Curs Metode & Tehnici TOT ASE BT

Cercetare și metodologie Motto
"Nature, will best respond to a logical and carefully thought out questionnaire" (Ronald A. Fisher)
Cercetarea
1. Forme
2. Clasificări
3. Limite
Instrumente utilizate în psihologie

Metode
1. Teste și scale
Realitatea Model 1. Cantitative
2. EEG, MRI și FMRI, FNIRS
măsurabilă 2. Calitative
3. Probe diverse
3. Mixte
Cercetătorul
1. Caracteristici
2. Tipologii
3. Exemple notorii (N. Bohr, K.
Gȍdel, G. Perelman, L.
Greenberg)
1
1
Termenul de știință a fost definit și redefinit pe parcursul secolelor. Cunoașterea (ca proces), obiectul
cunoașterii (realitatea), originea lucrurilor (cauzalitatea în limbajul nostru) erau cam amestecate.
(Thales din Milet (624–546 BC), spre exemplu, considera că toate lucrurile provin din apă)
(Platon (427–347 BC), asemănător pitagoreicilor, punea la baza universului un principiul de ordin
matematic, în special geometric.)
(Aristotel (384–322 BC) nu agrea mai multe dintre ideile profesorului său, Platon. Deși la Aristotel
adevărul era etern și nemodificabil, totuși cunoașterea adevărului se realiza prin intermediul simțurilor.
Pentru Aristotel, obiectele observabile erau reale, iar ideile(denumite forme) există doar în măsura în
care se exprimă prin materie și obiecte)
Mult mai târziu,

(René Descartes 1596–1650) Propune o nouă metodă de analiză, care vede lumea ca obiecte sau seturi
de obiecte între care există interacțiuni. De asemenea, propune îndoiala provizorie (un fel de gândire
critică) ca aspect metodic, neîncrezîndu-te decât în evidențe.
2
1
Adevăruri uitate / omise
1.Astăzi, știința nu mai are ca referință strictă realitatea ontologică, ci actul măsurării acestei realități. În
psihologie, de exemplu, măsurăm inteligența însă ea nu există ontologic, este doar un construct teoretic.
2.Matematica nu este o știință tocmai din acest motiv, ea nu are ca obiect de studiu o realitate
ontologică ci raționamentele, judecata, operațiile gândirii. Matematicile pleacă de la sisteme axiomatice
și ajung la formularea unor teoreme (adică consecințe logice/algoritmice).
1+1 = 2 (în baza 3 sau mai mult)
însă
1+1 = 10 (în baza 2)
Atât 2 cât și 10 fiind două coduri ale aceleiași realități.
3.Progresul omenirii se datorează nu doar marilor personalități a căror contribuție a fost deja
recunoscută ci și contribuțiilor multor anonimi de care nu vom știi niciodată prea multe. Legea dreptului
de autor este de fapt, de la un punct încolo, o formă de exces (de abuz ,,de autor”) în raport cu
contribuțiile celor rămași anonimi.
3
1
Gândirea arhaică – a fost un tip de gândire care a generalizat și absolutizat.
exemple:
,,Ceea ce-i aici e pretutindeni, ceea ce nu-i aici nu-i nicăieri”.

(Vishva Sara Tantra)
,,Acolo unde era cuvântul totul era inteligibil, totul devenea posibil, acolo unde
era mintea nimic nu se împlinea, nimic nu era inteligibil, pentru că reflexiunea
intimă rămâne neinteligibilă”
(Satapadabrahmana)
Greek:γνῶθι σεαυτόν (gnōthi seauton)/ know thyself /cunoaște-te pe tine

însuți’’
(frontispiciul templului lui Apolo de la Delphi)
4
1
Avem nevoie de știință/științe?

Unde începe și unde se termină o abordare științifică?
Ce are specific un demers pentru a fi științific? (verificarea/falsificabilitatea/onestitatea)
Știința este un ansamblu de procedee de investigare, validare și sistematizare a realității măsurabile. Ceea ce
nu intră în orizontul măsurabil nu are caracter științific (încă).
Investigarea/ Explorarea
Anatomia și fiziologia corpului uman sunt, în mod oarecum premeditat, predispuse investigării/explorării.
Prin simțuri colectăm informații brute, le transferăm la nivel simbolic prin limbaj, operăm (căutăm relațiile
dintre simboluri și caracteristicile acestora) la acest nivel și apoi revenim prin concluziile și rezultatele
obținute la nivel sensibil, mai întâi pentru validare/confirmare, apoi pentru acțiune/adaptare.
Nevoia de rafinare a acestui proces a condus la dezvoltare de instrumente și proceduri noi de investigare/
explorare, de la construcția de aparate de măsură tot mai performante și până la diversificarea metodologică.
5
1
CERCETAREA
Privită din perspectivă istorică, cercetarea a fost și rămâne un proces:
-cumulativ
-secvențial
-adaptativ
-evolutiv
Diagrama de mai jos este edificatoare în acest sens și redă

schematic etape ale evoluției abordărilor în cercetare.
6
1
7
1
Raționalismul și empirismul au fost cele două curente antagonice care au dominat perioada antichității.
Raționalismul (Pythagoras, 570–495 BCE) a fost printre primii gânditori raționaliști care se opuneau empirismului.
Rațiunea și logica operează în absența simțurilor. Raționaliștii văd cunoașterea a priori, ajungem la cunoaștere prin
utilizarea logicii și rațiunii, independent de experiența senzorială.
Empirismul în schimb, susține că ideile sunt a posteriori, adică vin ca urmare a experienței. Cunoașterea este derivată
direct din experiență. Informația primită prin simțuri este suportul logicii și rațiunii.
Cartezianismul
(René Descartes 31 March 1596–11 February 1650) Propune o nouă metodă de analiză, care vede lumea ca obiecte sau
seturi de obiecte între care există interacțiuni. Propune îndoiala provizorie ca aspect metodic, neîncrezîndu-te decât în
evidențe.
"Cogito ergo sum" / "Je pense, donc je suis" / "I think, therefore I am"
Expresie celebră apărută în Discourse on the Method (1637) și apoi în Principles of Philosophy (1644) apărută în versiunea originală în latină.
Mai important este faptul că Descartes este primul gânditor care a susținut necesitatea dezvoltării științelor naturale.
8
1
Empirismul
John Locke (29 August 1632–28 October 1704)
Curent teoretic mai vechi, dar reluat în secolul al XVII-lea, susține că diversele forme de cunoaștere vin în
mod primar prin experiența senzorială. Accentuează rolul experienței senzoriale în cunoaștere, în elaborarea
ideilor, în experimente. Empiriștii susțin că testarea teoriilor și a ipotezelor se face în lumea observabilă, în
lumea naturală, mai degrabă decât aprioric prin rațiune, intuiție sau revelație.
Pozitivismul
Afirmă că toată cunoașterea este autentică, indiferent de formă, dacă permite verificarea și numai această
cunoaștere validată este considerată științifică. Primele manifestări ale pozitivismului sunt o consecință a
influenței iluministe.
Henri de Saint-Simon (1760–1825), Pierre-Simon Laplace (1749–1827) sau Auguste Comte (1798–1857)
susțineau că metoda științifică, interdependența dintre teorie și observație, trebuie să înlocuiască metafizica în
istoria gândirii.
Émile Durkheim (1858–1917) reformulează propunând pozitivismul sociologic în sociologie.
În psihologie mișcarea pozitivistă a dezvoltat behaviorismul (J. Watson) și operaționalismul (B. F. Skinner).
9
1
Existentialismul
(Søren Kierkegaard-5 May 1813–11 November 1855)
Considerat primul existențialist deși el nu a folosit termenul de existențialist cu privire la propria persoană.
Acesta propune un mod al fiecărui individ, de a fi responsabil de sensul propriei vieți, de autenticitatea
acesteia, fapt ce avea mai târziu să fie denumit ,,atitudine existențială”.
Existențialismul a avut un puternic impact, ulterior, mai ales în rândul psihologilor (F.Perls, V .Frankl, R.May,
O.Rank, etc.)
Curentul Fenomenologic
(Edmund Husserl,1859–1938)
Propune un nou mod de a gândi, într-o altfel de manieră, una mereu nouă, prin deschiderea față de
experiență, care este mereu alta, mereu nouă. Preocuparea majoră converge spre reflexii sistematice, spre
studierea structurilor conștiinței și a fenomenelor care sunt evidențiabile în actul conștientizării.
Acest tip de viziune se opune și se diferențiază astfel de cartezianism, fiind o reacție față de limitele acestuia.
10
1
Pozitivismul logic
La începutul secolului XX apare o mișcare descendentă din tezele lui A. Comte însă se dezvoltă independent,
coagulându-se în așa numitul neopozitivism sau pozitivismul logic. Mișcarea se reunește în Cercul de la
Viena (Rudolf Carnap, Philipp Frank, Hans Hahn, Otto Neurath, etc.) răspândindu-se apoi în Europa și mai
ales pe continentul american. În viziunea pozitivistă numai afirmațiile verificabile, logic sau empiric, pot să
fie semnificative cognitiv.
Influența Cercului de la Viena asupra filosofiei și științei secolului XX a fost imensă și a generat inclusiv
eforturi ulterioare precum cele ale lui Willard Van Orman Quine, ca răspuns la gândirea promovată de Cercul
de la Viena. Herbert Feigl și Kurt Gödel au fost doi eminenți reprezentanți și în același timp și absolvenți ai
Universității din Viena, din acele vremuri.
Postpozitivismul (postempirism)
Critici ale abordării pozitiviste au fost aduse de Karl Popper, Willard Van Orman Quine și Thomas Kuhn,
Paul Feyeraband, personalități care au influențat și condus spre dezvoltarea ulterioară a postpositivismului.
Postpozitiviștii afirmă că realitatea poate fi cunoscută doar parțial, imperfect și probabilistic, mai mult
decât atât, cunoștințele deja existente, teoriile, valorile cercetătorilor pot influența realitatea observată. Iar
metodologiile, oricât de rafinate ar fi, nu sunt niciodată universale.
11
1
În psihologie cercetarea experimentală este legată de numele Wilhelm Maximilian Wundt (16 August 1832 –
31 August 1920) -1879 prin intermediul primul laborator de cercetări psihologice de la University of Leipzig.
Dealtfel, apariția psihologie ca știință independentă începe cu acest tip de paradigme împrumutate de
curentele și viziunile acelor vremuri.
În aceleași paradigme, în special pozitiviste, au apărut teorii și curente în psihologie, precum behaviorismul,
operaționalismul, gestaltismul. (John B. Watson, B.F. Skinner, Wolfgang Köhler, Max Wertheimer, Kurt
Koffka)
Evoluția psihologiei și metodologiei asociate a fost astfel din plin alimentată de evoluția cercetării științifice
din acele vremuri.
Reprezentanți ai cercetării în psihologie din România

- Cercetarea experimentală, C. R. Motru, Gh. Zapan, Florian Ştefănescu-Goangă
- Cercetarea fundamentală (proceduri statistice), Gh. Zapan
- Cercetarea aplicată, P. Pufan,
12
1
Validarea/Confirmarea
Confirmarea sau validarea este o etapă importantă în cunoaștere în general și mai cu seamă în cercetarea
științifică. De la simpla verificare vizuală a omului arhaic aflat între coordonatele unei existențe dominată de
senzorialitate și până la verificare și testarea statistică, probabilistică, întâlnim același demers, dar făcut în
maniere diferite, cu posibilități diferite și, evident, cu consecințe diferite.
Sistematizarea/Formalizarea
Este un proces prin care reducem tendințele interpretative, pentru conectarea rezultatelor și consecințelor
într-o formă simplificată și coerentă. De multe ori acest proces este finalizat cu elaborarea unui model teoretic
sau a unei teorii.
13
1
Personalități care au încercat să caracterizeze actul științific și progresul acestuia:
Karl Raimund Popper, (Conjectures and Refutations: The Growth of Scientific Knowledge,
1963, falsificaționismul)
Thomas Samuel Kuhn, (The Structure of Scientific Revolutions), 1962, schimbarea de

paradigmă, revoluția științifică, evoluția științifică proces nu este un proces liniar așa cum îl
vedea Popper ci unul în salturi)
Paul Feyerabend (Against Method, 1975, - anarhism epistemologic – respinge ideea unei
metodologii universale și utilizarea dogmatică a unor reguli și introduce conceptul de
pluralism metodologic. O nouă teorie se impune nu ca urmare a metodei științifice utilizate
sau a consistenței acesteia, ci ca urmare a numărului de suporteri/adepți și retoricii acestora)
14
1
În “The Logic of Scientific Discovery” (1934), Popper, realizează o delimitare între științific și neștiințific
(sau pseudo-științific). Criteriul central este cel conform căruia știința trebuie să formuleze ipoteze
contestabile sau în terminologia sa, falsificabile.
Fizica newtoniană este un foarte bun exemplu. O minge aruncată în sus va reveni pe pământ. Totuși dacă este
aruncată sub un unghi și cu o viteză suficientă poate să depășească atmosfera și să urmeze o traiectorie prin
care nu mai revine pe pământ. De asemenea traiectoria luminii este considerată o linie dreaptă. Cu ocazia
eclipselor de soare se poate observa o deplasare spectrală spre roșu ceea ce corespunde pierderii de energie,
adică unda luminoasă se curbează. [….] Barker, C., Pistrang, N. & Elliot, R. (2002) p16
Pentru Popper o știința bună se bazează pe o serie de conjecturi, care în ultimă instanță sunt falsificabile
Conjectures and Refutations (1963). O bună teorie este una care poate produce un număr larg de propoziții
falsificabile. O teorie slabă, sau neștiințifică este una incapabilă de falsificație. Toate teoriile sunt tentative
de explicare a realității.
15
1
O perspectivă interesantă asupra evoluției metaforelor gândirii este prezentată în cartea lui George Zarkadakis,
In Our Own Image (2015), expert în inteligentă artificială, descriind 6 metafore utilizate, în explicarea
inteligentei umane, în ultimii 2000 de ani.
Prima metaforă este cea a insuflării spiritului în corp de catre o divinitate inteligentă. A doua este a circulației
fluidelor în corp și creier. (sec.3BC)
A treia a fost cea a motoarelor cu abur (1500), chiar René Descartes vedea funcționarea omului ca mașinărie
foarte complexă. Filosoful britanic Thomas Hobbes, sugerează că gândirea apare ca rezultat al unor mișcări
mecanice foarte fine în creier (1600).
A patra, apărută un secol mai târziu (1700) ca urmare a descoperirilor în electricitate și chimie au condus spre
o altă metaforă a inteligenței.
A cincea, datorată fizicianului german Hermann von Helmholtz, care compara creierul cu un telegraf.
A șasea, metafora calculatorului care procesează informații se datorează matematicianului John von Neumann
și psihologului George Miller.
(https://aeon.co/essays/your-brain-does-not-process-information-and-it-is-not-a-computer)
16
1
Ce este, de fapt, cercetarea?
-Este un proces circular ?

-Cercetarea necesită flexibilitate psihologică și o minte deschisă.
-Cercetarea nu este singura modalitate de achiziție a înțelegerii. Literatura, experiența de viață, supervizarea
clinică, etc. sunt de asemenea importante.
-Motivul principal al rigurozității metodologice este minimizarea tendințelor (bias) și reducerea erorilor în
formularea concluziilor.
-O înțelegere a epistemologiei este utilă pentru elucidarea procedurilor implicate în cercetare (de ex. realismul
critic și construcționismul).
17
1
Recunoașteți
Personalitățile?
18
1
Există câteva modele ce reflectă modul în care practicienii realizează sau doar aplică rezultatele cercetării:
Practicianul intuitiv (intuitive practitioner), care se bazează pe intuiția personală și cunoștințele din diverse
surse, altele decât cercetarea
Practicianul scientist (scientist-practitioner), care este competent atât ca cercetător cât și ca practician.
Cercetătorul aplicat (the applied scientist), care își desfășoară activitatea clinică ca o formă aplicată a
cercetărilor.
Clinicianul local (the local clinical scientist), care utilizează o serie de metode și gândirea critică pentru a
rezolva problemele clinice cu care se confruntă.
Practicianul bazat pe evidențe (the evidence-based practitioner), care studiază în mod sistematic literatura
de specialitate pentru a cunoaște cele mai bune evidențe pe care să-și bazeze deciziile clinice.
Cercetătorul clinician (the clinical scientist), care realizează cercetări asupra problemelor clinice pentru ca
practicianul bazat pe evidențe să le utilizeze.
Sursa: Barker, C., Pistrang, N. & Elliot, R. (2002) p(20-24)
19
1
Cercetarea: evoluție, metodă, instrumente, teorie.
Sursa: Barker, C., Pistrang, N. & Elliot, R. (2002) p25
20
1
CERCETAREA
Modalitățile de cercetare s-au diversificat în timp luând diferite forme.

Astfel putem, astăzi, să vorbim de cercetare:
- De laborator (fizica, chimie)

- De teren (sociologie, antropologie, geologie)
- Teoretică (matematică)
- Aplicativă (tehnică și tehnologică)
- Metateoretică (în diverse discipline)
 - (Iscoadele erau un fel de cercetători de teren, medievali, în domeniul militar)

21
1
Clasificări ale tipurilor de cercetări

Cercetarea cantitativă/cercetare calitativă
Cercetare observațională/cercetare experimentală
Cercetare fundamentală/cercetare aplicată/cercetare de dezvoltare
Cercetarea cantitativă
Cercetarea cantitativă este asociată cu pozitivismul logic și postpozitivismul. În marea majoritate a situațiilor cercetarea
actuală se realizează sub paradigma pozitivismului logic. Uneori este pus aproape semnul de egalitate, motiv pentru care
nu este necesară o altă paradigmă pentru acest tip de abordare.
Cercetarea cantitativă implică colectarea și convertirea datelor obiective într-o formă numerică adecvată și compatibilă cu
procedurile statistice menită să genereze rezultate din care se vor extrage apoi concluziile. Contrastează cu cercetarea
calitativă dar se află într-o complementaritate cu aceasta.
Este larg răspândită azi în psihologie, economie, sociologie, etc. și mai puțin în antropologie și istorie. Evident se
regăsește în științele matematice și fizică prin definiție.
Cercetarea calitativă
Cercetarea calitativă colectează informații de la cazurile particulare, gen studiu de caz, iar cele mai generale concluzii se
constituie, de fapt, în ipoteze, cercetarea cantitativă urmând să verifice care dintre aceste ipoteze sunt adevărate.
Cercetarea calitativă caută să descrie și să interpreteze realitatea cercetată. În schimbul cifrelor sunt utilizate informații
sub forma cuvintelor sau reprezentărilor vizuale. Cercetătorul înregistrează, observă comportamentele sau manifestările
subiecților participanți. 22
1
Cercetarea observațională
Presupune colectarea de informații fără interferența sau intervenția cercetătorului. Este o examinare a
manifestărilor așa cum sunt, naturale, inerente observatorului. Cercetătorul observă, măsoară, și înregistrează
ceea ce se întâmplă. Ulterior are loc analiza și elaborarea unor concluzii.
Cercetarea experimentală
Presupune setarea unor parametrii sau condiții, controlate de către cercetător, în așa fel, încât acesta să fie
capabil să determine un posibil efect. În acest mod cercetătorul poate înțelege felul în care modificarea unor
variabile poate influența ceea ce se studiază sau dacă există o interacțiune între variabile.
23
1
Cercetarea fundamentală (basic research) Scopul cercetătorului este să identifice sau să descopere ceea ce
este adevărat. Implică explorarea a ceea ce este necunoscut sau neînțeles.
Cercetarea aplicată (applied research) Caută să utilizeze ceea ce este deja cunoscut pentru a soluționa
probleme sau pentru a obține soluții noi.
Cercetarea de dezvoltare (development research) Este similară celei aplicate dar focalizarea este pe utilizarea
a ceea ce este cunoscut pentru a îmbunătății, pentru a extinde sau pentru a obține tehnologii noi.
24
1
Diferențele dintre științele clasice/realiste-științele sociale.
Obiectivitatea. - Fizica, chimia, biologia, etc. au ca obiect de studiu realități palpabile, obiectivabile relativ
usor - Psihologia, sociologia, antropologia, etc. au ca obiect de studiu o realitate mai puțin palpabilă adesea
redată de constructe teoretice.
Măsurarea - Fizica, chimia, biologia, etc. folosesc instrumente de măsură sau aparatură care identifică
calitățile realităților investigate. - Psihologia a folosit adesea instrumente teoretice, elaborate specific, care
caută să identifice și să aprecieze constructele teoretice invocate. Din acest motiv au apărut cerințe obligatorii
privind calitatea instrumentelor utilizate, redate prin cerințe de validitate, fidelitate, sensibilitate.
Concluzii
- În științe precum fizica, chimia, concluziile sunt clare, destul de precise, imediate și relativ ușor
generalizabile.
- În științele sociale /umaniste concluziile sunt doar aproximative cu o probabilitatea oscilând între 0,6-0,9.
25
1
26
1
Teoria
În sens larg, teoria, reprezintă un grup coerent de propoziții/afirmații general testate și considerate corecte ce
pot fi utilizate drept principii explicative sau care constituie suport pentru predicția unor
fenomene/evenimente sau clase de fenomene/evenimente. Se constituie ca un set de relații între
caracteristicile realităților observabile și care sunt redate cu ajutorul simbolurile sau entitățile formale
corespunzătoare/asociate. O teorie se numește nedeterminată dacă în ciuda evidențelor care susțin teoria,
există o teorie rivală care este inconsistentă cu aceasta, dar care este susținută în aceeași măsură de evidențe.
Teoria Științifică
Este o explicație bine fundamentată și consistentă a unor aspecte observabile, bazate pe un corp de fapte care
au fost confirmate în mod repetat prin observații și experimente. Teoriile trebuie să întrunească condiții de
testabilitate predictivă consistentă asupra unor arii de aplicabilitate științifică, aducând evidențe puternice în
favoarea ei din surse multiple și independente. Puterea unei teorii este determinată de diversitatea de
fenomene pe care aceasta le poate explica și care se măsoară prin capacitatea acesteia de a conduce la
predicții falsificabile în raport cu acea realitate explicată. Verificabilitatea este un criteriu pentru
semnificație, pe când falsificabilitatea un criteriu de demarcație/delimitare. Orice teorie poate fi la un
moment dat ajustată sau chiar substituită dacă evidențele o cer sau dacă capacitatea sa predictivă se
îmbunătățește. Rolul teoriei este de a fundamenta cunoașterea pentru ca aceasta să poată sporii în timp
asigurând în același timp suport pentru dezvoltarea tehnologică. 27
1
Explicația științifică -consecință rațională ce rezultă ca urmare a testării unor ipoteze.

Modelul teoretic -un set de cunoștințe între care există o relaționare coerentă
Teoria -un corp de cunoștințe consistente, verificabile rațional sau empiric.
Metateoria -teorie care are ca obiect de studiu o teorie deja existentă.
----------------------------------------------------------------------------------------------
Axioma -afirmație considerată adevărată, deși nedemonstrabilă și nefalsificabilă.
Teorema -consecință logică deductivă/inductivă ce pleacă de la afirmații considerate adevărate sau deja
demonstrate.
Teorie vs. model teoretic

1. Atât modelul teoretic cat și teoria oferă posibile explicații asupra fenomenelor, aspectelor investigate.
2. Modelul poate servi ca structura pentru o formularea pas cu pas a unei teorii. Teoria poate fi la rândul ei
o bază pentru crearea unui model teoretic. Modelele pot să fie utilizate ca instrumente în verificarea
teoriilor.
28
1
29
1
Referințe
1. Schinka, J. A., Velicer, W. F., & Weiner I. B. (2003). Handbook of psychology -volume -2- Research methods in
psychology, John Wiley & Sons, Inc., Hoboken, New Jersey
2. Camic, P. M., Rhodes J. E. & Yardley L. (2003). Qualitative research in psychology. Expanding perspectives in
methodolgy and design. APA, Washington DC.
3. Barker, C., Pistrang, N. & Elliot, R. (2002). Research methods in clinical psychology. An introduction for students and
practitioners. John Wiley & Sons, Ltd., The Atrium, Southern Gate, Chichester, England.
4. Campbell, D.T., & Stanley, J.C. (1963) Experimental and Quasi-Experimental Designs for Research. Skokie, I11.
Rand-McNally.
5. Stephen Isaac, & William B. Michael, (1974) Handbook in Research and Evaluation, Robert R. Knapp, Publisher, San
Diego, California.
6. Christensen, L.B. (1980) Experimental methodology (2nd ed.) Boston, Allyn & Bacon.
7. David Sheskin. (1984) Statistical Tests and Experimental Design, A Guidebook, Gardner Press, NY & London.
8. John M. Neale, & Robert M. Liebert (1986) Science and Behavior - An Introduction to Methods of Research, Prentice-
Hall, New Jersey.
30
1
14 Kuhn made several notable claims concerning the progress of scientific knowledge: that scientific fields
undergo periodic "paradigm shifts" rather than solely progressing in a linear and continuous way, and that
these paradigm shifts open up new approaches to understanding what scientists would never have considered
valid before; and that the notion of scientific truth, at any given moment, cannot be established solely
by objective criteria but is defined by a consensus of a scientific community. Competing paradigms are
frequently incommensurable; that is, they are competing and irreconcilable accounts of reality. Thus, our
comprehension of science can never rely wholly upon "objectivity" alone. Science must account for
subjective perspectives as well, since all objective conclusions are ultimately founded upon the subjective
conditioning/worldview of its researchers and participants.
Kuhn also encourages taking intellectual risks, though from a different standpoint. By clearly delineating the
constrictions of ‘‘normal science,’’ he provides an implicit critique, helping researchers to be aware of and to
question the assumptions of the paradigm within which they work, and to ask whether that paradigm is
worth challenging. His work also leads scientists to look ahead to the next paradigm revolution and to ask
whether their work will have any enduring value. Finally, the methodological pluralist stance that informs
this book owes something to the spirit that animates Feyerabend’s writing.
31
1
16 ‘Feyerabend became famous for his purportedly anarchistic view of science and his rejection of the existence of
universal methodological rules.[2] He was an influential figure in the sociology of scientific knowledge.
In his books Against Method and Science in a Free Society Feyerabend defended the idea that there are
no methodological rules which are always used by scientists. He objected to any single prescriptive scientific method on
the grounds that any such method would limit the activities of scientists, and hence restrict scientific progress. In his view,
science would benefit most from a "dose" of theoretical anarchism. He also thought that theoretical anarchism was
desirable because it was more humanitarian than other systems of organization, by not imposing rigid rules on scientists.
Feyerabend was also critical of falsificationism. He argued that no interesting theory is ever consistent with all the
relevant facts. This would rule out using a naïve falsificationist rule which says that scientific theories should be rejected
if they do not agree with known facts. Feyerabend uses several examples, but "renormalization" in quantum
mechanics provides an example of his intentionally provocative style: "This procedure consists in crossing out the results
of certain calculations and replacing them by a description of what is actually observed. Thus one admits, implicitly, that
the theory is in trouble while formulating it in a manner suggesting that a new principle has been discovered" Against
Method. p. 61. Feyerabend is not advocating that scientists do not make use of renormalization or other ad hoc methods.
Instead, he is arguing that such methods are essential to the progress of science for several reasons. One of these reasons
is that progress in science is uneven. For instance, in the time of Galileo, optical theory could not account for phenomena
that were observed by means of telescopes. So, astronomers who used telescopic observation had to use ad hoc rules until
they could justify their assumptions by means of optical theory.
32
1
18 Realism and Constructionism
Physical scientists often implicitly work from a realist position, which is based on a correspondence theory of
truth. Realism posits that there is a real world out PHILOSOPHICAL ISSUES 11 there, independent of
whoever may be observing it (Bhaskar, 1975). Thus the rocks of the moon have a geological composition that
is, at least in principle, discoverable: that some people may believe the moon to be made of green cheese is
irrelevant. Within this realist framework, the task of the scientist is to understand as accurately as possible the
properties of the real world. Scientists themselves might say that they are trying to understand Nature. For
most of the past 100 years, psychologists have also emphasized a correspondence theory of truth, although in
the latter half of the 20th century this evolved into a critical realist position (Cook & Campbell, 1979). This
assumes that there exists a real world out there that has regularities. However, we can never know it with
certainty: all our understandings are essentially tentative. The critical realist position emphasizes the
replicability of research: that other researchers should be able to repeat your work and get approximately the
same results, or in more technical language, that knowledge should be ‘‘intersubjectively testable’’ (Cook &
Campbell, 1979; Popper, 1959). This means that researchers must be explicit about how they collect their data
and draw their conclusions, so that other researchers can evaluate their conclusions or replicate the study
themselves. Beyond this, it suggests that researchers should approach the same topic using different methods,
with complementary strengths and weaknesses, a strategy of ‘‘triangulation.’’ Thus, critical realists go beyond
correspondence theory to include consensus and coherence truth criteria. 33
1
19 An example within clinical psychology is the debate about ‘‘empirically supported therapies’’—the
attempt to produce a list of therapies that have been systematically researched and found to be beneficial.
Proponents of this project argue that it is a valuable attempt to summarize the state of scientific research on
the psychological therapies, and it will ultimately benefit clients; its opponents argue that it is driven by the
needs of the US managed care industry to have short-term treatments, and by factions within clinical
psychology itself that are seeking to advance their own favored orientations at the expense of other
approaches (Elliott, 1998).
Rigid rules for what is and is not science sometimes serve political purposes (e.g., fighting for limited funds
from government or universities), and may have the unfortunate consequence of restricting healthy diversity
in studying complex clinical phenomena (Elliott, 1998).
34
1
1. Ipoteze – definiții, forme și tipuri.

2. Modele de cercetare non-experimentale
3. Modele de cercetare quasi-experimentale
Ipotezele – modalitate de construcție
Propoziția este o aserțiune logică care realizează o conexiune între concepte. Propozițiile enunță, nefiind, în
general, testate în privința validității lor. (ex. marțienii sunt locuitorii planetei Marte).
Alegația este o afirmație care invocă o teorie, adesea neverificată sau o părere mai mult sau mai puțin autorizată,
pentru a susține sau a argumenta o idee/ acțiune. (ex. pe Marte există viață pentru ca s-au descoperit deja urme
de apa și ghețari)
Ipoteza este o aserțiune logică, care poate fi testată, dar care nu a fost încă testată. (ex. planeta Marte are mai
puțini locuitori decât planeta Pământ). Așadar ipoteza este o afirmație cu structură logică, dar a cărei valoare de
adevăr este doar presupusă. În urma verificării/testării acesteia consecința este fie de acceptare fie de respingere a
acesteia.
1
Tipuri de ipoteze:
1. Ipoteze afirmative/ negative (atributive) ,,Toate ființele bipede sunt mamifere”
2. Ipoteza inductive/ deductive
a. Ipoteza inductivă este de fapt o generalizare a unor observații specifice. (ex. toți corbii sunt negrii)
b. Ipoteza deductivă este derivată dintr-o teorie și formulează evidențe care pot susține, extinde sau infirma
teoria. (ex. sociabilitatea persoanelor din zonele urbane este mai mare decât a celor din zonele rurale
izolate)
3. Ipoteze simple/ complexe
a. Ipoteza simplă precizează o posibilă legătura dintre două variabile ,,Exercițiile ușoare postpartum (IV)
sunt asociate cu creșterea în greutate (DV) ”
b. Ipoteza complexă precizează o posibilă legătură între mai mult de 2 variabile
(IV1, IV2, IV3) (DV) ,,Valorizarea sănătății, încrederea în sine și nivelul de socializare (IVs) cresc speranța de
viață (DV).”
(IV) (DV1, DV2, DV3) ,,Incontinența urinară (IV) conduce la: creșterea frecvenței episoadelor de urinare,
scăderea cantității de urină per episod, evitarea activităților sociale (DVs). ”
4. Ipoteze direcționale/ nondirecționale
a. Ipoteze direcționale ,,femeile au toleranță mai mare la durere decât bărbații”
b. Ipoteze nondirecționale ”femeile au toleranță la durere diferită de cea a bărbaților”
5. Ipoteza statistică = Ipoteza de nul + Ipoteza alternativă
2
,,Every psychotherapist not only has a method, he himself is that method.” (C. G. Jung, 1966)
Jung, C. G. (1966). The practice of psychotherapy. Collected works Vol. 16. Princeton, NJ: Princeton University Press.
3
Modelul de cercetare (research design)
Modelul de cercetare este oarecum similar unui plan arhitectural al unei clădiri. Evident, orice arhitect ar avea
o preferință pentru un anumit design, astfel că unele dintre acestea pot să fie mai eficiente decât altele, cu
utilizări sau costuri diferite.
Într-un mod asemănător, putem avea unul sau mai multe modele de cercetare pentru o anumită ipoteză de
cercetare.
Este important încă de la început să vedem care este legătura dintre modelul de cercetare (design) și analiza
ulterioară a datelor. Analiza datelor este doar un ansamblu de procedee de evaluare a corpului de date. Astfel,
dacă modelul de cercetare este eronat sau neadecvat, procedeul de analiză, în general nu sesizează acest
lucru și va produce o prelucrare oarbă a datelor, având drept consecință concluzii incomplete, îndoielnice sau
chiar greșite David Sheskin (1984).
Corectitudinea modelului de cercetare este esențială pentru orice cercetare modernă. În continuare sunt
prezentate principalele modele de cercetare așa cum se regăsesc în majoritatea surselor de prezentare
sistematizată a acestora:
4
Modele de cercetare pre-experimentale (non-experimentale) David Sheskin (1984) și chiar mult înainte,
Campbell și Stanley (1963) menționează câteva tipuri de modele non-experimentale:
1. Modelul grupului unic cu observație singulară (single-group one-observation design)

În care tratamentul este aplicat unui singur grup de subiecți a căror performanță este măsurată după aplicarea
tratamentului. Nu există pretestare și nici grup de control.
Ex.- Înregistrarea frecvenței episoadelor la subiecții cu epilepsie după aplicarea unui nou tratament. Avem de-
a face cu un singur grup și o singură măsurătoare.
5
2. Modelul grupului unic cu pretest – posttest (one-group pretestposttest design)
Este un design în care unui singur grup îi este aplicată o pretestare, apoi intervine tratamentul sau așa numita
variabilă independentă și în final are loc posttestarea grupului. Nu există grup de control.
Ex.- Măsurarea creativității unui grup de studenți, dintr-un nou program de master, înainte și după un training
de dezvoltare și stimulare a creativității
6
3. Modelul grupurilor statice preexistente(static-groups design)
În acest caz există două grupuri – cel experimental și cel de control. În aceste grupuri subiecții nu sunt însă
selectați aleator. De fapt sunt utilizate niște grupuri preexistente. După acțiunea variabilei independente se
face testarea. Deoarece nu există pretestare nu știm dacă grupurile erau echivalente inițial.
Ex.- Măsurăm nivelul de cunoștințe statistice pe un grup de absolvenți de la FPSE și pe un grup de profesori de
la FPSE. Studenții au beneficiat de un curs de statistică (IV)
7
Modele de cercetare quasi-experimentale
În comparație cu modelele non-experimentale acestea au validitate internă mai mare, dar mai mică decât
modelele de cercetare experimentale. Conrad & Maul (1981) notează faptul că modelele quasiexperimentale
sunt utile atunci când din motive etice sau practice nu e recomandabil controlul experimental excesiv.
Diferența majoră față de modelul experimental este eșantionarea fără respectarea principiului selectării
aleatorii. Campbell și Stanley (1963) menționează un set de modele experimentale imperfecte
(quasiexperimentale):
8
2.1. Modelul grupului de control nonechivalent (nonequivalent control group design)
În acest design pretestarea se administrează atât grupului experimental cât și celui de control. Ulterior acțiunii
variabilei independente (tratamentului) ambele grupuri sunt supuse post-testării. Motivul pentru care nu
suntem în situația unui design experimental este ne-desemnarea aleatorie pentru fiecare grup a subiecților.
Adesea grupurile sunt deja preformate, preexistente, în momentul pretestării.
Ex.- Măsurăm nivelul de cunoștințe statistice pe un grup de studenți An I de la FPSE și pe un grup de profesori
de la FPSE. Studenții beneficiază de un curs de statistică (IV) după care repetăm măsurătoarea pe ambele
grupuri.
9
2.2. Modelul pretest-posttest cu eșantioane separate (separate-sample pretestposttest design) Numit și

design simulare înainte-după.
În acest caz grupul de control, aleator ales este supus pretestării. Ulterior, după acțiunea variabilei
independente, este ales aleator un alt grup, grupul experimental căruia i se va administra posttestarea. Cu
alte cuvinte grupul de control este doar pre-testat iar grupul experimental este doar post-testat. Deși este un
design superior designului grup unic cu pretest – posttest marele dezavantaj este lipsa controlului efectelor
potențiale ale variabilelor de tip ,,istoric”.
Ex.- Măsurăm nivelul cunoștințelor de psihologie la anul I pe un eșantion din departamentul de psihologie
(grupul de control) iar după finalizarea anului III, măsurăm nivelul de cunoștințe de psihologie pe un alt
eșantion aleator, din același departament.
10
Modele cu serii de timp (time-series designs)

Reprezintă modele care conțin măsurători multiple (la momente diferite de timp) efectuate asupra unui singur
grup de subiecți pentru a evalua efectul variabilei independente asupra variabilei dependente.
Este util în studiile longitudinale în care controlul factorilor printr-un grup de control este dificilă sau este
imposibil de construit un astfel de grup.
2.3. Modelul serii de timp întrerupte (interrupted time series design)

Este unul dintre cele mai obișnuite modele serii de timp. În cazul acestui model multiple măsurători sunt
făcute asupra variabilei dependente înainte și după acțiunea variabilei independente. O variantă ar fi aceea în
care măsurătorile au loc chiar pe parcursul acțiunii variabilei independente. Controlul efectelor variabilelor de
tip ,,istoric” ce acționează concomitent cu variabila independentă este din nou greu de realizat.
Ex1.- Înregistrăm nivelul plăților impozitelor într-o localitate înainte și după introducerea unei noi taxe locale,
pe o perioadă de mai mulți ani la rând.
Ex2.- Înregistrăm nivelul tensiunii arteriale înainte și după scăderea nivelului de oxigen din aerul respirat.
11
12
Exemple în care măsurătorile baseline(pre-intervenție) pot fi relevante, cu sau fără efect al intervenției.
13
Exemple ce pun în evidență dificultatea alegerii celui mai bun moment pentru evaluarea post-intervenție.
14
2.4.a Modelul serii de timp multiple (multiple time-series design)
În acest design controlul este sporit prin introducerea unui grup sau a mai multor grupuri de control. În rest
măsurătorile sunt ca în modelul precedent.
Ex.- Înregistrăm nivelul plăților impozitelor într-o localitate înainte și după introducere unei noi taxe locale,
simultan cu cele dintr-o localitate învecinată, în care noua taxă nu există și tot pe parcursul a mai mulți ani la
rând.
15
2.4.b Modelul serii de timp multiple (variantă)
În acest design controlul este sporit prin introducerea mai multor grupuri de control echivalente.
Ex.- un model alternativ este cel în care se controlează efectele de maturizare, pretestare, regresie și diverși
factori istorici, cu ajutorul mai multor grupuri care sunt toate pre-testate inițial la momentul T1 iar apoi după
acțiunea (VI) post-testarea are loc la diferite momente în timp pentru fiecare grup.
16
Acest model este util în evidențierea proceselor de maturare și de asemenea evidențiază dacă efectul este de
scurtă durată sau de lungă durată. Unul dintre grupuri poate fi grup de control
17
2.5. Modelul corelației încrucișate (cross-lagged correlation design), variabilele x1,y1,x2,y2, generează 6
corelații posibile: x1-y1; x2-y2; x1-x2; y1-y2; x1-y2; x2-y1.
Acest model este unul care se apropie destul de mult de identificarea posibilei relații de cauzalitate deși nu
utilizează decât corelații.
Ex.- Corelațiile dintre satisfacție(s) și nivelul venitului(v) la momentul t1 și t2. r(satisfacţie1-venit1) și

r(satisfacţie2-venit2) corelațiile între satisfacție și venit directe; r(satisfacţie1- satisfacţie2) și r(venit1-venit2)
autocorelațiile satisfacție și venit; r(satisfacţie1-venit2) și r(satisfacţie2-venit1) corelațiile încrucișate între
satisfacție și venit.
Ceea ce poate sugera cauzalitatea sunt tocmai aceste corelații încrucișate. Astfel dacă venitul la momentul t1
este cauză a satisfacției la momentul t2 atunci r(satisfacţie2-venit1) > r(satisfacţie1-venit2) (Christensen,
1980).
Modelul nu e unul experimental veritabil datorită controlului imperfect al corelațiilor.
18
Referințe
1. Campbell, D.T., Stanley, J.C., Experimental and Quasi-Experimental Designs for Research. Skokie, I11.
RandMcNally, 1963
2. Jung, C. G. (1966). The practice of psychotherapy. Collected works Vol. 16. Princeton, NJ: Princeton
University Press.
3. Stephen Isaac, William B. Michael, Handbook in Research and Evaluation, Robert R. Knapp, Publisher, San
Diego, California, 1974
4. Christensen, L.B. Experimental methodology (2nd ed.) Boston, Allyn & Bacon, 1980.
5. David Sheskin, Statistical Tests and Experimental Design, A Guidebook, Gardner Press, NY & London, 1984
6. John M. Neale, Robert M. Liebert, Science and Behavior - An Introduction to Methods of Research,
Prentice-Hall, New Jersey, 1986
7. Handbook of Psychology -volume -2- Research Methods in Psychology, John A. Schinka, Wayne F. Velicer,
Irving B. Weiner, John Wiley & Sons, Inc., Hoboken, New Jersey, 2003.
19
ANALIZA INIȚIALĂ A DATELOR (IDA)
Valorile lipsă (missing values)
Tipologie
Surse ale valorilor lipsă
Analiza valorilor lipsă
Modalități de tratare ale valorilor lipsă:
Eliminarea / Substituirea / Transformarea
Valorilor lipsă (missing values)
Una dintre tendințele eronate, atunci când avem tabele/baze de date cu valori lipsă, este aceea
de a șterge cazurile ce le conțin, înainte de a inspecta posibila lor semnificație.
Valorile lipsă (missing values) pot avea diverse cauze printre care omisiuni neintenționate,
alteori intenționate în cazul completării unor chestionare, greșeli de tastatură sau de introducere
a datelor, imposibilitatea unor măsurători în cazul unor măsurători repetate sau analizelor de
supraviețuire (survive analysis) Aceste valori lipsă pot pune, de asemenea, în evidență tipuri de
sarcini care nu sunt realizate de unii dintre subiecți.
Tratarea corespunzătoare a cazurilor lipsă se face numai după o analiză atentă a modului cum
au fost generate. În general sunt, fie păstrate ca atare, fie eliminare sau transformate, fie sunt
utilizate ca o variabilă specială.
Problema majoră a prezenței valorilor lipsă nu este reducerea puterii ca urmare a reducerii
dimensiunii eșantionului ci faptul că datele rămase pot căpăta tendințe/patternuri sistematice
(pot fi ,,bias ate”). (Garson, 2015)
Tipologia valorilor lipsă (missing values):
• (Rubin, 1987) a fundamentat analiza modernă a valorilor lipsă.

• Valorile aleatorii tind să aibă o distribuție normală, neafectată de tendințe sistematice
(biasuri). Prin urmare și valorile lipsă trebuie să aibă același tip de distribuție dacă sunt
aleatorii. Această idee a fost utilizată ulterior în analiza valorilor lipsă.
Tipuri de valori lipsă după modul lor de definire:
• Definite de softul de analiză a datelor (sistem-missing values). Celule rămase goale,

din tabelul de date, sunt automat definite ca sistem-missing values.
• Definite de utilizator (user-defined missing values). Valorile codificate drept valori
lipsă (de ex. -99) sunt tratate ca user-defined missing values.
Tipologia valorilor lipsă (missing values):
Tipuri de valori lipsă după natura lor (Garson, 2015):
• Valorile lipsă complet aleator (Missing completely at random, pe scurt, MCAR)

• Sunt valorile lipsă care nu au nici un fel de legătură cu celelalte valori din tabel
sau cu celelalte valori lipsă, sunt complet independente.
• Valorile lipsă aleator (Missing at random, pe scurt, MAR)

• Sunt valori lipsă care ascund un pattern, cu alte cuvinte nu sunt chiar aleatorii,
cum ar putea termenul să ne inducă în eroare. Ele sunt aparent aleatorii dar pot fi
prezise de alte variabile observate și nu depind de nici o variabilă neobservată.
• Valori lipsă non-aleator (Missing not at random, pe scurt, MNAR)

• Sunt valori lipsă cele mai problematice pentru că pun în evidență pattern-uri
existente dar care nu pot fi prezise doar de variabilele observate ci, cel puțin în
parte, de variabile neobservate.
Cauzele valorilor lipsă (missing values):
• sarcini la care unii dintre subiecți nu știu cum să răspundă.

• omisiuni neintenționate sau de neatenție.
• alteori omisiuni intenționate sau refuzul subiecților.
• greșeli de tastatură sau greșeli de introducere a datelor.
• imposibilitatea unor măsurători în cazul unor măsurători repetate sau în cazul analizelor de
supraviețuire (survive analysis).
• rezultate din combinația altor variabile, dintre care unele conțin valori lipsă.
Acestea pot să ascundă valori cu aceeași semnificație ca valorile valide.

Efecte ale valorilor lipsă (missing values):
• în cazul eliminării lor generează o reducerea puterii prin reducerea eșantionului, crește
eroarea standard și de asemenea probabilitatea erorii de tip II (situația de fals negativ) mai
ales în cazul eșantioanelor mici.
• dacă nu sunt aleatorii vor afecta concluziile analizelor, pentru că ascund patternuri
sistematice (bias)
• afectează mărimea efectului
• în cazul analizelor multivariate efectul se multiplică.
Analiza valorilor lipsă (missing values analysis)
Cu ajutorul SPSS pot fi realizate, în prezent, două tipuri majore de analize:
1. Missing values analysis (Conține proceduri descriptive și de explorare a valorilor lipsă sau
a patternurilor acestora)
2. Multiple Imputation (Conține proceduri mult mai elaborate, de tip simulativ bazate pe
algoritmul Markov Chain Monte Carlo)
În continuare vom aborda doar prima dintre analize.

Missing values analysis – în SPSS găsim acestă procedură după cum se remarcă în graficul de
mai jos:
Analize> Missing Value Analysis
Multiple Imputation – în SPSS găsim acestă procedură după cum se remarcă în graficul de
mai jos, cu două tipuri de proceduri, una de analiză a tiparelor valorilor lipsă, cealaltă pentru
simularea de valori:
Analize> Multiple Imputation>Analyze Pattern
>Impute Missing Data Values
Primul pas în analiza valorilor lipsă este studierea naturii acestora. Cazul cel mai fericit este
atunci când acestea sunt de tipul MCAR. În această situație valorile lipsă sunt generate aleator
și nu există patternuri care să traducă tendințe sistematice (biasuri).
Realizarea acestui lucru se poate înfăptui cu ajutorul unui test de semnificație numit Little’s
MCAR test. Acesta este unul dintre testele cele mai utilizate pentru valorile lipsă complet
aleatorii și utilizează distribuția χ2.
Dacă p > 0,05 atunci considerăm că distribuția valorilor lipsă nu diferă semnificativ de una
complet aleatorie și prin urmare aceste valori lipsă nu afectează analiza datelor valide. În
această situație eliminarea cazurilor ce conțin valorile lipsă este adecvată. Ca regulă practică
suplimentară, numărul valorilor lipsă să nu depășească totuși un procent de 5% din totalul
valorilor unui eșantion mare. Această procent este unul uzual, dar nu este împărtășit în
totalitate, pentru simplul motiv că nu există un criteriu precis de identificare a ceea ce înseamnă
un eșantion mare.
Little’s MCAR test
Fie tabelul cu date

ce conțin valori lipsă
Selectăm EM,
opțional si
Descriptives
Sig. > 0,05

Asumăm MCAR
Al doilea pas în analiza valorilor lipsă este identificarea acestora dacă nu sunt de tipul MCAR.
Dacă p < 0,05 atunci considerăm că distribuția valorilor lipsă diferă semnificativ față de una
complet aleatorie și prin urmare aceste valori lipsă pot afectează analiza datelor valide.
În această situație rămâne să identificăm dacă valorile lipsă sunt de tipul MAR sau MNAR.
Nu există un test magic pentru testarea MAR.
Testul t, EM (estimation maximization), corelațiile, regresia sunt câteva dintre soluții.
Pentru ca unele proceduri să fie lansate în SPSS e nevoie ca numărul valorilor lipsă să
depășească procentul de 5% din totalul valorilor unei variabile pentru a fi luată în calcul.
Identificarea MAR sau MNAR nu mai este necesară pentru datele anterioare pentru că sunt de
tipul MCAR. Totuși, dacă aplicam testul t constatăm absența semnificațiilor statistice. Fiecare p
este > 0,05.
Înlocuirea/substituirea valorilor lipsă (missing values)
SPSS dispune de câteva procedee de înlocuire/substituire pentru valorile lipsă. Evident soluția
de înlocuire a acestora este adoptată numai după analiza valorilor lipsă.
SPSS dispune de 5 metode de înlocuire/substituire a valorilor lipsă:
1. Media seriei de valori (Mean series)

2. Media valorilor învecinate (Mean of nearby points)
3. Mediana valorilor învecinate (Median of nearby points)
4. Interpolarea liniară (Linear interpolation)
5. Tendința liniară din acel loc (Linear trends at point)
Exemplu : Înlocuirea/substituirea valorilor lipsă (missing values)

Alegem procedura
de înlocuire a
valorilor lipsă
Mutăm variabila
punctaj în caseta
din dreapta
Alegem metoda de
înlocuire a valorilor
lipsă
Este generată
variabila punctaj
modificată
Referințe bibliografice.
• Garson, G. D. (2015). Missing Values Analysis and Data Imputation. Asheboro, NC:
Statistical Associates Publishers.
• Rubin, D. B. 1987. Multiple imputation for nonresponse in surveys. New York: John
Wiley and Sons.
Întrebări și sarcini de lucru (II)
1. Care este diferența dintre MCAR ș MAR?

2. Care sunt cele mai importante consecințe ale prezenței valorilor lipsă?
3. Dar dacă le ștergem pur și simplu fără nici o analiză, care sunt posibilele consecințe?
4. Realizați pentru baza de date atașată() înlocuirea valorilor lipsă prin interpolare liniară. Ce
valori se obțin?
Răspunsurile și rezultatele se transmit până la data de 19 octombrie, ora 12.

Orice transmite ulterioară a acestora nu va fi luată în considerare.
Valorile extreme/ excesive (outliers)
Valorile extreme/ excesive sunt valori inconsistente statistic cu restul valorilor unui set de date.
Acestea fie se abat mult față de distribuția celorlalte valori, fie față de limitele de variație
acceptate ale unei distribuții deja cunoscute. Nu există însă o definiție matematică a valorilor
extreme/ excesive care să înglobeze toate situațiile în care pot fi întâlnite valorile extreme/
excesive/ atipice. Identificarea unei observații drept o valorare extremă/excentrică, adică
atipică în ultimă instanță, rămâne încă un exercițiu ce incumbă o doză de subiectivitate.
Identificarea valorilor extreme nu este o sarcina chiar atât de facilă cum poate părea la prima
vedere. Nu există nici o metodă matematică arhisuficientă, pentru a determina orice tip de
valoare extremă/ excesivă.
Există însă o varietate de metode de detectare a acestor valori extreme/ excesive.
• Grafice (de ex. distribuții de frecvență),

• Bazate pe modelele matematice (normalitate, non-normalitate),
• Mixte/hibride (de ex. box plots).
Observații cu privire la valorile extreme/ excesive (outliers)
1. Dacă detecția valorilor extreme este o problemă de ordin matematic.

interpretarea acestor observații, nu.
2. Sursele valorilor extreme pot fi și altele decât cele bănuite.
3. Termenii “valori extreme” și “valori eronate” nu sunt sinonimi.
4. Valorile extreme/ excesive nu sunt printre valorile obișnuite ale unei

distribuții, acestea fiind calificate drept neobișnuite.
5. Detecția și interpretarea corectă a valorilor extreme a condus chiar la

obținerea premiului Nobel (descoperirea Teflonului, a registered
trademark of the DuPont Company) Dr. Plunkett’s și colegul său, Paul
Flory, au câștigat premiul Nobel pentru chimie în 1974.
Surse ale valorilor extreme/ excesive (outliers)
Valorile extreme sau excesive au diverse surse:
- erori umane de transcriere/înregistrare

- valori raportate intenționat greșit (atitudinea unor subiecți)
- valori reale, dar care exprimă realități rare
- erori de eșantionare
- condiții improprii de desfășurare a măsurătorilor și prelungirea, de exemplu, a timpului de
răspuns
- valori atipice nu prin mărime ci prin momentul de apariție
Tratarea valorilor extreme/ excesive presupune fie eliminare acestora sau alegerea de procedee
robuste de analiză care sunt puțin influențate de acestea.
Tipuri de valori extreme/ excesive (outliers)
Valori extreme/ excesive pot fi:

1. Univariate (reprezintă valorile unei variabile ce depășesc un anumit criteriul de depărtare
ales față de medie/mediană)
Valori extreme/ excesive pot fi:
2. Multivariate (reprezintă cazurile sau compozitele de valori, obținute ca o combinație de

valori din mai multe variabile ce determină o depărtare excesivă față de centroidul acestora).
Centroidul este echivalentul mediei / medianei pentru procedurile multivariate.
O altă tipologie a valorilor extreme/ excesive este:
1. Valori extreme/ excesive punctuale (reprezintă valori excesive, anomalii în comparație cu

restul valorilor setului de date). O1 și O2 sunt astfel de cazuri extreme punctuale.
2. Valori extreme/ excesive contextuale (reprezintă valori care sunt considerate extreme /
excesive într-un context dar nu în altul. t2 este un caz extrem în timp ce t1 nu este deși au
aceeași valoare.
3. Valori extreme/ excesive colective (valorile cuprinse între 5000 și 7000 sunt atipic de mici
dar orice valoare luată separat nu reprezintă o valoare atipică) Aici avem de-a face cu intervale
atipice și nu cu valori excesive.
Impactul valorilor extreme/ excesive (outliers)
Efectele negative
• distorsionează o parte dintre indicatorii distribuțiilor
• amplifică variabilitatea și, deci, a erorii standard
• diminuează precizia estimării parametrilor
• reduc puterea testelor statistice
Efectele pozitive
• scot în evidență situații posibil semnificative din perspectiva cercetării
• atrag atenția asupra unor aspecte care ies din limitele ipotezei inițiale
Detectarea valorilor extreme/ excesive (outliers)
Detectarea valorilor extreme/ excesive este încă sub semnul unor diferențe de opinie în lumea
statistică. Variantele grafice de identificare sunt sugestive dar nu suficiente, cele clasice de tipul
depășirea ± 2/ ± 2,5/ ± 3 abateri standard care folosesc media, sunt contestate (Leys, 2013)
pentru simplul motiv că, în calculul mediei și abaterii standard, sunt include acele valori
extreme/excesive ce măresc valoarea și, din acest motiv, în unele cazuri nu le mai poate
detecta.
Diverse alte criterii de detecție a valorilor extreme/excesive au fost propuse:
Chebyshev's criterion
Chauvenet's criterion
Peirce's criterion
Dixon's Q test
Grubbs' test (for one single outliers)
Tietjen-Moore test (for multiple outliers)
-------------------------------------------------------------------------
Mahalanobis distance (pentru valorile multivariate- vezi exemplul de mai jos)
Cook’s distance (pentru influenta valorilor)
Un alt criteriu, relativ simplu, ar fi ± 3 MAD, unde MAD este abaterea absolută de la mediană
(median absolute deviation) concept elaborat încă din 1816 de C. F. Gauss (Gauss, 1816).
Detectarea valorilor extreme/ excesive univariate (univariate outliers)
De ex. cazul 31 are valoarea 35 este un caz

suspect de a fi valoare extremă/ excentrică.
Vom urmării în continuare câteva procedee

și modul în care acestea detectează
valoarea 35 ca excesivă.
Metode grafice:
1. Histograma – valorile extreme apar, de
obicei, separate de restul distribuției. Aici
valoarea 35
Metode grafice:
2. Stem-and-leaf, valorile
extreme sunt precizate în
SPSS. Aici valoarea 35
punctaj Stem-and-Leaf Plot
Frequency Stem & Leaf
2,00 0 . 67
7,00 0 . 8889999
5,00 1 . 00011
4,00 1 . 2333
4,00 1 . 5555
5,00 1 . 66677
3,00 1 . 899
1,00 Extremes (>=35)
Stem width: 10,00

Each leaf: 1 case(s)
Metode grafice:
3. Q-Q plot, valoarea extremă/
excentrică se depărtează mult
de linia normalității.
Aici valoarea 35.
Metode bazate pe modele matematice

Chiar dacă metodele grafice pun în evidență valorile excesive ale unui set de date acestea nu au
un criteriu suficient pentru identificarea acestora drept excesive/ extreme pentru fiecare
situație.
Metoda mediei și abaterii standard.

Această metodă de detecție a cazurilor extreme/ excesive, utilizează abaterile x-m față de
medie ale tuturor valorilor. Dacă o anumită valoare se află la o distanță mai mare de 3 abateri
standard atunci cazul respectiv este declarat extrem.
Această metodă eșuează în identificarea tuturor valorilor extreme pentru că include în
algoritmul folosit toate valorile, inclusiv posibilele cazuri extreme, prin urmare abaterea
standard este mărită față de valoarea reală a acesteia. Cu cât o valoare extremă este mai mare
cu atât abaterea standard, în raport cu care se face comparația este mai mare.
Metoda Medianei și Abaterii mediane absolute (MAD - Median Absolute Deviation)
Această metodă presupune inițial calculare medianei. Apoi este calculată distanța dintre fiecare
valoare și mediană, măsurată în valoare absolută, ABS(X - Md). Aceste valori constituie o nouă
variabilă și care reprezintă baza de calcul a unei noi mediane (mediana abaterilor). Aceasta este
apoi multiplicată cu o constantă ”b” și astfel se determină valoarea MAD.
MAD = b* Mddif ABS (Xi-Md)
Pentru distribuțiile normale această constantă are valoarea 1,4826
MAD = 1,48* Mddif ABS (Xi-Md)
Criteriul de detecție a valorilor extreme/ excesive este ± 3 MAD. Orice valoare înafara
intervalului (Mddif -3MAD, Mddif +3MAD) este declarată excesivă. Un criteriu mai blând, dar
utilizabil, este ± 2,5 MAD.
Această metodă este mai precisă în privința detectării cazurilor extreme/ excesive decât
precedenta, dar este o metodă uneori mult prea agresivă, detectând ca valori extreme/ excesive,
valori care nu diferă excesiv de celelalte valori. De asemenea, dacă mai mult de jumătate dintre
cazuri au aceeași valoare k, atunci MAD este = 0 și toate celelalte valori vor fi declarate
extreme.
Să luăm de exemplu variabila punctaj din

baza de date alăturată:
De ex. cazul 31 are valoarea 35 este un caz

suspect de a fi valoare extremă/ excentrică.
Md_dif reprezintă variabila diferențelor dintre

valori și mediană (Md=13).
Mediana acestei noi variabile a diferențelor se
poate calcula, valoarea obținută este Mddif:
Mddif = 3
Md = 13
Mddif = 3,00
b = 1,48
Prin urmare:
MAD = 1,48* Mddif ABS (Xi-Md)
MAD = 1,48* 3,00 = 4,44
Utilizând criteriul de detecție: ± 3 MAD obținem: ± 13,32

intervalul valorilor non-excesive este:
(3-13,32 , 3+13, 32)
(-10,32; 16,32)
Prin urmare cazul 31, care are valoarea 35 în variabila inițială,

respectiv 22 în noua variabilă (a diferențelor față de mediană)
este înafara intervalului. Așadar 35 poate fi considerată o valoare
extremă/ excesivă.
Sintaxă SPSS este:
DATASET ACTIVATE “Database’s name”.

FREQUENCIES VARIABLES=“first variable’s name”
/STATISTICS=MEDIAN
/ORDER=ANALYSIS.
Step b)
COMPUTE “Computed second variable’s name”=“first variable’s name”-“median”.
EXECUTE
Step c)
FREQUENCIES VARIABLES=“Computed second variable’s name”
/STATISTICS=MEDIAN
/ORDER=ANALYSIS
MAD=1.48*Mddif (Xi-Md)
Criterii de decizie privind detecția valorilor extreme/excesive (Miller, 1991)

Mediana ±3*MAD (foarte conservator)
Mediana ±2.5*MAD (moderat conservator)
Mediana ±2*MAD (puțin conservator)
Metodă mixtă/hibridă:
Box-Plots clasic (limite cu roșu)
Box-Plots ajustat (limite cu negru)
Q3+1,5 h =16+10,5 = 26,5
Md=13,
h=IQD=Q3-Q1=7 Q3=16
h=Q3-Q1= 7
Cf. regulii lui Tukey (cu roșu) Md=13
Limita inferioară
Q1=9
Q1-1,5h=-05
Limita superioară
Q3+1,5h=26,5 Q1-1,5 h =9-10,5 = -0,5
Reprezentare comparativă
Box-plots și histograma
pentru aceleași date cu o
valoare extremă unică.
Outlier
Detectarea valorilor extreme/ excesive multivariate (multivariate outliers)
Valoarea extremă multivariată este o abaterea excesivă a compozitul de valori generat de un

număr de variabile față de centroidul valorilor.
O valoare poate fi ”neobișnuită” în raport cu unele variabile, dar ”obișnuită” în raport cu altele
Detecția unei valori ”excesive” trebuie raportată, simultan, la toate variabilele din modelul
multivariat de analiză
Modalități de determinare:
indicele D2 al lui Mahalanobis distance
În plus, indicele D al lui Cook (Cook's D) – poate fi utilizat în identificarea influenței valorilor
în predicția VD.

SPSS – Mahalanobis D2 distance pentru variabilele (yr_of marriage și happiness) din tabelul de
mai jos:
Calcularea distanței Mahalanobis D2 cu ajutorul

SPSS este relativ simplă și presupune următorii
pași:
1. Calcularea distantelor pentru fiecare caz în

parte.
-Selectăm: analyze/regression/linear

pași:

parte.
-Apare o nouă fereastră

pași:

parte.
-Mutam variabilele independente în caseta
corespunzătoare. La variabila dependentă putem
trece orice alta variabila.
-apăsăm pe butonul save

pași:

parte.
-Apăsăm pe butonul save
-Selectăm Mahalanobis

pași:

parte.
-Selectăm: analyze/regression/inear
-Apăsăm pe butonul save.
-Selectăm Mahalanobis, apoi OK.
-Se generează distanțele Mahalanobis.

pași:

parte.
-Selectăm: analyze/regression/inear
-Apăsăm pe butonul save.
-Selectăm Mahalanobis, apoi OK.
-Se generează distanțele Mahalanobis.
2. Calculăm probabilitatea asociată acestor
distante.
- Selectăm: transform/ compute variable

pași:

distante.
-Selectăm: transform/ compute variable
-generăm variabila p=1-CDF.CHISQ(MAH_1,2)
Unde CDF. CHISQ este funcția cumulativă de
densitate pentru distribuția Chi2, iar 2 este
numărul de variabile implicate în calcularea
distanțelor MAH_1

pași:

distante.
distanțelor MAH_1

pași:

distante.
distanțelor MAH_1
-pentru orice valoare, pentru care p ≤ 0,001
reprezintă un caz extrem multivariat.

pași:

distante.
distanțelor MAH_1
-pentru orice valoare, pentru care p ≤ 0,001
reprezintă un caz extrem multivariat.
-aici este cazul subiectului nr. 3 .
Tratarea valorilor extreme/ excesive multivariate (multivariate outliers)
În funcție de natura lor sunt:
1. Eliminate (dacă e vorba de erori)

2. Transformarea acestora
3. Efectuarea analizelor cu și fără aceste cazuri pentru comparație și raportarea
ambelor situații.
Cazuri/ valori extreme multivariate (multivariate outliers)
Referințe
1. Leys, C.; et al. (2013). "Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the
median". Journal of Experimental Social Psychology.
2. Gauss, Carl Friedrich (1816). "Bestimmung der Genauigkeit der Beobachtungen". Zeitschrift für Astronomie und verwandte
Wissenschaften. 1: 187–197
3. Link util ca exemplu: https://www.statisticssolutions.com/identifying-multivariate-outliers-in-spss/

Normalitatea – definiție
Spunem despre o distribuție că este normală dacă aceasta este redată de funcția matematică:
Aceasta este o funcție de densitate de probabilitate în care: x = variabila măsurată

σ = abaterea standard a populației
μ = media populației
e = 2,7182 (constanta lui Euler)
π = 3,1415
2 Normalitatea unei distribuții
Reprezentarea grafică a acestei funcții este schițată mai jos
Majoritatea proceselor/ manifestărilor studiate de psihologi, inclusiv cele sociale,

sunt redate/descrise destul de bine de distribuția normală, numită și Gausiană. (C.
F .Gauss)
3 Normalitatea unei variabile – caracteristici
Reprezentarea grafică și unele caracteristici ale acestei distribuții normale

4 Normalitatea și principalele %
5 Normalitatea și principalele %
Normalitatea – factori ce alterează forma distribuției
Factori care alterează normalitatea distribuțiilor
- valorile lipsă (prin absența valorilor respective distribuția e sărăcită de unele valori necesare
formei normale)
- valorile extreme/ excesive (prin prezența lor induc o deformare a formei normale)
Prin urmare înainte de testarea normalității e necesară tratarea corespunzătoare a cazurilor
lipsă, respectiv a celor extreme/ excesive.
Alți factori care pot altera normalitatea:
- erori de măsură
- valori raportate intenționat greșit (atitudinea unor subiecți)
- erori de eșantionare
- erori de transformare a datelor (dacă e cazul)
- non-normalitea unor distribuții (de ex. distribuție asimetrică)
Normalitatea – modalități de inspecție și limite
A întâlni o distribuție perfect normală este o raritate. Chiar dacă un proces ori o caracteristică ar avea
o distribuție normală a valorilor, aceasta ar fi alterată de numărul limitat de măsurători și de erorile,
inerente, de măsură. În cel mai fericit caz distribuțiile se pot apropia de distribuția normală. Acest
fapt implică stabilirea unor criterii maximale, pentru care, deși depărtată de normalitate, distribuția
poate fi aproximată ca normală.
O distribuție normală are: skewness = 0 și kurtosis = 0. Depărtarea față de valoarea < 0 > a acestor
coeficienți de asimetrie și aplatizare înseamnă și depărtare față de normalitate.
Criteriul maximal, cel mai sever (skewness = ±1 și kurtosis = ±1), pentru o distribuție considerată
încă apropiată de normalitate este unul dintre cele mai vechi (Popa, 2008), însă nu este unicul
criteriu.
Unii autori (Trochim & Donnelly, 2006; Field, 2000 & 2009; Gravetter & Wallnau, 2014) propun
criterii ceva mai permisive (skewness = ±2 și kurtosis = ±2).
Normalitatea – modalități de inspecție și limite
Alții autori (Casper J Albers, University of Groningen) propun împărțirea skewness la eroarea
standard a acesteia. Idem și pentru kurtosis. Dacă valoarea obținută este în afara intervalului ± 1,96
erori standard, ca limite de normalitate, atunci distribuția nu este normală.
-1,96 < .
> + 1,96 și -1,96 < .
> + 1,96
Alți autori merg pe ideea limitelor de non-normalitate: skewness = 3, kurtosis = 10 (Klein, 2011)
Un fapt demn de reținut: (Tabachnick and Fidell (2013)) deviațiile de la normalitate ale
coeficienților skewness și kurtosis nu produc diferențe substanțiale pentru eșantioane cu N>200.
În plus, valoarea kurtosis este dificil de interpretat dacă skewness nu este = 0. Cu atât mai mult cu
cât acest coeficient are 2 formule de calcul. Prin urmare pentru o distribuție normală kurtosis este fie
0, dacă apelăm la una dintre metodele de calcul, fie 3 dacă apelăm la cealaltă.
Nici unul dintre aceste criterii nu este suficient pentru mulțimea de forme ale distribuțiilor posibile și
dimensiuni ale eșantioanelor. Așa încât au fost propuse și elaborate teste de normalitate care
evaluează cât de mult se depărtează distribuția dată de cea normală-teoretică. Unele teste evaluează
și coeficienții de asimetrie și aplatizare succesiv, altele simultan. Altele doar estimează normalitatea.
Normalitatea univariată a unei distribuții
Atunci când acceptăm o distribuție ca situându-se între limitele de normalitate putem folosi
transformarea în note Z sau standardizarea valorilor, procedeu care conduce la o distribuție
unică “distribuția normală standardizată”.
Această distribuție are întotdeauna media = 0 și abaterea standard = 1

Mai jos sunt redate două tipuri de tabele cu valorile Z și probabilitățile asociate acestor valori
pentru o distribuție normală.
Aceste tabele sunt extrem de utile în procedeele de inferență statistică, în testarea ipotezelor ce
folosesc distribuția normală. Acest lucru nu este întotdeauna sesizabil utilizatorul neștiind ce se
află în spatele butoanelor unui pachet (soft) de analize statistice precum SPSS.
10 Tabelul valorilor z și al
probabilităților asociate
valorilor din stânga acestuia,
adică între (-∞, z).
Realitatea poate fi redată în

mai multe moduri!!
La fel și imaginile realității
(vezi tabelul următor).
11
În tabel se observă că probabilitatea

de a avea valori cuprinse intre 0 și
z=1 este: 0,3413
Rezultă că procentul acestora este:

34,13%
Prin urmare între z = -1 și z=+1,96

se află 34,13% + 34,13% = 68,26 %
dintre valori
12
În tabel se observă că probabilitatea

de a avea valori cuprinse intre 0 și
z=1,96 este: 0,4750
Rezultă că procentul acestora este:

47,50%
Prin urmare între -1,96 și +1,96 se

află 47,5% +47,5% = 95% dintre
valorile unei distribuții normale.
Normalitatea – procedee de inspectare și testare univariată
Testarea normalității datelor, condiție necesară pentru multe tipuri de analize ulterioare,
presupune compararea datelor cu o distribuție teoretică redată de curba lui Gauss numită și
curbă normală.
Testarea normalități se poate realiza prin diferite procedee însă nu toate cu același grad de
siguranță.
Înainte de orice testare este totuși utilă inspectarea graficelor de tipul (P-P plots, Histograma)
Apoi calcularea coeficienților de asimetrie (skewness) și aplatizate-boltire (kurtosis) poate
sugera normalitatea. Procedeele, deși sugestive, sunt nesigure pentru că nu țin cont simultan de
cei doi coeficienți. În general valorile apropiate de 0 pentru skewness și kurtosis sugerează o
distribuție normală a valorilor.
Mult mai sigure sunt testele de normalitate (AJTAS, 2016) de tipul:
 Testel Kolmogorov-Smirnov, inclus în SPSS
 Testul Shapiro-Wilk, inclus în SPSS
 Testul Anderson-Darling
 Testul Jarque–Bera
 Testul D'Agostino
Normalizarea sau transformarea datelor este o altă soluție în cazul eșecului la testele de
normalitate.
14 Normalitatea – procedee de inspectare și testare univariată
Testarea normalității cu SPSS. Mai jos sunt prezentate 10 valori și

transformarea acestora în note Z cu ajutorul SPSS.
Inspectarea normalității cu SPSS. Reprezentarea P-P plot.
Inspectarea normalității cu SPSS. Reprezentarea P-P plot. Se observă că
probabilitățile valorilor așteptate și celor observate se distribuie de-a lungul
liniei normale de probabilitate.
Testarea normalității cu SPPS
17
skewness = 0,670
kurtosis = -0,143
std. error skewness = 0,687

std. error kurtosis = 1,334
Testarea normalității cu SPSS
18
Aici sunt prezentate
valorile:
skewness și
kurtosis pentru cele 10
valori.
De asemenea două teste de

normalitate. Testul
Kolmokorov-Smirnov
are inclusă corecția
Lilliefors.
Prin urmare distribuția se apropie de normalitate.

19
Testarea normalității cu PAST
(un soft pentru analize statistice, elaborat în primă versiune în 1995)
Câteva caracteristici ale PAST:
- poate fi descărcat 'Past3.exe' (unzipped) sau ‘Past3.zip’ (zipped) de la adresa:

https://past.en.lo4d.com/windows
(Hammer et al., 2001)
- se instalează relativ repede, fără să ocupe mult spațiu
- are o mulțime de facilități grafice, de analiză a datelor dar și de analiză multivariată
- este destul de intuitiv în utilizare
- și, mai ales, este gratuit, autorii solicită doar citarea (Hammer et al., 2001)
20 Normal
Testarea normalității cu PAST probability plot
21
2. Selectăm
1. Se introduc Univariate/
datele pe
coloană
3. Apoi selectăm
Normality tests/
22
Se generează 3 teste de
normalitate, toate
evidențiază normalitatea.
23
Testarea normalității cu ajutorul Excel (necesită update)
Pentru a testa normalitatea cu ajutorul testului D'Agostino, unul dintre cele

mai puternice teste de normalitate, putem apela la Excel după ce facem un
update (free-download) al acestuia cu <The Real Statistics Resource Pack>
disponibil la adresa:
http://www.real-statistics.com/free-download/real-statistics-resource-pack
Tot aici găsiți și pașii pentru instalare.

Testarea normalității cu update la Excel
24
Valoarea p >
0.05
evidențiază
normalitatea.
Normalitatea – transformarea datelor (încercări de normalizare)
După evaluarea normalității datelor, în caz de eșec, uneori merită încercate

anumite transformări ale acestora care să le apropie de forma normală, sunt așa
numitele proceduri de normalizare a distribuțiilor.
Exemple:
Extragerea rădăcinii pătrate (dacă distribuția diferă moderat față de normalitate)
Logaritmarea (dacă distribuția diferă substanțial față de normalitate)
Transformarea prin funcția inversă (dacă distribuția diferă sever față de
normalitate)
În continuare, la următoarea pagină, este prezentat un tabel sintetic cu astfel de
transformări (Fidell & Tabachnick, 2001)
În caz de eșec al transformărilor putem de asemenea considera variabila dată

una de tip ordinal sau nominal și renunțăm la procedurile parametrice și vom
utiliza proceduri nonparametrice.
(Fidell & Tabachnick, 2001)

Pentru baza de date din stânga, variabila motivație nu are o distribuție
normală. Dovadă, testele de normalitate de mai jos care indică o
diferență semnificativă față de normalitate:
Prin urmare vom încerca o transformare a datelor pentru a le aduce la o

forma ceva mai aproape de normalitate. Vom calcula radicalul și
logaritmul pentru fiecare valoare și vom obține astfel două noi variabile
numită radicalul motivației (rad_motivatie) și logaritmul motivației
(log_motivație)
-Pentru acesta, selectăm Transform/ Compute Variable
-Denumim noile variabilă rad_motivație (caseta Target variable)
-Selectăm de la expresia numerică (Numeric Expression) radicalul (Sqrt) și punem ca argument
motivația. Apoi click pe OK și se generează noua variabilă.
-Repetăm procedeul și pentru logaritmare.
Testăm normalitatea pentru noile variabile rad_motivație și log_motivație și observăm că

aceste noi distribuții încep să se apropie de normalitate.
Cu alte cuvinte deși motivația nu este normală, logaritmul acesteia devine o distribuție
normală și acestei noi variabile i se pot aplica procedurile parametrice care cer condiția
de normalitate.
Normalitatea multivariată
Toate procedurile de inspecție și testare utilizate până acum au fost univariate, adică se limitează la
analiza distribuției unei singure variabile. În continuare vom aborda pe scurt definiția și maniera de
testare a normalității multivariate.
Normalitatea multivariată presupune prezența simultană, în analiză, a mai multor variabile (cel
puțin 2) ale căror compozite (combinație) de valori au o distribuție normală. Dacă avem 2
variabile, perechile de valori pot fi reprezentate grafic în plan și adăugând frecvența de apariție a
fiecărei perechi obținem o reprezentare în spațiu. Procedeul se poate continua și atunci când avem
3 sau mai multe variabile, însă reprezentarea matematică a compozitelor de valori, nu mai poate fi
realizată în spațiul tridimensional, ci într-un spațiu cu 4,5, …n dimensiuni, un spațiu virtual, numit
hiperspațiu sau spațiu vectorial.
Procedurile de evaluare a normalității multivariate presupun, prin urmare, calcule matriciale și
vectoriale.
Distanța Mahalanobis D2, utilizată și în identificarea valorilor extreme multivariate, poate fi
utilizată și ca indicator al normalității mutivariate, calculând distanțele de la compozite la
centroidul (un echivalent al mediei din distribuțiile univariate) distribuției multivariate. Dacă
distanțele Mahalanobis au o distribuție normală univariată atunci datele sugerează o normalitatea
multivariată.
Normalitatea multivariată
Expresia matematică a unei distribuții normale multivariate este redată de ecuația de mai jos:
Expresia încadrată cu roșu reprezintă de fapt distanța Mahalanobis dintre un vector aleator x și
media vectorială μ, adică:
Totuși, pentru o testare a normalității multivariate, este recomandabilă utilizarea unor teste
specifice precum:
- Cox-Small test
- Friedman-Rafsky test, cu adaptarea Smith and Jain's.
- BHEP test (bazat pe normalitatea diferențele dintre caracteristicile empirice și cele teoretice
ale unei distribuții normale)
- Henze-Zirkler test
- Shapiro-Francia and Royston tests for (non)normality
- Mardia's test (bazat pe extensia multivariată a coeficienților skewness și kurtosis)
- Doornik and Hansen omnibus test
Ultimele două teste sunt incluse în pachetul de analize statistice PAST.
Normalitatea multivariată – exemplu de testare
Pentru un eșantion de 37 se persoane a fost

aplicat
testul Wechsler Adult Intelligence
Datele celor 37 de subiecți la cele 4 subscale sunt

redate pe coloane într-o baza de date PAST.
Vom testa normalitatea multivariată pentru cele 4

subscale:
-Information
-Similarities
-Arithmetic
-Picture Completion
Selectăm din meniu: Multivariate/ Tests/ Multivariate normality

Se afișează rezultatele la testele de normalitate multivariate, respectiv Mardia tests și Doornik & Hansen
omnibus test. Dacă valoarea p > 0,05 atunci acceptăm normalitatea multivariată.
testele evidențiază
normalitate
multivariată.
Pentru meditat în timpul liber !
Referințe bibliografice
1. Gravetter, F., & Wallnau, L. (2014). Essentials of statistics for the behavioral sciences (8th ed.). Belmont, CA:
Wadsworth.
2. Field, A. (2000). Discovering statistics using spss for windows. London-Thousand Oaks- New Delhi: Sage
publications.
3. Field, A. (2009). Discovering statistics using SPSS. London: SAGE.
4. Fidell L. S., Tabachnick B. G., 2001, Using Multivariate Statistics,4th edition, Allyn & Bacon, Boston.
5. Tabachnick, B. G., & Fidell, L. S. (2013). Using Multivariate Statistics (6th ed., pp. 1–983). New Jersey:
Pearson Education Inc.
6. Kline, R. B. (2011). Principles and Practice of Structural Equation Modeling(5th ed., pp. 3–427). New York: The
Guilford Press.
7. Trochim, W. M., & Donnelly, J. P. (2006). The research methods knowledge base (3rd ed.). Cincinnati, OH:Atomic
Dog.
8. American Journal of Theoretical and Applied Statistics, 2016; 5(1): 5-12

Published online January 27, 2016, http://www.sciencepublishinggroup.com/j/ajtas)
doi: 10.11648/j.ajtas.20160501.12
Metodologia cercetării
Modele de cercetare experimentale
Motto
"Nature, will best respond to a logical and carefully thought out questionnaire"
(Ronald A. Fisher)
1
5
Metodologia cercetării Motto
Un tabel al modelelor de cercetare este prezentat John A. Schinka,

Wayne F. Velicer, Irving B. Weiner (2003) redat mai jos :
Doar o parte dintre aceste modele de cercetare prezintă interes pentru

disciplinele sociale si comportamentale. În continuare urmează să fie
prezentate o parte dintre acestea.
Aceste modele, denumite și modele experimentale veritabile, sunt
apreciate ca având o validitate internă bună şi se caracterizează
printr-un control adecvat al variabilelor externe care, în lipsa unui
control adecvat, pot să ofere alternative explicative ce sunt atribuite în
mod eronat variabilelor independente.
2
5
3
5
3.1. Modelul – unifactor (IV) complet randomizat (completely randomized single-factor

design) sau design cu eșantioane independente
Mai este denumit: beetwen subjects design, independent-groups design,

posttest-only control-group design, after-only research design, randomized
two-group design. Prin desemnarea aleatorie a subiecţilor fiecărui grup din
experiment se obţine echivalenţa grupurilor.
În mod normal acest design este evaluat prin F-test (ANOVA simplă sau
complet randomizată) sau prin oricare dintre testele folosite pentru
independent-groups design.
4
5

Este important să facem diferenţa dintre desemnarea aleatorie şi eşantionarea

aleatorie.
- Eşantionarea aleatorie implică selectarea aleatorie a subiecţilor dintr-o
populaţie precizată.
- Desemnarea aleatorie înseamnă desemnarea unui eşantion de subiecţi
fiecărei condiţii experimentale avute în vedere.
Situaţia în care un eşantion de subiecţi inclus într-un experiment este sau nu
rezultatul unei eşantionări aleatorii determină gradul în care cercetătorul va
putea face generalizările concluziilor sale.
5
5
Modelul complet randomizat cu 1 factor (B)
Niveluri Factor B
IV B1 B2 B3 … Bk … Bb
DV X1(n1) X2(n2) X3(n3) … Xk(nk) … Xb(nb)
unde n1, n2, …, nk sunt eșantioane distincte,

acestea pot să fie egale sau nu ca volum. b ≥ 2
6
5

Ex.1. Evaluarea performanței mnezice în funcție de procedeul mnezic folosit

IV – tipul de grup (Grup exp.1, Grup exp.2, Grup control)
DV – performanța mnezică
Ex.2. Evaluarea relației dintre tipul de efort intelectual și fatigabilitatea neuronală

IV – tipul de sarcină (calcul aritmetic, silogism logic, memorare-reproducere, inferență
semiotică)
DV – fatigabilitatea neuronală
7
5
3.2. Modelul – unifactor (IV) cu măsurători repetate (single-factor repeated-measures

design) sau design cu eșantioane dependente.
Denumit şi model cu măsurători repetate simplu. Alte denumiri: the matched-
subjects/groups design, single-factor within-subjects design, the correlated-groups design
sau treatment-by-subjects design.
Util mai ales în studiile care au în vedere învăţarea, praxisul, trainingul, etc. Spre
deosebire de designul anterior în care subiecţii dintr-un grup sunt supusi unui singur nivel
al variabilei independente, aici aceştia sunt supuşi fiecărui nivel din cele k ale variabilei
independente.
Marele avantaj este că necesită mai puţini subiecţi şi astfel se reduce variabilitatea dintre
subiecţi şi în consecinţă eroarea de măsurare. Designul are putere mai mare şi este mult
mai sensibil la efectul experimental
Designul are dezavantajul transmiterii unor efecte (carry-over effects) de la o măsurătoare
la alta.
8
5
Modelul unifactorial cu măsurători repetate (factorul B = IV)
Niveluri Factor B
IV B1 B2 B3 … Bk … Bn
DV X1(n) X2(n) X3(n) … Xk(n) … Xn(n)
9
5
3.2. Modelul – unifactor (IV) cu măsurători repetate (single-factor repeated-

measures design) sau design cu eșantioane dependente.
Ex.1. Evaluarea relației dintre tipul de efort intelectual și fatigabilitatea neuronală

IV – tipul de sarcină (calcul aritmetic, silogism logic, memorare-reproducere, inferență
semiotică)
DV – fatigabilitatea neuronală
Ex.2. – Evaluarea relației dintre ritmul cardiac și tipul de examen

IV – tipul de examen la admitere (reproducere text, grilă, colocviu)
DV – ritmul cardiac
10
5
3.2. Modelul – unifactor (IV) cu măsurători repetate (single-factor repeated-

measures design) sau design cu eșantioane dependente.
scris grila Colocviu

S1 79 74 84
S2 80 75 88
S3 84 80 85
S4 86 82 86
S5 85 83 80
S6 80 79 83
11
5
3.2. Modelul – unifactor (IV) cu măsurători repetate
12
5
13
5
14
5
15
5
3.6. Un model particular mixt este modelul Solomon cu patru grupuri.
David Sheskin, Statistical Tests and Experimental Design, A Guidebook, Gardner Press, NY & London, 1984
16
5
Grup A Pretest(T1) Factor-X post-test(T2)
Grup B Pretest(T1) post-test(T2)
Grup C Factor-X post-test(T2)
Grup D Modelul
Solomon cu 4 grupuri post-test(T2)
17
5
Modelul experimental
Modele de cercetare experimentale pre-test/post-test
cu grup de control
Grup B Pretest(T1) post-test(T2) O combinație

de 2 modele
Grup D Modelul post-test(T2)

Solomon cu 4 grupuri
Modelul quasi-experimental
al grupurilor statice 18
5 pre-existente
Grup B Pretest(T1) post-test(T2) Intersecția

celor 2 modele

Modelul quasi-experimental
pre-test/post-test cu grupuri
19
separate
5
cu grup de control
Grup B Pretest(T1) post-test(T2)

Modelul quasi-experimental Modelul quasi-experimental
pre-test/post-test cu grupuri al grupurilor statice 20
separate pre-existente
5
Încărcătura de influențe
Grup A Pretest(T1) Factor-X post-test(T2) AT2=T1, X, M, H
Grup B Pretest(T1) post-test(T2) BT2=T1, M, H

CT2=X, M, H
Grup D Modelul post-test(T2) DT2=M, H

21
5
cu grup de control
Grup A Pretest(T1) Factor-X post-test(T2) FA=T1, X, M, H
Grup B Pretest(T1) post-test(T2) FB=T1, M, H

FC=X, M, H
Grup D Modelul post-test(T2) FD=M, H

Modelul quasi-experimental Modelul quasi-experimental
pre-test/post-test cu grupuri al grupurilor statice 22
separate pre-existente
5
T1 –pre testarea
T2 –post testarea (conține factorii: maturare-M, istorici-H)
1. (AT2 – BT2) - (CT2 – DT2) = influența pretestării, atât cu factorul X cât și

fără factorul X
2. (BT2 – DT2) = influența pretestării fără factor X
3. (AT2 – CT2) = influența pretestării cu factor X
4. (AT2 – BT2) – (AT1- BT1) = influența factor X
5. (DT2 - BT1) = influența factorilor externi necontrolați
23
5
1. Propuneți un model de cercetare cu măsurători

repetate
2. Propuneți un model de cercetare mixt tip
Solomon
24
5
3.3. Modelul factorial (IV) complet randomizat. (completely randomized Z-

variable factorial design also referred to as treatment-to-treatment design)
Utilizat pentru a evalua efectul celor Z-factori(IV) asupra variabilei

dependente(DV), unde Z ≥ 2. Dacă a = nivelul (nr. de categorii) factorului A,
b = nivelul (nr. de categorii) factorului B, ... z = nivelul (nr. de categorii)
factorului Z atunci: a (x) b (x) c (x)...(x) z reprezintă numărul total de grupuri
rezultate din toate combinațiile posibile ale nivelurilor celor Z factori. Aceste
grupuri sunt independente, fiecare subiect fiind desemnat aleator în aceste
grupuri. În continuare avem un tabel al acestui model factorial cu 2 variabile
independente.
25
5 The term factorial design seems to first appear in Fisher’s book The Design of Experiments (1935): chapter VI is called “The Factorial Design in Experimentation.
26
5
Modelul complet randomizat cu 2 factori (A și B)

Niveluri Factor B
Niveluri
Factor A B1 B2 B3 … Bk … Bb Σ linii
A1 A1B1 A1B2 A1B3 … A1Bk … A1Bb ΣA1

… … … … … … … … …
Aj AjB1 AjB2 AjB3 … AjBk … AjBb Σaj
… … … … … … … … …
Aa AaB1 AaB2 AaB3 … AaBk … AaBb Σaa
Σ coloane ΣB1 ΣB2 ΣB3 … ΣBk … ΣBb ΣAB
27
5
Modelul factorial complet randomizat numit uneori și model factorial

transversal complet (fully crossed design) caută să investigheze atât efectul
fiecărui factor asupra variabilei dependente cât și efectul interacțiunii dintre
factori asupra variabilei dependente.
Adesea factorii au 2-3 niveluri (categorii). Dacă modelul are mulți factori și
multe niveluri devine logic și operațional puțin fezabil și atunci se folosește
modelul, numit generic, modelul factorial fracționat, model care folosește doar
o parte din combinațiile nivelurilor factorilor, celelalte fiind omise/blocate.
Dacă avem 2 factori cu 2 niveluri fiecare atunci modelul se mai numește model
factorial 2 x 2. Similar dacă avem 3 factori cu 2 niveluri modelul este unul
factorial 2 x 2 x 2.
28
5 The term factorial design seems to first appear in Fisher’s book The Design of Experiments (1935): chapter VI is called “The Factorial Design in Experimentation.
29
5

Formula de calcul a numărului de combinații ale factorilor este una simplă
N= (niveluri i)(#factori cu niveluri i) , unde k este nivelul cel mai mare.
Ex.1. -1 factori cu 2 niveluri și 1 factor cu 3 niveluri, N = 21x31 = 2x3 = 6

Ex.2. -3 factori cu 2 niveluri și 1 factor cu 3 niveluri, N = 23x31 = 8x3 = 24
Ex.3. -4 factori cu 2 niveluri și 2 factori cu 3 niveluri, N = 24x32 = 16x9 = 144
30
5
3.3. Modelul factorial (IV) complet randomizat. (completely randomized Z-variable factorial
design also referred to as treatment-to-treatment design)
Una dintre problemele acestui model este posibila inegalitate a volumului eșantioanelor
desemnate fiecărei combinații de niveluri, numită nonortogonalitate care generează o serie
de dificultăți de analiză, motiv pentru care o modalitate des utilizată este radierea cazurilor
în plus, din eșantioanele mai mari.
Variante de analiză a efectelor:

ANOVA factorială – Analizează efectul factorilor IVs asupra DV
Analiza de regresie – Utilizează modelul matematic al unei ecuații numită ecuația de
regresie cu DV fiind o expresie a factorilor IVs combinați + o valoare reziduală (variabilitate
neexplicată de acești factori)
Analiza Yates – Folosește ANOVA factorială pentru factorii IVs cu valori dihotomizate în
valori mici/mari, sub mediană/peste mediană, (-,+) 31
5 In statistics, a Yates analysis is an approach to analysing data obtained from a designed experiment, where a factorial design has been used (http://en.wikipedia.org/wiki/Yates_analysis)

Ex.- măsurarea rezilienței (DV) în funcție de factorii vârstă(IV_1), gen(IV_2)

și etnie(IV_3). Fiecare combinație de categorii reprezintă un eșantion
independent, subiecții fiind alocați aleator.
vârstă(IV_1) – sub 25 ani/peste 25 ani

gen(IV_2) – feminin/ masculin
etnie(IV_3) – nativ american/ hispanic / chinez
Numărul total de categorii: 22x31=12 32

5
Genul Etnia Categoria de vârstă Reziliența

1 F nativ-american sub 25 de ani 22,22,21,24
2 F nativ-american peste 25 de ani 23,19,20,23
3 F hispanic sub 25 de ani 21,22,23,20
4 F hispanic peste 25 de ani 19,18,20,21
5 F chinez sub 25 de ani 22,23,26,24
6 F chinez peste 25 de ani 23,24,20,25
7 M nativ-american sub 25 de ani 25,25,26,23
8 M nativ-american peste 25 de ani 24,20,22,23
9 M hispanic sub 25 de ani 27,24,24,20
10 M hispanic peste 25 de ani 18,20,20,23
11 M chinez sub 25 de ani 22,22,24,19
12 M chinez peste 25 de ani 19,19,22,22
33
5
34
5
35
5
Efect principal Efect principal

total Interactiune factori
categ_vrst
36
5
37
5
Fig. a Fig. b Fig. c
38
5
Concluzii:
1. Prezența efectelor principale indică existența unei

semnificații statistice.
2. Absența interacțiunii între 2 variabile se traduce prin
paralelismul liniilor
3. Prezența interacțiunii între 2 variabile se traduce, în
general, prin intersecția acestora (interacțiune disordinală –
Fig. a) la nivelul graficului sau prin neintersectarea
acestora la nivelul graficului (interacțiune ordinală Fig. c).
39
5
Exemplu de interacțiune:
Vorbim de interacțiune atunci când efectul unei variabile independente

este diferit pentru nivelurile unei alte variabile independente.
De exemplu testăm efectul a două variabile(genul, f-m și vârsta, t-a-b)

asupra performanței. Constatând că pentru bărbați performanța diferă
în funcție de vârstă (scade odată cu vârsta) pe când la femei
performanța nu depinde de vârstă vom putea susține că vârsta și genul
interacționează sau că avem o interacțiune gen/vârstă.
40
5
3.4. Modelul bloc randomizat/modelul randomizării pe categorii (randomized block design

also referred to as a treatment x level design, a treatment x block design, a stratified design).
Este în fapt o particularizare a modelului precedent în care unul dintre factori(una dintre
variabile IV) este grupat. În exemplul din Tabelul 3.3 dacă factorul B este grupat, atunci
fiecare dintre nivelurile b ale factorului B are (a) x (n) subiecți, fiind omogene în raport cu
factorul B. (de ex. nivelul Bk este format din grupuri omogene in raport cu factorul B – un
grup pentru fiecare nivel al factorului A – de volum = n subiecti )
Acest model asumă faptul că cele « a » grupuri – determinate de nivelurile factorului A –

care sunt grupate în raport cu nivelul Bk al factorului B sunt aleator desemnate celor « a »
niveluri ale factorului A.
41
5
grupuri
omogene de
volum = n
42
5
Modelul complet randomizat cu 2 factori

Niveluri Factor B
Niveluri
Factor A B1 B2 B3 … Bk … Bb Σ linii

… … … … … … … … …
Aj AjB1 AjB2 AjB3 … AjBk … AjBb Σaj
… … … … … … … … …
Aa AaB1 AaB2 AaB3 … AaBk … AaBb Σaa
Σ coloane ΣB1 ΣB2 ΣB3 … ΣBk … ΣBb ΣAB
43
5
3.4. Modelul bloc randomizat/modelul randomizarii pe categorii
Ex.- măsurarea rezilienței (DV) în funcție de factorii vârstă(IV_1), gen(IV_2) și

etnie(IV_3). Fiecare combinație de categorii reprezintă un eșantion independent, subiecții
fiind alocați aleator (n ex.a). Gruparea unui nivel al factorului etnie (de ex. hispanici)
conduce la modelul bloc randomizat.
44
5

1
2
5
6
7
8
11
12
45
5
Blocul/Grupul - hispanici

46
5
47
5
48
5
49
5
Referințe
1. Campbell, D.T., & Stanley, J.C. (1963) Experimental and Quasi-Experimental Designs for Research. Skokie, I11.
Rand-McNally.
2. Stephen Isaac, & William B. Michael, (1974) Handbook in Research and Evaluation, Robert R. Knapp, Publisher, San
Diego, California.
3. Christensen, L.B. (1980) Experimental methodology (2nd ed.) Boston, Allyn & Bacon.
4. David Sheskin. (1984) Statistical Tests and Experimental Design, A Guidebook, Gardner Press, NY & London.
5. John M. Neale, & Robert M. Liebert (1986) Science and Behavior - An Introduction to Methods of Research, Prentice-
Hall, New Jersey.
6. Schinka, J. A., Velicer, W. F., & Weiner I. B. (2003) Handbook of Psychology -volume -2- Research Methods in
Psychology, John Wiley & Sons, Inc., Hoboken, New Jersey
50
5
Motto
3.7. Modelul cu niveluri ale factorilor incluse / modele ierarhice (design with nested
factors also referred to as a hierarchical design). Modelele factoriale prezentate anterior
au fost modele factoriale cu niveluri încrucișate.
1
5
Exemplu:
Factorul A=statutul social: A1=minor/A2=major
Factorul B=nivelul educational: B1-primar/ B2-liceal/ B3-formare profesionala/ B4-
studii universitare.
Design complet încrucișat Design cu niveluri incluse (grupate în cuiburi)

Statut social Statut social Statut social
Minor Major (A1)Minor (A2)Major
Profesional
Primar A1B1 A2B1 A1B1
Primar
Nivel educațional
Nivel educațional
A2B3
Nivel educațional
Liceal A1B2 A2B2
Universitar
Profesional A1B3 A2B3
Liceal A1B2 A2B4
Universitar A1B4 A2B4
2
5
Design ierarhic cu 3 niveluri
3
5
3.8. Modelul pătratului-latin (latin-square design) Este un model conceput pentru a

contrabalansa efectul de învătare sau de ordine a tratamentului (carry-over effect) Un
exemplu de model 3 X 3 și 4 x 4 al pătratului latin este redat mai jos, unde A, B, C...
reprezintă în cazul modelelor unifactoriale nivelurile IV, iar în cazul modelelor factoriale
combinații ale nivelurilor acestor factori.
A B C D
A B C D C A B
B C A B A D C
C A B C D B A
Unul dintre dezavantaje este necesarul de grupuri egal cu numărul de celule din tabel.
4
5
Ex.1- evaluarea creativității pentru 3 grupuri, în funcție de momentul zilei (în cazul
unifactorial)
A= dimineața,
B= mijlocul zilei
C= seara
Ex.2- evaluarea creativității în funcție de momentul zilei (zi-Z / noapte-N) și spațiul de

testare (spațiu îngust-SI / spațiu larg-SL) conduce la 4 categori (în cazul bifactorial):
A=Z+SI,
B=Z+SL,
C=N+SI,
D=N+SL
5
5
Modele de cercetare cu un singur Subiect
Considerate fie experimentale, fie quasi-experimentale, existând o dezbatere între autori, pe

această temă. Utile mai ales în studiile clinice, cele de optimizare, formative, etc. Barlow and
Hayes (1979).
4.1. Modelul ABAB / modelul reversibil (ABAB design / reversal design). Este un
model care are 4 faze cu 2 suplimentar față de modelul quasi-experimental AB oferind 3
tranziții care pot fi observate A-B, B-A și din nou A-B.
Faza A – pretestarea DV,
Faza B – testarea DV după acțiunea IV,
Faza A – retragerea IV și retestarea,
Faza B – readucerea IV testarea din nou a DV
(R) A B A B
6
5
4.1. Modelul ABAB / modelul reversibil (ABAB design / reversal design).
Exemplu - testarea performanței unui sportiv în condiții de stres. Se face o primă testare
inițială (baseline), apoi se aduce IV (factorul stres) și se măsoară performanța în condiții
de prezență a acestui factor. Se retrage apoi IV și se măsoară din nou performanța iar în
final se măsoară din nou performanța în condițiile de revenire a factorului stres.
factorul factorul
randomizarea
(R) A B A B
baseline baseline
7
5
Tratamentul 1 are efect numai o

perioada scurtă de la momentul
adminstrării.
Tratamentul 2 nu are efect.
Tratamentul 3 are efect stabil încă de

la prima adminstrare, orice
intervenție ulterioară rămâne fără
efect suplimentar..
8
5 Glass, Wilson, and Gottman (1975) susțin că modelul ABAB este un model simplificat al seriilor de timp
Exemple de utilizări
1. Studiul factorilor care influențează achiziția limbajului
2. Studiul stabilității efectelor factorilor terapeutici
3. Studiul proceselor de maturare cu măsurători repetate la introducerea și retragerea IV
(AB AB AB…)
Avantajele modelului
1. Oferă 3 tranziții care pot fi observate, eventualele diferențe pot pune în
evidență adaptarea/neadaptarea, maturarea.
2. Este relativ simplu de aplicat.
3. Evidențiază dacă efectul factorului IV are stabilitate sau nu.
Limitele modelului
1. Nu avem un control al variabilelor externe.
2. Nu știm dacă două tipuri de tratamente diferite produc efecte diferite.
3. Considerentele etice în cazul în care există beneficii pentru subiect.
5
(O soluție este modelul multi base-line) 9
4.2. Modelul multi-baseline (multiple baseline design) presupune mai multe măsurători ale
DV.
Introducerea tratamentului are efect,
indiferent de subiect.
Introducerea tratamentului nu are

efect asupra subiecților B și C. Efectul
începe odată cu introducere
tratamentului pentru subiectul A.
Există un alt factor care produce
modificarea față de baseline.
10
5
4.2. Modelul multi-baseline (multiple baseline design) are 3 variante în funcție de ce

anume se măsoară inițial:
1. Baseline pentru comportamente diferite (același subiect, același context,

comportamente diferite)
2. Baseline pentru situații diferite (același comportament, același subiect, contexte
diferite)
3. Baseline pentru subiecți diferiți (același comportament, același context, subiecți
diferiți)
O problemă de ordin metodologic apare atunci când comportamentul nu se modifică

imediat cu introducerea tratamentului (IV) sau când efectul tratamentului se extinde și
asupra celorlalte comportamente, situații sau asupra celorlalți subiecți.
11
5
4.2.1. Modelul multi-baseline pentru comportamente/caracteristici diferite.
Acest model presupune o măsurătoare inițială -baseline- pentru toate cele k

comportamentele. Apoi este aplicat factorul IV la comportamentul 1 (DV1), iar
celelalte k-1 comportamente (DVs) sunt considerate de control. Apoi se aplică IV la
comportamentul 2 (DV2) iar cele k-2 comportamente (DVs) rămase sunt considerate
de control și se măsoară la baseline. Evident IV este menținută în continuare și la
comportamentul 1. Se continuă până la epuizarea tututor celor k comportamente.
Exemplu – pentru evidențierea abilităților sociale au fost înregistrată proporția

contactului vizual în timpul dialogului, numărul de cuvinte rostite și cel al cererilor
formulate. Ulterior în decursul unui training (IV) de 3 săptămâni, 15-20 min./sesiune,
au fost înregistrate pe rând toate aceste comportamente și de asemenea asertivitatea
generală.
12
5
4.2.1. Modelul multi-baseline pentru

comportamente/caracteristici diferite.
13
5
4.2.2. Modelul multi-baseline pentru condiții diferite.
În acest model aceeași caracteristică (DV) este studiată sub acțiunea factorului (IV)
în k situații diferite. Pentru fiecare situație, caracteristica (DV) este comparată cu
cele k-1 situații rămase neexpuse la IV.
Exemplul 1: Evaluarea adaptabilității (DV) pe timp de noapte (IV) în condiții de

ploaie, de polei, de ceață, de ninsoare și de vânt puternic.
Exemplul 2: Hiperventilația pulmonară/min. (DV) în încăperi (condiții) diferite

asociată comportamentelor punitive la persoane cu epilepsie (vezi mai jos)
14
5
4.2.1. Modelul multi-baseline pentru

situații/contexte diferite.
15
5
4.2.3. Modelul multi-baseline pentru subiecți
În acest model aceeași caracteristică este evaluată pentru k subiecți, pe

rând la acțiunea factorului (IV) și este comparată cu a celorlalți k-1
subiecți neexpuși încă la (IV).
Exemplu 1. Evaluarea asertivității (DV) în condițiile unui training

asertiv cu o durată de 3-4 săptămâni (IV)
16
5
Trainingul are efect Trainingul nu are efect
17
5
1. Manifestarea subiectului este particularizată, unică
2. Nu are limitările etice ale modelului ABAB
3. Surprinde evoluția DV
4. Oferă o putere mai mare predictivă prin contextele/subiecții/comportamentele
diferite pentru care se fac măsurătorile
Limitele modelului
1. Nu controlează factorii externi, îi poate doar identifica
2. Apar restricții etice dacă încercăm să repetăm acțiunea IV
3. Poate să apară o extindere a influenței IV la subiecți/comportamente încă înainte
de aplicare IV la toți subiecții/ toate comportamentele.
4. Măsurătorile repetate pot transporta parte din efectele măsurătorilor anterioare
18
5
4.3. Modelul ABCB (ABCB design ) Este o variantă a modelului ABAB.
În acest model avem 4 faze:

1. o evaluare inițială este realizată asupra unei caracteristici (DV)
2. are loc o stimulare a subiectului pentru a manifesta caracteristica (DV)
3. se continua faza 2 dar fără o contingență cu manifestarea DV
4. se revine la faza 2
Exemplu: Adaptarea la durere, cu stimulare pozitivă (poate fi orice formă de gratificare

care poate compensa formele ușoare ale durerii). Inițial se măsoară (DV) la baseline. Apoi
se introduce o gratificație cu efect asupra (DV) – ciocolată extrafondantă. În faza 3 se
continuă cu o gratificație non-contingentă (aprecieri verbale). Se revine la gratificația
contingentă.
19
5
1. Avantajele modelului ABAB
2. Pune în evidență, în plus, eventuale efecte de tip ,,placebo” (faza 3)
Limitele modelului
1. Limitări de natură etică
2. Absența controlului variabilelor externe
3. Efectele de tip istoric mai puțin controlabile față de modelele în care sunt mai
multe măsurători repetate.
20
5
4.4. Modelul interacțional (interaction design) Are în vedere determinarea unui efect
interactiv între 2 sau mai mulți factori-tratament. Are mai multe faze.
1. se face o măsurătoare inițială -A- în absența factorilor

2. se introduce factorul B
3. se introduce factorul C
4. se introduc simultan BC
O sucesiune a fazelor arată cam în felul următor : A-B-BC-B-A-C-BC-C-A.

Uneori se folosesc 2 subiecți cu următoarele succesiuni :
S1- A-B-A-B-BC-B-BC.
S2- A-C-A-C-BC-C-BC.
Ex.- evaluarea abilităților terapeutice (DV) în condiții de filmare (B) și în condiții de

analiză ulterioară a sedințelor de lucru (C)
21
5
4.5. Modelul multi-agenda (multiple-schedule design).
Dacă în modelul multi-baseline pentru k comportamente, comportamente

relativ independente sunt expuse pe rând la (IV), în acest model un anumit
comportament/manifestare este expus/ă diferit sub variate condiții de
stimulare.
Exemplu - evaluarea răspunsului optim la stres în condiții de lumină slabă,

puternică, albastră.
22
5
4.6. Modelul cu schimbare de criteriu (changing-criterion design).
Modelul presupune o măsurare initială a DV, apoi se aplică factorul IV care este
menținut până când se atinge un anumit criteriu valoric pentru DV, apoi se continuă cu
IV până când se atinge un nou criteriu, mai dificil. Se continuă până la epuizarea
criteriilor sau până când subiectul stagnează la un anumit nivel-criteriu.
Exemplu - evaluări în procesele de învățare, fiecare nou nivel de parcurs (noul criteriu)
este prezent numai după parcurgerea nivelului anterior (criteriul precedent)
În analiza datelor în cazul modelelor de cercetare cu un singur subiect cei mai mulți
autori recomandă utilizarea procedurilor analiză a seriilor de timp, ANOVA pentru
design cu un singur subiect, testele de randomizare(randomness), testele de
tendință(trend) a mediei/varianței.
23
5
4.6. Modelul cu schimbare de criteriu (changing-criterion design).
(DV) - cunoștințe
de psihologie
(IV3)
(IV2)
Timp
(IV1)
24
5
Teste de randomizare, Motley & Malcolm (1989), sunt extrem de utile

în explorarea modelelor de cercetare cu un singur subiect.
Utilitatea acestora se rezumă la câteva aspecte:
- descrierea seriilor de puncte(măsurători)

- evaluarea modificărilor de baseline
- suport pentru reprezentările grafice
- analiză preliminară utilizării unor proceduri complexe de analiză
statistică
25
5
Conform Motley & Malcolm (1989), alegerea tipului de test depinde

de tipul de ipoteză alternativă aleasă:
(1) Seria de valori este aleatorie.

(2) Seria de valori conține variații ciclice.
(3) Există o tendință a mediei seriei.
(4) Există o tendință a variabilității seriei.
26
5
Exemplu A.
O serie de valori (la 10 momente) ale variabilei dependente
27
5
Exemplu C.
O de serie de valori (la 10 momente) ale variabilei dependente
28
5
Unul dintre testele de randomizare este testul valorilor de întoarcere

(turning points test).
Acesta este foarte simplu de aplicat, contorizând, de fapt numărul de

schimbări ale valorilor unei serii. Acesta evaluează valorile mari
(vârfuri-peaks) și valorile mici (văi-troughs) din triadele de valori. O
valoare de întoarcere este de tipul peak dacă este mai mare decât
valorile învecinate și este de tipul trought dacă este mai mică decât
valorile învecinate. Într-o serie de 3 valori, probabilitatea de a avea
valori de întoarcere în sus/în jos este 2/3 = 0,66
29
5
Într-o serie cu n valori, probabilitatea de a avea valori de întoarcere

este:
P(T) = 2/3 (n-2)
Bradley (1968) utilizând o formulă recursivă a calculat tabelul cu

probabilitățile de distribuție. O copie a acestui tabel este prezentată
mai jos. Tabelul are două variante, cu N<11și N ≥ 11 când distribuția
se apropie de una normală
30
5
31
5
Pentru Exemplul A, avem:
T = 3(p) +3(t) = 6.
În tabelul lui Bradley, varianta 2.a, avem pentru T=6 și N=10, o
probabilitate (p)= 0.8329.
Ceea ce însemnă că nu putem respinge ipoteza de nul ce susține că

distribuția valorilor este aleatorie.
32
5
Un alt test de randomizare este testul diferenței semnului (difference-

sign test)
Acesta inspectează incrementul oricărei valori față de cea precedentă.

Se notează cu 1 dacă o valoare este mai mare decât precedenta și 0
dacă este mai mică decât precedenta.
Astfel,
pentru Exemplul A vom avea următoarea secvență de 0/1: 010010110
pentru Exemplul C vom avea: 011101010
33
5
Se totalizează numărul de valori 1. Probabilitatea de a observa

valoarea 1 este dată de P(T) = ½ (n-1) unde n este numărul de valori
ale seriei.
Probabilitățile pentru distribuția valorilor T a fost calculată de Moore

& Wallis (1943) și este redată în Table 5. Acesta prezintă probabilitatea
valorilor T pentru serii cu lungimea cuprinsă între 2 ≤ T ≤ 12
34
5
35
5
Pentru Exemplul C, avem pentru secvența 011101010, T= 5.

Din tabel, constatăm că pentru T=5 și N=10 avem valoarea p=1. Prin urmare
avem o distribuție aleatorie a semnelor.
36
5
Există și alte teste precum:
Phase-length test
Dufour’s test
Kendall’J tau test (tendința mediei)
The Records test (tendința varianței)
Detaliile privind modul de utilizare al acestora și diferențele dintre

acestea sunt redate de Motley & Malcolm (1989)
37
5
Referințe
1. GLASS,G. V., WILLSON,V.L., & GOTTMAN,J. M., 1975, Design and analysis of time-series experiments. Boulder,
CO: University of Colorado Press.
2. Christensen, L.B. Experimental methodology (2nd ed.) Boston, Allyn & Bacon, 1980.
3. David Sheskin, Statistical Tests and Experimental Design, A Guidebook, Gardner Press, NY & London, 1984
4. Handbook of Psychology -volume -2- Research Methods in Psychology, John A. Schinka, Wayne F. Velicer, Irving B.
Weiner, John Wiley & Sons, Inc., Hoboken, New Jersey, 2003.
5. Stephen Motley, Malcolm Adams (1989). Some simple statistical tests for exploring single-case time-series data,
British Journal of Clinical Psychology, 28. 1-18
38
5
Motto
Dacă în cercetarea cantitativă materialele/datele brute le reprezintă

cifrele, în cercetarea calitativă materialele/datele brute le reprezintă
cuvintele. Evident diferența este mult mai mare decât aceea dintre
cifre și cuvinte. Cuvintele pot să provină din descrieri, transcrieri,
înregistrări, etc.
Diferența este în primul rând de ordin epistemologic, cercetarea

cantitativă sprijinindu-se pe pozitivismul logic, pe când cercetarea
calitativă pe înțelegerea dezvoltării respingând adesea vehement
pozitivismul logic.
1
5
La întrebarea cum te simți azi?
Cantitativ avem variante de genul: Calitativ avem o descriere de genul:

1. foarte obosit Azi mă simt obosit și încă de dimineața
2. obosit a început o stare de ușoară indispoziție
3. “asa și asa” din cauza unei dureri la articulația
4. disponibil genunchiului.
5. foarte odihnit
2
5
Definiție:
O procedură de recoltare a datelor empirice care investighează un număr relativ mic

de cazuri (uneori doar unul singur), în condițiile unei interacțiuni strânse între
cercetător și cazurile respective (Schwab, 2005)
Obiective vizează:
Atitudinile, modelele comportamentele cotidiene, experiențele individuale în relația

cu mediul social și interpersonal, valorile și normele culturale, comunicarea
interpersonală, verbală și nonverbală.
3
5
Caracteristici ale cercetării calitative
 Surprinde viața reală, în acest scop este prezervată libertatea și naturalețea de

gândire și de reacție a participanților.
 Cercetarea este efectuată într-o relație cât mai strânsă dintre cercetător și obiectul
studiului.
 Punctul de vedere și modul de exprimare al participanților este în centrul
demersului de cercetare.
 Nu își propune în mod necesar confirmarea unor ipoteze ci căutarea și
descoperirea adevărului, oricare ar fi acesta.
 În forme mai radicale de cercetare calitativă cercetătorii se identifică cu
participanții, intrând în colaborare cu aceștia.
4
5
Caracteristici ale cercetării calitative
 Focusarea pe semnificația comportamentelor umane în context social și nu pe

izolarea acestora
 Abordare este ”holistă” demersul de cercetare este o relație între cercetător și

persoanele investigate nu o analiză la microscop a fenomenelor psihice.
 Rezultatele unei cercetări nu rămân sub formă de reflectare neutră ci activă,

permițând o mai mare libertate cercetătorului.
 Obiectivul nu este descoperirea cauzelor, ci înțelegerea modului de gândire,

resorturile comportamentelor și atitudinile oamenilor în anumite situații concrete.
5
5
Avantaje ale cercetării calitative
 Permite o mult mai bogată descriere a realității, evitând simplificarea

impusă de abordarea cantitativă.
 Există aspecte ale manifestărilor care nu pot fi exprimate ușor sub
formă numerică.
 Unele manifestări nu se pliază pe modelele teoretice de tip cantitativ
mai ales în privința predictibilității.
 Permit cercetătorului să formuleze întrebări care altfel ar fi fost
dificil de exprimat în manieră cantitativă cum ar fi experimentarea
unei anumite stări sau traversarea unor evenimente traumatice.
 Permite studierea în profunzime și în detaliu a unei persoane.
6
5
Avantaje ale cercetării calitative
Datele brute obținute sunt relativ ușor de cules, ușor de înțeles și

lecturat comparativ cu cele cantitative care trebuie traduse adesea într-
un limbaj natural.
Metodele calitative sunt utile pentru generarea de ipoteze, pentru
cercetări exploratorii sau orientate spre descoperire.
Permit o abordare mult mai flexibilă inclusiv cu modificare de
protocol chiar în timpul derulării procesului. Colectarea datelor nu este
constrânsă de preexistența unor ipoteze.
Abordare de tip self-report oferă mult mai multă libertate
participanților, întrebările deschise oferind acestora șansa de a
răspunde într-un mod personal, cu propriile cuvinte. 7
5
Validitatea cercetărilor calitative
 Aspecte controversate între paradigma cantitativă și cea calitativă

presupune:
 validitatea observațiilor (măsurare)
 validitatea concluziilor cercetării (validitate internă)
 Dacă în cercetările cantitative avem:
 standardizarea instrumentelor de măsură
 neimplicarea cercetătorului
 controlul variabilelor
 În cercetările calitative
 Controlul și obiectivitatea sunt limitate sau lipsesc.
8
5
Planificarea unei cercetări calitative
• (1) selectarea temei • (9) descrierea procedurii de analiză a

• (2) evaluarea semnificației studiului datelor
• (3) definirea conceptelor • (10) amplificarea calității datelor
• (4) stabilirea obiectivelor • (11) clarificarea problemelor de natură
• (5) alegerea modelului de cercetare etică
• (6) fixarea cadrului teoretic • (12) prezentarea limitelor studiului
• (7) alegerea metodelor de colectare a • (13) elaborarea concluziilor
datelor • (14) publicarea rezultatelor
• (8) planificarea colectării datelor • (15) lista de referințe bibliografice.
9
5
Aspecte legate de culegerea datelor
 presupune adesea recoltarea unui mare volum de date.

 Înregistrarea trebuie să fie cât mai completă și accesibilă.
 Să fie cât mai aproape temporal de realitatea studiată.
 Poate să fie sub formă de note scrise, fotografii sau înregistrări
audio/video.
Aspecte etice
 obținerea consimțământului înainte de înregistrarea datelor.
 evitarea supra-motivării în vederea participării la cercetare.
 situațiile cu probleme speciale de analiză și interpretare.
 păstrarea confidențialității în condițiile prevăzute de legi și norme
10
5
Modalitățile de colectare a datelor
 Observația
 Interviul
 Focus grupul
 Documentele
 Înregistrările audio/video
11
5
Observația, este poate cea mai accesibilă

metodă de colectare a informațiilor.
Presupune o atenție asupra:
• Corectitudinea, completitudinea și
• Obiectului observației. accesibilitatea acestora.
• Comportamentului verbal. • Cât de mare este inferența cercetătorului
• Comportamentului non-verbal. în realitatea supusă observației?
• Dinamicii și raporturilor spațiale între • Poziționării cercetătorului uneori ca
persoanele observate. participant, alteori ca observator.
• Unde și când va avea loc procesul  Mai mult participant decât observator.
observației?  Mai mult observator decât participant.
• Precizare intervalului de timp necesar.  Observator în primă fază și apoi
• Cum vor fi înregistrate/consemnate participant în a doua fază.
datele?
12
5
Observația
Avantaje
 relație directă cu realitatea investigată.
 contact cu mediul natural în care se manifestă fenomenul studiat.
 conectarea în timp real cu fenomenul studiat.
Dezavantaje
 riscul influenței observatorului.
 efectul de prezență.
 efectul caracteristicilor personale ale observatorului (personalitate, atitudinea,
experiența personală, similitudinea cu subiectul observat etc.
13
5
Interviul
Este frecvent utilizat în cercetarea calitativă, de cele mai multe ori
nestructurat, semistructurat sau slab structurat.
 presupune explorarea liberă a universului supus investigației, fără

constrângeri legate de forma, numărul sau ordinea întrebărilor.
 nu este orientat pe ”adevărul” răspunsurilor, ci pe ”percepția și
trăirile” subiecților în raport cu fenomenul studiat
 poate fi ghidat în două forme:
 Interviu în profunzime (in-depth) /analitic
 Interviu cuprinzător (comprehensive) /sintetic
14
5
Avantaje ale interviului:
 posibilitatea de a explora atitudini și caracteristici afective exprimate

într-o formă naturală.
 poate fi înțeleasă structura și dinamica motivațională în raport cu
anumite situații.
 permite studierea unor fenomene sau evenimente greu abordabile prin
metode standardizate.
 favorizează apropierea și încrederea dintre cercetător și persoana
investigată permițând abordarea unor subiecte sensibile.
15
5
Focus grupul
Modalitate inițiată în domeniul sociologiei, undeva în prima jumătate a
secolului XX, fiind definit ca:
 interviu de grup.
 grup de discuții, atent planificat, pentru a obține informații cu privire
la un subiect propus de cercetător.
 grup informal de discuții între persoane selecționate, cu privire la un
anumit subiect.
 ședințe la care participă între 8 și 12 persoane, care răspund la întrebări
sau dezbat o anumită temă introdusă de unul sau doi moderatori.
16
5
Tipuri de focus grup:
• Mini focus grup

– număr mai redus de participanți (4-5) față de numărul standard (8-12).
• Focul grupul pe două căi (two-way focus group)
– unul dintre grupuri observă și discută interacțiunile și concluziile celuilalt grup.
• Focus grupul cu doi moderatori cooperanți
– unul din moderatori administrează conținutul discuțiilor, iar celălalt are grijă ca
toate subiectele propuse să fie atinse.
• Focus grupul cu doi moderatori opozanți
– moderatorii adoptă în mod deliberat o poziție contradictorie.
• Focus grup moderat de participanți
– unul sau mai mulți participanți sunt invitați să adopte poziția de moderator.
• Focus grup prin teleconferință sau online
– participanții nu se află în aceeași încăpere, ci comunică prin intermediul
tehnologiei 17
5
Avantaje FG
 Relativa ușurință a organizării, nu sunt costisitoare, adaptabile la o

varietate destul de mare de probleme de cercetare.
 Poate fi utilizat chiar și cu participanți cu un nivel redus de instruire,
inclusiv cu copii.
 Înregistrarea discuțiilor permite analiza fiecărui participant.
 Oferă o cantitate mare de informații.
 Favorizează spontaneitate participanților.
 Stimulează dezvoltarea de interacțiuni și relații interpersonale.
18
5
Dezavantaje FG:
Dificultatea de control mai redusă a moderatorului decât în cazul unui

interviu individual (uneori se face risipă de timp, alteori pot fi
abandonate teme importante ca urmare a dezvoltării interacțiunilor)
Datele pot fi uneori mai dificil de analizat, existând un amestecul de
informații relevante.
Relevanța concluziilor poate fi pusă sub semnul incertitudinii, din
cauza volumului și reprezentativității grupului.
Impactul moderatorului asupra opiniilor participanților (modul în care
acesta pune întrebările, efectul statutului de autoritate, opiniile
personale pot fi influențate de ”presiunea” grupului)
19
5
Situații în care nu este recomandat FG:
 În cazul subiectelor sensibile, care ating problemede ordin personal

sau intim (aspecte familiale, religioase, sexuale etc.)
 În mediul instituțional participanții pot avea rețineri în a-și exprima
opiniile față de colegi (opinii cu privire la aspecte negative de la locul
de muncă, modul de organizare, climatul interpersonal, relațiile de
conducere).
 Atunci când participanții au o atitudine ostilă (medii sau situații
marcate de probleme, tensiuni sau conflicte acute).
20
5
Documentele
 documente publice (ziare, reviste, înregistrări oficiale, documente de arhivă etc.)

 documente private (memorii, jurnale personale, notițe, însemnări etc.)
Avantaje
 prezintă situații și evenimente așa cum au fost ele consemnate.
 limbaj personal al autorilor și fără a fi fost afectate de orientări induse de cercetător.
Dezavantaje
 dificultatea de a le localiza și de a avea acces la ele, la cele rare, cu caracter personal
sau clasificate.
 de multe ori pot fi inexacte, incomplete.
 atunci când sunt scrise de mână, citirea lor poate fi o problemă, mai ales dacă sunt
documente vechi.
21
5
Înregistrările audio/video
Încep să aibă o importanță crescândă odată cu dezvoltarea tehnologiei. Sursele pot fi
diverse, benzi audio, fișiere computerizate, filme, fotografii dar și desene, schițe sau
picturi. Uneori imaginile pot fi prezentate subiecților ca sursă evocatoare.
Avantaje
 Similare celor documentare.
 Informațiile vizuale, excelează prin concretețe.
 Permit analize cantitative după codificare.
Dezavantaje
 Dificultatea de transcriere, în cazul surselor audio.
 Probleme de interpretare în cazul celor vizuale.
 Volumul relativ mare ridică probleme de selecționare eficientă.
22
5
Metode de cercetare calitativă
 Metoda etnografică
 Metoda fenomenologică
 Metoda teoriei empirice
 Metoda biografică
 Studiul de caz
24
5
Metoda etnografică
Urmărește descrierea și analiza practicilor și credințelor culturale specifice anumitor

comunități. A fost prima metodă calitativă de cercetare, utilizată și astăzi în special în
antropologie.
Studiază:
 ansamblul experiențelor și trăirilor comune unei categorii de oameni
 elemente de natură cognitivă, practici cotidiene, obiceiuri, atitudini, credinţe,
moduri de expresie, stiluri interacţionale
 elemente comune ale unei culturi umane (condamnarea incestului, cultul morţilor,
relaţia familială etc.)
 Culturi de nivel continental (europeană, asiatică, nord-americană)
 Culturi specifice anumitor organizaţii (politice, de afaceri, militare, religioase
etc.)
 Culturi specifice unor categorii de persoane (de vârstă, de gen, profesionale)
25
5
Studiul de tip etnografic vizează:

 Istoricul, contextul situațional social, economic, sau natural (geografic)
 Funcționalitatea (relații și interacțiuni)
 Ritualurile, simbolurile, particularitățile economice și educaționale
Finalitate:
 Favorizarea adaptării persoanelor care trebuie să călătorească și să
muncească în afara mediului lor cultural specific.
 Prevenirea și aplanarea conflictelor inter-etnice.
 Proiectarea tehnologiilor complexe astfel încât să poată fi operate
eficient și în alte medii culturale etc.
26
5
Metoda fenomenologică
Originea se află în curentul fenomenologic (Husserl, Heiddeger) care

promovează investigarea reflectării realității la nivelul conștiinței umane.
Fenomenele de conștiință primează asupra realității.
Obiective de cercetare:
• modul în care oamenii percep realitatea
• sensul atribuit experiențelor de viață
• experiența individuală în raport cu un eveniment sau fenomen
27
5
Metoda teoriei empirice
(Barney G. Glaser și Anselm L. Strauss, 1967, The Discovery of Grounded Theory)

Presupune dezvoltarea inductivă a unei teorii, care este derivată direct din corpul
datelor recoltate în procesul de cercetare. Chiar dacă se bazează mai ales pe studiul
cazurilor individuale, ”întregul” este mai relevant decât variabilele separate.
Abordare secvențială:
1) dezvoltarea unei definiții primare a fenomenului care trebuie explicat;
2) formularea unei ipoteze explicative a fenomenului;
3) examinarea unui singur caz pentru a vedea dacă acesta se potrivește cu ipoteza;
4) revizuirea ipotezei, dacă există o diferență între datele cazului și aceasta;
5) repetarea procesului cu noi cazuri, ajustându-se de fiecare dată ipoteza la noile
date, până când se ajunge la verificarea unei ipoteze care se potrivește cu ansamblul
datelor recoltate 28
5
Utilizare
 atunci când apare necesitatea explicării unui fenomen sau proces încă neexplicat
 atunci când o teorie existentă nu se potrivește cu anumite cazuri sau evenimente
Criterii de validitate:
 potrivirea (cât de bine explică teoria datele existente)
 relevanța (în ce măsură studiul se referă la o problemă reală, care prezintă un
interes practic)
 aplicabilitatea (teoria funcționează în rezolvarea problemei studiate)
 modificabilitatea (teoria poate fi alterată de apariția unor noi date relevante)
O teorie empirică nu este apreciată ca ”adevărată” sau ”falsă”, ci ca ”potrivită„ sau

”nepotrivită” cu datele
29
5
Avantaje
 Găsește explicații la situații concrete.
 Generează o viziune globală asupra realității observate.
Dezavantaje
 Subiectivismul nu poate fi evitat.
 Datele empirice pot fi uneori extrem de complexe, ceea ce face codificarea și
interpretarea un proces dificil.
 Există întotdeauna date contradictorii în raport cu teoria.
Exemple
 ”respingerea și excluderea”, ca formă de rezolvare a unor conflicte între colegi.
 ”conduite agresive indirecte”: denigrarea imaginii personale
30
5
Metoda biografică
Desemnează o mare varietate de forme Caracteristici fundamentale:

de expresie ale cunoașterii retrospective:
 Încărcătură personală și individuală.
 Narațiunile scrise sau orale.  Evidențiază traiectoria de viață personală
 Istoriile personale. în raport cu mediul interpersonal și
 Autobiografiile. social-organizațional.
 Metodele interpretative  Perspectivă longitudinală.
 Memorii etc.  Cazurile ”tipice” servesc drept bază de
generalizare.
 Biografiile individuale pot fi utilizate
pentru evidențierea particularităților
procesului de dezvoltare/formare a unor
personalități științifice sau culturale.
31
5
Studiul de caz
Presupune circumscrierea cercetării la o anumită entitate

 individuală (un anumit elev sau pacient de ex.)
 colectivă (o anumită organizație)
Modalitate de cercetare intensivă a unei anumite entități individuale sau colective

prin mijloace variate:
 Interviul
 Chestionarul
 Observația
 Studiul documentelor, etc.
Perceput uneori ca o subspecie a metodei biografice.

32
5
Identificarea tipologiei “studiului de caz”
De îndată ce se concluzionează că modalitatea ce mai bună pentru a

răspunde la întrebările cercetării este un studiu de caz, iar cazul în sine și
toate limitările sale au fost stabilite, ceea ce mai rămane de făcut este să
identificam tipul adecvat al studiului de caz. Aceasta alegere va fi
determinată în mod esențial de scopul general al cercetării.
33
5
Stake (1995) le clasifică în:
 studii de caz intrinseci
 studii de caz instrumentale
 studii de caz colective
Yin (2003) clasifică studiile de caz în:

 studii de caz explicative
 studii de caz exploratorii
 studii de caz descriptive
de asemenea le mai diferențiază în:

 studii de caz singular
 studii de caz multiple
34
5
Studiul de caz intrinsec.
Utilizează termenul intrinsec pentru un studiu de caz având intenția de a

sugera că cercetătorii care manifestă un interes special pentru un anumit
caz ar trebui să utilizeze acest tip de studiu de caz atunci când intenția lor
este o mai bună înțelegere a cazului. Nu se are în vedere studierea
cazului pentru a generaliza, nici pentru a ilustra o anumita trăsătură sau
problematică, nici pentru a construi o noua teorie. Studiul are în vedere
tocmai particularitățile cazului în ansamblul său. (Stake,1995)
Ex. Studiul de caz al stresului postoperator, după masectomie, la o

persoană cu anxietate anticipativă exagerată.
35
5
Studiul de caz instrumental.
Studiu de caz instrumental este utilizat pentru a furniza un insight

asupra unei situații/probleme sau pentru a rafina o anumită teorie sau
viziune. Cazul în sine prezintă un interes secundar; acesta are un rol de
support în facilitarea ințelegerii altor aspecte. Cazul deși este studiat în
profunzime, în contextul său, în detaliile sale, scopul este de a ajuta
cercetătorul în identificarea unor caracteristici și situații externe cazului.
(Stake, 1995).
Ex. Observarea și identificarea comportamentelor verbale violente în

condiții de ofensă televizată.
36
5
Studiul de caz colectiv
Studiul de caz colectiv este similar prin natura sa și prin definire cu

studiul de caz multiplu așa cum este definit mai jos de Robert Yin.
Ex. Rolul stresului în viața profesională a consilierului scolar.
37
5
Studiul de caz explicativ
Studiul de caz explicativ este utilizat atunci când se caută răspunsuri de

natura cauzală iar complexitatea relației cauzale în situația reală face
dificilă apelarea la strategii/modele experimentale de tip cantitativ. În
limbaj evaluativ explicația caută să realizeze conexiunea între programul
implementat și efecte (Yin, 2003)
Ex. Analiza refuzului acceptării incompatibilității între atribuțiile de

legiferare și cele de tip adminstrativ la factorii politici.
38
5
Studiul de caz explorator
Studiul de caz explorator este utilizat pentru a explora acele situații în

care intervenția evaluată nu este pe deplin clarificată sau nu are un singur
set concluzii de tip explicativ. (Yin, 2003).
Ex. Studiul dezvoltării alianței terapeutice în psihoterapia de tip

experiențial.
39
5
Studiul de caz descriptiv
Studiul de caz descriptiv este utilizat pentru a descrie o intervenție ori o

manifestare în contextul real în care aceasta are loc și așa cum are loc.
(Yin, 2003).
Ex. Învestigarea nevoilor femeilor cu debut de Parkinson înainte de

menopauză.
40
5
Studiul de caz multiplu
Studiul de caz multiplu permite cercetătorului să exploreze diferențele

intra și inter cazuri. Obiectivul este identificarea replicabilității atunci
când se trece de la un caz la altul. Deoarece se au în vedere comparațiile
ulterioare dintre cazuri, este imperativă selectarea adecvată a acestora în
asa fel încât, să poată fi realizată o similaritate predictiva sau o
diferențiere predictivă, atunci când se trece de la un caz la altul. (Yin,
2003).
Ex. Efectele stilurilor terapeutice la clienții cu comportament de tip

submisiv.
41
5
Alegerea modelului studiului de caz singular sau multiplu
Pentru a identifica tipul specific de studiu de caz este prudent să ne întrebăm

dacă ar fi mai utilă alegea unui studiu de caz singular sau a unuia multiplu în vederea
unei mai bune înțelegeri și interpretări ulterioare. Astfel, dacă presupunem că vrem
să studiem identificarea consecințelor comportamentale posttraumatice sau
specificitatea acestora într-un anumit context, atunci este mai util un studiu de caz
singular. Dacă însă avem în vedere consecințele comportamentale posttraumatice în
diferile contexte (eveniment rutier, eveniment sportiv, eveniment social, etc) atunci
un studiu de caz multiplu este mai util, acesta permițând identificarea de similitudini
dar și de diferențieri între cazuri în contextele respective.
O slăbiciune a unor demersuri calitative ce folosesc studiile de caz este dată
tocmai de analiza excesivă la nivelul cazului singular (fără înțelegerea adecvată a
limitărilor impuse de acest model metodologic) pierzînd din vederea tabloul general
al diferențierilor contextuale.
42
5
Referințe
1. Barker, C., Pistrang, N., Elliott, R., 2002, Research Methods in Clinical Psychology An Introduction for Students
and Practitioners, 2nd Ed., JohnWiley &Sons, England.
2. John A. Schinka, Wayne F. Velicer, Irving B. Weiner, 2003 Handbook of Psychology -volume -2- Research Methods
in Psychology,, John Wiley & Sons, Inc., Hoboken, New Jersey.
3. Stake, R. E. (1995). The art of case study research. Thousand Oaks ; London, Sage Publications.
4. Yin, R. K. (2003). Case study research : design and methods. Thousand Oaks, Calif. ; London, SAGE.
5. Barney G. Glaser și Anselm L. Strauss, 1967, The Discovery of Grounded Theory
43
5
1 Relația de moderare (Moderation)
Moderarea
Prezentare, definiție, exemple

Procedură SPSS (with Process Macro)
Relația de moderare
2
Definiție:
A modera înseamnă a interacționa, a influența parțial, a modifica parțial un mod de

manifestare deja existent.
Dacă în prezența unei variabile Z, o relație deja existentă și cunoscută între X și Y suferă o
modificare de magnitudine (mărime) sau de semn, spunem că Z este o variabilă moderatoare
pentru relația dintre X și Y (Hayes A. F., Rockwood N. J., 2016) sau simplu: Z moderează
între X și Y.
De exemplu, dacă ședințele de psihoterapie (IV) pot reduce nivelul depresiei (DV) mai mult
la femei decât la bărbați, adică diferențiat în raport cu variabila gen (M), atunci spunem că
genul moderează relația dintre psihoterapie și depresie.
3 Schematic relația de moderare simplă este redată astfel:
Z(variabila moderatoare)
X(variabila independentă)
Y(variabila dependentă)
Z(genul)
X(psihoterapia) Y(depresia)
4
Câteva situații posibile:
1. M-variabila moderatoarea este categorială

2. X-variabila independentă este categorială
1. M-variabila moderatoarea este dihotomică (feminin/masculin)

2. X-variabila independentă este dihotomică (terapie/nonterapie)
1. M-variabila moderatoarea este categorială,

2. X-variabila independentă este continuă
1. M-variabila moderatoarea este continuă,

1. M-variabila moderatoarea este continuă,

5
Omogenitatea pantei de regresie, graficul (a) redă de fapt absența interacțiunii dintre tipul de grup și
covariantă.
Eterogenitatea pantei de regresie, graficul (b) redă de fapt interacțiunea dintre tipul de grup și
covariantă
6
O modalitate foarte eficientă de analiză a relației de moderare și de asemenea a relației de mediere

este prin utilizarea unui soft numit Process, dezvoltat de Andrew F. Hayes, profesor la
Universitatea din Ohio, ce poate fi descărcat de la adresa:
http://www.processmacro.org
Acesta conține proceduri ce includ sintaxele aferente unor proceduri de regresie ce utilizează OLS
și modelarea cu ajutorul analizei de cale (path analysis), instalabile atât în SPSS cât și în SAS.
Softul este free, și necesită câțiva pași pentru instalare, pași incluși în documentele arhivei
descărcate.
Relație de moderare cu două variabile moderatoare:
7
Z1(variabila moderatoare)
Z2(variabila moderatoare)
Z1 (genul) Z2(tipul de psihoterapie)
X (psihoterapia) Y(depresia)
8 O altă situație de moderare poate fi cea de mai jos (moderarea moderării):
Z1(variabila moderatoare primară)

Z2(variabila moderatoare secundară)
Y(variabila dependentă) Z1 (tipul de psihoterapie)
Z2 (genul terapeutului)
X (psihoterapia) Y (depresia)
9 Nu toate IV (X2) care au efect asupra DV(Y) sunt moderate. Pentru situația precedentă
(moderarea moderării) schema moderării arată în felul următor:
Z1(variabila moderatoare primară)

Z2(variabila moderatoare secundară)
X1(variabila independentă) Z1 (tipul de psihoterapie)
Z2 (genul terapeutului)
X1 (psihoterapia) Y (depresia)
X2 (exercițiile fizice)
X2(a doua variabila independentă, nemoderară de mediatorii Z1 si Z2)

10 Pentru relația de moderare simplă ecuația de regresie este:
Y = i + b1X + b2M + b3X*M, unde X*M este interacțiunea dintre X și M

Această ecuație este o ecuație de regresie liniară utilizabilă pentru testarea ipotezei de
moderare simplă.
M(genul)
M(variabila moderatoare)
11 Exemplu: În tabelul de mai alăturat avem
punctajele obținute de 3 grupe la o evaluare
tip grilă la statistică.
Grupa 1 este mixtă,

Grupa 2 este de băieți,
Grupa 3 este de fete.
12 Pentru relația de moderare simplă ecuația de regresie este:
Y = i + b1grupa + b2genul + b3grupa*genul, unde grupa*genul este interacțiunea dintre

X și M
Această ecuație este o ecuație de regresie liniară utilizabilă pentru testarea ipotezei de
moderare simplă. M(gen)
X(grupa) Y(punctaj)
M(variabila moderatoare)
13
Lansăm procedura de moderare
Selectăm
pachetul de
analize
Process
14
Mutăm în
această casetă
variabila
moderatoare
15
Selectăm
modelul 1
16
Selectăm
numărul de
eșantioane
generate
17
Selectăm
metoda de
generare a
intervalului de
incredere
18
Selectăm
valoarea
intervalului de
incredere
19
Selectăm modelul
în care are loc
controlul
covariantei (dacă
este cazul)
20 Selectăm butonul
de opțiuni
Selectăm
21 urmatoarele
optiuni
22
Selectăm si bifăm
optiunea disponibila
pentru variabile cu
lungime mai mare de
8 caractere
23
Selectăm OK
Se generează următorul output: Prezentarea
24 Model = 1 modelului si
Y = punctaj
dimensiunea
X = grupa
M = gen eșantionului
Sample size
30
**************************************************************************
Outcome: punctaj
Model Summary
R R-sq MSE F df1 df2 p
,7527 ,5666 7,0038 16,6661 3,0000 26,0000 ,0000
Model
coeff se t p LLCI ULCI
constant 12,7000 2,5690 4,9435 ,0000 7,4191 17,9809
gen 4,7500 4,0529 1,1720 ,2518 -3,5810 13,0810
grupa 1,1000 1,5248 ,7214 ,4771 -2,0344 4,2344
int_1 -4,0500 1,8609 -2,1763 ,0388 -7,8753 -,2247
Product terms key: int_1 grupa X gen

R-square increase due to interaction(s):
R2-chng F df1 df2 p
int_1 ,1041 4,7364 1,0000 26,0000 ,0388
*************************************************************************
Conditional effect of X on Y at values of the moderator(s):
gen Effect se t p LLCI ULCI
1,0000 -2,9500 1,0668 -2,7652 ,0103 -5,1429 -,7571
,0000 1,1000 1,5248 ,7214 ,4771 -2,0344 4,2344
Values for quantitative moderators are the mean and plus/minus one SD from mean.
Values for dichotomous moderators are the two values of the moderator.
Se generează următorul output:
25 Model = 1 Parametrii
Y = punctaj calculați
X = grupa
M = gen
Sample size
30
**************************************************************************
Outcome: punctaj
Model Summary
,7527 ,5666 7,0038 16,6661 3,0000 26,0000 ,0000
Model
constant 12,7000 2,5690 4,9435 ,0000 7,4191 17,9809
gen 4,7500 4,0529 1,1720 ,2518 -3,5810 13,0810
grupa 1,1000 1,5248 ,7214 ,4771 -2,0344 4,2344
int_1 -4,0500 1,8609 -2,1763 ,0388 -7,8753 -,2247

R2-chng F df1 df2 p
int_1 ,1041 4,7364 1,0000 26,0000 ,0388
*************************************************************************
1,0000 -2,9500 1,0668 -2,7652 ,0103 -5,1429 -,7571
,0000 1,1000 1,5248 ,7214 ,4771 -2,0344 4,2344
Se generează următorul output:
26 Model = 1
Y = punctaj
X = grupa
M = gen
Sample size
30
**************************************************************************
Outcome: punctaj
Model Summary
,7527 ,5666 7,0038 16,6661 3,0000 26,0000 ,0000
Model
constant 12,7000 2,5690 4,9435 ,0000 7,4191 17,9809 Efectul
gen 4,7500 4,0529 1,1720 ,2518 -3,5810 13,0810 condițional la
grupa 1,1000 1,5248 ,7214 ,4771 -2,0344 4,2344
int_1 -4,0500 1,8609 -2,1763 ,0388 -7,8753 -,2247 nivelul
moderatorului
R2-chng F df1 df2 p
int_1 ,1041 4,7364 1,0000 26,0000 ,0388
*************************************************************************
1,0000 -2,9500 1,0668 -2,7652 ,0103 -5,1429 -,7571
,0000 1,1000 1,5248 ,7214 ,4771 -2,0344 4,2344
27
Restul tabelului arata cam asa:
**************************************************************************
Data for visualizing conditional effect of X on Y
Paste text below into a SPSS syntax window and execute to produce plot.
DATA LIST FREE/grupa gen punctaj.

BEGIN DATA.
1,1695 ,0000 13,9865

2,0000 ,0000 14,9000
2,8305 ,0000 15,8135
1,1695 1,0000 13,9998
2,0000 1,0000 11,5500 Se copiază toata
2,8305 1,0000 9,1002 sintaxa ,inclusiv
datele
END DATA. pentru realizarea
GRAPH/SCATTERPLOT=grupa WITH punctaj BY gen. graficului
******************** ANALYSIS NOTES AND WARNINGS *************************
Level of confidence for all confidence intervals in output:

95,00
28 Se deschide o fereastră de sintaxă pentru realizarea graficului și se copiază sintaxa corespunzătoare
și datele
29
Se apasă
butonul
Run
30
Se obține
graficul
Discuția se face pe grupe

31
Referințe:
1. Hayes A. F., Rockwood N. J., (2017) Regression-based statistical mediation and moderation analysis in
clinical research: Observations, recommendations, and implementation, Behaviour Research and Therapy,
98, 39-57. https://doi.org/10.1016/j.brat.2016.11.001
2. Hayes A. F., (2017) Introduction to Mediation, Moderation, and Conditional Process Analysis, Second
Edition, A Regression-Based Approach, Gouilford Press,
1 Relația de mediere (Mediation)
Medierea
Definiție și prezentare grafică

Proceduri SPSS cu pachetul - Process
Relația de mediere
2
Definiție:
A media între două variabile înseamnă a intermedia, a influența, a modifica parțial sau total
modul în care o variabilă X are efect asupra variabilei Y. O astfel de variabilă poartă
denumirea de variabilă intermediară sau mediatoare.
Un model simplu de mediere este unul care conține două variabile consecvente (M și Y) și
două variabile antecedente (X și M) cu X influență cauzală asupra lui Y și M, iar M influență
cauzală asupra lui Y. (Hayes A. F., 2017)
De exemplu, dacă ședințele de psihoterapie (IV) pot reduce nivelul depresiei (DV) numai
dacă conțin tehnici de stimulare (M), atunci spunem că prezența acelor tehnici (M) mediază
relația dintre psihoterapie și depresie.
Relația de mediere
3
Situațiile, în care, descrierea ecuațiilor din exemplele ce urmează, este redată prin ecuații de regresie
liniară:

2. M-variabila mediatoare este continuă
3. Y-variabila dependentă este continuă

2. M-variabila mediatoare este continuă
3. Y-variabila dependentă este continuă
Relația de mediere
4
O modalitate de analiză a relației de mediere, deja menționată în cadrul relației de moderare este
utilizarea softului numit Process, dezvoltat de Andrew F. Hayes, profesor la Universitatea din
Ohio, ce poate fi descărcat de la adresa:
http://www.processmacro.org
Acesta conține proceduri ce includ sintaxele aferente unor proceduri de regresie ce utilizează
OLS(ordinary least squares) și modelarea cu ajutorul analizei de cale (path analysis), instalabile
atât în SPSS cât și în SAS.
Softul este free, și necesită câțiva pași pentru instalare, pași incluși în documentele arhivei
descărcate.
Relația de mediere
5 Schematic relația de mediere simplă este redată astfel:
M(variabila mediatoare)
M(mediatoare)
X(antecedentă) Y(consecventă)
Relația de mediere
6 Pentru relația de mediere simplă ecuațiile de regresie sunt:
M = i1 + aX + eM
Y = i2 + cʹX + bM + eY, unde a, b, și cʹ sunt coeficienții de regresie iar eM și eY sunt erorile
de estimare a M și Y.
Efectul total al X asupra lui Y este c = a*b + cʹ, unde cʹ= efectul direct, iar c- cʹ= efectul
indirect, prin intermediul M. (Hayes A. F., 2017)
Aceste ecuații de regresie liniară sunt utilizabile pentru testarea ipotezei de mediere simplă.
eM
M(genul)
a b
eY
cʹ
Relația de mediere
Relația de mediere cu două variabile mediatoare în paralel:
7
M1(variabila mediatoare)
M1 (tip psihoterapie)
M2(tehnica)
Relația de mediere
Pentru relația de mediere cu două variabile mediatoare în paralel ecuațiile de regresie sunt:
8
M1 = iM1 + a1X + eM1
M2 = iM2 + a2X + eM2
Y = iY + cʹX + b1M1 + b2M2 +eY, unde a1, a2, b1, b2 și cʹ sunt coeficienții de regresie iar eM1,
eM1 și eY sunt erorile de estimare ale M1, M2 și Y.
Efectul total al X asupra lui Y este c = a1* b1 + a2*b2 + cʹ, unde cʹ= efectul direct, iar c- cʹ=
efectul indirect, prin intermediul M1 și M2. (Hayes A. F., 2017)
eM1
M1 (tip psihoterapie)
a1 b1
eY
cʹ
a2 b2
M2(tehnica)
eM2
Relația de mediere
Relație de mediere cu două variabile mediatoare în serie:
9
M1(tipul de psihoterapie) M2 (tehnica)
Relația de mediere
Pentru relația de mediere cu două variabile mediatoare în serie ecuațiile de regresie sunt:
10
M1 = iM1 + a1X + eM1
M2 = iM2 + a2X + d21M1 + eM2
Y = iY + cʹX + b1M1 + b2M2 + eY, unde a1, a2, b1, b2, d21, și cʹ sunt coeficienții de regresie
iar eM1, eM2 și eY sunt erorile de estimare ale M1, M2 și Y.
Efectul total al X asupra lui Y este c = a1* b1 + a2*b2 + a1*d21*b2 + cʹ, unde cʹ= efectul
direct, iar c- cʹ= efectul indirect, prin intermediul M1 și M2. (Hayes A. F., 2017)
eM1 eM2
d21
a1 b1 b2
a2
eY
cʹ
Relația de mediere
11
Exemplu de mediere simplă:
În tabelul de mai alăturat avem mai multe

variabile care evaluează acceptarea, stima
de sine, stima corporală, etc..
Relația de mediere
12 Pentru relația de mediere simplă ecuațiile de regresie sunt:
M = i1 + a *bodyesteem + eM
Y = i2 + cʹ* bodyesteem + b* selfesteem + eY, unde a, b, și cʹ sunt coeficienții de regresie iar
eM și eY sunt erorile de estimare a M și Y.
Efectul total al X asupra lui Y este c = a*b + cʹ, unde cʹ= efectul direct, iar c- cʹ= efectul
indirect, prin intermediul M. (Hayes A. F., 2017)
Aceste ecuații de regresie liniară sunt utilizabile pentru testarea ipotezei de mediere simplă.
eM
M(selfesteem)
a b
eY
cʹ
X(bodyesteem) Y(acceptance)
Relația de mediere
13
Lansăm procedura de mediere
Selectăm
pachetul de
analize
Process
Relația de mediere
14
Mutăm în
această casetă
variabila
mediatoare
Relația de mediere
15
Selectăm
modelul 4
pentru mediere
simplă
Relația de mediere
16
Selectăm
numărul de
eșantioane
generate
Relația de mediere
17
Selectăm
metoda de
generare a
intervalului de
incredere
Relația de mediere
18
Selectăm
valoarea
intervalului de
incredere
Relația de mediere
19
Selectăm modelul
în care are loc
controlul
covariantei (dacă
este cazul)
Relația de mediere
20 Selectăm butonul
de opțiuni
Relația de mediere
Selectăm
21 următoarele
optiuni
Relația de mediere
22
Selectăm si bifăm
optiunea disponibila
pentru variabile cu
lungime mai mare de
8 caractere
Relația de mediere
23
Selectăm OK
Relația de mediere
Model = 4
Prezentarea
24
Y = acceptan
X = bodyeste
M = selfeste
modelului si
dimensiunea
Sample size
415 eșantionului
************************************************************************** **** TOTAL, DIRECT, AND INDIRECT EFFECTS ***
Outcome: selfeste
Total effect of X on Y
Model Summary Effect SE t p LLCI ULCI
R R-sq MSE F df1 df2 p ,0733 ,0185 3,9670 ,0001 ,0370 ,1097
,5285 ,2793 32,4870 144,0243 1,0000 413,0000 ,0000
Direct effect of X on Y
Model Effect SE t p LLCI ULCI
coeff se t p LLCI ULCI ,0093 ,0205 ,4554 ,6490 -,0310 ,0497
constant 19,8382 1,6528 12,0031 ,0000 16,5893 23,0871
bodyeste ,1780 ,0148 12,0010 ,0000 ,1489 ,2072 Indirect effect of X on Y
Effect Boot SE BootLLCI BootULCI
************************************************************************** selfeste ,0640 ,0128 ,0415 ,0917
Outcome: acceptan
Partially standardized indirect effect of X on Y
Model Summary Effect Boot SE BootLLCI BootULCI
R R-sq MSE F df1 df2 p selfeste ,0090 ,0017 ,0059 ,0126
,3532 ,1247 44,5640 25,8992 2,0000 412,0000 ,0000
Completely standardized indirect effect of X on Y
Model Effect Boot SE BootLLCI BootULCI
coeff se t p LLCI ULCI selfeste ,1790 ,0340 ,1173 ,2506
constant 46,1758 2,2675 20,3643 ,0000 41,7185 50,6331
selfeste ,3595 ,0597 6,0169 ,0000 ,2420 ,4769 Ratio of indirect to total effect of X on Y
bodyeste ,0093 ,0205 ,4554 ,6490 -,0310 ,0497 Effect Boot SE BootLLCI BootULCI
selfeste ,8725 ,3335 ,5053 1,7599
************************** TOTAL EFFECT MODEL ****************************
Outcome: acceptan Ratio of indirect to direct effect of X on Y
Model Summary selfeste 6,8449 104,0385 1,7335 3598,7089
,2051 ,0421 48,6540 15,7373 1,0000 413,0000 ,0001 R-squared mediation effect size (R-sq_med)
Model selfeste ,0416 ,0188 ,0091 ,0841
constant 53,3070 1,9903 26,7836 ,0000 49,3947 57,2194 Normal theory tests for indirect effect
bodyeste ,0733 ,0185 3,9670 ,0001 ,0370 ,1097 Effect se Z p
,0640 ,0119 5,3639 ,0000
Relația de mediere
Model = 4
25
Y = acceptan
X = bodyeste
M = selfeste
Parametrii
calculați
Sample size
415
**************************************************************************
Outcome: selfeste
Model Summary
,5285 ,2793 32,4870 144,0243 1,0000 413,0000 ,0000
Model
constant 19,8382 1,6528 12,0031 ,0000 16,5893 23,0871
bodyeste ,1780 ,0148 12,0010 ,0000 ,1489 ,2072
**************************************************************************
Outcome: acceptan
Model Summary
,3532 ,1247 44,5640 25,8992 2,0000 412,0000 ,0000
Model
constant 46,1758 2,2675 20,3643 ,0000 41,7185 50,6331
selfeste ,3595 ,0597 6,0169 ,0000 ,2420 ,4769
bodyeste ,0093 ,0205 ,4554 ,6490 -,0310 ,0497

Outcome: acceptan
Model Summary
,2051 ,0421 48,6540 15,7373 1,0000 413,0000 ,0001
Model
constant 53,3070 1,9903 26,7836 ,0000 49,3947 57,2194
bodyeste ,0733 ,0185 3,9670 ,0001 ,0370 ,1097
Relația de mediere
Model = 4
Efectul
26
Y = acceptan
X = bodyeste
M = selfeste
semnificativ al X
asupra
Sample size
415 mediatorului M
**************************************************************************
Outcome: selfeste
Model Summary
,5285 ,2793 32,4870 144,0243 1,0000 413,0000 ,0000
Model
constant 19,8382 1,6528 12,0031 ,0000 16,5893 23,0871
bodyeste ,1780 ,0148 12,0010 ,0000 ,1489 ,2072
**************************************************************************
Outcome: acceptan
Model Summary
,3532 ,1247 44,5640 25,8992 2,0000 412,0000 ,0000
Model
constant 46,1758 2,2675 20,3643 ,0000 41,7185 50,6331
selfeste ,3595 ,0597 6,0169 ,0000 ,2420 ,4769
bodyeste ,0093 ,0205 ,4554 ,6490 -,0310 ,0497

Outcome: acceptan
Model Summary
,2051 ,0421 48,6540 15,7373 1,0000 413,0000 ,0001
Model
constant 53,3070 1,9903 26,7836 ,0000 49,3947 57,2194
bodyeste ,0733 ,0185 3,9670 ,0001 ,0370 ,1097
Relația de mediere
Model = 4
Efectul
27
Y = acceptan
X = bodyeste
M = selfeste
semnificativ al
M asupra
Sample size
415 dependentei Y
**************************************************************************
Outcome: selfeste
Model Summary
,5285 ,2793 32,4870 144,0243 1,0000 413,0000 ,0000
Model
coeff se t p LLCI ULCI Efectul
constant 19,8382 1,6528 12,0031 ,0000 16,5893 23,0871
bodyeste ,1780 ,0148 12,0010 ,0000 ,1489 ,2072
nesemnificativ
**************************************************************************
al X asupra
Outcome: acceptan dependentei Y
Model Summary în prezența
,3532 ,1247 44,5640 25,8992 2,0000 412,0000 ,0000 mediatorului M
Model
constant 46,1758 2,2675 20,3643 ,0000 41,7185 50,6331
selfeste ,3595 ,0597 6,0169 ,0000 ,2420 ,4769
bodyeste ,0093 ,0205 ,4554 ,6490 -,0310 ,0497

Outcome: acceptan
Model Summary
,2051 ,0421 48,6540 15,7373 1,0000 413,0000 ,0001
Model
constant 53,3070 1,9903 26,7836 ,0000 49,3947 57,2194
bodyeste ,0733 ,0185 3,9670 ,0001 ,0370 ,1097
Relația de mediere
Model = 4
28
Y = acceptan
X = bodyeste
M = selfeste
Sample size
415
**************************************************************************
Outcome: selfeste
Efect semnificativ al X
asupra dependentei Y
Model Summary
R R-sq MSE F df1 df2 p fără prezența
,5285 ,2793 32,4870 144,0243 1,0000 413,0000 ,0000
mediatorului M
Model
constant 19,8382 1,6528 12,0031 ,0000 16,5893 23,0871
bodyeste ,1780 ,0148 12,0010 ,0000 ,1489 ,2072
**************************************************************************
Outcome: acceptan
Model Summary
,3532 ,1247 44,5640 25,8992 2,0000 412,0000 ,0000
Model
constant 46,1758 2,2675 20,3643 ,0000 41,7185 50,6331
selfeste ,3595 ,0597 6,0169 ,0000 ,2420 ,4769
bodyeste ,0093 ,0205 ,4554 ,6490 -,0310 ,0497

Outcome: acceptan
Model Summary
,2051 ,0421 48,6540 15,7373 1,0000 413,0000 ,0001
Model
constant 53,3070 1,9903 26,7836 ,0000 49,3947 57,2194
bodyeste ,0733 ,0185 3,9670 ,0001 ,0370 ,1097
Relația de mediere
29 **** TOTAL, DIRECT, AND INDIRECT EFFECTS ***
Effect SE t p LLCI ULCI
,0733 ,0185 3,9670 ,0001 ,0370 ,1097
,0093 ,0205 ,4554 ,6490 -,0310 ,0497 Efect
Indirect effect of X on Y Total
selfeste
,0640 ,0128 ,0415 ,0917
semnificativ
al X asupra lui Y
selfeste ,0090 ,0017 ,0059 ,0126

selfeste ,1790 ,0340 ,1173 ,2506
Ratio of indirect to total effect of X on Y

selfeste ,8725 ,3335 ,5053 1,7599
Ratio of indirect to direct effect of X on Y

selfeste 6,8449 104,0385 1,7335 3598,7089
R-squared mediation effect size (R-sq_med)

selfeste ,0416 ,0188 ,0091 ,0841
Normal theory tests for indirect effect

Effect se Z p
,0640 ,0119 5,3639 ,0000
Relația de mediere
,0733 ,0185 3,9670 ,0001 ,0370 ,1097
,0093 ,0205 ,4554 ,6490 -,0310 ,0497 Efect
Indirect effect of X on Y Direct
selfeste
,0640 ,0128 ,0415 ,0917
nesemnificativ
al X asupra lui Y
selfeste ,0090 ,0017 ,0059 ,0126

selfeste ,1790 ,0340 ,1173 ,2506

selfeste ,8725 ,3335 ,5053 1,7599

selfeste 6,8449 104,0385 1,7335 3598,7089

selfeste ,0416 ,0188 ,0091 ,0841

Effect se Z p
,0640 ,0119 5,3639 ,0000
Relația de mediere
,0733 ,0185 3,9670 ,0001 ,0370 ,1097
,0093 ,0205 ,4554 ,6490 -,0310 ,0497 Efect
Indirect effect of X on Y Indirect
selfeste
,0640 ,0128 ,0415 ,0917
semnificativ
al X asupra lui Y
selfeste ,0090 ,0017 ,0059 ,0126

selfeste ,1790 ,0340 ,1173 ,2506

selfeste ,8725 ,3335 ,5053 1,7599

selfeste 6,8449 104,0385 1,7335 3598,7089

selfeste ,0416 ,0188 ,0091 ,0841

Effect se Z p
,0640 ,0119 5,3639 ,0000
Relația de mediere
,0733 ,0185 3,9670 ,0001 ,0370 ,1097
,0093 ,0205 ,4554 ,6490 -,0310 ,0497 Efectul R2
Indirect effect of X on Y de mediere
selfeste
,0640 ,0128 ,0415 ,0917
semnificativ
selfeste ,0090 ,0017 ,0059 ,0126

selfeste ,1790 ,0340 ,1173 ,2506

selfeste ,8725 ,3335 ,5053 1,7599

selfeste 6,8449 104,0385 1,7335 3598,7089

selfeste ,0416 ,0188 ,0091 ,0841

Effect se Z p
,0640 ,0119 5,3639 ,0000
Relația de mediere
,0733 ,0185 3,9670 ,0001 ,0370 ,1097
Effect SE t p LLCI ULCI Semnificație
,0093 ,0205 ,4554 ,6490 -,0310 ,0497
statistică la
Indirect effect of X on Y
Effect Boot SE BootLLCI BootULCI testul Sobel
selfeste ,0640 ,0128 ,0415 ,0917 p< 0,001
selfeste ,0090 ,0017 ,0059 ,0126

selfeste ,1790 ,0340 ,1173 ,2506

selfeste ,8725 ,3335 ,5053 1,7599

selfeste 6,8449 104,0385 1,7335 3598,7089

selfeste ,0416 ,0188 ,0091 ,0841

Effect se Z p
,0640 ,0119 5,3639 ,0000
Relația de mediere
Pentru relația de mediere cu două variabile mediatoare în paralel ecuațiile de regresie sunt:
34
M1 = iM1 + a1* bodyesteem + eM1
M2 = iM2 + a2* bodyesteem + eM2
Y = iY + cʹ* bodyesteem + b1* selfesteeem + b2* exercise +eY, unde a1, a2, b1, b2 și cʹ sunt
coeficienții de regresie iar eM1, eM1 și eY sunt erorile de estimare ale M1, M2 și Y.
Efectul total al X asupra lui Y este c = a1* b1 + a2*b2 + cʹ, unde cʹ= efectul direct, iar c- cʹ=
efectul indirect, prin intermediul M1 și M2. (Hayes A. F., 2017)
eM1
M1 (selfesteeem)
a1 b1
eY
cʹ
X (bodyesteem) Y(acceptance)
a2 b2
M2(exercise)
eM2
Relația de mediere
35 Alegem în continuare, pentru exemplificare, un model de medire cu 2 mediatori în paralel.
Mutăm în
această casetă
variabilele
mediatoare, in
orice ordine
Relația de mediere Model = 4
Y = acceptan
X = bodyeste
M1 = selfeste
M2 = exercise
Sample size Efectul

36 415
**************************************************************************
semnificativ al X
Outcome: selfeste
asupra
Model Summary
R R-sq MSE F df1 df2 p mediatorului M1
,5285 ,2793 32,4870 144,0243 1,0000 413,0000 ,0000
Model
constant 19,8382 1,6528 12,0031 ,0000 16,5893 23,0871
bodyeste ,1780 ,0148 12,0010 ,0000 ,1489 ,2072
**************************************************************************
Outcome: exercise
Model Summary
,4092 ,1675 ,6344 82,9752 1,0000 413,0000 ,0000
Model
constant 1,4367 ,2150 6,6828 ,0000 1,0141 1,8594
bodyeste ,0179 ,0020 9,1091 ,0000 ,0141 ,0218
**************************************************************************
Outcome: acceptan
Model Summary
,3642 ,1326 44,2702 18,5806 3,0000 411,0000 ,0000
Model
constant 45,1626 2,3251 19,4243 ,0000 40,5921 49,7331
selfeste ,3529 ,0600 5,8814 ,0000 ,2350 ,4709
exercise ,7957 ,4344 1,8318 ,0677 -,0582 1,6496
bodyeste -,0037 ,0216 -,1735 ,8623 -,0462 ,0387

Outcome: acceptan
Model Summary
,2051 ,0421 48,6540 15,7373 1,0000 413,0000 ,0001
Model
constant 53,3070 1,9903 26,7836 ,0000 49,3947 57,2194
bodyeste ,0733 ,0185 3,9670 ,0001 ,0370 ,1097
Y = acceptan
X = bodyeste
M1 = selfeste
M2 = exercise
Sample size Efectul

37 415
**************************************************************************
semnificativ al X
Outcome: selfeste
asupra
Model Summary
R R-sq MSE F df1 df2 p mediatorului M2
,5285 ,2793 32,4870 144,0243 1,0000 413,0000 ,0000
Model
constant 19,8382 1,6528 12,0031 ,0000 16,5893 23,0871
bodyeste ,1780 ,0148 12,0010 ,0000 ,1489 ,2072
**************************************************************************
Outcome: exercise
Model Summary
,4092 ,1675 ,6344 82,9752 1,0000 413,0000 ,0000
Model
constant 1,4367 ,2150 6,6828 ,0000 1,0141 1,8594
bodyeste ,0179 ,0020 9,1091 ,0000 ,0141 ,0218
**************************************************************************
Outcome: acceptan
Model Summary
,3642 ,1326 44,2702 18,5806 3,0000 411,0000 ,0000
Model
constant 45,1626 2,3251 19,4243 ,0000 40,5921 49,7331
selfeste ,3529 ,0600 5,8814 ,0000 ,2350 ,4709
exercise ,7957 ,4344 1,8318 ,0677 -,0582 1,6496
bodyeste -,0037 ,0216 -,1735 ,8623 -,0462 ,0387

Outcome: acceptan
Model Summary
,2051 ,0421 48,6540 15,7373 1,0000 413,0000 ,0001
Model
constant 53,3070 1,9903 26,7836 ,0000 49,3947 57,2194
bodyeste ,0733 ,0185 3,9670 ,0001 ,0370 ,1097
Y = acceptan
X = bodyeste
M1 = selfeste
M2 = exercise
Efectul
Sample size
38 415 semnificativ
**************************************************************************
Outcome: selfeste
doar al M1
Model Summary asupra
dependentei Y
,5285 ,2793 32,4870 144,0243 1,0000 413,0000 ,0000
Model
constant 19,8382 1,6528 12,0031 ,0000 16,5893 23,0871
bodyeste ,1780 ,0148 12,0010 ,0000 ,1489 ,2072
**************************************************************************
Outcome: exercise
Model Summary
,4092 ,1675 ,6344 82,9752 1,0000 413,0000 ,0000
Model
constant 1,4367 ,2150 6,6828 ,0000 1,0141 1,8594
bodyeste ,0179 ,0020 9,1091 ,0000 ,0141 ,0218
**************************************************************************
Outcome: acceptan
Model Summary
,3642 ,1326 44,2702 18,5806 3,0000 411,0000 ,0000
Model
constant 45,1626 2,3251 19,4243 ,0000 40,5921 49,7331
selfeste ,3529 ,0600 5,8814 ,0000 ,2350 ,4709
exercise ,7957 ,4344 1,8318 ,0677 -,0582 1,6496
bodyeste -,0037 ,0216 -,1735 ,8623 -,0462 ,0387

Outcome: acceptan
Model Summary
,2051 ,0421 48,6540 15,7373 1,0000 413,0000 ,0001
Model
constant 53,3070 1,9903 26,7836 ,0000 49,3947 57,2194
bodyeste ,0733 ,0185 3,9670 ,0001 ,0370 ,1097
Y = acceptan
X = bodyeste
M1 = selfeste
M2 = exercise
Sample size Efectul semnificativ

39 415
**************************************************************************
doar al X asupra
Outcome: selfeste dependentei Y fără
Model Summary
R R-sq MSE F df1 df2 p prezența
,5285 ,2793 32,4870 144,0243 1,0000 413,0000 ,0000
mediatorilor
Model
constant 19,8382 1,6528 12,0031 ,0000 16,5893 23,0871
bodyeste ,1780 ,0148 12,0010 ,0000 ,1489 ,2072
**************************************************************************
Outcome: exercise
Model Summary
,4092 ,1675 ,6344 82,9752 1,0000 413,0000 ,0000
Model
constant 1,4367 ,2150 6,6828 ,0000 1,0141 1,8594
bodyeste ,0179 ,0020 9,1091 ,0000 ,0141 ,0218
**************************************************************************
Outcome: acceptan
Model Summary
,3642 ,1326 44,2702 18,5806 3,0000 411,0000 ,0000
Model
constant 45,1626 2,3251 19,4243 ,0000 40,5921 49,7331
selfeste ,3529 ,0600 5,8814 ,0000 ,2350 ,4709
exercise ,7957 ,4344 1,8318 ,0677 -,0582 1,6496
bodyeste -,0037 ,0216 -,1735 ,8623 -,0462 ,0387

Outcome: acceptan
Model Summary
,2051 ,0421 48,6540 15,7373 1,0000 413,0000 ,0001
Model
constant 53,3070 1,9903 26,7836 ,0000 49,3947 57,2194
bodyeste ,0733 ,0185 3,9670 ,0001 ,0370 ,1097
Relația de mediere
*********** TOTAL, DIRECT, AND INDIRECT EFFECTS ********************
40
,0733 ,0185 3,9670 ,0001 ,0370 ,1097
-,0037 ,0216 -,1735 ,8623 -,0462 ,0387
TOTAL ,0771 ,0146 ,0491 ,1054 Efect
selfeste ,0628 ,0127 ,0398 ,0899
exercise ,0143 ,0080 -,0010 ,0306 Total
(C1) ,0486 ,0155 ,0206 ,0826
semnificativ
Effect Boot SE BootLLCI BootULCI al X asupra lui Y
TOTAL ,0108 ,0020 ,0070 ,0148
selfeste ,0088 ,0017 ,0057 ,0123
exercise ,0020 ,0011 -,0002 ,0043

TOTAL ,2156 ,0389 ,1401 ,2940
selfeste ,1757 ,0337 ,1129 ,2447
exercise ,0399 ,0225 -,0028 ,0855

TOTAL 1,0511 ,4244 ,5923 2,0699
selfeste ,8566 ,3585 ,4776 1,7035
exercise ,1944 ,1388 -,0157 ,5257

TOTAL -20,5882 1394,5314 -96546,689 -9,4515
selfeste -16,7797 1186,7623 -82682,649 -7,5600
exercise -3,8085 215,8722 -13864,040 -1,8347
Normal theory tests for specific indirect effects

Effect se Z p
selfeste ,0628 ,0119 5,2665 ,0000
exercise ,0143 ,0080 1,7856 ,0742
Specific indirect effect contrast definitions

(C1) selfeste minus exercise
Relația de mediere
41
,0733 ,0185 3,9670 ,0001 ,0370 ,1097
-,0037 ,0216 -,1735 ,8623 -,0462 ,0387
TOTAL ,0771 ,0146 ,0491 ,1054 Efect
selfeste ,0628 ,0127 ,0398 ,0899
exercise ,0143 ,0080 -,0010 ,0306 Direct
(C1) ,0486 ,0155 ,0206 ,0826
nesemnificativ
TOTAL ,0108 ,0020 ,0070 ,0148
selfeste ,0088 ,0017 ,0057 ,0123
exercise ,0020 ,0011 -,0002 ,0043

TOTAL ,2156 ,0389 ,1401 ,2940
selfeste ,1757 ,0337 ,1129 ,2447
exercise ,0399 ,0225 -,0028 ,0855

TOTAL 1,0511 ,4244 ,5923 2,0699
selfeste ,8566 ,3585 ,4776 1,7035
exercise ,1944 ,1388 -,0157 ,5257

TOTAL -20,5882 1394,5314 -96546,689 -9,4515
selfeste -16,7797 1186,7623 -82682,649 -7,5600
exercise -3,8085 215,8722 -13864,040 -1,8347

Effect se Z p
selfeste ,0628 ,0119 5,2665 ,0000
exercise ,0143 ,0080 1,7856 ,0742

Relația de mediere
42
,0733 ,0185 3,9670 ,0001 ,0370 ,1097
-,0037 ,0216 -,1735 ,8623 -,0462 ,0387
TOTAL ,0771 ,0146 ,0491 ,1054 Efect
selfeste ,0628 ,0127 ,0398 ,0899
exercise ,0143 ,0080 -,0010 ,0306 Indirect
(C1) ,0486 ,0155 ,0206 ,0826
semnificativ
TOTAL ,0108 ,0020 ,0070 ,0148
selfeste ,0088 ,0017 ,0057 ,0123
exercise ,0020 ,0011 -,0002 ,0043

TOTAL ,2156 ,0389 ,1401 ,2940
selfeste ,1757 ,0337 ,1129 ,2447
exercise ,0399 ,0225 -,0028 ,0855

TOTAL 1,0511 ,4244 ,5923 2,0699
selfeste ,8566 ,3585 ,4776 1,7035
exercise ,1944 ,1388 -,0157 ,5257

TOTAL -20,5882 1394,5314 -96546,689 -9,4515
selfeste -16,7797 1186,7623 -82682,649 -7,5600
exercise -3,8085 215,8722 -13864,040 -1,8347

Effect se Z p
selfeste ,0628 ,0119 5,2665 ,0000
exercise ,0143 ,0080 1,7856 ,0742

Relația de mediere
43
,0733 ,0185 3,9670 ,0001 ,0370 ,1097
-,0037 ,0216 -,1735 ,8623 -,0462 ,0387
Semnificație
Effect Boot SE BootLLCI BootULCI statistică la testul
TOTAL ,0771 ,0146 ,0491 ,1054
selfeste ,0628 ,0127 ,0398 ,0899 Sobel
exercise ,0143 ,0080 -,0010 ,0306
(C1) ,0486 ,0155 ,0206 ,0826 p< 0,001 doar
Partially standardized indirect effect of X on Y pentru M1
TOTAL ,0108 ,0020 ,0070 ,0148
selfeste ,0088 ,0017 ,0057 ,0123
exercise ,0020 ,0011 -,0002 ,0043

TOTAL ,2156 ,0389 ,1401 ,2940
selfeste ,1757 ,0337 ,1129 ,2447
exercise ,0399 ,0225 -,0028 ,0855

TOTAL 1,0511 ,4244 ,5923 2,0699
selfeste ,8566 ,3585 ,4776 1,7035
exercise ,1944 ,1388 -,0157 ,5257

TOTAL -20,5882 1394,5314 -96546,689 -9,4515
selfeste -16,7797 1186,7623 -82682,649 -7,5600
exercise -3,8085 215,8722 -13864,040 -1,8347

Effect se Z p
selfeste ,0628 ,0119 5,2665 ,0000
exercise ,0143 ,0080 1,7856 ,0742

Relația de mediere
Pentru relația de mediere cu două variabile mediatoare în serie ecuațiile de regresie sunt:
44
M1 = iM1 + a1X + eM1
M2 = iM2 + a2X + d21M1 + eM2
Y = iY + cʹX + b1M1 + b2M2 + eY, unde a1, a2, b1, b2, d21, și cʹ sunt coeficienții de regresie
iar eM1, eM2 și eY sunt erorile de estimare ale M1, M2 și Y.
Efectul total al X asupra lui Y este c = a1* b1 + a2*b2 + a1*d21*b2 + cʹ, unde cʹ= efectul
direct, iar c- cʹ= efectul indirect, prin intermediul M1 și M2. (Hayes A. F., 2017)
eM1 eM2
d21
a1 b1 b2
a2
eY
cʹ
Relația de mediere
45 Alegem în continuare, pentru exemplificare, un model de mediere cu 2 mediatori în serie.
Mutăm în
această casetă
variabilele
mediatoare, in
ordinea M1, M2
Relația de mediere
46
Select[am
modelul 6
Relația de mediere
47
Efectul
semnificativ al X
asupra
mediatorului M1
Relația de mediere
Efectul
semnificativ al X
48 si M1 asupra
mediatorului M2
Efectul
semnificativ al
X, M1 si M2
asupra lui Y
Relația de mediere
49 Efectul
semnificativ al X
asupra lui Y
Relația de mediere
50 Efectul
semnificativ
indirect total
Efectul
semnificativ
indirect din
partea M1
Diferenta
semnificativa
ind1-ind2
Diferenta
semnificativa
ind1-ind3
Relația de mediere
51
Legenda
efectelor
indirecte
Relația de mediere
52
Referințe:
1. Hayes A. F., Rockwood N. J., (2017) Regression-based statistical mediation and moderation analysis in
clinical research: Observations, recommendations, and implementation, Behaviour Research and Therapy,
98, 39-57. https://doi.org/10.1016/j.brat.2016.11.001
2. Hayes A. F., (2017) Introduction to Mediation, Moderation, and Conditional Process Analysis, Second
Edition, A Regression-Based Approach, Gouilford Press,

Curs Metode &amp; Tehnici TOT ASE BT

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Curs Metode &amp; Tehnici TOT ASE BT

Încărcat de

Drepturi de autor:

Formate disponibile

Cercetare și metodologie Motto

Instrumente utilizate în psihologie

Mult mai târziu,

Adevăruri uitate / omise

Gândirea arhaică – a fost un tip de gândire care a generalizat și absolutizat.

,,Ceea ce-i aici e pretutindeni, ceea ce nu-i aici nu-i nicăieri”.

Greek:γνῶθι σεαυτόν (gnōthi seauton)/ know thyself /cunoaște-te pe tine

Avem nevoie de știință/științe?

Privită din perspectivă istorică, cercetarea a fost și rămâne un proces:

Diagrama de mai jos este edificatoare în acest sens și redă

Reprezentanți ai cercetării în psihologie din România

Personalități care au încercat să caracterizeze actul științific și progresul acestuia:

Thomas Samuel Kuhn, (The Structure of Scientific Revolutions), 1962, schimbarea de

Ce este, de fapt, cercetarea?

-Este un proces circular ?

Sursa: Barker, C., Pistrang, N. & Elliot, R. (2002) p(20-24)

Cercetarea: evoluție, metodă, instrumente, teorie.

Sursa: Barker, C., Pistrang, N. & Elliot, R. (2002) p25

Modalitățile de cercetare s-au diversificat în timp luând diferite forme.

- De laborator (fizica, chimie)

 - (Iscoadele erau un fel de cercetători de teren, medievali, în domeniul militar)

Clasificări ale tipurilor de cercetări

Diferențele dintre științele clasice/realiste-științele sociale.

Explicația științifică -consecință rațională ce rezultă ca urmare a testării unor ipoteze.

Teorie vs. model teoretic

18 Realism and Constructionism

1. Ipoteze – definiții, forme și tipuri.

Ipotezele – modalitate de construcție

Modelul de cercetare (research design)

1. Modelul grupului unic cu observație singulară (single-group one-observation design)

2. Modelul grupului unic cu pretest – posttest (one-group pretestposttest design)

3. Modelul grupurilor statice preexistente(static-groups design)

Modele de cercetare quasi-experimentale

2.1. Modelul grupului de control nonechivalent (nonequivalent control group design)

2.2. Modelul pretest-posttest cu eșantioane separate (separate-sample pretestposttest design) Numit și

Modele cu serii de timp (time-series designs)

2.3. Modelul serii de timp întrerupte (interrupted time series design)

2.4.a Modelul serii de timp multiple (multiple time-series design)

2.4.b Modelul serii de timp multiple (variantă)

Ex.- Corelațiile dintre satisfacție(s) și nivelul venitului(v) la momentul t1 și t2. r(satisfacţie1-venit1) și

Valorile lipsă (missing values)

Valorilor lipsă (missing values)

Tipologia valorilor lipsă (missing values):

• (Rubin, 1987) a fundamentat analiza modernă a valorilor lipsă.

Tipuri de valori lipsă după modul lor de definire:

• Definite de softul de analiză a datelor (sistem-missing values). Celule rămase goale,

Tipologia valorilor lipsă (missing values):

Tipuri de valori lipsă după natura lor (Garson, 2015):

• Valorile lipsă complet aleator (Missing completely at random, pe scurt, MCAR)

• Valorile lipsă aleator (Missing at random, pe scurt, MAR)

• Valori lipsă non-aleator (Missing not at random, pe scurt, MNAR)

Cauzele valorilor lipsă (missing values):

• sarcini la care unii dintre subiecți nu știu cum să răspundă.

Acestea pot să ascundă valori cu aceeași semnificație ca valorile valide.

Efecte ale valorilor lipsă (missing values):

Analiza valorilor lipsă (missing values analysis)

Cu ajutorul SPSS pot fi realizate, în prezent, două tipuri majore de analize:

În continuare vom aborda doar prima dintre analize.

Analiza valorilor lipsă (missing values analysis)

Analiza valorilor lipsă (missing values analysis)

Analiza valorilor lipsă (missing values analysis)

Little’s MCAR test

Fie tabelul cu date

Analiza valorilor lipsă (missing values analysis)

Curs Metode & Tehnici TOT ASE BT

Curs Metode & Tehnici TOT ASE BT