelor simple prezintă lista

Iată cum se prezintă rezultatul procedurii Frequencies pentru variabila gen:

Această procedură vizează doar indicatorii statistici descriptivi. La lansare - Satistics-

Se trec variabilele vizate în lista Variable(s)

Rezultatul analizei, din Viewer, se prezintă astfel:

În tabelul Descriptives Statistic găsim: N (numărul valorilor şi al valorilor valide); valoarea

95% CI =Skewness ± 1.96 * (eroarea standard a lui skewness)

Iar pentru kurtosis:

95% CI =Kurtosis ± 1.96 * (eroarea standard a lui kurtosis)

În mod similar, limitele de încredere pentru kurtosis sunt:

În fine, dacă ne uităm în Data Editor, la sfârşitul coloanelor cu

• În zona Dependent List se includ variabilele de analizat (asim, uniform, normal).

Opţiunea implicită o reprezintă Descriptives, care calculează toţi indicatorii statistici

• Butonul Options, permite setarea modului de tratare a valorilor lipsă

Rezultatele analizei Explore, definită mai sus, se prezintă astfel:

Tabelul Descriptives conţine toţi

95% Confidence Interval for

normală, media şi 5% trim-media, sunt identice.

Tabelul Tests of Normality cuprinde rezultatele testelor de normalitate. În esenţă, acestea

Utilitatea testului de normalitate a distribuţiei se raportează la decizia de a utiliza teste

Pentru distribuţia asimetrică

Să observăm că sunt menţionate şi

Pentru distribuţia uniformă

Pentru distribuţia normală

Redăm mai întâi schema constructivă a unei reprezentări boxplot:

Pentru variabilele analizate, imaginile boxplot se prezintă astfel:

2,0 4,0 6,0 8,0

Graficele Normal Q-Q Plot

Procedura Explore factorială

Aşa cum am spus, în caseta

Valorile marginale (Outliers)

Condiţia teoretică de bază pentru testele t este normalitatea distribuţiei de eşantionare.

1. Testul z (t) pentru media unui singur eşantion

Procedura: Statistics-Compare Means-One Sample T Test

Caseta principală Caseta Options permite alegerea

o Mean difference → 22.60 este diferenţa dintre media eşantionului şi valoarea de

2. Testul t pentru eşantioane independente

Procedura: Statistics-Compare means-Indpendent Samples T Test

Rezultate afişate în Viewer

Al doilea tabel are două linii:

3. Testul t pentru diferenţa dintre mediile a două eşantioane dependente

Testul t al diferenţei mediilor a două eşantioane dependente permite evaluarea semnificaţiei

Procedura: Statistics-Compare Means-Paired Sample T Test...

Rezultatele sunt prezentate în trei tabele, ca în imaginea de mai jos:

Tabelul Paired Samples Test prezintă rezultatele testului t, astfel:

încredere este atât de mare, ceea ce înseamnă că diferenţa reală, la nivelul

Concluzia cercetării şi raportarea rezultatelor

Având în vedere că p<0.05, se respinge ipoteza de nul.

Analiza de varianţă unifactorială

Pornind de o serie de observaţii din viaţa cotidiană, ne propunem să verificăm ipoteza că