Corelații

Structura raportării

1. Aparatul statistic utilizat (corelație Pearson, corelație parțială, corelație Spearman) +

(uni/bidirecțional) + ipoteză (menționarea variabilelor și legătura dintre ele)
2. Informații relație (ne/semnificativă, pozitivă/negativă), r(df) / rp(df) / rs(df), p.
3. Mărimea efectului/varianță comună (r2 / r2^100)

Notă. df = numărul de participanți – număr variabile testate

Notă. dacă relația dintre variabile este nesemnificativă NU se mai calculează/raportează mărimea
efectului

Notă. dacă mărimea efectului are valori între mic/mediu, mediu/mare, se folosesc termenii – mediu-
scăzut și mediu-ridicat

Exemplu

Am utilizat corelația Pearson (uni/bidirețională) pentru a verifica dacă există o legătură între X și Y.

Rezultatele indică faptul că există o relație …. și …. între X și Y, r(df) = , p = .

Cele două variabile au o varianță comună de x%, cu r2 = , adică un efect slab/mediu/puternic.

Am utilizat corelația parțială Pearson (uni/bidirețională) pentru a verifica dacă există o legătură între X și
Y, ținând sub control efectul lui Z.

Relația dintre X și Y este …. și …. atunci când nivelul lui Z este ținut constant, rp(df) = , p = .

Cele două variabile au o varianță comună de x%, cu r2 = , adică un efect slab/mediu/puternic.

Am utilizat corelația Spearman (uni/bidirețională) pentru a verifica dacă există o legătură între X și Y.

Rezultatele indică faptul că există o relație …. și …. între X și Y, rs(df) = , p = .

Mărimea efectului indică o relație slabă/medie/puternică între variabile.

Regresii

Structura raportării

1. Aparatul statistic utilizat (regresie liniară simplă, multiplă cu predictori incluși simultan/ierarhic)
+ ipoteză (menționarea variabilelor predictor care prezic variabila criteriu).
2. Informații model regresie (nu/explică varianța criteriului), F(df1, df2), p. (tabel ANOVA)
3. Procent varianță explicată de predictorii incluși (r2ajustat) (tabel Model Summary)
b.) Δr2 (ce aduce în plus modelul 2 față de modelul 1 – doar la regresia ierarhică)
4. Informații predictori (β, p – pentru fiecare predictor + menționat dacă e / nu e semnificativ)
(tabel Coefficients)
5. Mărimea efectului pentru fiecare predictor (corelația semi-parțială la pătrat) (tabel Coefficients)

Exemplu

Am utilizat regresia liniară simplă /multiplă cu includerea simultană/ierarhică a predictorilor pentru a

verifica dacă X și Y prezic Z (dincolo de efectul W).

În baza modelului de regresie se pot face predicții mai acurate decât în baza mediei, F(df1, df2) = , p = .

Modelul (complet (enumarere variabile predictor)) explică x% din varianța criteriului, r2ajustat = .

(Includerea noilor/noului predictor în cel de-al doilea model aduce un plus explicativ de x%, Δr2 = , care
este/nu este semnificativ statistic p = ).

Dintre predictorii incluși în model, doar unul/doi/…/toți prezic semnificativ evoluția lui Z, X (β = , p = ), Y
(β = , p =). X explică x% procente din varianța criteriului, iar Y explică y%.

Extra

Ecuația de regresie – y = b0 + b1X (+b2Y + … + bnZ) + e

y = valoarea variabilei criteriu (care urmează să fie prezisă)

b0 = intercept/constantă

b1, b2, …, bn = coeficient beta nestandardizat pentru fiecare predictor

X, Y, Z = valori predictori (stabilite de noi)

e = eroare