Dan VASILIU

Memento
de cercetare
în psihologie
Un ghid prietenos pentru studenți
și nu numai...

2018
Cuprins
Cuvânt de început ..................................................................................... 5
Capitolul 1. Scurtă introducere în metodologia cercetării ................... 9
1.1. Suportul teoretic al cercetării ..................................................... 10
1.2. Obiective. Ipoteze........................................................................ 11
1.3. Metoda .......................................................................................... 16
1.4. Operaționalizarea constructelor. Variabile .............................. 16
1.5. Eșantionarea ................................................................................ 19
1.6. Participanții/Subiecții ................................................................... 21
1.7. Instrumente .................................................................................. 22
1.8. Procedura ..................................................................................... 23
1.9. Design experimental ................................................................... 24
Capitolul 2. Noțiuni de prelucrarea statistică a datelor ...................... 29
2.1. Noțiuni și concepte utilizate în prelucrarea statistică ............. 30
2.1.1. Pragul de semnificație. Erori statistice .............................. 31
2.1.2. Interval de încredere............................................................ 32
2.1.3. Eroarea standard ................................................................. 33
2.1.4. Tipuri de variabile ................................................................. 33
2.1.5. Distribuții de date. Tendința centrală și împrăștierea ..... 34
2.1.6. Boltire. Simetrie .................................................................... 38
2.1.7. Distribuția normală ............................................................... 41
2.1.8. Distribuția normală standard și scorurile Z....................... 42
2.1.9. Ranguri .................................................................................. 43
2.2. Introducerea datelor .................................................................... 44
2.3. Analiza descriptivă a datelor...................................................... 49
2.3.1. Analiza frecvențelor ............................................................. 50
2.3.2. Analiza descriptivă ............................................................... 53
2.3.3. Analiza Box-Plot și testul de normalitate .......................... 54
2.4. Analiza inferențială a datelor ..................................................... 59
2.4.1. Corelații sau asocieri între variabile .................................. 60
2.4.1.1. Corelații Pearson .............................................................. 63
2.4.1.2. Asociere Kendall ............................................................... 67
2.4.1.3. Asociere Spearman .......................................................... 68
2.4.1.4. Testul Chi-pătrat ............................................................... 69
2.4.1.5. Testul exact Fischer ......................................................... 72
2
 2.4.2. Diferențe între grupuri ......................................................... 75
2.4.2.1. Testul t pentru eșantioane independente ..................... 76
2.4.2.2. Testul z pentru două proporții ......................................... 80
2.4.2.3. Testul Mann-Whitney U ................................................... 83
2.4.2.4. Testul t pentru eşantioane dependente ....................... 84
2.4.2.5. Testul semnului ................................................................. 87
2.4.2.6. Testul Wilcoxon................................................................. 88
2.4.2.7. Testul ANOVA unifactorială ............................................ 90
2.4.2.8. Testul Kruskal-Wallis........................................................ 94
2.4.2.9. Testul ANOVA pentru măsurători repetate ................... 95
2.4.2.10. Testul Friedman .............................................................. 98
2.5. Alte analize statistice .................................................................. 99
2.5.1. Scoruri standard z. Note standard .................................... 99
2.5.2. Regresia liniară .................................................................. 101
2.5.3. Analiza factorială ................................................................ 103
2.5.4. Studiul diagnostic ............................................................... 110
2.6. Puterea statistică și mărimea efectului. ................................. 113
2.6.1. Puterea statistică................................................................ 113
2.6.2. Mărimea efectului............................................................... 114
2.6.3. Determinarea puterii statistice și a mărimii efectului .... 115
Capitolul 3. Noțiuni de psihometrie .................................................... 120
3.1. Despre teste/chestionare ......................................................... 120
3.2. Construirea itemilor ................................................................... 122
3.2.1. Analiza dificultății itemilor.................................................. 123
3.2.2. Indicele de discriminare .................................................... 124
3.3. Aspecte ale fidelității ................................................................. 129
3.3.1. Consistența internă ............................................................ 129
3.3.2. Fidelitatea test-retest ......................................................... 132
3.3.3. Concordanța interevaluatori ............................................. 134
3.4. Aspecte ale validității ................................................................ 135
3.4.1. Validitatea de conținut ....................................................... 136
3.4.2. Validitatea de criteriu ......................................................... 136
3.4.2.1. Validitatea predictivă ..................................................... 137
3.4.2.2. Validitate concurentă...................................................... 138
3.4.3. Validitatea de construct ..................................................... 138
3
 3.4.3.1. Validitate convergentă ................................................... 138
3.4.3.2. Validitatea de discriminare ........................................... 138
3.4.3.3. Matricea multitrăsătură-multimetodă ........................... 139
3.5. Etaloane ...................................................................................... 140
3.5.1. Etalonarea utilizând percentilele ...................................... 141
3.5.2. Etalonarea folosind unitățile sigma ................................. 142
3.5.3. Etalonarea folosind notele z ............................................. 144
Capitolul 4. Elaborarea unei lucrări științifice.................................... 148
Cuvânt de final....................................................................................... 157
Bibliografie ............................................................................................. 158
Anexa 1. Tabelul distribuției valorilor sub curba normală z ............ 162
Anexa 2. Etalon pentru un test cu doi factori. ................................... 163
Anexa 3. Exemplu de instrucțiuni pentru publicare ......................... 164
Anexa 4. Sisteme de clase standardizate ......................................... 170

4
 Motto: “ENTIA NON SUNT MULTIPLICANDA
PRAETER NECESSITATEM”
(William Ockham, 1285-1349)

Cuvânt de început

În perioada în care am urmat cursurile facultății de psihologie, cât și

în anii următori, pe parcursul studiilor de master și a școlii doctorale, am
observat o reticență crescută a studenților de la facultățile cu profil socio-
uman față de Statistică. Acest lucru se datorează în principal aversiunii față
de Matematică, disciplină la care cei mai mulți au eșuat cu succes. Ne-am
propus în cele ce urmează să prezentăm câteva noțiuni de bază pentru
proiectele de cercetare de pe parcursul anilor de studii și pentru lucrările de
licență, de master și de doctorat. Nu urmărim să elaborăm o lucrare
academică, cât mai degrabă un ghid prietenos și util. Totodată, am
considerat că nu putem despărți metodologia cercetării de prelucrarea
statistică a datelor și psihometrie, chiar dacă de regulă sunt tratate ca
discipline distincte
Psihologia este o știință. Unii o consideră o artă, iar alții o definesc
drept știință facută cu artă. Indiferent de preferință, psihologia posedă, ca
orice știință, un obiect de cercetare, metode, legi și finalitate. Obiectul de
studiu este psihicul, iar acesta este unic fiecărui individ în parte. La nivelul
psihicului au loc diferite procese în care sunt implicate structuri, constructe
psihice, determinate de cauze și cu anumite efecte. Efectele au intensități
și manifestări diferite, în funcție de structura psihică individuală. Psihologul
este provocat să găsească, în cazul unor tulburări ale dispoziției, metodele
potrivite și modalitățile de aplicare ale acestora, pentru fiecare caz în parte,
astfel încât rezultatul să fie pozitiv. În prezent, cele mai eficiente metode de
consiliere sau psihoterapie se bazează pe concluziile cercetărilor privind
relațiile sau diferențele intragrup între constructe și procese psihice.
Evident că toate aceste studii oferă rezultate probabile pentru o majoritate
a populației. Psihologul practician lucrează, însă, cu indivizi sau grupuri
5
mici din această populație. Ajustările, care determină ca intervențiile să
aibă eficiență sporită, țin de artă și experiență. Concluziile cercetărilor sunt
susținute de rezultatele statistice obținute în urma prelucrării datelor
colectate pe eșantioane reprezentative din populație. Valoarea practică a
rezultatelor obținute ține de încrederea pe care o putem acorda diferitelor
tipuri de studii. În fond, în urma acestor studii asupra unor eșantioane
reprezentative, putem face predicții mai bune sau mai puțin bune. Conform
lui Florin A. Sava (2013), putem clasifica aceste studii după gradul de
încredere privind rezultatele obținute sub forma unei piramide. Cu cât
metoda terapeutică se bazează pe un studiu cu încredere mai ridicată, cu
atât ea va fi mai eficientă și de utilitate practică.

 Metaanalize pe studii primare experimentale / cvasi-

experimentale
Încredere
ridicată

 Studii randomizate privind mecanismele schimbării

 Studii experimentale randomizate cauzal-descriptive
 Studii experimentale randomizate pragmatice
 Studii cvasi-experimentale
 Metaanalize pe studii primare non-experimentale
Încredere

 Studii non-experimentale longitudinale

scăzută

 Studii non-experimentale transversale

 Studii de caz
 Opiniile specialiștilor

Piramida încrederii (după Sava, 2013, p. 54).

Cu cât vom fi mai mulți implicați în activitatea de cercetare, idiferent

de nivel, cu atât metoda va câștiga în acuratețe și eficacitate.
Având în vedere intenția noastră de a elabora un ghid prietenos
pentru studenții de la facultățile de psihologie, nu vom insista pe formule și
demonstrații matematice. Există programe care prelucrează automat
datele. Cei care vor dori să urmeze o carieră în cercetare vor avea
posibilitatea să aprofundeze disciplina cu ajutorul unor lucrări mai
elaborate. Dar pentru că tot am amintit de programe, unul dintre cele mai
utilizate este SPSS dezvoltat de IBM. Costul de obținere a licenței este
ridicat și nu justifică achiziționarea lui doar pentru temele la diferite
discipline sau pentru lucrările de licență, master sau doctorat. Acesta poate
fi însă utilizat în laboratoarele de statistică ale universităților sau ale unor

6
instituții de cercetare. Pentru a exersa și chiar pentru a elabora o cercetare
se poate folosi cu succes și GNU PSPP, un sofware gratuit, care poate
opera sub Windows, Mac OS, Gnewsense, Fedora, Debian, Ubuntu,
OpenSuSe și FreeBSD. Interfața și meniurile sunt foarte asemănătoare
celor din SPSS.
Înainte de a trece la dezvoltarea tematicii propuse, dorim să facem
câteva precizări privind utilitatea apariției unui astfel de ghid. Există deja
lucrări foarte bine elaborate cu privire la disciplinele abordate în paginile
următoare. Conținutul acestora este suficient de exhaustiv pentru a oferi
răspunsuri la majoritatea întrebărilor ce pot să apară în demersul științific.
Multitudinea de definiții și demonstrațiile matematice constituie argumente
solide pentru a merita studiate. Unele lucrări vin cu exemple concrete și cu
capturi de ecran care să ușureze aprofundarea modului de lucru cu
programe de prelucrare statistică. Cu toate acestea, pentru cercetătorul
tânăr sau pentru oricine altcineva care este presat să elaboreze o lucrare
științifică, dacă mai are și convingerea că matematica este inutilă pentru
psihologie, aceste tratate devin un prag greu de trecut. Pe lângă asta, cele
mai multe lucrări au un număr mare de pagini redactate destul de mărunt.
Ne amintim bucuria cu care studenții masteranzi au aflat că lucrarea de
disertație trebuie să cuprindă doar analiza unor studii de caz, spre
deosebire de lucrarea de licență, care a presupus o cercetare
experimentală. În alt context, în timpul unei prezentări despre prelucrarea
statistică a datelor, „am îndrăznit” să scriem pe tablă o formulă matematică.
Formula mediei aritmetice! În acel moment studenții prezenți în anfiteatru
au avut o reacție greu de descris. Era un amestec de revoltă, derută și
dezamăgire. După pauză au mai rămas un sfert dintre ei la prezentare.
Lucrarea de față dorește, atât cât este cu putință, să evite formulele
și să pună accent pe descrierea și intuirea noțiunilor. Exemplele vin să
întărească înțelegerea lor. Scopul este de a mări distanța psihologică dintre
matematică și statistica aplicată în științele socio-umane. Materialul este
structurat după o înlănțuire logică, urmând pașii pentru realizarea unei
cercetări. Astfel, el poate fi aprofundat în paralel cu realizarea demersului
științific. Lucrarea ar putea fi comparată cu un consilier sau un terapeut
care-și însoțește clientul inspirat de principiile „aici și acum” și „împreună
spre scop”. Informațiile prezentate sunt la un nivel suficient-necesar pentru
elaborarea unei cercetări decente și cu reale șanse de succes.

7
 Materialul este împărțit în patru capitole. Primul capitol îl ghidează
pe cercetătorul mai puțin experimentat, pas cu pas, de la idee până la
obținerea unei colecții de date utilă și validă pentru scopul propus. Capitolul
al doilea prezintă modalități posibile de prelucrare a datelor și interpretare a
rezultatelor, astfel încât să poată conduce la concluzii cât mai aproape de
realitate. Am introdus câteva scheme de decizie pentru alegerea testelor
statistice în funcție de caracteristicile bazei de date colectate de la
participanți/subiecți. Uneori, însă, cercetătorul se poate afla în situația de
ași construi singur probele pentru obținerea datelor de analizat. În capitolul
al treilea am exemplificat pașii necesari pentru construirea și validarea
acestora pentru populația căreia i se adresează cercetarea. În ultimul
capitol am recapitulat, schematic și cu exemple suplimentare, etapele
realizării demersului științific. Am încheiat prin a descrie structura generală
a raportului de cercetare, specificând că fiecare instituție de învățâmânt și
fiecare revistă științifică vine cu un manual propriu de redactare. Acesta
trebuie consultat pentru redactarea corespunzătoare a materialului.
Ne dorim ca acest ghid să devină un deschizător de drumuri pentru
toți cei ce doresc să urmeze o carieră științifică de succes și un prieten de
nădejde pentru cei ce urmăresc doar să treacă cu bine prin etapele
pregătirii academice.

8
 Capitolul 1. Scurtă introducere în metodologia cercetării

Orice are un început. În opinia noastră, considerăm că începutul

demersului științific îl reprezintă curiozitatea dublată de un empirist sceptic.
Curiozitatea științifică este cea care ne determină să observăm și să
căutăm explicația la „de ce se întâmplă” sau/și „cum se întâmplă”. Punctul
de început al unei cercetări implică circumscrierea unei teme generale,
formularea unei probleme și particularizarea ei într-una sau mai multe
întrebări. Observarea unui fenomen ne poate sugerea o temă a cercetării.
Dar lucrurile nu se opresc aici. Pentru a ne convinge că merită efortul să ne
angajăm într-un demers stiințific, este bine să determinăm natura
fenomenului observat. Este el unul particular, singular, sau are un anumit
grad de generalitate? În cazul al
doilea, ar fi necesar să Primii pași spre o cercetare:
determinăm limitele în care el
se manifestă. Putem apela la Observația naturală, sistematică ori
întâmplătoare, sau o documentare
diferite procedee: observația
teoretică serioasă.
naturală, observația sistemati- 
că, interviul, sondajul psiholo- Întrebare cauzală: „de ce ...?”
gic. Demersul științific autentic Întrebare de proces: „cum ...?”
constă în căutarea dovezilor 
care să infirme presupunerea Întrebarea generală a cercetării

noastră. Dar despre asta vom
Tema (obiectivul) cercetării
discuta mai târziu. 
Psihologia, fiind în Ipoteza nul (H0) și ipoteza
primul rând o știință, are ca alternativă (H1)
scop cunoașterea în domeniul
psihicului, în particular al psihicului uman. Pentru atingerea scopului,
psihologia dispune și de o metodă științifică. Acest lucru presupune o serie
de tehnici standardizate, necesare validării rezultatelor obținute,
interpretării acestora și generalizării lor. Metoda științifică trebuie să
îndeplinească mai multe condiții. Conform lui Gâtej (2015, p. 7), aceste
caracteristici sunt:
1. Replicabilitatea. Se cere ca studiul să poată fi repetat în mod
independent și de către alți cercetători, în condiții asemănătoare, iar
rezultatele obținute să fie identice sau cel puțin similare;

9
 2. Exactitatea. Constructele trebuie să fie definite cu un grad ridicat
de exactitate, permi/ând, astfel, utilizarea definițiilor pentru comăsurarea lor
și pentru a testa acea teorie;
3. Parcimonia. În situația în care un fenomen poate avea mai multe
explicații, oamenii de știință trebuie să accepte întotdeauna explicația cea
mai simplă sau logica cea mai simplă. De altfel, principiul se regăsește în
motto-ul acestei lucrări;
4. Falsificabilitatea. Presupune enunțarea unei teorii astfel încât ea
să poată fi combătută.
Vom recurge la un mic excurs pentru a explica mai bine principiul
falsificabilității. Teoria a fost formulată de Karl Popper în 1919, cu intenția
de a găsi criterii de demarcație între știință și pseudo-știință (metafizică,
parapsihologie, astrologie etc.). Popper presupune formularea unor situații
sau evenimente specifice care, dacă s-ar produce, ar duce la invalidarea
unei teorii. Autorul face distincția între falsificabilitate și falsificare. Conform
acestuia (Popper, 1981, p. 117), o teorie poate să fie falsificabilă fără a fi în
mod necesar falsificată vreodată. Argumentul cel mai puternic în favoarea
teoriei sale este acela că inferențele bazate pe observații nu garantează
caracterul științific al unei teorii. Popper respinge logica inductivă în
favoarea celei deductive, susținând că nu putem fi niciodată siguri de
adevăr, ci doar ne putem
Baze de date indexate: apropia de el într-un grad mai
http://www.apa.org/pubs/index.aspx
mic sau mai mare, scopul
https://www.researchgate.net/
http://www.sciencedirect.com/ științei fiind sporirea gradului de
http://www.proquest.com/ verosimilitudine (Popper, 2002,
http://www.scipio.ro/ p. 60).
https://www.elsevier.com/
https://www.ebsco.com/contact/ebsc 1.1. Suportul teoretic al
ohost-for-students cercetării
https://academic.oup.com/journals/ Următorul pas este
http://www.rcis.ro/ documentarea. Este necesar să
http://www.rjeap.ro/ analizăm definițiile și structurile,
https://www.mendeley.com/ specifice și la obiect, pentru
https://www.centerforclinicalexcellenc
constructele pe care le
e.com/
presupunem implicate în
proces. Este util să căutăm și să analizăm și alte constructe, care conțin
elemente asemănătoare în structura lor, pentru a stabili dacă influențează
10
sau nu relațiile presupuse de noi. Tot acest proces, precum și cele din
etapele următoare, trebuie să se realizeze cu scepticism. Cercetătorul
autentic va căuta pe tot parcursul demersului științific dovezi care să infirme
presupunerile inițiale. Atitudinea contrarie poate influența cercetarea în
oricare dintre etapele sale, prin tendințe subiective de a manipula designul
și datele în favoarea obținerii unui rezultat pozitiv, viciind concluziile finale.
Infirmarea sau confirmarea presupunerilor inițiale au aceeași valoare din
punct de vedere științific. Cazurile în care se infirmă existența fenomenului
supus cercetării pot deveni valoroase în situația replicării unor cercetări
anterioare, adică repetarea acestora, utilizând aceleași instrumente și
condiții experimentale, pe populații diferite.
În acest fel vom construi baza teoretică a cercetării. Totodată, vom
interoga bazele de date indexate sau orice surse credibile din punct de
vedere științific pentru a distinge elementele de noutate ale cercetării. Vom
căuta studii care pot confirma utilitatea demersului nostru științific. Vom
selecta lucrări care, în contexte diferite de cele ale observațiilor noastre
(alte populații), au evidențiat relații sau diferențe între grupuri referitoare la
constructele alese de noi.
Noțiunea de ipoteză conform
1.2. Obiective. Ipoteze www.dexonline.ro:
Următorul pas presupune  presupunere, enunțată pe baza
stabilirea obiectivelor cercetării. unor fapte cunoscute, cu privire la
În acest capitol este necesar să anumite legături între fenomene
care nu pot fi observate direct sau
descriem motivele pentru care
cu privire la esența fenomenelor,
am ales să facem studiul, la cauza sau la mecanismul intern
noutatea științifică și utilitatea care le produce;
practică preconizată. Tot aici  presupunere cu caracter
vom defini ipotezele în funcție de provizoriu, formulată pe baza
tipul de cercetare considerat cel datelor experimentale existente la
mai potrivit scopului propus. un moment dat sau pe baza
intuiției, impresiei;
Există demersuri în vederea
 presupunere formulată pe baza
cunoașterii lumii, care implică unor fapte cunoscute.
formularea unor ipoteze și
confirmarea unui adevăr. În acest caz avem de a face cu cercetări
confirmatorii. În cazul în care căutăm un răspuns fără existența unor
presupuneri prealabile avem de a face cu cercetări exploratorii. Conform lui
(Bem, 2000; Schinka & Velicer, 2003), cercetarea confirmatorie este cea
11
mai des întâlnită și are un caracter anticipativ și pro-activ de interogare a
realității.
Etapele parcurse în aces caz sunt: Se elaborează o ipoteză în baza
unor teorii existente sau a unor cercetări anterioare, se stabilește un design
al cercetării, se elaborează metodologia de investigare și de analiză a
datelor care să conducă la confirmarea sau infirmarea ipotezei. Pe de altă
parte, cercetarea exploratorie are un caracter reactiv, de oportunitate. Se
bazează pe studierea unei
Formularea ipotezei pentru o anumite realități, fără a face o
relație cauzală: presupunere anterioară, prin
„Creșterea autoeficacității duce la o care se urmărește găsirea unui
performanță academică mai bună”
suport pentru formularea unor
Formularea ipotezei pentru o concluzii într-un domeniu de
relație de asociere: interes. O astfel de cercetare se
”Există o relație pozitivă între pretează cazurilor în care nu
motivație și satisfacția școlară”. există un suport teoretic sau
acesta este foarte redus.
ATENȚIE! O ipoteză formulată
Ipotezele se formulează cu
corect întrunește următoarele
referire la constructele
(variabilele) vizate de cercetare, trăsături:
și nu în legătură cu a) are caracterul de
instrumentele folosite pentru presupunere și implică un
măsurarea lor. rezultat așteptat;
b) descrie o relație
cauzală sau de altă natură dintre variabile;
c) se sprijină pe niște date sau informații existente;
d) necesită un proces de confirmare sau infirmare prin metode
empirice.
O ipoteză trebuie să îmbrace o formă argumentată, fie subiacentă
unei teorii, fie prin derivare din cercetări anterioare, fie apelând la
raționamente credibile. Argumentele pe care se sprijină ipoteza se
regăsesc întotdeauna în documentarea cercetării. Este de dorit ca
ipotezele să manifeste o anumită doză de creativitate. Acest lucru se
reflectă în procesul de rafinare, aprofundare și dezvoltare a unor ipoteze
anterioare. Creativitatea se manifestă și în faptul că o ipoteză trebuie să
încerce lămurirea unor aspecte cu adevărat problematice, despre care nu
deținem cunoștințele sau explicațiile necesare. Conform mai multor autori
12
(Coolican, 1996; Frankfort Nachmias & Nachmias, 2000; Mitchell & Jolley,
2001), ipotezele trebuie să dețină următoarele caracteristici:
a) Să fie clar formulate, adică exprimate prin propoziții scurte, în
care se pot identifica cu ușurință variabilele implicate;
b) Să denote obiectivitate față de valori și credințe personale. Un
asemenea fapt s-ar putea constitui într-o sursă sistematică de erori.
c) Trebuie să fie testabilă. Ipotezele trebuie supuse verificării printr-
un model de cercetare, astfel încât să se găsească dovezi în vederea
acceptării sau infirmării
acesteia. ÎNTREBĂRI DESCRIPTIVE:
„Care este rata abandonului
Dacă se specifică o
școlar?”
relație cauzală între variabile, în „Care sunt principalele surse de
cazul cercetărilor stres pentru tinerii adolescenți?”
experimentale, atunci
formularea ipotezei poate fi sub ÎNTREBĂRI NORMATIVE:
forma „dacă ... atunci ...”. În ”Care este frecvența eșecului
cazul în care aceste condiții nu școlar în țara noastră față de cea la
nivel european?”.
sunt îndeplinite, se recomandă
formularea de tipul „există… ÎNTREBĂRI CORELAȚIONALE:
sau anticipăm… o relație „Trăsăturile personale ale liderilor
pozitivă/negativă între ... și ...”. se asociază cu eficiența acestora?”
Mitchell și Jolley (2001)
consideră că orice ipoteză ÎNTREBĂRI DE IMPACT:
„Campania de prevenire a
trebuie să răspundă la
consumului de substanțe a redus
următoarele întrebări: consumul în școli?”
1) Poate fi falsă?
a. pot fi elaborate definiții operaționale ale variabilelor?
b. poate fi efectuată o predicție specifică?
2) Poate fi susținută?
a. este prezisă o diferență, o relație sau un efect?
3) Există o rațiune pentru care ne putem aștepta ca predicția să fie
corectă?
a. rezultă dintr-o teorie?
b. este consistentă cu rezultate ale unor studii anterioare?
c. este în concordanță cu simțul comun?
4) Rezultatele așteptate vor fi concordante în raport cu:
a. cercetări anterioare?
13
 b. teorii existente?
c. probleme de ordin practic?
5) Testarea ipotezei este practică și etică?
a. există resurse materiale și financiare pentru a testa
ipoteza?
b. există pericolul de a produce daune fizice sau psihice
participanților?
c. există o aprobare pentru această cercetare din partea
unui organ profesional sau etic?
În generarea ipotezelor procesul cel mai important, conform
Hendrick et all. (1993, apud. Mertens, 2005), este formularea întrebărilor
cercetării. Autorii propun o taxonomie a tipurilor de întrebări:
a) Întrebările descriptive scot în evidență informații cu privire la
variabilele cercetării.
b) Întrebările normative compară cu anumite standarde sau
așteptări informația descriptivă obținută anterior.
c) Întrebările corelaționa-
le identifică relații între variabile
IPOTEZE ATRIBUTIVE:
care conduc la formularea unor
„Oamenii manifestă o predispoziție
stabilă cu privire la localizarea explicații. Acestea aduc
controlului, indiferent de situațiile la informații referitoare la
care se raportează.” intensitatea și sensul relației. Nu
oferă, însă, indicii privind
IPOTEZE ASOCIATIVE: raportul de cauzalitate dintre
„Conformismul crește odată cu variabilele studiate.
vârsta”.
d) Întrebările de impact
IPOTEZE CAUZALE: (cauzale) presupun existența în
„Oferirea de feedback este în mod explicit a unei relații
relație cu creșterea gradului de cauzale între variabile sau între
inteligență.” o anumită intervenție și
rezultatul obținut.
Putem clasifica ipotezele în: ipoteze de tip atributiv, ipoteze de tip
asociativ și ipoteze cauzale. Ipotezele atributive presupun existența unui
comportament care poate fi măsurat și distins față de altele similare.
Ipoteza vizează o singură variabilă (univariată) și cere o tehnică de
măsurare și înregistrare adecvată pentru evaluarea constructul vizat. Acest
tip de cercetare urmărește un scop descriptiv. Al doilea tip, asociativ,
14
presupune existența unei relații între două variabile (bivariată). Este o
ipoteză de tip predictiv și presupune găsirea unei relații între variabile.
Ipotezele cauzale presupun că manipularea variabilei independente
produce un efect asupra variabilei dependente. Aceste ipoteze cer
îndeplinirea unor condiții: cauza precede efectul, posibilitatea controlării
altor posibile variabile cu impact cauzal (variabile moderatoare sau
mediatoare), existența unei relații semnificative statistic între variabile.
Totodată, ipotezele pot fi direcționale, când se precizează explicit
sensul relației dintre variabile, sau non-direcționale, sensul nu este
precizat.
Ipoteza de lucru este o presupunere preliminară, insu-ficient
fundamentată sau în curs de fundamentare. În urma finalizării procesului de
funda-mentare ea devine ipoteză a cercetării. Ipoteza cercetării (codificată
H1) reprezintă expre-sia formală și riguroasă a ceea ce presupune
cercetătorul. Uneori poate fi identică cu ipoteza de lucru. Alteori, ipoteza de
lucru este mai imprecisă. Ipoteza statistică (codificată H0, denumită și
ipoteza de nul) este forma negativă a ipotezei cercetării. Noțiunea de
”ipoteza de nulă” a fost introdusă de Fisher (1925) ca suport al
mecanismului de testare a semnificației statistice.
Ipotezele nu reprezintă doar o necesitate stilistică. Modalitățile de
formulare a lor sunt un factor determinant al cercetării. O ipoteză incorect
formulată sau ambiguă poate compromite tot demersul științific construit
ulterior.

GREȘELI FRECVENTE ÎN FORMULREA IPOTEZELOR:

1. Elaborarea de la bun început a uneia sau mai multor propoziții,

care nu întrunesc nici una dintre calitățile impuse de o ipoteză;

2. Acumularea de date empirice, ignorarând etapa de formulare a

ipotezelor până în faza a obținerii rezultatelor. Formularea ipotezelor
în funcție de rezultatele prelucrărilor statistice.

15
 1.3. Metoda
Trebuie de la bun început să distingem metoda de tehnica de
cercetare. Prima poate fi gândită ca fiind o strategie a cercetării.
Cercetătorul realizează, astfel, o proiecție asupra faptelor. Tehnica
furnizează instrumentele și tacticile folosite în punerea în practică a
strategiei. Tehnica are o independență relativă în raport cu metoda.
Metoda circumscrie capitolele referitoare la: participanți/subiecți,
instrumente/aparatură, procedură și design experimental.

1.4. Operaționalizarea constructelor. Variabile

Verificarea ipotezelor presupune măsurarea cât mai exact a
constructelor. Constructele nu pot fi măsurate direct și, din acest motiv,
este necesară parcurgerea a două etape esențiale: conceptualizarea și
operaționalizarea.
Conform lui Gâtej (2015, p. 28) „Conceptualizarea este procesul
mental prin care constructe vagi și imprecise (concept) și componentele lor
constituente sunt definite în termeni clari și preciși.”. Atunci când realizăm
acest proces putem constata că avem de a face cu una sau mai multe
dimensiuni ale constructului. În cel din urmă caz avem de a face cu un
construct multidimensional sau factorial. În final, în procesul de măsurare
vom obține scoruri totale pentru fiecare factor în parte. Este important să
stabilim modul în care scorurile factoriale trebuie combinate pentru a obține
o valoare totală pentru construct cât mai aproape de realitate.
În cercetarea cantitativă, operaționalizarea este absolut necesară.
Acest lucru permite definirea exactă a variabilelor. În cercetarea calitativă
(de exemplu în studii de caz), operaționalizarea este considerată
inadecvată.
Prelucrările statistice impun existența unei colecții de date obținute
prin măsurarea constructelor supuse cercetării pentru eșantionul
reprezentativ. Constructele psihologice nu se pot măsura în mod direct.
Putem, însă, măsura niște indicatori comportamentali relaționați cu
acestea. De cele mai multe ori putem găsi instrumente (probe, teste,
chestionare) deja elaborate pentru a măsura un construct. Alegerea
acestora le vom discuta ulterior. Ce se întâmplă în cazul în care nu
dispunem de un astfel de instrument? În acest caz, pornim de la definiția
generală a constructului, care reprezintă dimensiunea acestuia. Aceasta
poate rezulta dintr-un concept teoretic sau poate avea baze empirice.
16
Dimensiunea constructului nu poate fi utilizată însă practic. Pasul următor
este descompunerea acesteia în definiții operaționale, urmat de
identificarea indicatorilor măsurabili. Este posibil ca pentru măsurarea
constructului să folosim
instrumentele specifice pentru EXEMPLE DE TRANSFORMARE
fiecare indicator. Operația este ÎN VALORI NUMERICE:
destul de laborioasă și
1. Variabila gen poate avea două
presupune timp mai îndelungat
valori: masculin și feminin. Vom
pentru cercetări suplimentare în folosi pentru masculin valoarea„1”
vederea stabilirii saturației în și pentru feminin valoarea „2”.
factori a constructului studiat și
metodologia de interpretare a 2. În urma scorării rezultatului la un
rezultatelor. Sugerăm ca pentru test de măsurare a empatiei putem
cazurile practice, proiecte sau obține următoarele valori:
„neempatic”, „puțin empatic”,
lucrări de licență să se aleagă
„empatic”, „foarte empatic”. Le vom
constructe pentru care există atribui fiecăreia valori numerice de
instrumentele necesare de la „1” la „4”.
măsurare.
Valorile obținute în urma măsurării unor indicatori sau atribuirii unor
caracteristici poartă numele de variabilă. Elementul care definește o
variabilă este valoarea sau scorul, care pot fi numerice sau de altă natură.
În analizele statistice folosim cu precădere valori numerice. Din acest motiv
este indicat ca variabilele ce vor fi utilizate în prelucrarea statistică să fie
transformate în variabile numerice.
Variabilele se pot clasifica în: Variabile independente, variabile
dependente și variabile intermediare (mediatoare și moderatoare). Variabila
independentă (Vi) este variabila pe care o manipulează cercetătorul, care
este definită explicit, măsurată sau măsurabilă. Variabila dependentă (Vd)
este răspunsul participanților/subiectilor, observat şi înregistrat de către
experimentator. Relația dintre cele două trebuie să fie stabilă. Dacă un
experiment este repetat în aceleași condiții și pentru aceiași
participanți/subiecți (replicabilitatea experimentului), variabila dependentă
ar trebui să producă acelaşi scor pe care l-a avut anterior. Variabilele
intermediare influențează semnificativ relația dintre variabila dependentă și
cea independentă. Astfel, variabila mediatoare (Vme) este influențată
semnificativ de către variabila independentă, care, la rândul ei, influențeză
variabila dependentă. În cazul relației de moderare, variabila moderatoare
17
(Vmo) nu este influențată de variabila independentă, dar prezența ei
afectează efectul asupra variabilei dependente.

Influența variabilei mediatoare (Vme) Inluența variabilei moderatoare (Vmo)

Validitatea variabilelor (Popa, 2008), poate fi afectată de factori

precum:
- intervenția unor variabile externe care trebuie identificate,
introduse în designul cercetării sau eliminate;
- difuzarea consemnului, în cazul în care participanții sau subiecții
află modalitatea de scorare sau au mai participat la aceiași evaluare în
trecut;
- instructajul făcut de către cercetător (dicție, tonul vocii, starea
nervoasă), care poate determina o reacție din partea participanților sau
subiecților;
- aparatura utilizată este necorespunzătoare din punct de vedere
tehnic;
- persoana experimentatorului, care poate comunica involuntar
predicțiile experimentului;
- atitudinea față de situația experimentală, care diferă de situația
naturală în care se manifestă participanții/subiecții;
- reactivitatea, care apare atunci când subiecţii sunt conştienţi că
sunt observaţi;
- dezirabilitatea socială, care se traduce prin tendinţa de a evita
răspunsuri care le-ar putea pune probleme sau care ar putea părea ciudate
sau anormale;

18
 În opinia noastră, putem adăuga listei regresia spre medie, ceea ce
înseamnă că după mai multe repetări ale probei, participanții/subiecții cu
rezultate mai slabe își sporesc
performanța, iar cei cu rezultate Operaționalizarea variabilelor
mai bune își diminuează independente:
performanța. - lipsa sau prezența stimulului; -
Variabilele independente stimulul zgomot va avea valorile;
30 dB, 40 dB și 50 Db;
sunt constructe care, odată
- stimulul vizual, litera „R” va
manipulate, influențează com- apărea pe ecran rotită cu un număr
portamente, ce devin astfel de grade aleator.
variabile dependente. Modalită-
țile sau valorile variabilei Operaționalizarea variabilelor
independente pot fi fixate dependente:
anterior sau pot fi selectate Anxietatea poate fi operaționalizată
prin schimbările fiziologice (ritm
aleator. cardiac, transpirația mâinilor etc.)
Variabilele dependente prin comportamente specifice
sunt, de cele mai multe ori, (evitarea provocărilor, performanța
operaționalizări ale unui scăzută in regim de stres) sau prin
construct teoretic și pot avea senzații subiective resimțite
mai multe definiții. Uneori putem (teamă, vertij).
operaționaliza doar rezultatul,
sub forma unor laturi ale comportamentului global. Pentru a fi utilă
cercetării, variabila dependentă trebuie operaționalizată ținând cont de
condiții:
- să fie sensibilă la manipularea variabilei independente;
- să fie clar și precis definită și să fie ușor măsurabilă;
- să fie fiabilă, ceea ce înseamnă să fie stabilă la repetarea
măsurării în condiții experimentale identice.

1.5. Eșantionarea
Este important să definim limitele cercetării astfel încât alții să poată
căuta dovezi care să infirme sau să susțină rezultatele obținute de noi în
alte medii disjuncte, adică diferite. Pentru aceasta este necesar să definim,
cât mai specific, populația la care ne referim în cercetarea noastră.
Populația reprezintă o mulțime de indivizi care au una sau mai multe
caracteristici comune și din care ne propunem, având în același timp și
posibilitatea, să extragem eșantioane reprezentative.
19
 EȘANTION REPREZENTATIV

POPULAȚIA

EȘANTIONARE INCORECTĂ

După ce am stabilit limitele populației, putem, din cadrul acesteia,

să stabilim o listă cu membrii care au calitatea pe care urmează să o
cercetăm. Aceasta este, totodată, o modalitate de restrângere a populației
în funcție de un anumit criteriu. Această listă reprezintă cadrul eșantionului.
Eșantionul este un subset de elemente limitat de cadru. Să nu uităm că
scopul ultim al unei cercetări este descrierea caracteristicilor populației
generale şi nu ale eșantionului. Posibilitatea de a generaliza rezultatele
obținute pe un eșantion asupra întregii populații ține de gradul de
reprezentativitate al eșantionului. Pentru a ne asigura de atingerea acestui
scop există mai multe tehnici de eșantionare, dintre care am ales să
prezentăm:
a) Randomizarea simplă este o metodă aleatoare, care presupune
selecția unuia sau a mai multor grupuri din aceeași populație prin tragere la
sorți. Se asigură, astfel, validitatea internă a experimentului, deoarece
echilibrează diferențele dintre subiecți şi, totodată, crește validitatea
externă a rezultatelor, asigurând reprezentativitatea grupurilor. Acest tip
este util în analiza descriptivă a populației apelând la un segment al
acesteia.
b) Randomizarea multistadială se realizează prin selecția indirectă a
membrilor care formează eșantionul, prin intermediul selecției grupurilor la
care aceștia aparțin. Este asigurată, astfel, o repartiție echilibrată a
membrilor în grupurile experimentale și este specifică cercetărilor

20
experimentale. Putem considera rezultatele unui singur experiment ca fiind
valide şi generalizabile în condițiile în care selecția grupurilor a fost corectă
din cel puțin două motive:
- comportamentele indivizilor sunt relativ constante şi, în același
timp, reprezentative pentru grupuri similare cu cele care au fost testate.
- dacă comparând rezultatele experimentului cu cele obținute la
repetarea acestuia obținem un rezultat semnificativ, putem conchide
asupra validității externe a acestora.
c) randomizarea multifazică se face prin alegerea inițială a unui
eșantion de dimensiuni mari, pe care se realizează unele faze ale
cercetării. Din acesta se selectează ulterior un eșantion pentru realizarea
altor faze, cu caracter mai intensiv. Operațiunea se poate repeta de mai
multe ori.
Literatura de specialitate descrie și alte metode de eșantionare care
pot fi utilizate în scopul realizării unei cercetări psihologice.

1.6. Participanții/Subiecții
Am folosit până acum termenii de participanți sau subiecți. Pentru a
da valoare demersului științific recomandăm folosirea termenului de
„participant” pentru cazul în care cercetarea implică persoane și cel de
„subiect” pentru cazul în care studiului este realizat pe animale.
Participanții/subiecții reprezintă elementele constitutive ale eșantioanelor
de lucru. Selecția acestora nu este de cele mai multe ori la îndemâna
cercetătorului. Așa cum observa McNemar (1946), o mare parte a datelor
provin din cercetări asupra șoarecilor de laborator sau a studenților din anul
I de la psihologie. O cercetare ale cărei rezultate sunt de încredere trebuie
să fie efectuată pe participanți aleși aleator, deziderat adesea greu de
atins. Ne putem asigura, totuși, că folosim grupuri naturale intacte, cu o
compoziție datorată întâmplării.
Repartizarea în grupul de control și în grupul sau grupurile
experimentale se face aleatoriu (randomizat). Randomizarea se poate face
prin mai multe tehnici, în conformitate cu Nunally (1967, p. 95), dintre care
cele mai utilizate sunt:
- randomizarea simplă (prin tragerea la sorți).
- randomizarea stratificată (în care eșantionul este împărțit pe
"straturi", după anumite criterii pentru fiecare strat, iar extragerea se face
aleatoriu din fiecare strat în parte).
21
 1.7. Instrumente
În această fază a cercetării este necesară alegerea instrumentelor
cu care vom măsura constructele definite anterior. Acestea pot fi teste,
chestionare, interviuri etc., sau pot fi aparate de laborator care măsoară
timpi de reacție, abilități, răspunsuri fiziologice etc. Indiferent de natura
instrumentelor de măsură, acestea trebuie să fie fidele și să prezinte dovezi
ale validității pentru populația din care a fost extras eșantionul
reprezentativ. Calitățile psihometrice ale instrumentului trebuie să
corespundă cu tipul de cercetare ales. Nu este același lucru dacă dorim să
evidențiem relații între grupuri categoriale sau caracteristici individuale în
raport cu eșantionul ales. În caz de necesitate, se poate recurge chiar la
construirea unor instrumente noi. În cercetare este necesar să descriem
instrumentele alese sau modul cum le-am construit și să precizăm calitățile
psihometrice ale acestora.
În cazul utilizării unor dispozitive, este necesar să precizăm clasa
din care fac parte și, eventual, referiri către studii care arată precizia lor în
comparație cu unele omologate pentru cercetare. În condițiile în care se
realizează un studiu experimental care necesită aparate de testare, iar
accesul la acestea este dificil, se poate utiliza un program interactiv de
genul PsychoPy (Peirce, 2007, 2009), dezvoltat de Universitatea din
Nottingham. Acesta vine cu o interfață destul de prietenoasă, este open-
source și rulează sub platformele: Windows, MacOS, Debian, Ubuntu etc.
Se pot descărca diferite module care rulează pe un laptop pentru a
experimenta efectul Donders, rotirea mentală, efectul Stroop, diferite
module pentru a testa memoria, luarea de decizii etc. Modulele pot fi
personalizate sau se pot construi module noi. Poate fi utilizată tehnologia
aflată la îndemână, ca de exemplu derularea unor imagini cu impact
emoțional pe ecranul unui laptop și măsurarea, cu un chestionar sau test,
al nivelului de stres. Se poate utiliza în experimente realitatea virtuală cu un
simplu smartphone și o cască VR.
Tot la acest capitol se vor specifica instrumentele utilizate în
prelucrarea datelor și, dacă este cazul, licența de utilizare sau instituția
unde au fost accesate (de ex.: laboratorul de informatică al Universității
Hyperion din București). Informațiile privind tipul de licență trebuie
specificate și în cazul utilizării scalelor. Menționăm că existe scale care pot
22
fi utilizate gratuit în scop de cercetare. Trebuie citate în mod corespunzător
(indicațiile sunt date în manualele de utilizare), iar unele necesită acordul
autorilor.

1.8. Procedura
În acest capitol al cercetării este necesară descrierea exactă a
modului de realizare a acesteia. Informațiile trebuie să cuprindă: modul de
aplicare a testelor (individual, în grup, online etc.); modalitatea de
înregistrare (completare creion-hârtie, măsurarea cu aparatură specifică,
computerizat etc.); condițiile testării (interval orar, luminozitate,
temperatură, în laborator sau în mediul natural, alte condiții ce pot influența
testarea); persoana care înregistrează datele (experimentatorul, un
asistent, participantul); modul de testare (cu timp limitat sau fără limită de
timp); poziția experimentatorului (ascuns, la vedere). Descrierea modului
de obținere a datelor de la participanți/subiecți trebuie făcută în detaliu
pentru ca cercetarea să poată fi supusă ulterior falsificării în vederea
obținerii dovezilor de validitate externă.
Este imperios necesar să se specifice normele deontologice care au
fost respectate în funcție de afilierea cercetătorului, de cerințele
beneficiarului și de normativele internaționale în vigoare. Următorul
exemplu este reprezentativ pentru un cercetător care are calitatea de
membru al Colegiului Psihologilor din România.
Exemplu: „Prezenta cercetare s-a realizat cu respectarea Art. 7, 8,
10 și 11 din Codul deontologic al profesiei de psiholog cu drept de liberă
practică, adoptat prin Hotărârea 4CN/2013 de către Colegiul Psihologilor
din România, precum și a prevederilor din Anexa 2, Partea 1: Preambul din
Codul de procedură disciplinară [2]. Participanții au fost informați cu privire
la obiectivele urmărite și li s-au explicat conținutul probelor folosite și faptul
că participarea este voluntară, cu respectarea confidențialității datelor și a
rezultatelor evaluării. Aceștia au fost înștiințați că li se vor solicita date cu
caracter personal sau care ar putea conține informații considerate
confidențiale și li s-a cerut acordul prealabil, în scris sau prin bifarea opțiunii
Da/Nu pe formularele de testare. Totodată, li s-a adus la cunoștință faptul
că se pot retrage în orice moment din cercetare fără a exista vreo
repercusiune negativă asupra lor. Protocolul de acordare a
consimțământului de participare la cercetare a constat din libera alegere a
participanților de a preda sau nu chestionarele completate către evaluator.”.
23
 1.9. Design experimental
Un design experimental reprezintă un plan despre cum se
colectează și cum se prelucrează datele. Putem distinge între planuri
nonexperimentale și planuri experimentale de cercetare (Graziano, Raulin,
2000). În continuare am ales descrierile date de cei doi autori și am indicat
o formă de reprezentare grafică a acestor planuri.
Planurile nonexperimentale definesc un demers mai puțin riguros și
un control al variabilelor mai scăzut. Aceste designuri de cercetare nu
presupun folosirea de grupuri aleatoare (randomizate) și nu există controlul
asupra variabilelor sau este redus.

Planul nonexperimental Caracteristici Reprezentare grafică

Ex-post-facto -studiază comportamentul
curent individual;
- mediul este natural,
Nu este cazul
necontrolat;
- cercetarea se limitează
la stadiul constatativ.
Un singur grup cu - măsoară efectul produs
N: X O
măsurare posttest în situații naturale.
Un singur grup cu - lipsa de control asupra
N: O X O
măsurare pretest-posttest variabilelor.
Pretest-posttest cu grup - există un control asupra
de control variabilei independente N: O X O
(intervenția doar asupra N: O O
unui grup).

În reprezentarea grafică am notat cu „N:” grupul de cercetare

nerandomizat, cu „X” a fost notată intervenția, iar cu „O” operația de
măsurare (testare, evaluare) a constructului (variabila dependentă).
Planurile nonexperimentale sunt specifice în general cercetărilor
constatative.

24
 Planurile experimentale presupun grupuri aleatoare (randomizate) și
un control riguros asupra variabilelor.

Planul experimental Caracteristici Reprezentare

un grup de control - grupurile sunt
R: X O
și evaluare posttest ehivalente;
R: O
-selecție aleatorie.
un grup de control - grupuri
R: O X O
și evaluare pretest- echivalente;
R: O O
posttest -selecție aleatorie.
pe mai multe - grupuri
Plan experimental
niveluri independente (mai
de bază (o R: O X1 O
mult de două)
variabilă R: O X2 O
selectate aleatoriu;
independentă) R: O X3 O
- nivel diferit de
între grupuri ...
manifestare al
independente R: O Xn O
variabilei
independente.
planul experimental - patru grupuri
R: O X O
al lui Solomon independente;
R: O O
- se controlează
R: X O
efectul datorat
R: O
antrenamentului.
cu același grup - același grup este
(within subject’s supus la toate
design) condițiile C: X1 O
experimentale. C: X2 O
- pentru a C: X3 O
contracara efectul ...
de antrenament se C: Xn O
utilizează metoda
Plan experimental contrabalansării.
de bază (o cu grupuri pereche - grupuri randomi-
variabilă zate pereche (tră- R: X1 O
independentă) sături și caracteris- R: X2 O
între grupuri tici asemănătoare); R: X3 O
dependente - niveluri diferite ale ...
variabilei R: Xn O
independente.
cu un singur - individul apare în
participant/subiect toate condițiile
experimentale
Nu este cazul
(asemănător cu
planul within
subject’s design).

25
 Cu „R:” au fost notate grupurile echivalente selectate aleator și cu
„C:” grupurile contrabalansate. Cu „X” a fost notată intervenția (manipularea
variabilei independente) iar cu „O” operația de măsurare (testare, evaluare)
a constructului (variabila dependentă).
Contrabalansarea este o metodă de a controla eventualele variabile
ascunse care ar putea vicia experimentul propus. Pentru a înțelege mai
bine să urmărim exemplul.
Exemplu: Presupunem că dorim să studiem dacă stima de sine
influențează performanța școlară a elevilor din clasa a XII-a. În acest caz,
populația o reprezintă elevii din ultimul an de liceu, iar eșantioanele,
experimental și de control, vor fi extrase ținând cont de structura acesteia.
Vom avea elevi, selectați aleator pentru ambele grupuri, de la licee cu profil
uman și de la licee cu profil real. Vom ține cont și de proporțiile dintre
participanții de gen masculin și cei de gen feminin. Totuși, din studii
anterioare sau din teorie, știm că anxietatea de performanță influențează
performanța școlară. În acest caz, anxietatea de performanță devine
variabila ascunsă. Pentru a contracara efectul acesteia testăm în prealabil
toți participanții selectatați pentru anxietatea de performanță și îi impărțim
în grupuri (anxietate scăzută și anxietate ridicată). Selectăm aleator din
toate grupurile nou formate participanții pentru eșantionul experimental și
cel de control.
O altă categorie de cercetări experimentale o constituie planurile
factoriale.

Planul experimental Caracteristici Reprezentare grafică

factorial
Plan experimental - conțin două variabile R: X1 X2 O
unifactorial independente fiecare cu R: X1 O
un singur nivel. R: X2 O
R: O
Plan experimental - conțin doi factori fiecare R: X1,1 X2,1 O
bifactorial cu două niveluri. R: X1,2 X2,1 O
R: X1,1 X2,2 O
R: X1,2 X2,2 O
Plan experimental cu trei - conțin trei factori cu câte - pentru fiecare nivel al
factori cel puțin două niveluri. unui factor se construiesc
planuri bifactoriale.

26
 Acestea conțin două sau mai multe variabile independente și permit
evidențierea influenței fiecărei variabile independente și interacțiunilor
dintre acestea asupra variabilei dependente.
Față de cele prezentate mai există și alte tipuri de planuri
experimentale, mai complexe. Conform lui Fraisse (1970), putem construi
planuri experimentale în pătrat latin sau planuri experimentale în pătrat
greco-latin.
Planul experimental în pătrat latin prezintă avantajul că fiecare grup
de factori este luat o singură dată. Pentru un plan factorial cu trei factori și
trei niveluri am fi avut 3x3=9 cazuri experimentale. Planul experimental în
pătrat latin pentru același număr de factori cu același număr de niveluri
constituie o variantă ameliorată, gruparea făcându-se după linii și coloane
(în total șase cazuri). Nivelurile factorului 3 sunt evidențiate cu: C1, C2, C3.

Nivelurile K1 K2 K3
factorului 1
Nivelurile
factorului 2
L1 C1 C2 C3
L2 C1 C2 C3
L3 C1 C2 C3

Planul experimental în pătrat greco-latin are proprietatea că fiecare

celulă conține o grupare de câte doi factori. Celulele nu se repetă. De
exemplu, avem patru factori: A, B, C, D. Factorul D are trei niveluri: D1, D2,
D3. Fiecare celulă reprezintă un plan factorial distinct.

A D1 A D2 A D3
B D2 B D3 B D1
C D3 C D1 C D2

Planul experimental în pătrat greco-latin poate fi împărțit în mai

multe planuri experimentale latine (în exemplul nostru poate fi împărțit în
nouă).
Pot fi concepute și alte planuri experimentale sau
nonexperimentale, în funcție de cerințele cercetării. De exemplu, un plan
experimental foarte puternic în privința rezultatelor obținute are următorul
design:

27
 R: O X O O
R: O O X O

Observăm că grupul experimental ia locul grupului de control și

invers. Pentru a evita efectul de antrenare, un astfel de experiment se
realizează într-un interval de timp suficient de mare.

28
 Capitolul 2. Noțiuni de prelucrarea statistică a datelor

Prelucrarea statistică a datelor presupune efectuarea anumitor pași

obligatorii. Dacă decizia realizării analizelor inferențiale este negativă, se
poate trece direct la pasul șapte sau opt. Etapele sunt:

1. Introducerea datelor Direct în SPSS/PSPP sau

importul acestora dintr-un
alt editor tabelar
2. Analiza descriptivă a a) Analiza frecvențelor Se determină forma finală
datelor b) Analiza descriptivă a distribuțiilor (normală
c) Analiza box-plot și sau nu) și tipul de
testul de normalitate variabilele: categoriale
(nominale/ordinale) sau
tip scală (de interval/de
raport).
3. Se ia deciziea privind posibilitatea și necesitatea efectuării analizelor inferențiale
4. Dacă se continuă cu analizele inferențiale, se ia decizia testelor ce vor fi
utilizate: parametrice sau neparametrice.
5. Analiza inferențială a) Relații între variabile
b) Comparații între
grupuri
6. Determinarea puterii statistice și a mărimii efectului
7. Alte analize statistice, în funcție de cerințele cercetării
8. Concluziile rezultatelor statistice

Prelucrarea statistică a datelor o putem face manual, prin aplicarea

formulelor descrise în tratatele de specialitate, sau putem apela la un
program specializat. O altă variantă este utilizarea funcțiilor de prelucrare
statistică oferite de programul Microsoft Excel. Pentru a realiza acest lucru,
după introducerea datelor supuse analizei, putem proceda în două moduri.
Putem apela comanda <Function> din meniul [Insert], sau putem apela la
butonul [ƒx]. Se va deschide o fereastră de dialog în care, din lista
<Function Category>, selectăm <Statistical>, după care din lista
<Function Name> alegem funcția statistică care ne interesează.

29
 Există mai multe programe specializate pentru prelucrarea statistică
a datelor. În lucrarea de față, am ales să prezentăm modalitatea de lucru
cu SPSS. Precizăm că în cazul folosirii variantei gratuite PSPP meniurile
sunt foarte asemănătoare.
Indiferent de modalitatea aleasă pentru prelucrarea statistică a
datelor, sunt necesare câteva noțiuni care să ne ajute la alegerea testului
statistic și la interpretarea rezultatelor obținute. Așa cum am ales de la
început, vom insista mai mult pe înțelegerea intuitivă a noțiunilor de bază.

2.1. Noțiuni și concepte utilizate în prelucrarea statistică

Am ales câteva concepte semnificative pentru înțelegerea
procesului de prelucrare statistică a datelor colectate de la participanții la
cercetare. Formulele matematice în baza cărora se face analiza statistică
apelează la aceste concepte, iar rezultatele sunt interpretate în baza
definițiilor lor specifice. Chiar dacă în scop practic utilizăm programe de
prelucrare a datelor, alegerea testelor statistice și interpretarea rezultatelor
ar fi lipsite de profunzimea cerută în demersul științific fără înțelegerea
acestora.

30
 2.1.1. Pragul de semnificație. Erori statistice
În paginile care urmează vom utiliza frecvent noțiunea de coeficient
de semnificație (în rezultatele obținute cu ajutorul programului SPSS sau
PSPP apare de regulă notat cu „sig.”). Acesta reprezintă probabilitatea ca
fenomenul studiat să se întâmple. Efectuarea unui test de semnificație,
sau, altfel spus, testarea ipotezelor, este modalitatea a verifica o
presupunere, pe care o considerăm credibilă pentru o întreagă populație,
folosind datele colectate dintr-un eșantion reprezentativ. Coeficientul de
semnificație este comparat cu un prag de semnificație stipulat de Fisher ca
fiind 0.05. Acesta reprezintă nivelul acceptat de comunitatea științifică de a
respinge sau nu ipoteza nulă. Acesta nu este nicidecum un indicator al
faptului că ipoteza de cercetare este adevărată sau falsă, precum apare
uneori interpretat. Pragul de semnificație se referă la probabilitatea de a
obține datele culese, în condiția în care ipoteza nulă este adevărată.
În opinia noastră, interpretarea pragului de semnificație și a valoarii
puterii statistice (Cohen, 1988, 1994) este mai importantă decât
interpretarea dată rezultatului, ca fiind sau nu semnificativ statistic. În lipsa
analizei puterii statistice nu vom
avea suficiente informații pentru Testarea ipotezelor statistice:
a analiza corect rezultatele
De regulă ipoteza testată este
cercetării. Puterea statistică ipoteza nulă (H0). Presupunând că
depinde de erorile de măsurare am ales pragul de semnificație
a indicatorilor. Cu cât erorile de p=0.05 întâlnim două situații:
măsurare sunt mai mari, cu atât a) Pentru un coeficient de
puterea statistică este mai mică. semnificație p ≤ 0.05 respingem
Erorile de măsurare sunt, la ipoteza nulă;
b) Pentru un coeficient de
rândul lor, dependente de
semnificație p > 0.05 acceptăm
volumul eșantionului. Cu cât ipoteza nulă.
acesta este mai mare, cu atât
erorile de măsurare sunt mai mici.
Erorile statistice pot să apară în relație cu alegerea pragului de
semnificație. De regulă, pragul de semnificație este ales ca fiind p=0.05. În
cazul în care ne dorim o predicție probabilistică mai bună, putem scădea
acest prag la valoarea p=0.001.
Eroarea de tip I presupune respingerea ipotezei nule atunci când ea
este adevarată.

31
 Eroarea de tip II presupune acceptarea ipotezei nule atunci când ea
este falsă.
Frecvent, probabilitatea de a comite o eroare de tip I este
prestabilită la 0.05, în timp ce probabilitatea de a comite eroarea de tip II
tinde să fie variabilă. Autori precum Cohen (1988, 1994) propun în acest
caz o probabilitate de 0.20. Între cele două erori există o relație de
dependență, astfel încât, cu cât sunt mai mari șansele de a comite eroarea
de tip I, cu atât scad șansele pentru eroarea de tip II și invers.

2.1.2. Interval de încredere

Datorită erorilor întâmplătoare de eşantionare, informaţiile conţin un
anumit grad de incertitudine. Intervalul de încredere are o limită superioară
şi una inferioară. Aceste limite, marginile intervalului de încredere, oferă cel
mai probabil interval de valori pentru populație.
De exemplu: Un interval de încredere de 95% înseamnă că dacă
repetăm un test pe mai multe eșantioane reprezentative, atunci în 95% din
cazuri diferența mediilor, dacă este vorba de comparații între grupuri, va fi
între limita superioară şi limita inferioară a intervalului de încredere.
Intervalul de încredere reprezintă un indicator considerat de unii
autori ca fiind mai important decât coeficientul de semnificație. Există cazuri
în care coeficientul de semnificație pentru un test statistic are o valoare mai
mică decât pragul de semnificație. Acest lucru ne-ar sugera să respingem
ipoteza nulă (H0). Dacă însă limitele intervalului de încredere au valori
diferite ca semn, una pozitivă și una negativă, atunci vom accepta ipoteza
nulă.
Exemplu: Am enunțat ipoteza alternativă că între grupul 1 și grupul
2, la nivelul populației alese în cercetare, sunt diferențe semnificative între
medii. Ipoteza nulă spune că nu există diferențe semnificative între mediile
grupurilor. La testul de comparație, utilizând datele colectate dintr-un
eșantion reprezentativ extras din populație, am obținut un coeficient de
semmnificație p<0.05 și limitele intervalului de încredere de 95% cu valori
de -20.5 și +15.7. În acest caz vom accepta ipoteza nulă H0. Coeficientul
de semnificație ne indică faptul că există diferențe între mediile grupurilor la
nivelul populației. Intervalul de încredere ne spune, însă, că există
posibilitatea ca diferența între medii, în cazul repetării testului pe un alt
eșantion extras din aceeași populație, să poată avea valoarea inclusiv zero,
deci să nu fie diferențe între grupuri.
32
 2.1.3. Eroarea standard
Eroarea standard este devierea standard estimată a unui model
statistic. Putem aprecia că este o estimare a devierii standard probabile pe
care ar avea-o modelul dintr-un număr infinit de eşantioane. Această
eroare standard oferă o indicaţie asupra preciziei modelului analizat pe
eșantion ca estimare al modelului pentru populaţie. Cu cât eroarea
standard este mai mică, cu atât este mai probabil ca modelul analizat să fie
apropiat de modelul populaţiei.

2.1.4. Tipuri de variabile

Prin variabilă întelegem un anumit indicator care a fost cuantificat
sau măsurat. Variabilele pot fi
clasificate în patru tipuri: Exemple de variabile:
nominale (categoriale), ordinale,
scală de tip interval și scală de Variabile nominale: Gen (masculin,
feminin), Culoarea ochilor (negri,
tip raport.
albastri, verzi, căprui).
Variabilele nominale Variabile ordinale: Sensul coerenței
sunt calitative și presupun o (scăzut, înalt), Înălțimea (scund,
categorizare, fără a indica o mediu, înalt).
ordine sau o cantitate. Variabile scală de interval: IQ, IE
Variabilele ordinale sunt (inteligența emoțională).
calitative și presupun o ierarhie Variabile scală de raport: timp de
reacție, nivelul adrenalinei.
(ranguri), exprimând locul sau
ordinea într-un șir de date.
Variabilele scală de tip interval sunt cantitative și permit să se facă
diferența dintre date. Aceste scale răspund la întrebarea „Care este
diferența dintre ...?” sau ”Cu cât este ...?”.
Variabilele scală de tip raport sunt cantitative și permit comparația
dintre date. Aceste scale răspund la întrebarea „De câte ori este ...?”.
Aceste scale cuprind valoarea zero absolut.
Primele două tipuri de variabile (nominale și ordinale) presupun
utilizarea testelor neparametrice. Ultimele două tipuri (scală de interval,
scală de raport) presupun utilizarea testelor parametrice cu două condiții:
a) Variabilele sunt distribuite normal în eșantionul specificat;

33
 b) Dispersia variabilei în cadrul eșantionului selectat trebuie să fie
asemănătoare cu dispersia pentru întreaga populație din care a fost extras
eșantionul.
Dacă se îndeplinesc condițiile, este de preferat utilizarea tehnicilor
parametrice (cantitative), acestea fiind mai solide și crescând șansa de a
respinge o ipoteză nulă falsă.
Pentru fiecare variabilă se obține o colecție de date în urma
măsurării acestora pentru fiecare dintre participanții selectați în eșantionul
reprezentativ. Colecțiile de date obținute se organizează într-o bază de
date.

2.1.5. Distribuții de date. Tendința centrală și împrăștierea

O colecție de date referitoare la o variabilă se caracterizează prin
frecvența cu care apar anumite valori ale acesteia. Dacă reprezentăm
grafic distribuția variabilei măsurate, obținem, prin aproximare, o curbă cu
anumite caracteristici. Pe axa OX sunt evidențiate valorile pe care le ia
variabila măsurată, iar pe OY frecvența cu care apar aceste valori.

Pentru a descrie o distribuție dispunem de mai multe tipuri de

indicatori. O categorie este cea a indicatorilor tendinței centrale. Aceștia
sunt indicatori sintetici, cu ajutorul cărora se exprimă printr-o anumită
valoare ceea ce este tipic, esențial, stabil, obiectiv și caracteristic pentru o
colecție de date. Indicatorii tendinței centrale cei mai utilizați în analizele
noastre sunt: media, mediana și modul.

34
 Media („m” sau „M”) cea mai folosită în științele socio-umane este
media aritmetică a valorilor obținute pentru variabila analizată. Putem folosi
media doar în cazul în care datele se află cel puţin la un nivel de măsurare
de interval. Mai există și alte tipuri de medii mai rar utilizate.
Exemplu: Pentru colecția de 7 date: 1,2,2,3,4,4,5 media se obține:
M = (1+2+2+3+4+4+5)/ 7 = 3

Mediana („Me”) reprezintă „valoarea care împarte șirul de

măsurători în două părți egale; jumătate din șirul de date va avea valori mai
mici decât mediana, în timp ce cealalta jumătate va avea valori mai mari
decât mediana”. (C. Opariuc-Dan, 2009, p. 83). În cazul în care colecția de
date conține un număr impar de valori, mediana este chiar valoarea din
mijlocul acesteia. În cazul în care avem de a face cu un număr par de
valori, mediana se calculează ca medie a valorilor din mijloc. Atunci când
avem scoruri extreme, foarte mari sau foarte mici, mediana este un
indicator mai bun decât media.
Exemplu: Pentru colecția de date: 1,2,2,3,4,4,5 (număr impar de
scoruri) valoarea 3 împarte distribuția în două părți egale. În acest exemplu
Me = 3.
Pentru colecția 1,2,2,3,4,4,5,5 (număr par de scoruri) mijlocul
distribuției se află între valorile 3 și 4. În acest caz Me = (3+4)/2 =3,5.

Modul („Mo”) este valoarea cea mai des întâlnită într-o distribuție,
valoarea cu frecvența cea mai ridicată. Accentul se pune pe litera „o” nu pe
„u” ca la modul spațial. În situația în care frecvența unui scor este mult mai
mare ca frecvența celorlalte, cel mai bun indicator al tendinței centrale este
modul. În cazul variabilelor nominale modul este singurul indicator al
tendinței centrale, celelalte două nu au nici un sens.
Exemplu: Pentru colecția de date: 1,1,2,1,7,2,2,3,2,1,1,2,1,1
valoarea 1 este cea mai des întâlnită. În acest exemplu Mo = 1.
Pentru colecția de date:
1,1,2,1,2,2,1,9,2,3,2,2,3,1,1,10,1,2,2,3,5,5,4
valoarea 1 apare cu o frecvență de 7 ori și valoarea 2 cu o frecvență de 8
ori. Aceasta este o distribuție bimodală unde Mo = 8 și Mo = 7. În tabelele
cu rezultatele analizei descriptive apare semnalată o astfel de situație.

35
 O altă categorie o reprezintă indicatorii de împrăștiere. Aceștia pot fi
împărțiți în indicatori elementari și indicatori sintetici. Practic, aceștia arată
cum sunt împrăștiate datele în jurul tendinței centrale.

Amplitudinea de variație („A”) este un indicator elementar al

împrăștierii. Amplitudinea reprezintă diferența dintre scorul maxim și scorul
minim al distribuției. Amplitudinea este sensibilă la valorile extreme.

În cazul exprimării procentuale, indicatorul va purta numele de

amplitudine relativă de variație și se obține împărțind amplitudinea la
valoarea mediei și înmulțit cu 100. Amplitudinea relativă de variație se
exprimă în procente. Amplitudinea relativă, spre deosebire de amplitudine,
este independentă de unitatea de măsură folosită pentru valorile variabilei.

36
 Exemplu: Pentru colecția de date, ordonată crescător pentru
ușurința interpretării, următoare cu 14 scoruri (N=14):
1,1,2,3,3,3,4,4,5,6,6,6,8,9 amplitudinea A=9-1=8.
Dacă calculăm valoarea mediei:
M=(1+1+2+3+3+3+4+4+5+6+6+6+8+9)/14=4,36
putem obține valoarea amplitudinii relative: Ar=(8/4,36)*100=183,5%.

Amplitudinea cuartilă (sau amplitudinea intercuartilă) este un alt

indicator elementar al împrăștierii, independent de prezența unor valori
extreme. În unele tratate întâlnim termenul de abatere cuartilă, dar în
opinia noastră termenul de amplitudine este mai intuitiv. Valorile cuartile
sunt acelea care împart distribuția în patru părți egale. Ele se notează cu
Q1, Q2 și Q3. Putem observa că Q2 se află la mijlocul distribuției deci este
chiar mediana. Amplitudinea cuantilă este diferența dintre Q3 și Q1. Dacă
împărțim această valoare la 2 vom obține amplitudinea semiintercuartilă. În
cazul unei distribuții perfect simetrice aceasta va fi egală cu mediana.
Exemplu: Considerăm următoarea distribuție de date:
1,2,2,3,4,5,5,6,6,6,7,8,8. În acest caz valoarea care împarte distribuția în
două părți egale este 5 deci Q2=Me=5. Valorile celorlalte cuartile vor fi:
Q1=2,5 și Q3=6,5. Amplitudinea intercuartilă (interquartile range) va fi
IQr=6,5-2,5=4. Nefiind o distribuție simetrică IQr ≠ Me.
Aici putem face o paranteză pentru a discuta despre alte modalități
de a împărți o distribuție. Dacă dorim să împărțim o distribuție în 10 părți
egale vom obține decilele, iar dacă dorim să o împărțim în 100 de părți
egale vom obține centilele. Generic, valoarea la care se află un anumit
procent din populație se numește percentil. Aceste noțiuni vor ajuta atunci
când vom trata psihometria.

Abaterea medie este un indicator sintetic al împrăștierii. Aceasta se

folosește atunci când media este un bun indicator al tendinței centrale și ne
dă informații despre modul în care se abat, în valori absolute, rezultatele de
la medie, acordând aceeaşi pondere tuturor variabilelor. Dacă în loc de
medie ne raportăm la mediană vom obține abaterea mediană.

37
 Dispersia este tot un indicator sintetic al împrăștierii și mai poate fi
denumit varianță. Varianţa reprezintă media pătratică a diferenţelor
valorilor individuale faţă de media aritmetică. Se notează cu „s2 ” pentru un
eșantion și cu „σ2 ” pentru populație.

Abaterea standard este cel mai folosit indicator sintetic al

împrăștierii și se obține din extragerea rădăcinii pătrate din valoarea
dispersiei. Se notează cu „s” pentru un eșantion și cu „σ” pentru populație.
Putem acum afirma că, în medie, valorile variabilei se abat cu „s” unități de
la medie. Valorile mici ale abaterii standard ne indică faptul că datele sunt
mai puțin distanțate față de medie. În acest caz, media este un bun
indicator al tendinței centrale.

Coeficientul de variație (Varianța) reprezintă gradul de împrăştiere

al rezultatelor în jurul mediei. Se calculează împărțind abaterea standard la
medie și inmulțind rezultatul obținut cu 100. Este exprimat în procente.
Conform lui Dragomirescu și Drane (2009), valorile sub 10% indică o
populaţie omogenă, între 10%-20% indică o populaţie relativ omogenă,
între 20%-30% indică o populaţie relativ eterogenă, iar valorile mai mari de
30% indică o populaţie eterogenă. Coeficientul de variaţie este independent
de unitatea de măsură folosită pentru valorile variabilei. Acesta este
indicatorul universal de comparare a variabilităţii pentru variabile de tip
scală raport.
Exemplu: Pentru o distribuție de date (M=80, s=15) coeficientul de
variație CV=(15/80)*100=18,75%.

2.1.6. Boltire. Simetrie

În realitate, colecțiile de date nu prezintă distribuții normale. Ele pot
fi uneori aproximate ca o distribuție normală, alteori pot avea forme total
diferite. În funcție de forma distribuției se iau decizii privind testele statistice
utilizate pentru ca rezultatele să aibă relevanță cât mai bună pentru
cercetare.

38
 Distingem mai multe tipuri de distribuții:

Distribuție multimodală Distribuții cu boltire diferită

Distribuție asimetrică dreapta (negativă) Distribuție asimetrică stânga (pozitivă)

Boltirea (kurtosis) arată cât de ascuțită sau aplatizată este o

distribuție. O distribuție ascuțită se numește leptocurtică, una aplatizată
platicurtică, iar una normală (în cazuri practice foarte apropiată de cea
normală) mezocurtică. Conform lui Balanda, Kevin și MacGillivray (1988),
boltirea unei distribuții face referire la curba normală care are valoarea
pentru boltire egală cu 3. Testele statistice raportează de regulă excesul de
boltire, care este diferența dintre boltirea absolută a distribuției de date și
cea a distribuției normale. Autorii propun următoarele reguli:
- o distribuție normală are boltirea =3 (excesul de boltire =0). Orice
distribuție cu o boltire ≈3 (excesul ≈0) se numește mezocurtică.
- o distribuție cu o boltire <3 (excesul de boltire <0) se numește
platicurtică..
- o distribuție cu o boltire >3 (excesul de boltire >0) se numește
leptocurtică.

39
 Simetria (skewness) poate fi negativă (distribuție asimetrică la
stânga), pozitivă (distribuție asimerică la dreapta) sau cu valoarea zero
(distribuție perfect simetrică).
Conform lui Bulmer (1979), putem aplica următoarea regulă:
- dacă valoarea simetriei este mai mică ca −1 sau mai mare ca +1,
distribuția este puternic asimetrică.
- dacă valoarea simetriei este între −1 și −½ sau între +½ și +1,
distribuția este izomoderat asimetrică.
- dacă valoarea simetriei este între −½ și +½, distribuția este
aproximativ simetrică.
Atenție!: aceasta este o interpretare a datelor din eșantion și nu se
aplică neapărat întregii populații. Problema este de a putea decide ceva
asupra populației din care face parte eșantionul. Programele de calcul
statistic raportează, pe lângă valorile statistice ale acestora (le notăm Gk
pentru kurtosis și Gs pentru skewness), o eroare standard a boltirii (o notăm
cu SEK - standard error of kurtosis) și o eroare standard a simetriei (o
notăm cu SES - standard error of skewness). Testul statistic pentru a putea
face inferențe la nivelul populației constă din determinarea raportului dintre
valoarea statistică și eroarea standard (Zg1=Gs/SEK respectiv Zg2=Gk/SEK),
formule adaptate după Cramer și Duncan (1977, pp.85-89). Interpretarea
rezultatelor la nivelul populației este:

Zg1 Simetrie Zg2 Boltire

< -2 distribuție foarte probabil < -2 distribuție foarte probabil
asimetrică negativă platicurtică
între distribuție ușor asimetrică între distribuție ușor platicurtică,
-2 și +2 sau probabil simetrică -2 și +2 ușor leptocurtică sau
mezocurtică
> +2 distribuție foarte probabil > +2 distribuție foarte probabil
asimetrică pozitivă leptocurtică

40
 2.1.7. Distribuția normală
Distribuția normală se mai numește și distribuție Gauss-Laplace și
îndeplinește simultan următoarele condiții:
1. Este unimodală;
2. Este simetrică față de medie;
3. Boltirea este normală. Nu este nici ascuțită (foarte omogenă), nici
turtită (foarte eterogenă);
4. Limitele stânga – dreapta tind către zero;
5. Este evaluată numai pentru variabile continue;
6. Indicatorii tendinței centrale au aceeași valoare (M=Me=Mo).
Cunoscând media și abaterea standard pentru o distribuție normală,
putem calcula probabilitatea de apariție a oricărei valori particulare. În
practică întîlnim rareori o asemenea distribuție, dar pot exista distribuții
care să se încadreze în limita de normalitate.
Distribuția normală are mai multe proprietăți. Teoretic, la stânga și
la dreapta mediei regăsim o infinitate de abateri standard. Totuși
semnificative sunt primele trei abateri standard spre stânga și tot atâtea
spre dreapta.
Distribuția normală îndeplinește simultan condițiile:
1. De o parte și de alta a mediei câte 50% din rezultate;
2. Între o abatere standard la stânga și una la dreapta 68.28% din
rezultate, câte 34.13% de fiecare parte și se numește zona cu rezultate
normale;
3. Între două abateri standard la stânga și două abateri standard la
dreapta 95.44% din rezultate. Zona dintre o abatere standard și două
abateri standard se numește zona rezultatelor accentuate și cuprinde
fiecare câte 13.59% din scoruri.
4. Între trei abateri standard la stânga și trei abateri standard la
dreapta 99.74% din rezultate. Zona dintre două abateri standard și trei
abateri standard se numește zona rezultatelor atipice și cuprinde fiecare
câte 2.15% din scoruri.
5. Ceea ce se regăsește în afara celor trei abateri standard
reprezintă 0.26% din scoruri și se numește zona rezultatelor aberante.

41
 În toate figurile prezentate până acum am considerat că pe axa
orizontală se regăsesc scorurile (note brute), iar pe axa verticală
frecvențele cu care apar acestea în distribuție.

2.1.8. Distribuția normală standard și scorurile Z

Distribuția normală standard, cunoscută și sub denumirea de
distribuție Z, este o distribuție normală cu media zero și abaterea standard
egală cu 1, iar notele z sunt cuprinse între -3 și +3 penru 99% din cazuri.
Nota standardizată (nota Z) se poate obține pentru un scor brut ca
fiind diferența dintre scor și media distribuției raportată la abaterea standard
a distribuției din care face parte. Putem constata că nota Z este
adimensională, adică nu depinde de unitatea de măsură a scorurilor,
datorită faptului că se obține prin raportul dintre doi termeni cu aceeași
dimensiune. Acest lucru ne indică faptul că putem utiliza notele Z la
comparații. Pentru a fi mai expliciți, vom da următorul exemplu:
„Un elev obține scorul la un test grilă de gramatică de 49 de puncte,
iar la un test grilă de matematică de 68 de puncte. Putem afirma că elevul
este mai bun la matematică decât la gramatică? Situația este
asemănătoare dacă am compara mere cu pere. Pentru a da un verdict
trebuie să mai cunoaștem că la testul de gramatică media distribuției din
care face parte, colegii lui, este de 35 de puncte cu abaterea standard de 5
puncte, iar la testul de matematică media este de 70 de puncte cu abaterea
standard de 10 puncte. Obținem astfel nota Z=(x-m)/s. În acest caz,
Zgramatică=(49-35)/5=+2.8 iar Zmatematică=(68-70)/10=-0.2 astfel că putem
42
interpreta că elevul este mai bun la gramatică decât la matematică. În acest
caz performanța la matematică îl situează în zona -1s și +1s, adică în zona
medie în raport cu clasa, iar performanța la gramatică în zona +2s și +3s
adică la performanțe excepționale în raport cu clasa.”

Distribuțiile Z pentru comparații

Nota brută la matematică (m=70, s=10) Nota brută la gramatică (m=35, s=5)
este 68 este 49

2.1.9. Ranguri
Ne vom referi la ranguri atunci când avem de a face cu variabile
neparametrice. Pentru a înțelege noțiunea de rang vom da un exemplu
practic. Distribuția va trebui în prealabil ordonată în sens crescător.

Scor 11 32 32 60 65 65 65 77 91
Poziția 1 2 3 4 5 6 7 8 9
Rangul 1 2,5 2,5 4 6 6 6 8 9

Pentru scoruri care se repetă, rangul acestora va fi calculat ca

medie aritmetică a pozițiilor ocupate. Scorurile care se repetă vor avea
același rang. Pentru scorurile care nu se repetă, rangul are aceeași valoare
cu poziția.
Rangurile împreună cu mediana se folosesc atunci când se
lucrează cu distribuții neparametrice sau când media nu este un indicator
fidel pentru tendința centrală. De altfel, mediana este scorul din dreptul
poziției rangului din mijlocul distribuției. Din acest motiv, mediana este
insensibilă la scoruri extreme.

43
 2.2. Introducerea datelor
Datele pot fi introduse direct în SPSS/PSPP sau într-un editor de tip
tabelar (de exemplu Microsoft Office Excel) și importate ulterior sau direct
în SPSS/PSPP. Fereastra principală are două opțiuni: [Data View] și
[Variable View]. În prima se introduc valorile variabilelor.

Fereastra [Data View]

În cazul în care datele au fost introduse într-un editor tabelar se vor

selecta, mai puțin capul de tabel, și se vor copia cu opțiunea [Copy]. În
fereastra [Data View] din SPSS/PSPP se va da <click buton stânga
mouse> în căsuța din stânga sus, după care datele copiate se vor lipi cu
opțiunea [Paste].
O altă opțiune este să importăm baza de date, creată în alt editor,
cu opțiunea [File]  [Open Database]  [New Query ...]. În acest caz se
va deschide o casetă de dialog în care va trebui să selectăm tipul bazei de
date (funcție de editor): dBASE Files, Excel Files, MS Acces Database.
Selectăm baza de date dorită din meniul [Add ODBC Data Source...],
după care apăsăm pe [Next>] și urmăm pașii din meniu.

44
 În cea de-a doua fereastră [Variable View] se definesc variabilele.
Este de preferat, în cazul variabilelor categoriale, ca acestea să fie
transformate în valori numerice.

Fereastra [Variables View]

<Name> reprezintă numele intern (cu care lucrează programul)

definit de utilizator;
<Type> reprezintă tipul (numeric, șir de caractere - String etc.);
<Width> reprezintă numărul de cifre (inclusiv punctul zecimal) sau
de caractere;
<Decimals> reprezintă numărul de zecimale, dacă este cazul;
<Label> reprezintă eticheta externă (apare în rezultatele
prelucrărilor);
<Value> se folosește în cazul variabilelor categoriale;
<Missing> permite stabilirea valorilor care nu vor fi luate în seamă
la prelucrarea datelor (opțiune mai rar folosită);
<Columns> reprezintă lățimea (în număr de caractere) pe care se
va afișa valoarea în coloana de date;
<Align> alinierea în coloana de date;
<Measure> se alege tipul de variabilă;
<Role> se păstrează cu valoarea „Input”.

45
 Definirea corectă a variabilelor în fereastra [Variable View] denotă
respectul pentru demersul științific și ajută substanțial la raportarea
rezultatelor statistice și la formularea concluziilor. Pentru exemplificare vom
utiliza următoarele date:

Participant Genul Autoeficacitatea Coeficientul de Timpul de

inteligență reacție la
stimul
Alex masculin ridicată 120 0.00 sec.
Luiza feminin medie 110 0.05 sec.
Andreea feminin ridicată 125 0.01 sec.
Ion masculin scăzută 90 0,10 sec.
George masculin medie 115 0.06 sec.
Emil masculin medie 100 0.04 sec.

În general prima coloană nu este necesară decât în cazul în care

dorim pe viitor să măsurăm și alte constructe pe eșantionul selectat. În
acest caz trebuie să știm în dreptul cărui participant introducem datele
măsurate. Pașii urmați sunt exemplificați în imaginile de mai jos.
Definirea variabilelor se face în fereastra [Variable View]. Cu un
<click buton stânga mouse> pe fiecare căsuță se deschide caseta de
dialog.

Definirea unei variabile nominale

Pentru variabilele nominale sunt necesare câmpurile [Name]

[Type] [Width] [Label] [Columns] [Align] [Measure].
Variabilele categoriale vor necesita în plus utilizarea casetei care se
deschide în câmpul [Value] din fereastra [Variable View]. Câmpul [Value]
din caseta de dialog se va completa cu valoarea operaționalizată a
variabilei categoriale. În exemplul nostru: 1 pentru masculin și 2 pentru
feminin. Câmpul [Label] se va completa cu valoarea tip caracter a
variabilei, așa cum apare în cercetare. În exemplul nostru, masculin și
46
feminin. După operaționalizare se da <click buton stânga mouse> pe
butonul [Add] și se trece la valoarea următoare. La final se închide caseta
de dialog cu butonul [OK]. Se va proceda asemănător și pentru variabilele
cu mai mult de două categorii.

Definirea unei variabile categoriale dihotomice

Definirea unei variabile categoriale cu mai mult de două categorii

47
 Pentru variabilele numerice, definite astfel în caseta [Type], se va
introduce mai întâi numărul de zecimale [Decimals] după care se va
introduce valoarea [Width] ținând cont și de punctul zecimal.

Definirea unei variabile de tip scală de interval

Definirea unei variabile de tip scală de raport

După definirea variabilelor se va deschide fereastra [Data View] și

se vor introduce valorile din tabelul cu datele colectate de la participanți.

48
 Documentul astfel construit în SPSS/PSPP va fi salvat cu opțiunea
[File]  [Save As...] în dosarul pregătit inițial pentru prelucrarea datelor.
Programul deschide automat o fereastră nouă, în care vor fi afișate
rezultatele prelucrărilor.
Fereastra de Output, care va conține rezultatele prelucrărilor
ulterioare, se poate salva ca atare cu opțiunea [Save as...], unde se va
indica calea și numele fișierului salvat. O altă opțiune este de a o salva ca
un document, urmând calea: [File]  [Export ...]  [Type...] pentru a
alege tipul de document  [File Name:] pentru a alege calea unde va fi
salvat și denumirea  [OK] pentru salvare.
Recomandăm salvarea rezultatelor în același dosar în care se află
baza de date SPSS/PSPP. Calea este indicată în fereastra de Output.

Fereastra de Output

2.3. Analiza descriptivă a datelor

Analiza descriptivă a datelor este esențială pentru restul prelucrării
statistice. Rezultatele vor ajuta la decizii privind: eliminarea unor scoruri,
corecții în baza de date, oportunitatea utilizării unor teste statistice, crearea
unor etaloane etc. Rezultatele analizei descriptive se vor detalia, pentru
definițiile descrise în secțiunea 2.1.

49
 2.3.1. Analiza frecvențelor

[Analyze]

[Descriptive Statistics]  [Frequencies...]

În caseta de dialog se trec variabilele de analizat în câmpul

<Variable(s):>
Se deschide caseta de dialog [Statistics], unde se bifează
opțiunile: Mean, Median și Mode din zona <Central Tendency>. Se
bifează opțiunile: Std. deviation, Variance, Range, Minimum și
Maximum din zona <Dispersion>. Se bifează Skewness și Kurtosis din
zona <Distribution> după care se închide fereastra apăsând [Continue].
Se deschide caseta de dialog [Charts], unde se alege tipul de
reprezentare grafică, dacă se dorește acest lucru. În cazul în care se alege
opțiunea Histograms se bifează și Show normal curve in histogram. Se
închide fereastra apăsând [Continue].
Se apasă butonul [OK] și se obține fereastra de Output cu
rezultatele analizei. Se salvează sub formă de document urmând calea:
[File]  [Export ...]  [Type...] pentru a alege tipul de document  [File
Name:] pentru a alege calea unde va fi salvat și denumirea  [OK].
Exemplificăm pentru următoarea bază de date:

Id participant Genul Scor la testare

1 Costel Masculin 1
2 Maricica Feminin 2
3 Gigel Masculin 2
4 Ioana Feminin 3
5 Alina Feminin 4
6 Andrei Masculin 3
7 George Masculin 3
8 Maria Feminin 2
9 Mihaela Feminin 2
10 Mirela Feminin 4
11 Gina Feminin 3
12 Mihai Masculin 1
Total N 12 12 12

50
 Primul tabel ne oferă date privind numărul de participanți, datele
valide introduse, tendința centrală, împrăștierea și alte caracteristici ale
distribuției.
Statistics
Scor la testare
Valid 12
N
Missing 0
Mean 2.50
Median 2.50
a
Mode 2
Std. Deviation 1.000
Variance 1.000
Skewness .000
Std. Error of Skewness .637
Kurtosis -.764
Std. Error of Kurtosis 1.232
Range 3
Minimum 1
Maximum 4
a. Multiple modes exist. The smallest
value is shown

Observăm că avem N=12 participanți, iar în baza de date nu există

valori lipsă pentru variabila studiată (Missing=0). Indicatorii tendinței
centrale sunt: m=2.50; Me=2.50; Mo=2. Tabelul ne indică că avem o
distribuție multimodală. Indicatorii de împrăștiere sunt s=1.0 și V=1.0.
Amplitudinea (Range) = 3 având valorile minime=1 și maxime=4. Este o
distribuție perfect simetrică (Skewness=0.00) și platicurtică (Kurtosis=-
0.764).
Al doiea tabel ne indică frecvențele cu care apar scorurile
variabilelor.

Scor la testare
Frequency Percent Valid Percent Cumulative
Percent
1 2 16.7 16.7 16.7
2 4 33.3 33.3 50.0
Valid 3 4 33.3 33.3 83.3
4 2 16.7 16.7 100.0
Total 12 100.0 100.0

51
 În prima coloană sunt valorile pe care le ia variabila Scor la testare
din distribuția analizată. În coloana a doua apar procentele absolute ale
scorurilor. Urmează procentele valide și procentele cumulate.
Rezultatele sunt reprezentate grafic sub forma unei histograme în
care este indicată, pentru comparație, forma curbei normale.

Dacă am analiza variabila care indică genul participanților, indicat ar

fi ca în fereastra de dialog [Charts] să alegem opțiunea Pie Charts. În
fereastra de Output obținem, astfel, o reprezentare grafică de tip plăcintă,
mai adecvată pentru variabila analizată, care se poate edita făcând un
dublu click pe ea cu butonul din stânga al mouse-ului.

52
 2.3.2. Analiza descriptivă

[Analyze]

[Descriptive Statistics]  [Descriptives...]

În caseta de dialog se trec variabilele de analizat în câmpul

<Variable(s):>
Se deschide caseta de dialog [Options], unde se bifează opțiunile
dorite: Mean, Std. deviation, Variance, Range, Minimum, Maximum și
S.E. mean. Se bifează Skewness și Kurtosis din zona <Distribution>,
după care se închide fereastra apăsând [Continue].
Se apasă butonul [OK] și se obține fereastra de Output cu
rezultatele analizei.
Dacă anumiți indicatori au mai fost evidențiați în alte analize nu este
necesar să-i mai selectăm încă o dată.
Obținem un tabel cu valorile indicatorilor selectați. Pentru
exemplificare am utilizat aceeași bază de date de la capitolul precedent. De
această dată, pe fiecare linie sunt indicatorii corespunzători fiecărei
variabile.

Descriptive Statistics
N Range Minimum Maximum Mean Std. Variance Skewness Kurtosis
Deviation
Statistic Statistic Statistic Statistic Statistic Std. Statistic Statistic Statistic Std. Statistic Std.
Error Error Error
Genul 12 1 1 2 1.58 .149 .515 .265 -.388 .637 -2.263 1.232
Scor la
12 3 1 4 2.50 .289 1.000 1.000 .000 .637 -.764 1.232
testare
Valid N
12
(listwise)

Dacă am fi activat opțiunea Save standardized values as

variables înainte de a apăsa butonul [OK] am fi obținut, în fereastra [Data
View], notele Z pentru variabilele selectate sub forma unor coloane noi.

53
 2.3.3. Analiza Box-Plot și testul de normalitate
Pentru a identifica valorile aberante și pentru a verifica normalitatea
distribuției în cazul variabilelor tip scală vom proceda la următorii pași:

[Analyze]

[Descriptive Statistics]  [Explore...]

În caseta de dialog se transferă variabilele de analizat în câmpul

<Dependent list:>.
Se deschide caseta de dialog [Plots], unde se bifează opțiunile
dorite: Stem-and-Leaf, Histogram și Normality plots with tests. Se închide
fereastra apăsând [Continue], după care se apasă butonul [OK] în
fereastra de dialog rămasă.
Exemplificăm pentru următoarea bază de date:

a
Case Summaries
Id participant Genul Scor la testare
1 Costel Masculin 122,30
2 Maricica Feminin 99,40
3 Gigel Masculin 77,00
4 Ioana Feminin 102,00
5 Alina Feminin 99,80
6 Andrei Masculin 89,00
7 George Masculin 100,00
8 Maria Feminin 85,20
9 Mihaela Feminin 112,60
10 Mirela Feminin 93,50
11 Gina Feminin 75,00
12 Mihai Masculin 84,50
Total N 12 12 12
a. Limited to first 100 cases.

Obținem rezultatele în fereastra de Output, pe care le salvăm

urmând calea: [File]  [Export ...]  [Type...] pentru a alege tipul de
document  [File Name:] pentru a alege calea unde va fi salvat și
denumirea  [OK] pentru salvare.
54
Primele tabele privind rezultatele analizei se referă la descrierea
indicatorilor descriptivi ai distribuției. Interpretarea este asemănătoare cu
cea descrisă la analiza frecvențelor.
Analizăm mai departe rezultatele testului de normalitate.

Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
*
Scor la testare ,142 12 ,200 ,962 12 ,808
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction

În general, testul Shapiro-Wilk este mai puternic decât testul

Kolmogorov-Smirnov (Field, 2000, Iacobucci, D., 2001). Observăm că la
ambele teste coeficientul de semnificație este mai mare ca 0.05. Aceasta
înseamnă că distribuția analizată se apropie suficient de curba normală,
ceea ce va permite utilizarea testelor parametrice. În caz contrar, ar fi
trebuit să apelăm la teste neparametrice.
Despre graficul histogramă am mai făcut referiri anterior, așa că
vom trece la analiza graficului Stem-and-Leaf. Dacă am fi făcut analiza de
frecvențe pentru variabila tip scală din exemplul nostru, am fi obținut pentru
fiecare valoare frecvența 1, deoarece toate sunt diferite. Rareori avem
participanți care să obțină exact aceleași scoruri pentru a obține frecvențe
mai ridicate, iar analiza nu ar folosi în scop practic.
Folosind reprezentarea de tip Stem-and-Leaf, precum cea de mai
jos, interpretarea capătă sens.

Scor la testare Stem-and-Leaf Plot

Frequency Stem & Leaf

2,00 7 . 57
3,00 8 . 459
3,00 9 . 399
2,00 10 . 02
1,00 11 . 2
1,00 12 . 2

Stem width: 10,00

Each leaf: 1 case(s)

55
 În engleză stem înseamnă tijă (trunchi) și leaf înseamnă frunze. În
tabel stem este asociat cu cifra zecilor iar leaf cu cea a unităților. Nu sunt
luate în considerare zecimalele.
Observăm că avem două cazuri cu scoruri în intervalul 70 - 79, unul
cu valoarea 75 și unul cu valoarea 77, trei cazuri cu scoruri în intervalul 80-
89, valorile 84, 85 și 89, trei cazuri cu scoruri între 90-99 și anume 93, 99 și
99. Pentru intervalul 100-109 avem două scoruri, adică 100 și 102, iar
pentru intervalul 110-119 un scor, valoarea de 112. Pentru intervalul 120-
129 avem un scor 122.

Graficul denumit „Normal Q-Q Plot” trasează dreapta

probabilităților distribuției normale. Se observă modul în care scorurile
(cerculețele) se abat de la distribuția normală.

56
 Graficul „Detrended Normal Q-Q Plot” compară distribuția Z cu
distribuția obținută pentru variabila analizată.
Graficul Box-Plot nu indică valori aberante.

Atunci când am vorbit despre amplitudinea intercuartilă (secțiunea

2.1.5.) am definit cuartilele ca fiind acele valori care împart distribuția în
patru părți egale.

57
 Cutia din grafic are baza în dreptul primei cuartile (Q1) și partea
superioară în dreptul quartilei a treia (Q3). Linia din mijloc este mediana
(Me) cu aceeași valoare precum cuartila a doua (Q2). Distanța dintre Q3 și
Q1 se notează cu H. Mustățile care pornesc din cutie au o lungime de
1.5H. Între limitele Q1 și Q3 se regăsesc valorile normale. Mustățile
delimitează scorurile adiacente. Valorile care depășesc mustățile sunt
valori aberante și vor fi tratate separat.
Dăm spre exemplu un grafic Box-Plot cu scoruri aberante.

Valorile indicate prin cerculeț sau steluță sunt valori aberante.

Cifrele din dreptul lor reprezintă poziția participantului în baza de date, în

58
cazul de față participantul cu numărul 16 și 88. În acest caz ne uităm în
fereastra principală [Data View] și identificăm participanții de la pozițiile
respective. Prima dată comparăm scorurile din baza de date cu cele
colectate în timpul cercetării. Dacă sunt greșit introduse, le corectăm și
reluăm analiza de la început. Dacă sunt corect introduse, putem lua decizia
de a le păstra, admițând că acestea sunt importante pentru cercetare. În
acest caz, ne asumăm faptul de a utiliza mai departe teste neparametrice.
Altă decizie este să eliminăm aceste scoruri din cercetare, admițând că
sunt erori datorate designului cercetării sau participantului în cauză. Dacă
totuși nu le considerăm erori și luăm decizia eliminării lor din cercetare, ele
vor fi tratate separat într-un capitol special sau într-o cercetare ulterioară.
Atenție! În cazul eliminării scorurilor aberante, operațiunea se va
efectua începând cu poziția cea mai înaltă. În cazul prezentat eliminăm
întâi linia corespunzătoare poziției 88, după care cea corespunzătoare
poziției 16. Eliminarea se face dând <click buton stânga mouse> pe cifra
care indică poziția, urmat de <click buton dreapta mouse> și selectăm
opțiunea <Cut...>.
Este posibil ca în urma eliminării acestor valori să se verifice testul
de normalitate pentru distribuția rămasă.

2.4. Analiza inferențială a datelor

Pentru a ne decide asupra testelor pe care le vom utiliza mai
departe este necesară centralizarea următoarelor date:
a) Tipul variabilei independente: nominală, ordinală, scală;
b) Distribuția variabilei independente: normală sau nu;
c) Tipul variabilei dependente: nominală, ordinală, scală;
d) Distribuția variabilei dependente: normală sau nu;
Analizele cele mai utilizate, care ne pot ajuta să inferăm rezultatele
obținute pe eșantionul reprezentativ asupra populației din care acesta a
fost extras, sunt:
- corelații sau asocieri între variabile;
- diferențe între grupuri.

59
 2.4.1. Corelații sau asocieri între variabile
Decizia privind testul statistic ce va fi utilizat se va lua conform
tabelului de mai jos, în funcție de caracteristicile distribuțiilor analizate:

Variabila 1 … Variabila … n Testul statistic

r Pearson
(distribuții
parametrice)
Interval/raport Interval/raport
Kτ Kendall-tau
(distribuții
neparametrice)
Ordinală Ordinală rs Spearman
Categorială (nominală Categorială (nominală χ2 Chi-pătrat
sau ordinală) sau ordinală) Testul exact Fischer

Pentru a fi riguroși din punct de vedere științific vom folosi termenul

corelații (între scoruri) pentru relația dintre variabile parametrice și asocieri
(între ranguri) pentru relația dintre variabile neparametrice.
Înainte da a aplica testul recomandăm analiza graficului privind relația între
variabile.

[Graphs]

[Legacy Dialogs]  [Scatter/Dot] [Simple Scatter] [Define]

În fereastra de dialog se selectează prima variabilă și se transferă

în câmpul <Y_Axix>, iar a doua variabilă în câmpul <X_Axix>, după care
se accesează butonul [OK]. Putem întâlni diverse situații, ce vor tratate în
mod diferit.

60
 Lipsa corelației sau corelație slabă Există o corelație

Corelație puternică pozitivă Corelație puternică negativă

În cazul unor asocieri puternice putem recurge la testul de regresie.

Acesta ne permite, cu anumite rezerve, să facem anumite predicții.
Pot fi cazuri în care nu există o relație liniară între variabilele
testate. Rezultatele prelucrării statistice vor afișa un coeficient de
semnificație peste pragul de 0.05 și o legătură foarte slabă. Totuși, dacă
analizăm graficul relației dintre variabilele testate constatăm că legătura
există, dar este de altă natură. Exemplele sunt însoțite de posibile decizii
ce pot fi luate în astfel de cazuri. Recomandăm studierea literaturii de
specialitate pentru mai multe infomații.

61
Corelație pozitivă până la un punct după Lipsa corelației liniare dar totuși există
care negativă. Se analizeaza corelațiile un alt tip de corelație. Se analizează
parțiale. curba de corelație sau aproximează prin
corelații parțiale

În situația de mai jos observăm că mai toate cazurile sugerează o

corelație puternică, mai puțin cele două cazuri semnalate cu literele A și B.

În această situație este posibil ca în urma aplicării testului statistic

să nu obținem o corelație semnificativă între variabile, sau aceasta să fie
62
foarte slabă. Dacă decidem că cele două cazuri (A și B) nu sunt importante
pentru cercetarea noastră, sau sunt importante dar le vom studia separat
(cazuri foarte rare sau particulare), atunci le eliminăm din baza de date.
Acest lucru nu îl putem face atunci când avem un număr semnificativ de
astfel de cazuri, comparabil cu cele care se apropie de dreapta de
corelație. Dacă am proceda la eliminarea acestor cazuri, am manipula
rezultatele cercetării într-o direcție dorită subiectivă.

2.4.1.1. Corelații Pearson

Exemplu de introducere a datelor supuse analizei:

Datele analizate trebuie să fie parametrice.

[Analyze]

[Correlate]  [Bivariate...]

Se transferă în câmpul <Variables> variabilele analizate și se

bifează opțiunea <Pearson>.

63
 Dacă ipoteza testată a fost formulată non-direcțional, atunci se
bifează opțiunea Two_tailed. Dacă ipoteza este direcțională, se bifează
opțiunea One_tailed.

Exemple:
Ipoteză direcțională: „Există corelații pozitive/negative (ambele cresc sau
scad/una crește și una scade) între variabila 1 și variabila 2.”
Ipoteză non-direcțională: „Există corelații între variabila 1 și variabila 2.”

Se acționează butonul [OK], iar în fereastra de Output obținem

rezultatele sub forma exemplificată mai jos. Salvăm rezultatele urmând
calea: [File]  [Export ...]  [Type...] pentru a alege tipul de document 
[File Name:] pentru a alege calea unde va fi salvat și denumirea  [OK]
pentru salvare.

Correlations
Variabila 1 Variabila 2
**
Pearson Correlation 1 ,789
Variabila 1 Sig. (2-tailed) ,000
N 100 100
**
Pearson Correlation ,789 1
Variabila 2 Sig. (2-tailed) ,000
N 100 100
**. Correlation is significant at the 0.01 level (2-tailed).

Coeficientul de corelație este r=0.789, iar coeficientul de

semnificație este p=0.001. Din acest punct de vedere, relația este
semnificativă statistic și pozitivă. Pentru a lua o decizie trebuie analizat
intervalul de încredere de 95%.
Intervalul de încredere pentru corelații, la nivelul populației, nu
poate fi calculat cu SPSS. Importanța acestuia este deosebită pentru
cercetare, iar din acest motiv recomandăm o metodă de calcul în Excel
conform lui Popa (2008, pp. 315-316).

64
 În celula A3 introducem numărul de participanți (N).
În celula B3 introducem coeficientul de corelație Pearson (r).
În celula C3 introducem intervalul de încredere (de regulă 95).
În celula D3 introducem funcția: =(EXP(2*G3)-1)/EXP(2*G3)+1)
În celula E3 introducem funcția: =(EXP(2*H3)-1)/EXP(2*H3)+1)
În celula F3 introducem funcția: =0.5*LN((1+B3)/(1-B3))
În celula G3 introducem funcția: =F3+NORMSINV((100-
C3)/100/2)/SQRT(B3-3)
În celula H3 introducem funcția: =F3-NORMSINV((100-
C3)/100/2)/SQRT(B3-3)
Ne vom asigura în prealabil că formatul liniei este de tip numeric
(Number).
În următorul exemplu observăm că deși am putea spune că avem o
corelație semnificativă (r=0.44), intervalul de încredere are valoarea minimă
negativă și cea maximă pozitivă, ceea ce ne duce la concluzia că nu există
corelații între variabilele analizate.

Coef. Interval Limita de încredere

Nr. Fischer
Pearson semnif. inferioară superioară z-d z+d
participanți z
r (%)
10 0,44 95 -0,26 0,84 0,47 -0,27 1,21

Dacă dorim să obținem volumul eșantionului pentru care

coeficientul de corelație devine semnificativ, modificăm progresiv în tabelul
Excel numărul de participanți până când limitele de încredere au același

65
semn. În exemplul nostru, coeficientul de corelație r=0.44 devine
semnificativ de la un număr de 21 de partricipanți în sus.

Coef. Interval Limita de încredere

Nr. Fischer
Pearson semnif. z-d z+d
participanți inferioară superioară z
r (%)
21 0,44 95 0,01 0,73 0,47 0,01 0,93

Raportarea rezultatului:
Datele obținute cu privire la „variabila 1” pe un eșantion format din N
participanți au relevat o corelație semnificativă/nesemnificativă cu cele
obținute pentru „variabila 2” (r=..., p=...).
Opțional se poate trece și intervalul de încredere.

Exemple:
„Datele obținute la testul de anxietate pe un eșantion de 10
participanți au relevat o corelație nesemnificativă cu cele obținute la testul
de autoeficacitate (r=0.44, p=0.78).”
„Datele obținute la testul de anxietate pe un eșantion de 21 de
participanți au relevat o corelație semnificativă cu cele obținute la testul de
autoeficacitate (r=0.44, p=0.002, 95% CI: 0.01-0.73).”

Se poate aprecia tăria corelației după valoarea coeficientului de

corelație r conform lui Davis (apud. Kotrlik&Williams, 2003)

0,01-0,09 Asociere/corelație neglijabilă

0,10-0,29 Asociere/corelație scăzută
0,30-0,49 Asociere/corelație moderată
0,50-0,69 Asociere/corelație sbstanțială
0,70 Asociere/corelație foarte puternică

Obținem coeficientul de determinare r2 prin ridicarea la pătrat a

coeficientului de corelație Pearson. Valoarea obținută, înmulțită cu 100,
reprezintă procentul din varianță pe care îl au în comun cele două variabile
analizate.
Atenție! Nu se pot face comparații între coeficienții de corelație
Pearson pentru distribuții diferite. Coeficientul de corelație este măsurat pe
o scală ordinală.
66
 2.4.1.2. Asociere Kendall
Datele se introduc asemănător ca în cazul corelațiilor Pearson, cu
specificația că distribuția este neparametrică.

[Analyze]

[Correlate]  [Bivariate...]

Se transferă în câmpul <Variables> variabilele analizate, se bifează

opțiunea <Kendall’s tau-b>. Celelalte opțiuni se debifează.
Dacă ipoteza testată a fost formulată non-direcțional, atunci se
bifează opțiunea Two_tailed. Dacă ipoteza este direcțională, se bifează
opțiunea One_tailed.
Se acționează butonul [OK], iar în fereastra de Output obținem
rezultatele sub forma exemplificată mai jos. Salvăm rezultatele urmând
calea: [File]  [Export ...]  [Type...] pentru a alege tipul de document 
[File Name:] pentru a alege calea unde va fi salvat și denumirea  [OK]
pentru salvare.

Correlations
Variabila 1 Variabila 5
**
Correlation Coefficient 1,000 ,590
Variabila 1 Sig. (2-tailed) . ,003
N 15 15
Kendall's tau_b **
Correlation Coefficient ,590 1,000
Variabila 5 Sig. (2-tailed) ,003 .
N 15 15
**. Correlation is significant at the 0.01 level (2-tailed).

Interpretarea rezultatului este asemănătoare cu cea de la corelațiile

Pearson. Și în acest caz este indicat să se studieze în prealabil graficul de
asociere între cele două variabile.

Raportarea rezultatului: „Datele obținute cu privire la „variabila 1”

pe un eșantion format din N participanți au relevat o asociere
semnificativă/nesemnificativă, între ranguri, cu cele obținute pentru
„variabila 2” (Kτ =..., p=...).”
67
 2.4.1.3. Asociere Spearman
Datele se introduc asemănător cu cele pentru verificarea corelațiilor cu
specificația că sunt neparametrice.

[Analyze]

[Correlate]  [Bivariate...]

Se transferă în câmpul <Variables> variabilele analizate, se bifează

opțiunea <Spearman>. Celelalte opțiuni se debifează.
Dacă ipoteza este non-direcțională, atunci se bifează opțiunea
Two_tailed. Dacă a fost formulată direcțional, se bifează opțiunea
One_tailed.
Se acționează butonul [OK], iar în fereastra de Output obținem
rezultatele sub forma exemplificată mai jos. Salvăm rezultatele urmând
calea: [File]  [Export ...]  [Type...] pentru a alege tipul de document 
[File Name:] pentru a alege calea unde va fi salvat și denumirea  [OK]
pentru salvare.

Correlations
Variabila 1 Variabila 5
**
Correlation Coefficient 1,000 ,721
Variabila 1 Sig. (2-tailed) . ,002
N 15 15
Spearman's rho **
Correlation Coefficient ,721 1,000
Variabila 5 Sig. (2-tailed) ,002 .
N 15 15
**. Correlation is significant at the 0.01 level (2-tailed).

Raportarea rezultatului:
Datele obținute cu privire la „variabila 1” pe un eșantion format din N
participanți au relevat o asociere semnificativă/nesemnificativă, între
ranguri, cu cele obținute pentru „variabila 2” (rs=..., p=...).
Atât pentru testul statistic Kendall, cât și pentru Spearman, este
suficientă și următoarea modalitate de raportare:

68
 „Între rangurile „variabila 1” și cele ale „variabila 2” există o asociere
semnificativă/nesemnificativă (p=...).”.

2.4.1.4. Testul Chi-pătrat

Datele se introduc ca în exemplul de mai jos:

Variabilele sunt categoriale, una cu patru categorii și una cu două.

Categoriile sunt definite în fereastra [Variable View].

[Analyze]

[Descriptive Statistics]  [Crosstabs...]

O variabilă se transferă în câmpul <Row(s):> și cealaltă în câmpul

<Column(s):>. Se bifează opțiunea Display clustered bar charts. În
caseta [Statistics] se bifează opțiunea Chi-square, urmată de accesarea
butonului [Continue].
În caseta [Cell Display] se bifează Observed din câmpul
<Counts>, precum și opțiunile Row, Column și Total din câmpul
<Percentages>.
În câmpul <Nominal> se bifează opțiunea Phi and Cramers V.
În funcție de dorința cercetătorului se pot selecta și alte opțiuni. Se
accesează butonul [Continue] după care butonul [OK]. Salvăm rezultatele
69
din fereastra Output urmând calea: [File]  [Export ...]  [Type...] pentru
a alege tipul de document  [File Name:] pentru a alege calea unde va fi
salvat și denumirea  [OK] pentru salvare.
Se obțin rezultatele următoare:

Variabila 7 * Variabila 6 Crosstabulation

Variabila 6 Total
rezultat rezultat rezultat rezultat
slab mediu bun exceptional
Count 3 2 2 0 7
% within
42,9% 28,6% 28,6% 0,0% 100,0%
Variabila 7
masculin
% within
60,0% 40,0% 66,7% 0,0% 46,7%
Variabila 6
Variabila % of Total 20,0% 13,3% 13,3% 0,0% 46,7%
7 Count 2 3 1 2 8
% within
25,0% 37,5% 12,5% 25,0% 100,0%
Variabila 7
feminin
% within
40,0% 60,0% 33,3% 100,0% 53,3%
Variabila 6
% of Total 13,3% 20,0% 6,7% 13,3% 53,3%
Count 5 5 3 2 15
% within
33,3% 33,3% 20,0% 13,3% 100,0%
Variabila 7
Total
% within
100,0% 100,0% 100,0% 100,0% 100,0%
Variabila 6
% of Total 33,3% 33,3% 20,0% 13,3% 100,0%

Rezultatele sunt ordonate după modul cum am selectat variabilele;

variabila 7 pe linie (Row) și variabila 6 pe coloană (Column). Pentru fiecare
dintre cele patru categorii ale variabilei 6 se specifică numărul de categorii
ale variabilei 7 cuprinse în valoare absolută și în procente.

Chi-Square Tests
Value df Asymp. Sig. (2-
sided)
a
Pearson Chi-Square 2,679 3 ,444
Likelihood Ratio 3,448 3 ,328
Linear-by-Linear
,891 1 ,345
Association
N of Valid Cases 15
a. 8 cells (100,0%) have expected count less than 5. The
minimum expected count is ,93.
70
 În acest tabel ne interesează valoarea coeficientului Pearson Chi-
Square și mai ales coeficientul de semnificație, care în acest caz este
p=0.444. Fiind mai mare ca pragul de semnificație de 0,05, conchidem
reținerea ipotezei nul.

Raportarea rezultatului:
Dacă rezultatul testului ar fi fost semnificativ statistic (de ex.:
p=0.044), am fi raportat pentru fiecare coloană în parte:
„Cercetarea efectuată pe un număr de 15 participanți confirmă o
frecvență mai mare a rezultatelor slabe la cei de gen masculin, în
comparație cu cei de gen feminin (χ2=2.679, df=3, p=0.044). Astfel, 42,9%
dintre participanții de gen masculin au înregistrat rezultate slabe față de
25,0% în cazul celor de gen feminin.”

Se continuă raportarea pentru fiecare categorie de rezultate în

parte; rezultate medii, rezultate bune, rezultate excepționale. Raportarea
rezultatelor poate fi însoțită, pentru ușurința discutării concluziilor, de
graficul obținut în urma analizei.

În cazul în care am fi obținut un rezultat statistic semnificativ, ar fi

fost necesar un indicator suplimentar care să ne dea indicații despre
intensitatea legăturii, nu numai despre semnificația statistică a acesteia. Un
astfel de indicator este Coeficientul phi Cramer, pe care putem să-l
observăm în tabelul următor din fereastra Output:

71
 Symmetric Measures
Value Approx. Sig.
Phi ,423 ,444
Nominal by Nominal
Cramer's V ,423 ,444
N of Valid Cases 15
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null
hypothesis.

În cazul nostru, acest coeficient are valoarea phi=0.423. Conform cu

recomandările lui Cohen (apud. Popa, 2008, p. 193), interpretarea se face
după cum urmează:

0,10 Efect mic

Phi 0,25 Efect mediu
o,40 Efect mare

2.4.1.5. Testul exact Fischer

Testul se folosește pentru colecțiile de date care cuprind două
variabile categoriale dihotomice, ca în exemplul următor. Condiția este ca
una sau mai multe frecvențele așteptate să fie mai mici ca 5. Altfel se
folosește testul Chi-pătrat.

72
 După introducerea datelor se urmează pașii:

[Analyze]

[Descriptive Statistics]  [Crosstabs...]

O variabilă se transferă în câmpul <Row(s):> și cealaltă în câmpul

<Column(s):>. Se bifează opțiunea Display clustered bar charts. În
caseta [Statistics] se bifează opțiunea Chi-square, urmată de accesarea
butonului [Continue]. În caseta [Exact] se bifează opțiunea Exact. În
funcție de dorința cercetătorului se pot selecta și alte opțiuni. Se accesează
butonul [Continue] după care butonul [OK].
În fereastra Output obținem rezultatele testului. Salvăm rezultatele
urmând calea: [File]  [Export ...]  [Type...] pentru a alege tipul de
document  [File Name:] pentru a alege calea unde va fi salvat și
denumirea  [OK] pentru salvare.
Primul tabel analizat se referă la modul în care sunt grupate datele,
în funcție de valorile celor două variabile dihotomice analizate. Datele sunt
grupate sub forma unei matrici 2X2.

Variabila 7 * Variabila 8 Crosstabulation

Count
Variabila 8 Total
există reactie la nu exista
stimul reactie la stimul
masculin 1 6 7
Variabila 7
feminin 2 6 8
Total 3 12 15

Se observă că frecvențele pentru cazurile: masculin – există reacție

la stimul și feminin – există reacție la stimul sunt 1 respectiv 3. De altfel, și
în exemplul precedent, de la testul Chi-Pătrat, aveam frecvențe așteptate
mai mici ca 5, dar matricea era de 2X4, ceea ce nu corespundea condițiilor
de utilizare a testului Fischer Exact.
Următorul tabel prezintă rezultatul testului statistic.

73
Chi-Square Tests
Value df Asymp. Sig. Exact Sig. Exact Sig. Point
(2-sided) (2-sided) (1-sided) Probability
a
Pearson Chi-Square ,268 1 ,605 1,000 ,554
Continuity
b ,000 1 1,000
Correction
Likelihood Ratio ,273 1 ,601 1,000 ,554
Fisher's Exact Test 1,000 ,554
Linear-by-Linear c
,250 1 ,617 1,000 ,554 ,431
Association
N of Valid Cases 15
a. 2 cells (50,0%) have expected count less than 5. The minimum expected count is 1,40.
b. Computed only for a 2x2 table
c. The standardized statistic is -,500.

În acest tabel urmărim linia din dreptul lui Fischer’ Exact Test și
observăm dacă valoarea coeficientului de semnificație la nivel bidirecțional
este egală cu 1,000, iar la nivel unidirecțional este egală cu 0,554. În
ambele cazuri este peste limita pragului de semnificație de 0,05.
Alegem valoarea pragului de semnificație bidirecțional atunci când
ipoteza este formulată fără a indica un sens, iar cea unidirecțională în cazul
în care am anticipat sensul asocierii.

Raportarea rezultatului:
În cazul prezentat: „Între participanții de gen masculin și cei de gen feminin
nu există diferențe privind reacția la stimul. Probabilitatea bidirecțională
exactă Fischer p=0.554.”.

În cazul în care testul ar fi fost semnificativ, pentru ușurința

interpretării ar fi fost indicată includerea în cercetare a reprezentării grafice
de asociere.

74
 Desigur că și pentru acest test se recomandă analiza semnificației
statistice a rezultatului, într-un mod similar cu cel folosit la testul Chi-Pătrat.

2.4.2. Diferențe între grupuri

Decizia privind testul statistic ce va fi utilizat se va lua conform

tabelului de mai jos, funcție de caracteristicile distribuțiilor analizate:

Variabila Testul statistic

Variabila independentă
dependentă
Interval/raport t pentru
(parametrică) eşantioane
independente
Grupuri Nominală z pentru două
independente dihotomică proporţii
Ordinală Mann-Whitney
(sau non- U
Două
parametrică)
categorii
Interval/raport t pentru
(parametrică) eşantioane
dependente
Grupuri
Nominală Testul semnului
dependente
Ordinală
Categorială
(sau non– Wilcoxon
parametrică)
Interval/raport ANOVA
(parametrică) unifactorială
Grupuri
Ordinală Kruskal-Wallis
independente
(sau non–
Trei sau
parametrică)
mai
Interval/raport ANOVA pentru
multe
(parametrică) măsurări
categorii
Grupuri repetate
dependente Ordinală Friedman
(sau non-
parametrică)

Mai jos prezentăm un exemplu de introducere a datelor. Se observă

că variabila independentă (GEN) este categorială, iar cea dependentă (V1)
este de tip scală.

75
 2.4.2.1. Testul t pentru eșantioane independente

[Analyze]

[Compare Means]  [Independent-Samples T Test...]

În fereastra de dialog se transferă variabila independentă în câmpul

<Grouping Variable:> și variabila dependentă în <Test Variable(s):>.
Observăm că în dreptul variabilei independente avem două semne de
întrebare ca în figura de mai jos.
Definim variabila independentă (cu două categorii) apăsând butonul
[Define Groups...], iar în fereastra nou deschisă completăm câmpurile
<Group 1:> și <Group 2:> cu valorile pe care le ia aceasta. În exemplu,
valorile sunt 1 și 2. Evident că puteau fi și altele, în funcție de cum am
operaționalizat variabila independentă (de ex.: 0 și 1).

76
 Apăsăm butonul [Continue], după care butonul [OK]. În fereastra
Output obținem rezultatele testului.
Salvăm rezultatele urmând calea: [File]  [Export ...]  [Type...]
pentru a alege tipul de document  [File Name:] pentru a alege calea
unde va fi salvat și denumirea  [OK] pentru salvare.

În urma aplicării testului statistic obținem un prim tabel care ne

prezintă caracteristicile descriptive ale distrubuțiilor fiecărui eșantion
(număr de participanți, media, abaterea standard și eroarea standard).

Group Statistics
Gen N Mean Std. Deviation Std. Error Mean
Masculin 44 155,30 22,304 3,362
V1
Feminin 56 152,84 20,265 2,708

Următorul tabel din fereastra de Output cuprinde rezultatul testului

statistic.

77
Independent Samples Test
Levene's Test t-test for Equality of Means
for Equality of
Variances
F Sig. t df Sig. Mean Std. Error 95%
(2- Difference Difference Confidence
tailed) Interval of the
Difference
Lower Upper
Equal
variances ,463 ,498 ,576 98 ,566 2,456 4,268 -6,013 10,925
assumed
V 1 Equal
variances
,569 87,946 ,571 2,456 4,317 -6,124 11,036
not
assumed

Testul Levene verifică egalitatea varianțelor celor două eșantioane.

Vă reamintim că varianța este un indicator al împrăștierii unei distribuții și
este în legătură strânsă cu abaterea standard (tot indicator al împrăștierii).
Ipoteza nulă verificată cu testul Levene se poate formula: „Între cele două
distribuții nu sunt diferențe semnificative din punct de vedere al
împrăștierii.”. Putem avea situațiile de mai jos:

Varianțele celor două distribuții sunt Varianțele celor două distribuții sunt
comparabile (aproape egale). Se reține diferite. Se respinge ipoteza nulă
ipoteza nulă (Levene). (Levene).
- Equal variances assumed - - Equal variances not assumed -

În exemplul dat se observă că valoarea coeficientului de

semnificație este 0.498 > 0.05 (pragul de semnificație). Vom interpreta,
deci, rezultatele testului t de pe rândul de sus (Equal variances assumed).

78
În cazul în care p<0.05, se interpretau rezultatele de pe rândul de jos
(Equal variances not assumed).
Testul t verifică dacă există diferențe între mediile celor două
eșantioane (distribuții). În acest caz, ipoteza nulă este că: „Între cele două
distribuții nu există diferențe semnificative între medii.”. În cazul prezentat,
coeficientul de semnificație p=0.566 > 0.05 (pragul de semnificație ales).
Putem conchide că reținem ipoteza nulă. Dacă ne uităm la intervalul de
încredere, acesta ne spune că diferența între mediile a două eșantioane
extrase din populație poate fi de minim -6.013 și +10.925. Acest lucru
indică că există probabilitatea ca diferența dintre medii să aibă inclusiv
valoarea 0, deci, practic, să nu existe diferențe între medii. Este încă un
argument pentru a reține ipoteza nulă.
Dacă am fi avut un coeficient de semnificație al testului t p<0.05, iar
valorile intervalului de încredere minimă și maximă ar fi avut același semn,
am fi putut respinge ipoteza nulă, iar raportarea rezultatului ar fi arătat ca
mai jos.

Raportarea rezultatului:
„Între media scorurilor obținute la ... de către participanții ... (m=m1,
s=s1) și cele obținute de către participanții ... (m=m2, s=s2) sunt diferențe
semnificative (t=..., df=..., p=...).”.
sau altfel:
„Scorurile obținute de participanții ... (m=m1, s=s1) la testarea ...
sunt semnificativ mai mari/mai mici (t=..., df=..., p=...) decât cele obținute de
către participanții ... (m=m2, s=s2).”.

unde: m1 este valoarea mediei și s1 este valoarea abaterii standard

pentru distribuția 1; iar m2 este valoarea mediei și s2 valoarea abaterii
standard pentru distribuția 2.
Și în această situație raportarea se va completa cu rezultatele
analizei privind mărimea efectului și a puterii statistice care sunt tratate în-
tr-un capitol separat.

79
 2.4.2.2. Testul z pentru două proporții

[Analyze]

[Descriptive Statistics]  [Crosstabs...]

O variabilă se transferă în câmpul <Row(s):> și cealaltă în câmpul

<Column(s):>. Se bifează opțiunea Display clustered bar charts. În
caseta [Statistics] se bifează opțiunea Chi-square și McNemar, urmată
de accesarea butonului [Continue].
În câmpul <Nominal> se bifează opțiunea Phi and Cramers V.
În funcție de dorința cercetătorului se pot selecta și alte opțiuni. Se
accesează butonul [Continue], după care butonul [OK]. Salvăm rezultatele
din fereastra Output urmând calea: [File]  [Export ...]  [Type...] pentru
a alege tipul de document  [File Name:] pentru a alege calea unde va fi
salvat și denumirea  [OK] pentru salvare.

Practic, ne interesează următoarele rezultate:

Gen * Variabila indep nominala Crosstabulation

Count
Variabila indep nominala Total
categ 1 categ 2
Masculin 25 175 200
Gen
Feminin 124 32 156
Total 149 207 356

Tabelul este o sintetizare a datelor pe categorii. Fiecare variabilă

are câte două categorii (tabel 2X2). Putem calcula proporțiile (din nefericire
manual), după cum urmează:
Proporția participanților de gen masculin care sunt în categoria 2
este: pm= 175/200 = 0.875
Proporția participanților de gen feminin care sunt în categoria 2
este: pf= 32/156 = 0.205
Testul, așa cum îi spune și numele, compară două proporții pentru
eșantioanele reprezentative. Ipoteza de lucru presupune că diferența dintre
proporții este semnificativă pentru populația din care provin eșantioanele.
80
Ipoteza nulă presupune că diferența nu este semnificativă. Observăm că
pentru datele prelucrate avem o diferență între eșantioane, rămânând să
testăm semnificația statistică.
Tabelul următor ne oferă câteva date statistice pentru a determina
semnificația
Pentru a calcula valoarea testului z se extrage rădăcina pătrată din
valoarea coeficientului Pearson Chi-Square. În exemplul dat z
= = 12,71.
Din păcate, SPSS nu oferă pașii necesari pentru a merge mai
departe. În această situație va fi necesară compararea valorii lui z calculat
cu o valoare critică a acestuia pentru un coeficient alpha de 0.05. Este
necesară consultarea Tabelului distribuției valorilor sub curba normală z
(Anexa 1).

Chi-Square Tests
Value df Asymp. Sig. (2- Exact Sig. (2- Exact Sig. (1-
sided) sided) sided)
a
Pearson Chi-Square 161,596 1 ,000
b
Continuity Correction 158,855 1 ,000
Likelihood Ratio 175,003 1 ,000
Fisher's Exact Test ,000 ,000
Linear-by-Linear
161,142 1 ,000
Association
c
McNemar Test ,004
N of Valid Cases 356
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is
65,29.
b. Computed only for a 2x2 table
c. Binomial distribution used.

În exemplul dat, valoarea critică a lui zcritic = 1,96, deci mai mic decât
valoarea calculată a lui zcalculat = 12,71. Conchidem că putem respinge
ipoteza nulă.
Raportarea rezultatului:
„Proporția participanților de gen masculin din categoria 2 este
semnificativ mai mare decât cea a participanților de gen feminin din
aceeași categorie.”.

81
 Pentru a completa raportarea ne vom uita în tabelul următor:

Symmetric Measures
Value Approx. Sig.
Phi -,674 ,000
Nominal by Nominal
Cramer's V ,674 ,000
N of Valid Cases 356
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null
hypothesis.

Valoarea coeficientului Phi Cramer = 0.675, deci efectul cercetării

este mare (vezi capitolul Testul Chi-Pătrat).
Putem adăuga reprezentarea grafică pentru ușurința interpretării
rezultatului în capitolul de concluzii al cercetării.

82
 2.4.2.3. Testul Mann-Whitney U

[Analyze]

[Nonparametric Tests]

[Legacy Dialogs...]  [2 Independent Samples]

Se transferă variabila categorială în câmpul <Grouping Variable:>

iar cealaltă, neparametrică, în câmpul <Test Variable List:>. Se bifează
(dacă nu este deja bifată) opțiunea Mann-Whitney U și se selectează tasta
[OK].
Salvăm rezultatele din fereastra Output urmând calea: [File] 
[Export ...]  [Type...] pentru a alege tipul de document  [File Name:]
pentru a alege calea unde va fi salvat și denumirea  [OK] pentru salvare.
Primul tabel ne prezintă mediile rangurilor pentru distribuțiile
analizate.

Ranks
Profil liceu N Mean Rank Sum of Ranks
uman 10 7,85 78,50
Autoeficacitatea real 12 14,54 174,50
Total 22

Rezultatul testului statistic apare în cel de-al doilea tabel din

fereastra de Output.

a
Test Statistics
Autoeficacitatea
Mann-Whitney U 23,500
Wilcoxon W 78,500
Z -2,414
Asymp. Sig. (2-tailed) ,016
b
Exact Sig. [2*(1-tailed Sig.)] ,014
a. Grouping Variable: Profil liceu
b. Not corrected for ties.

83
 Raportarea rezultatului (folosind exemplul dat):
„În urma aplicării testului Mann-Whitney U am constatat că scorurile
autoeficacității al elevilor de la licee cu profil real sunt semnificativ mai mari
ca cele ale elevilor de la licee cu profil uman (U=23.5, N1=10, N2=12, p
bidirecțional = 0.016).”

2.4.2.4. Testul t pentru eşantioane dependente

Baza de date arată ca în exemplul de mai jos.

Atenție! Testul se folosește atunci când am efectuat două

măsurători cu aceeași probă asupra aceluiași eșantion în momente diferite,
sau am folosit probe alternative privind același construct. Nu se folosește
dacă probele măsoară constructe diferite.

84
 Se urmează pașii de mai jos:

[Analyze]

[Compare Means]  [Paired-Samples T Test...]

În câmpul <Paired Variables:> transferăm una dintre variabile în

celula <Variable 1> și pe cealaltă în celula <Variable 2>. După aceea
accesăm butonul [OK].
În fereastra Output obținem rezultatele testului. Salvăm rezultatele
urmând calea: [File]  [Export ...]  [Type...] pentru a alege tipul de
document  [File Name:] pentru a alege calea unde va fi salvat și
denumirea  [OK] pentru salvare.
În urma aplicării testului statistic obținem un prim tabel, care ne
prezintă caracteristicile descriptive ale distrubuțiilor fiecărui eșantion
(număr de participanți, media, abaterea standard și eroarea standard).

Paired Samples Statistics

Mean N Std. Deviation Std. Error Mean
Scor initial 5,25 8 1,909 ,675
Pair 1
Scor după trei luni 6,75 8 2,053 ,726

Al doilea tabel ne arată corelația dintre scoruri. Observăm în

exemplul dat o corelație medie (r=0.419), dar nesemnifictivă statistic
(p=0.301>0.05).

Paired Samples Correlations

N Correlation Sig.
Scor initial & Scor după
Pair 1 8 ,419 ,301
trei luni

Al treilea tabel ne arată rezultatul testului statistic.

85
Paired Samples Test
Paired Differences t df Sig. (2-
Mean Std. Std. Error 95% Confidence tailed)
Deviation Mean Interval of the
Difference
Lower Upper
Scor initial -
Pair
Scor după trei -1,500 2,138 ,756 -3,287 ,287 -1,984 7 ,088
1
luni

Putem observa că intervalul de încredere cuprinde valoarea 0

(minim negativ și maxim pozitiv), iar coeficientul de semnificație al testului t
este p=0.088>0.05 (valoarea aleasă a pragului de semnificație). Dacă
ipoteza ar fi fost enunțată cu un anumit sens, atunci coeficientul de
semnificație (1-tailed) ar fi fost calculat p1=p/2=0.044<0.05. În exemplul
nostru, ipoteza direcțională ar fi trebuit să fie: „Scorurile la testarea după
trei luni diferă semnificativ de cele de la testarea inițială, în sensul că sunt
mai mari.”.

Raportarea rezultatului:
„Scorurile la testarea după trei luni a participanților (m=..., s=...)
diferă/nu diferă semnificativ (t=..., df=..., p=...) de cele de la testarea inițială
(m=..., s=...).”
unde: m=media, s=abaterea standard, t=valoarea testului, df=numărul
gradelor de libertate și p=coeficientul de semnificație.

Ca și la testele precedente, raportarea trebuie să fie însoțită de

aprecierea puterii statistice și a mărimii efectului pentru cercetarea în
cauză. Reprezentările grafice pot ușura interpretările ulterioare (din punct
de vedere psihologic) ale rezultatelor.

86
 2.4.2.5. Testul semnului

[Analyze]

[Nonparametric Tests]

[Legacy Dialogs...]  [2 Related Samples]

Transferăm în câmpul <Test Pairs:> o variabilă în celula <Variable

1>, iar cealaltă în celula <Variable 2>. În câmpul <Test Type> bifăm doar
opțiunea Sign și accesăm butonul [OK].
În fereastra Output obținem rezultatele testului. Salvăm rezultatele
urmând calea: [File]  [Export ...]  [Type...] pentru a alege tipul de
document  [File Name:] pentru a alege calea unde va fi salvat și
denumirea  [OK] pentru salvare.
Analizăm un exemplu cu 15 participanți împărțiți în două categorii:
categoria 1 și categoria 2.
Obținem două tabele. În primul tabel este indicată relația dintre cele
două variabile. Observăm că diferențe negative apar de două ori (cu
frecvența 2), diferențe pozitive între categorii apar de 10 ori, iar categorii
similare apar de trei ori.

Frequencies
N
a
Negative Differences 2
b
Positive Differences 10
Variabila 8 - Variabila 7 c
Ties 3
Total 15
a. Variabila 8 < Variabila 7
b. Variabila 8 > Variabila 7
c. Variabila 8 = Variabila 7

Cel de-al doilea tabel este rezultatul semnului statistic. În exemplul

dat p=0.039<0.05. Putem conchide că respingem ipoteza nulă (H0).

87
 a
Test Statistics
Variabila 8 -
Variabila 7
b
Exact Sig. (2-tailed) ,039
a. Sign Test
b. Binomial distribution used.

Raportarea rezultatului:
„În urma aplicării testului semnului am constatat că participanții din
categoria 1 au obținut scoruri semnificativ diferite statistic la proba de ...
față de cei din categoria a doua (p<0.039).”.

2.4.2.6. Testul Wilcoxon

Pentru a exemplifica utilizarea testului statistic vom analiza o bază
de date formată din 10 participanți de gen masculin și 8 de gen feminin,
care au fost evaluați inițial cu un test al stimei de sine, iar după o intervenție
terapeutică au fost retestați cu același test. Putem utiliza pentru analiză
categoriile ordinale în care s-au încadrat participanții la pretest și la
posttest, sau putem folosi scorurile brute, tip scală, caz în care testul
statistic le va transforma automat în ranguri. Putem analiza efectul
intervenției pentru întreg eșantionul, sau efectul pentru fiecare categorie
(masculin și feminin) în parte. Procedeul poate fi utilizat și pentru alte teste
statistice.
Pentru a separa grupurile (de exemplu: masculin, feminin) se
urmăresc pașii:

[Data]

[Split file...]

Se bifează opțiunea Compare groups, după care se transferă

variabila, apoi formăm grupurile (în exemplul nostru variabila GEN) în
câmpul <Groups Based on:>. Pentru a finaliza operația accesăm butonul
[OK].

88
 Aplicăm testul statistic.

[Analyze]

[Nonparametric Tests]

[Legacy Dialogs...]  [2 Related Samples]

Transferăm în câmpul <Test Pairs:> o variabilă în celula <Variable

1>, iar cealaltă în celula <Variable 2>. În câmpul <Test Type> bifăm doar
opțiunea Wilcoxon și accesăm butonul [OK].
În fereastra Output obținem rezultatele testului. Salvăm rezultatele
urmând calea: [File]  [Export ...]  [Type...] pentru a alege tipul de
document  [File Name:] pentru a alege calea unde va fi salvat și
denumirea  [OK] pentru salvare.

În primul tabel obținem informații despre rangurile scorurilor pentru

cele două grupuri.

Ranks
Genul N Mean Rank Sum of Ranks
a
Negative Ranks 2 1,50 3,00
b
Positive Ranks 8 6,50 52,00
masculin Posttest - Pretest c
Ties 0
Total 10
a
Negative Ranks 2 3,00 6,00
b
Positive Ranks 6 5,00 30,00
feminin Posttest - Pretest c
Ties 0
Total 8
a. Posttest < Pretest
b. Posttest > Pretest
c. Posttest = Pretest

Al doilea tabel prezintă rezultatul testului statistic pentru fiecare grup

în parte.

89
 a
Test Statistics
Genul Posttest -
Pretest
b
Z -2,499
masculin
Asymp. Sig. (2-tailed) ,012
b
Z -1,680
feminin
Asymp. Sig. (2-tailed) ,093
a. Wilcoxon Signed Ranks Test
b. Based on negative ranks.

Observăm că pentru participanții de gen masculin intervenția a avut

efect (p=0.012<0.05). Respingem deci ipoteza nulă. Pentru participanții de
gen feminin, intervenția nu a avut niciun efect semnificativ (p=0.093>0.05).
În acest caz reținem ipoteza nulă.
În exemplul dat observăm că testul Wilcoxon a fost calculat pentru
valori negative ale diferenței rangurilor (b. Based on negative ranks.).
Valoarea testului (Z) fiind negativă înseamnă că diferențele negative au fost
mai puține decât cele pozitive, deci, în urma intervenției, în cele mai multe
cazuri stima de sine s-a apreciat.

2.4.2.7. Testul ANOVA unifactorială

Testul se mai numește și „analiza de varianță unifactorială”.

[Analyze]

[Compare Means]  [One-Way ANOVA ...]

În câmpul <Dependent List:> se transferă variabila dependentă, iar

în câmpul <Factor:> se transferă variabila independentă categorială (cu
mai mult de două categorii). Se deschide caseta de dialog [Post Hoc...] și
se bifează în zona <Equal Variances Assumed> opțiunea Bonferroni, iar
în zona <Equal Variances Not Assumed> opțiunea Tamhane’s T2. Se
accesează butonul [Continue].
În caseta de dialog [Options] se bifează opțiunile Descriptives,
Homogeneity-of-variance test și Means Plot. La alegere se bifează Brown-
90
Forsythe sau Welch ca teste alternative dacă varianțele nu vor fi omogene.
Se accesează butonul [Continue]. Pentru a încheia, se accesează butonul
[OK].
În fereastra Output obținem rezultatele testului. Salvăm rezultatele
urmând calea: [File]  [Export ...]  [Type...] pentru a alege tipul de
document  [File Name:] pentru a alege calea unde va fi salvat și
denumirea  [OK] pentru salvare.
În primul tabel obținem datele descriptive ale variabilei dependente
pentru categoriile analizate.

Descriptives
Sensul coerentei
N Mean Std. Std. 95% Confidence Minimum Maximum
Deviation Error Interval for Mean
Lower Upper
Bound Bound
scazută 10 44,70 11,954 3,780 36,15 53,25 24 63
medie 10 32,10 5,666 1,792 28,05 36,15 24 42
ridicată 10 31,20 3,521 1,114 28,68 33,72 27 36
Total 30 36,00 9,872 1,802 32,31 39,69 24 63

Următorul tabel prezintă rezultatul testului Levene. În exemplul

nostru, testul (p=0.008<0.05) are o valoare semnificativă și conduce la
concluzia că dispersiile în interiorul celor trei grupuri (varianța intragrup) nu
sunt omogene.

Test of Homogeneity of Variances

Sensul coerentei
Levene Statistic df1 df2 Sig.
5,761 2 27 ,008

În tabelul ANOVA observăm că penru testul F=9.120 avem un

coeficient de semnificație p=0.001<0.05. Acest lucru permite respingerea
ipotezei nul și acceptarea ipotezei alternative conform căreia variabila
dependentă (în exemplu sensul coerenței) variază semnificativ în funcție de
categorile variabilei independente (în exemplu autoeficacitatea).

91
ANOVA
Sensul coerentei
Sum of df Mean Square F Sig.
Squares
Between Groups 1139,400 2 569,700 9,120 ,001
Within Groups 1686,600 27 62,467
Total 2826,000 29

Testele Brown-Forsythe și Welch confirmă inegalitatea mediilor

între grupuri (varianța intergrup).

Robust Tests of Equality of Means

Sensul coerentei
a
Statistic df1 df2 Sig.
Welch 5,631 2 15,655 ,014
Brown-Forsythe 9,120 2 14,630 ,003
a. Asymptotically F distributed.

În această situație, vom consulta rezultatele din dreptul testului

Tamhane’s (Equal Variances Not Assumed). În caz contrar, am fi consultat
rezultatele testului Bonferroni.

Multiple Comparisons
Dependent Variable: Sensul coerentei
(I) (J) Mean Std. Sig. 95% Confidence
Autoeficacitatea Autoeficacitatea Difference Error Interval
(I-J) Lower Upper
Bound Bound
*
medie 12,600 3,535 ,004 3,58 21,62
scăzută *
ridicată 13,500 3,535 ,002 4,48 22,52
*
scăzută -12,600 3,535 ,004 -21,62 -3,58
Bonferroni medie
ridicată ,900 3,535 1,000 -8,12 9,92
*
scăzută -13,500 3,535 ,002 -22,52 -4,48
ridicată
medie -,900 3,535 1,000 -9,92 8,12
*
medie 12,600 4,183 ,030 1,13 24,07
scăzută *
ridicată 13,500 3,941 ,018 2,34 24,66
*
scăzută -12,600 4,183 ,030 -24,07 -1,13
Tamhane medie
ridicată ,900 2,110 ,966 -4,76 6,56
*
scăzută -13,500 3,941 ,018 -24,66 -2,34
ridicată
medie -,900 2,110 ,966 -6,56 4,76
*. The mean difference is significant at the 0.05 level.

92
 Observăm că avem diferențe semnificative între medii, între
grupurile cu autoeficacitate scăzută și medie, sau scăzută și ridicată. Nu
avem diferențe între grupurile cu autoeficacitate medie și ridicată. De altfel,
se observă această tendință și în reprezentarea grafică.
Și pentru acest test intervalul de încredere de 95% trebuie să
conțină doar limite pozitive sau doar limite negative pentru ca ipoteza nulă
să fie respinsă.
Raportarea se va completa cu indicatorii mărimii efectului și ai
puterii statistice.

Raportarea rezultatului:
„În urma analizei de varianță unifactorială am constatat diferențe
semnificative (p=0.030) între scorurile sensului coerenței (m=44.70,
s=11.954) pentru cazurile cu autoeficacitate scăzută față de cele ale
sensului coerenței (m=32.10, s=5,666) în cazul autoeficacității medii. Am
constatat diferențe semnificative (p=0.018) între scorurile sensului
coerenței (m=44.70, s=11.954) pentru cazurile cu autoeficacitate scăzută,
față de cele ale sensului coerenței (m=31.20, s=3,521) în cazul
autoeficacității ridicate. Între scorurile sensului coerenței pentru cazurile cu
autoeficacitate medie și ridicată nu am constatat diferențe semnificative.”.

93
 2.4.2.8. Testul Kruskal-Wallis

[Analyze]

[Nonparametric Tests]

[Legacy Dialogs...]  [K-Independent Samples]

În câmpul <Test Variable List:> se transferă variabila dependentă,

iar în câmpul <Grouping Variable:> variabila dependentă.
Se deschide fereastra de dialog [Define Range] și se trec valorile
minimă și maximă ale variabilei categoriale în câmpurile corespunzătoare,
după care se accesează [Continue]. Testul Kruskal-Wallis este bifat
implicit. Se accesează butonul [OK].
În fereastra Output obținem rezultatele testului. Salvăm rezultatele
urmând calea: [File]  [Export ...]  [Type...] pentru a alege tipul de
document  [File Name:] pentru a alege calea unde va fi salvat și
denumirea  [OK] pentru salvare.

Primul tabel conține informații descriptive despre variabila

dependentă.

Ranks
mediu familial N Mean Rank
familie biparentală 5 12,20
familie monoparentală 5 8,30
incredere in sine
orfelinat 5 3,50
Total 15

Al doilea tabel conține rezultatul testului. În exemplul, dat ipoteza

nulă poate fi respinsă.

94
 a,b
Test Statistics
incredere in
sine
Chi-Square 9,615
df 2
Asymp. Sig. ,008
a. Kruskal Wallis Test
b. Grouping Variable: mediu
familial

Raportarea rezultatului:
„Există diferențe semnificative privind încrederea în sine (variabila
dependentă) a copiilor proveniți din medii familiale diferite (variabila
independentă) (χ2=9.615, df=2, p=0.008).”.

2.4.2.9. Testul ANOVA pentru măsurători repetate

[Analyze]

[General Linear Model]  [Repeated Measures ...]

Se trece numărul de măsurători repetate în celula <Number of

Levels> după care se accesează butonul [Add] și [Define]. În fereastra de
dialog nou apărută se transferă toate variabilele (măsurătorile repetate) în
câmpul <Whitin-Subjects Variables:>.
Se deschide fereastra de dialog [Option], unde se bifează opțiunile:
Descriptive statistics și Estimates of effect size, după care se
selectează [Continue] și [OK] pentru a încheia.
În fereastra Output obținem rezultatele testului. Salvăm rezultatele
urmând calea: [File]  [Export ...]  [Type...] pentru a alege tipul de
document  [File Name:] pentru a alege calea unde va fi salvat și
denumirea  [OK] pentru salvare.
Dintre toate tabelele le analizăm pe următoarele:
Tabelul care indică abaterile medii și standard pentru grupele de
măsurători. În exemplul dat, avem trei măsurători repetate, deci trei grupe.

95
 Descriptive Statistics
Mean Std. Deviation N
efect de accentuare 18,75 2,491 12
grup de control 17,00 2,174 12
efect de reducere 15,00 2,374 12

Tabelul care arată rezultatele testului de sfericitate Mauchly. Pentru

a ne asuma sfericitatea, condiție a analizei, acesta trebuie să nu fie
semnificativ. În exemplul analizat, testul este nesemnificativ (p=0.524).

a
Mauchly's Test of Sphericity
Measure: MEASURE_1
b
Within Mauchly's Approx. df Sig. Epsilon
Subjects W Chi- Greenhouse- Huynh- Lower-
Effect Square Geisser Feldt bound
factor1 ,879 1,291 2 ,524 ,892 1,000 ,500
Tests the null hypothesis that the error covariance matrix of the orthonormalized
transformed dependent variables is proportional to an identity matrix.
a. Design: Intercept
Within Subjects Design: factor1
b. May be used to adjust the degrees of freedom for the averaged tests of
significance. Corrected tests are displayed in the Tests of Within-Subjects Effects
table.

Raportarea rezultatului:
„Testul de sfericitate indică că asumpția de asumare a sfericității nu
este încălcată χ2(2) = 1.291, p = .524.”
Următorul tabel indică semnificația raportului F. Dacă p<0,05 atunci
există, per ansamblu, o diferență semnificativă între scorurile medii la
măsurătorile repetate. Pentru a determina între ce grupuri de măsurători
diferențele sunt semnificative, se aplică testul t pentru eșantioane pereche,
pe combinații de câte două grupuri de măsurători. Deoarece se efectuează
mai multe teste t, fiecare probabilitate obținută (coeficient de semnificație)
trebuie înmulțită cu numărul de teste t efectuat. Procedura este cunoscută
sub numele de corecția Bonferroni.

96
Tests of Within-Subjects Effects
Measure: MEASURE_1
Source Type III df Mean F Sig. Partial Eta
Sum of Square Squared
Squares
Sphericity
84,500 2 42,250 37,430 ,000 ,773
Assumed
Greenhouse-
factor1 84,500 1,784 47,367 37,430 ,000 ,773
Geisser
Huynh-Feldt 84,500 2,000 42,250 37,430 ,000 ,773
Lower-bound 84,500 1,000 84,500 37,430 ,000 ,773
Sphericity
24,833 22 1,129
Assumed
Greenhouse-
Error(factor1)Geisser 24,833 19,623 1,266
Huynh-Feldt 24,833 22,000 1,129
Lower-bound 24,833 11,000 2,258

În exemplul nostru sfericitatea fiind asumată, ne uităm pe prima linie

a tabelului și constatăm că p=0.001. Conchidem să respingem ipoteza nulă
și vom continua cu testele t pentru a determina între ce grupe de
măsurători avem diferențe semnificative.
În cazul încălcării asumpției de încălcare a sfericității analizăm linia
corespunzătoare unui test alternativ (Greenhouse-Geisser, Huynh-Feldt,
Lower-bound).

Raportarea rezultatului:
„O analiză de varianță unidimensională cu scoruri corelate a indicat
un efect semnificativ al intervenției în cele trei condiții de evaluare
(F2,22=37.43, p=0.001). Media pentru efectul de accentuare (condiția 1) a
fost de 18.75, media pentru grupul de control a fost de 17.00, iar media
pentru efectul de reducere (condiția 3) a fost de 15.00.”.
Raportarea se completează cu rezultatele testelor t efectuate pe
perechi de câte două condiții.

97
 2.4.2.10. Testul Friedman

[Analyze]

[Nonparametric Tests]

[Legacy Dialogs...]  [K-Related Samples]

Se transferă variabilele (măsurătorile repetate pentru același grup)

în câmpul <Test Variables>. Se bifează opțiunea Friedman și se
accesează butonul [OK] pentru finalizare.
În fereastra Output obținem rezultatele testului. Salvăm rezultatele
urmând calea: [File]  [Export ...]  [Type...] pentru a alege tipul de
document  [File Name:] pentru a alege calea unde va fi salvat și
denumirea  [OK] pentru salvare.

Primul tabel reprezintă media rangurilor pentru fiecare măsurătoare

în parte.
Ranks
Mean Rank
Nota1 1,95
Nota 2 3,32
Nota 3 1,18
Nota 4 3,55

Al doilea tabel ne arată rezultatul testului Friedman. Coeficientul de

semnificație apare în dreptul lui Asymp. Sig., iar în cazul de față p=0.001.

a
Test Statistics
N 11
Chi-Square 25,528
df 3
Asymp. Sig. ,000
a. Friedman Test

Raportarea rezultatului:
„Există diferențe semnificative statistic între măsurătorile repetate
ale ... (constructul măsurat) (χ2=25.528, df=3, p=0.001).”.
98
 2.5. Alte analize statistice
Testele statistice prezentate sunt suficiente în cele mai multe cazuri
pentru a surprinde relații sau comparații. Pentru situațiile practice sunt
necesare uneori analize suplimentare pentru a ajunge la o concluzie cât
mai apropiată de realitate. Am ales câteva procedee care pot fi utilizate în
acest scop. În literatura de specialitate sunt prezentate mult mai multe teste
statistice care pot fi utilizate pentru a obține rezultate mai rafinate. Cu titlu
informativ, prezentăm câteva dintre ele. Atunci când cercetătorul dorește să
controleze sau să facă ajustări variabilelor independente care corelează cu
cea dependentă, înainte de a compara mediile pentru aceasta, se poate
utiliza analiza de covarianță ANCOVA. Când se dorește analiza mai multor
variabile dependente concomitent, se poate apela la analiza de varianță
multivariată MANOVA. Pentru selectarea predictorilor, dintre mai multe
variabile independente, unei variabile dependente, se poate utiliza regresia
multiplă pas cu pas. În cazul corelațiilor dintre două variabile, în condițiile
existenței unei variabile intermediare, putem apela la analiza de corelație
parțială. Pentru a identifica variabilele care disting la nivel colectiv cazurile
ce aparțin diferitelor categorii ale unei variabile nominale sau categorială,
se poate utiliza regresia logistică multinominală.

2.5.1. Scoruri standard z. Note standard

Deseori în practică dorim să comparăm performanța unui individ
măsurată pe o scală care evaluează un construct, cu cea măsurată pe o
scală care evaluează alt construct. Scalele fiind diferite, scorurile, adică
notele brute, au și ele unități de măsură diferite. De exemplu, dorim să
aflăm dacă un student este mai bun la disciplina „statistică” decât la
disciplina „introducere în psihoterapie”. Această informație ar fi utilă în
orientarea profesională a studentului respectiv. El ar putea urma o carieră
de succes în cercetare sau ca psihoterapeut. Pentru a compara
performanța individuală, trebuie să ținem cont că el face parte dintr-o
distribuție (colegii lui de an). Pentru a înlătura inconvenientul unităților de
măsură diferite transformăm scorurile brute în scoruri standard z, care sunt
adimensionale (vezi secțiunea 2.1.8.).

99
 [Analyze]

[Descriptive Statistics]  [Descriptives...]

În fereastra de dialog se transferă variabila în câmpul

<Variable(s):> și se bifează opțiunea Save standardized values as
variables. Se selectează butonul [OK] pentru a încheia.
În fereastra principală [Data View] observăm că a apărut o variabilă
nouă. Numele variabilei care are ca valori scorurile z apare de regulă ca o
combinație între numele variabilei pe care am dorit să o transformăm,
precedată de litera „Z”.
Pentru că notele z au atât valori negative, cât și pozitive,
interpretarea acestora poate fi dificilă. Pentru a rezolva situația se folosesc
note standard transformate.
Transformarea se face după regula:
Nota standard nouă = noua medie + (scor z) x (noua abatere standard)

Sistem de clase standardizate Media (m) Abaterea Formula

standard (s)
Sten (standard nine) 2 5,5 SN=2+5.5*z
Note T (Thurstone) 50 10 T=50+10*z
Scala de aptitudini generale 500 100 SAT=500+100*z
Army General Clasification 100 50 AGC=100+50*z
Stanford-Binet 100 16 QI=100+16*z
Wechsler 100 15 QI=100+15*z
Note H (Hull) 50 14 H=50+14*z

Pentru a realiza acest lucru în SPSS se definește în fereastra

[Variable View] o variabilă care va fi nota standard nouă. După aceasta se
urmăresc pașii de mai jos:

[Transform]

[Compute Variable...]

100
 În fereastra de dialog se tastează în câmpul <Target Variable:>
numele intern ales pentru nota standard nouă. Numele intern apare între
parantezele pătrate. În câmpul <Numeric Expression:> se introduce
formula de transformare. Pentru a finaliza, se selectează butonul [OK] și
încă o dată [OK].

În fereastra principală [Variable View] putem observa apariția

notelor standard noi obținute prin transformare liniară din note z.

2.5.2. Regresia liniară

Este denumită uneori și predicția cu precizie. Practic, se reduce la
obținerea unei ecuații între scorurile a două variabile corelate (ex: V1 și
V2):
Scor prezis (V2) = Constantă + B x Scor cunoscut (V1)

Am auzit uneori afirmația că „dacă identificăm ecuația de regresie

dintre o variabilă independentă și o variabilă dependentă nu mai este
necesar să realizăm experimentul prin care să determinăm existența unei
relații cauză-efect între cele două”. Opinia noastră este că afirmația este
hazardată. Relația cauzală o determinăm manipulând variabila
independentă, pentru a constata efectul asupra celei dependente. O
corelație puternică între două variabile poate să apară și în condițiile în
care cele două covariază datorită unei a treia, pe care nu am identificat-o
încă. În acest caz, manipularea variabilei independente nu va duce la
efecte semnificative asupra celeilalte. Pe de altă parte, corelația puternică a
fost stabilită pe un eșantion din populație. Dacă intervalul de încredere de
101
95% are limita inferioară în zona corelațiilor moderate sau sub aceasta nu
putem fi siguri că putem aplica predicția la nivel de populație.
Regresia liniară nu se pretează pentru orice pereche de variabile
scor care corelează puternic între ele. Procedura își atinge scopul mai ales
când se extinde la regresia multiplă (procedură care nu este abordată în
această lucrare). Nu se folosește regresia dacă cel puțin o variabilă este
dihotomică, deoarece nu va avea sens.

[Analyze]

[Regression]  [Linear...]

Se transferă variabila independentă în câmpul <Independent(s):>

și variabila dependentă în câmpul <Dependent:>. Se deschide fereastra
de dialog [Statistics...] și se bifează opțiunea Confidence intervals,
Estimates și Model fit. Se accesează butonul [Continue]. Se încheie
selectând [OK].
În fereastra Output obținem rezultatele analizei. Salvăm rezultatele
urmând calea: [File]  [Export ...]  [Type...] pentru a alege tipul de
document  [File Name:] pentru a alege calea unde va fi salvat și
denumirea  [OK] pentru salvare.
Reținem următorul tabel din Output.

a
Coefficients
Model Unstandardized Standardized t Sig. 95,0%
Coefficients Coefficients Confidence
Interval for B
B Std. Error Beta Lower Upper
Bound Bound
1(Constant) 19,477 ,471 41,370 ,000 18,460 20,494
Variabila 1 -1,057 ,049 -,986 -21,625 ,000 -1,163 -,952
a. Dependent Variable: Variabila 2

Panta liniei de regresie (coeficientul de regresie nestandardizat)

este B=-1,057. Constanta (interceptul alpha) din ecuație este 19,477.
Intervalul de încredere de 95% are limitele -1,163 și -0,952, ambele
negative. Aceasta înseamnă că pentru orice alt eșantion extras din aceeași
102
populație putem fi siguri în proporție de 95% că pantele liniei de regresie
(B) se încadrează între cele două valori.
Raportarea rezultatului: V2 = 19,477 – 1,057 x V1
Pentru facilitarea interpretării și formularea concluziilor recomandăm
atașarea diagramei de dispersie.

[Graphs]

[Legacy Dialogs]  [Scatter/Dots...]

Se selectează varianta [Simple] dacă nu este implicit selectată. Se

selectează butonul [Define]. În câmpurile <Y Axis:> și <X Axis:> se
transferă câte o variabilă, după care se accesează butonul [OK].
În fereastra de Output se dă „dublu click stânga” pe grafic, iar în
fereastra de dialog deschisă se selectează din meniu [Elements] și [Fit
Line at Total]. Se închide fereastra cu [Close], după care se închide și
<Chart Editor>. Rezultatele se salvează.
Obținem astfel diagrama de dispersie în care apare și linia de
regresie.

2.5.3. Analiza factorială

În practica curentă ne întâlnim cu un număr mare de variabile, care,
de multe ori, măsoară caracteristici asemănătoare ale unui construct. Este
ceea ce putem identifica ca având o parte de informație comună. Acestea
pot fi comasate într-o nouă variabilă, care să se constituie ca factor al
103
acelui construct. Istoria analizei factoriale începe cu Thurstone (1931).
Factorul este o cumulare a înțelesurilor variabilelor componente și are rolul
de a simplifica un set complex de variabile (Gorsuch, 2003, Kline, 1994).
Conform lui Popa (2010, p. 294), utilitatea analizei factoriale se
regăsește în:
- detectarea structurii de relație dintre variabile, adică clasificarea
acestora și modul cum ele se grupează în factori;
- reducerea numărului variabilelor, adică atunci când acesta este
foarte mare și avem motive sau dorim să verificăm dacă pot fi transformate
în factori cu o putere de descriere mai generală;
- rezolvarea problemei multicoliniarității, care se poate aplica în
cazul regresiei multiple prin determinarea unor factori dintr-un număr mare
de variabile predictoare.
- validarea construcției unei scale, prin determinarea încărcării
fiecărui item în raport cu scorul total și eliminarea celor care au contribuție
la mai mult de un singur construct.
Cunoaștem deja că un construct psihologic nu poate fi măsurat
direct, ci doar prin intermediul altor variabile (trăsături). Se utilizează
împărțirea variabilelor pe care le măsurăm indirect ca variabile latente, iar
pe cele pe care le măsurăm direct ca variabile manifeste. Factorii sunt
variabile latente, ca și constructul căruia îi aparțin. Putem discerne, astfel,
între analiza factorială exploratorie, unde urmărim descoperirea unor
variabile latente (factori), și analiza factorială de confirmare, care presupne
că există un model aprioric, iar cercetarea vine să-l verifice.
Condițiile pentru a putea fi utilizată analiza factorială sunt:
- variabilele să fie contitative (interval, raport);
- distribuțiile să fie normale (condiția este mai puțin restrictivă cu cât
crește volumul eșantionului);
- absența valorilor extreme;
- liniaritatea corelației dintre variabile;
- intercorelații moderate sau moderat-ridicate fără prezența multico-
liniarității;
- eșantionarea adecvată;
- factorii să reprezinte niște constructe reale sau fațete ale acestora,
cu sens din punct de vedere al interpretării psihologice.

104
 [Analyze]

[Dimension Reduction]  [Factor...]

Se transferă variabilele (itemii testului) în câmpul <Variables:>. Se

deschide fereastra [Descriptives...] și se bifează opțiunile Univariate
descriptives, Initial solution, Correlation matrix și KMO and Bartslett’
test of sphericity. Se închide fereastra cu [Continue].
Se deschide fereastra de dialog [Extraction...], unde se alege
pentru Method varianta Principal axis factoring. In zona <Analyze> se
bifează opțiunea Correlation matrix, iar în zona <Display> se bifează
Unrotated factor solution și Scree plot. În zona <Extract> se bifează
opțiunea Number of factor, dacă dorim să extragen un anumit număr de
factori. În cazul analizei factoriale exploratorii lăsăm opțiunea nebifată,
pentru a observa numărul de factori în care se grupează itemii. Se
finalizează cu [Continue].
Se deschide fereastra de dialog [Rotation...], unde se bifează
metoda de rotație Varimax. În zona <Display> se bifează opțiunea
Rotated solution și se închide fereastra cu [Continue].
Se deschide fereastra de dialog [Scores...], în care se bifează
opțiunea Display factor score coefficient matrix (se va afișa la rezultate
matricea de corelație a factorilor). Se încheie cu [Continue].
Se deschide fereastra [Option], în care se bifează în zona <Coefficient
Display Format> opțiunea Sorted by size și Suppress small
coefficients. Se finalizează cu [Continue].
Se închide fereastra principală de dialog cu [OK]. În fereastra
Output obținem rezultatele analizei. Salvăm rezultatele urmând calea: [File]
 [Export ...]  [Type...] pentru a alege tipul de document  [File
Name:] pentru a alege calea unde va fi salvat și denumirea  [OK].

Primul tabel este rezultatul analizei descriptive al variabilelor (itemii)

analizate.

105
 Descriptive Statistics
Mean Std. Deviation Analysis N
1Testare 2,00 ,673 334
2Testare 2,30 ,679 334
3Testare 1,62 ,851 334
4Testare 2,69 ,590 334
5Testare 1,87 ,818 334
6Testare 2,35 ,614 334
7Testare 2,06 ,670 334
8Testare 2,34 ,782 334
9Testare 2,05 ,756 334
10Testare 1,90 ,768 334
11Testare 1,85 ,853 334
12Testare 2,35 ,680 334
13Testare 2,55 ,659 334
14Testare 1,68 ,872 334
15Testare 2,24 ,628 334

Se poate verifica dacă există valori lipsă sau indicatori excesivi,

ceea ce înseamnă valori eronate.
Al doilea tabel indică valoarea indicelui KMO (Kaiser-Meyer-Olkin)
și nivelul de semnificație pentru testul de sfericitate Bartlett.

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,821
Approx. Chi-Square 1180,158
Bartlett's Test of Sphericity df 105
Sig. ,000

Kaiser (1974) oferă o interpretare originală a valorii indicelui KMO:

0,90 minunată; 0,80 meritorie; 0,70 medie; 0,60 mediocră; 0,50 mizerabilă;
sub 0,50 inacceptabilă.
În exemplul dat KMO=0,821, iar pentru testul de sfecricitate
p=0.001. Se justifică analiza factorială exploratorie.
Tabelul următor indică comunalitățile pentru fiecare variabilă (item).
Comunalitatea este procentul de varianță indusă asupra variabilelor de
către toți factorii, considerați predictori, luați împreună. O comunalitate
redusă pentru o variabilă se traduce prin inadecvarea modelului factorial
pentru aceasta (de exemplu: variabila 9Testare). Variabila (itemul) poate fi
eliminat și se reface analiza. Dacă valoarea comunalității este mai mare de

106
1 atunci avem de a face cu un model factorial incorect, datorat unui volum
prea mic al eșantionului sau unui număr inadecvat de factori. Putem reface
analiza modificând numărul de factori (opțiunea Number of factor din
fereastra de dialog [Extraction...]).

Communalities
Initial Extraction
1Testare ,244 ,257
2Testare ,270 ,318
3Testare ,346 ,466
4Testare ,254 ,374
5Testare ,297 ,398
6Testare ,469 ,638
7Testare ,209 ,233
8Testare ,309 ,492
9Testare ,135 ,185
10Testare ,290 ,377
11Testare ,378 ,420
12Testare ,365 ,455
13Testare ,395 ,573
14Testare ,482 ,707
15Testare ,241 ,267
Extraction Method: Principal Axis
Factoring.

Tabelul Total Variances Explained ne oferă informații asupra

numărului de factori extrași și câți dintre aceștia ating criteriul
(Eigenvalue=1).
Analizăm datele din coloana Extractions Sums of Squared Loadings
și observăm, în exemplul dat, că au fost extrași 15 factori, dintre care se
califică doar primii patru. Varianța explicată de fiecare factor se distribuie
după cum urmează: Factor 1: 22.68%, Factor 2: 10.85%, Factor 3: 4.19%,
Factor 4: 3.35%. Împreună cei patru factori explică 41.07% din varianța
itemilor analizați. Această varianță este determinată pentru soluția
factorială inițială, înainte de rotație. În coloana Extractions Sums of
Squared Loadings avem valorile soluției factoriale după rotație (metoda
Varimax). Varianța se distribuie: Factor 1: 14.31%, Factor 2: 11.93%,
Factor 3: 8.41%, Factor 4: 6.42% cu același total de 41.07%.

107
Total Variance Explained
Factor Initial Eigenvalues Extraction Sums of Rotation Sums of Squared
Squared Loadings Loadings
Total % of Cumulative Total % of Cumulative Total % of Cumulative
Variance % Variance % Variance %
1 3,971 26,474 26,474 3,401 22,677 22,677 2,146 14,305 14,305
2 2,105 14,035 40,509 1,628 10,851 33,527 1,790 11,932 26,238
3 1,244 8,293 48,802 ,629 4,191 37,719 1,262 8,410 34,648
4 1,061 7,076 55,878 ,503 3,351 41,070 ,963 6,422 41,070
5 ,838 5,587 61,465
6 ,836 5,570 67,036
7 ,798 5,318 72,354
8 ,702 4,682 77,036
9 ,611 4,076 81,112
10 ,568 3,788 84,900
11 ,537 3,579 88,479
12 ,510 3,398 91,878
13 ,454 3,025 94,902
14 ,413 2,755 97,657
15 ,351 2,343 100,000
Extraction Method: Principal Axis Factoring.

Tabelul este explicat sub formă grafică. Se pot observa primii factori
care ating criteriul.

108
Înainte de rotație, itemii erau încărcați în factori după cum urmează:
a
Factor Matrix
Factor
1 2 3 4
6Testare ,695 -,273 ,123 -,256
13Testare ,645 -,283 ,277
12Testare ,567 -,320 -,161
8Testare ,523 -,348 -,313
10Testare ,515 ,328
2Testare ,508 -,145 ,189
15Testare ,476 -,184
1Testare ,453 -,215
4Testare ,450 -,405
7Testare ,441 -,140 ,113
5Testare ,439 ,294 ,344
9Testare ,292 ,254 ,182
14Testare ,320 ,777
11Testare ,298 ,568
3Testare ,296 ,561 -,239
Extraction Method: Principal Axis Factoring.
a. 4 factors extracted. 12 iterations required.

După efectuarea rotației prin metoda Varimax, încărcarea factorilor

cu itemi arată ca în tabelul de mai jos.

a
Rotated Factor Matrix
Factor
1 2 3 4
6Testare ,766 ,159 ,148
12Testare ,634 ,167 ,148
2Testare ,491 ,255
8Testare ,464 ,197 ,435 -,220
15Testare ,446 ,161 ,206
1Testare ,367 ,263 ,225
7Testare ,326 ,188 ,301
14Testare ,822 ,145
3Testare ,119 ,670
11Testare ,599 ,192 ,135
5Testare ,250 ,453 ,355
13Testare ,253 ,126 ,631 ,309
4Testare ,184 ,575
10Testare ,195 ,139 ,304 ,477
9Testare ,185 ,386
Extraction Method: Principal Axis Factoring.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 7 iterations.

109
 Atunci când o variabilă are încărcare aproximativ egală pentru doi
sau mai mulți factori, aceasta nu va fi inclusă în niciunul dintre ei. În
exemplul nostru, variabila 7Testare nu va fi inclusă în niciun factor.
Denumirea fiecărui factor se va stabili analizând semnificația
psihologică a fiecărui item din componența sa, mai ales cei cu încărcare
semnificativă.

Raportarea rezultatului:
Analiza factorială este o modalitate de descriere a structurii
variabilelor și nu o analiză inferențială. Se vor raporta informațiile cuprinse
în analiza descriptivă, analiza corelației și cele evidențiate mai sus.
Validitatea soluției factoriale finale (după rotație) este dată de posibilitatea
de a interpreta rezultatele ca un model explicativ care are sens din punct
de vedere psihologic.

2.5.4. Studiul diagnostic

Studiul diagnostic este în primul rând o metodă non-experimentală
de culegere și analiză a datelor. Sava (2013, p. 241) remarcă valoarea
euristică ridicată a acestui tip de abordare. Se poate utiliza în situația în
care cele două variabile analizate sunt dihotomice și se pot organiza într-un
tabel 2x2. Indicatorii prezintă formule simple și pot fi calculați manual sau
într-un tabel realizat în Excel.
Vom prezenta un exemplu prin care vom explicita fiecare indicator în parte.

Tulburare de personalitate obsesiv-compulsivă

Autoeficacitatea SCID II
măsurată cu SES 1. diagnostic pozitiv 2. diagnostic negativ Total
Scor1=scăzută 16 5 21
Scor2=ridicată 7 12 19
Total 23 17 40

Au fost testați un număr de 40 de participanți cu Self-Efficacy

Scales (SES) (Schwarzer, R., Jerusalem, M., 1995) pentru evaluarea
autoeficacității, adaptată populației adulte din România (Vasiliu, Marinescu,
Marinescu, Rizeanu, 2015) și cu Chestionarul de personalitate și interviul
110
clinic SCID-II (First, Gibbon, Spitzer, Williams, Benjamin, 2007). Au fost
organizate datele ca în tabel cu referire la tulburarea de personalitate
obsesiv-compulsivă (diagnosticată sau nu) și cu nivelurile autoeficacității
(scăzut, ridicat). Problema cercetării este dacă testul SES privind
autoeficacitatea este un bun predictor pentru diagnosticul tulburării de
personalitate obsesiv-compulsivă. Am presupus Scorul1 (autoeficacitatea
scăzută) ca fiind pozitiv, adică cel mai probabil se va asocia cu diagnosticul
pozitiv. Am presupus Scorul2 (autoeficacitate ridicată) ca fiind negativ,
adică cel mai probabil se va asocia cu diagnosticul negativ.
Am determinat următorii indicatori pentru testul în cauză (SES):
Sensibilitatea: adică cât de bine poate instrumentul să identifice
cazurile diagnosticate pozitiv. În exemplul dat, sensibilitatea=
16/(16+7)=0.695, adică procentul de persoane diagnosticate cu TPOC care
obțin un rezultat scăzut la autoeficacitate este de 69.5%;
Specificitate: aceasta ne spune despre calitatea instrumentului de a
identifica cazurile fals negative. În exemplul nostru, specificitatea=
12/(12+5)=0.705, adică procentul de persoane nediagnosticate cu TPOC
care obțin un scor ridicat la autoeficacitate este de 70.5%.
Sensibilitatea și specificitatea fac referire la calitatea instrumentului,
dar nu pot fi folosite direct pentru predicții.
Valoarea predictivă pozitivă: probabilitatea cazurilor cu scor pozitiv
să fie cu adevărat diagnosticate pozitiv. Pentru exemplul nostru,
probabilitatea ca cei cu scor scăzut al autoeficacității să prezinte într-
adevăr TPOC este de 16/(16+5)=0.761 adică 76.1% (VPP=0.761).
Valoarea predictivă negativă: probabilitatea cazurilor cu scor
negativ să fie cu adevărat diagnosticate negativ. În exemplul nostru,
probabilitatea ca cei cu scor ridicat al autoeficacității să nu prezinte TPOC
este de 12/(12+7)=0.631 adică 63.1% (VPN=0.631).
Valorile predictive pozitivă și negativă se referă tot la calitatea
instrumentului și nu pot duce la predicții individuale. Pentru a ajunge la
asemenea predicții se introduce termenul de raport al probabilității (LR+
pozitiv și LR– negativ).
Raportul probabilității pozitiv (LR+) se referă la raportul dintre
probabilitatea cazurilor cu un rezultat pozitiv la testul analizat (în exemplu
SES), care sunt diagnosticate pozitiv și probabilitatea celor cu rezultat
pozitiv, care sunt diagnosticate negativ, adică: LR+ = sensibilitatea/(1-
specificitatea). În cazul nostru: LR+ =0.695/(1-0.705)=2.36. Putem spune
111
că o persoană cu tulburare TPOC are de peste două ori mai multe șanse
decât o persoană diagnosticată negativ să obțină un scor scăzut la testarea
autoeficacității.
Raportul probabilității negativ (LR-) se referă la raportul dintre
probabilitatea cazurilor cu un scor negativ la testul analizat, diagnosticate
pozitiv, și probabilitatea celor cu un scor negativ, care sunt diagnosticate
negativ, adică: LR - = (1-sensibilitate)/specificitate. În cazul nostru: LR-
=(1-0.695)/0.705=0.43. Putem spune că o persoană care nu are TPOC are
de 0,43 de ori mai multe șanse ca o persoană cu TPOC să obțină un scor
pozitiv la testarea autoeficacității. Observăm aici că exemplul nostru nu mai
prezintă rezultate relevante. Vom continua, totuși, în scop didactic.
Dacă cunoaștem prevalența tulburării TPOC pentru populație,
putem continua cu analiza. Aceasta se poate găsi în date statistice sau
chiar în manualele de diagnostic. Presupunem pentru exemplul nostru că
prevalența TPOC la nivel de populație este de 57,5%. Valoarea nu arată
probabilitatea existenței TPOC, ci doar șansa ca aceasta să apară. Cu
ajutorul acesteia se calculează valorile ponderate ale raporturilor de
probabilitate:
LR+ponderat = LR+ x [prevalența/(1-prevalența)]
LR-ponderat =LR- x[prevalența/(1-prevalența)]
Cu ajutorul acestor valori putem determina predicția pozitivă (P+) și
predicția negativă (P-).
P+ = LR+ponderat/(1- LR+ponderat)
P- = LR-ponderat/(1- LR-ponderat)

Predicția pentru o persoană testată cu SES privind

diagnosticarea TPOC este: probabilitatea ca o persoană cu scoruri
scăzute ale autoeficacității de a avea TPOC este de 76,2% (P+=0.762), iar
probabilitatea ca o persoană cu scoruri ridicate ale autoeficacității să aibă
TPOC este de 36.8% (P-=0.368).
Pentru tulburări sau probleme cu o prevalență scăzută (sub 1%)
specificitatea testului este mai importantă (identificarea corectă a celor
puțini care au acea problemă). Pentru tulburări sau probleme grave,
sensibilitatea este mai importantă (eliminarea corectă a cazurilor care nu
prezintă problema).
Formulele nu sunt complicate, iar indicatorii se pot calcula manual
pas cu pas.
112
 2.6. Puterea statistică și mărimea efectului.
Având în vedere controversele privind procedura de testare a semnificației
ipotezei de nul, calcularea și raportarea mărimii efectului este în prezent o
cerință obligatorie impusă de APA Publication Manual (APA, 2001, p.24).
Pe de altă parte, analizele de putere intergrează o serie de valori statistice
importante, precum: mărimea efectului, alpha, eroarea de tip II, volumul
eșantionului, variabilitatea distribuțiilor și puterea statistică.

2.6.1. Puterea statistică

Puterea statistică reprezintă probabilitatea de a obține rezultate
semnificative. De multe ori întâlnim tendința de a interpreta pragul de
semnificație sub forma: semnificativ statistic pentru p<0.05, puternic
semnificativ statistic pentru p<0.01 și foarte puternic semnificativ statistic
pentru p<0.001. Interpretarea este eronată, deoarece aceste valori nu arată
gradul de încredere pe care-l putem avea pentru cât de adevărată este
ipoteza de cercetare, ci doar probabilitatea de a obține datele observate
pornind de la premisa că ipoteza nulă este adevărată.
Puterea statistică poate fi explicată intuitiv ca o capacitate de a
detecta vizual un fenomen. O putere statistică redusă este echivalentă cu o
capacitate scăzută de a detecta fenomenul, ceea ce ar putea duce la
concluzia că el nu există. Demersul privind creșterea puterii statistice a
unei cercetări este echivalent cu a upgrada analizorul vizual, astfel încât
să-i creștem capacitatea de a detecta fenomene. Cu cât această capacitate
crește, cu atât fenomenele detectate vor fi mai rafinate, mai sensibile.
Dacă ținem cont de riscul de a efectua eroarea de tip II, de exemplu
20%, atunci puterea statistică va fi egală cu 1.00-0.20=0.80 adică de 80%.
De altfel Cohen (1988, 1994) limitează pragul de semnificație al erorii de tip
II la 20% la fel cum cel pentru eroarea de tip I este de 5%. Valoarea minimă
recomandată pentru puterea statistică este deci 0,80. Puterea statistică a
unei cercetări poate fi modificată în funcție de: mărimea efectului, volumul
eșantionului și valoarea α (pragul de semnificație de la care vom respinge
ipoteza statistică nulă H0).

113
 2.6.2. Mărimea efectului
Testul de semnificație, adică pragul la care respingem ipoteza nulă (H0),
răspunde la întrebarea „există o relație sau o diferență semnificativă?”.
Mărimea efectului ne arată în schimb „cât de mare este această
corelație/asociere sau diferență”. Pragul de semnificație statistică indică
doar că există o probabilitate de a obține datele observate în cazul în care
ipoteza nulă este adevarată. Nu ne sunt, însă, oferite și informații cu privire
la importanța practică a cercetării.
Indicatorii privind mărimea efectului pot fi împărțiți în două categorii:
indici bazați pe o diferență standardizată dintre medii, respectiv d al lui
Cohen, Δ (delta) al lui Gauss sau g al lui Hedges, și indici bazați pe
procentul de dispersie explicată, adică r, r², η² (eta), ω² (omega) etc. Între
acești indici există relații de transformare dintr-unul în altul. Cei mai utilizați
sunt d (Cohen) și r (Pearson).

Mărimea efectului d a lui Cohen coeficientul de

determinare r²
Efect scăzut în jurul a 0,20 .01
Efect mediu în jurul a 0,50 .06
Efect puternic în jurul a 0.80 .14

Interpretarea rezultatelor unei cercetări poate fi făcută ținând cont

atât de mărimea efectului, cât și de pragul de semnificație α. O interpretare
propusă de Sava și Maricuțoiu (2007) este redată în tabelul de mai jos.

Mărimea Testarea ipotezelor

efectului Ipoteza nulă nu este respinsă Ipoteza nulă este respinsă
1. Se pare că ipoteza nulă este 1. Deși semnificative statistic,
sprijinită, nu există nici un efect rezultatele nu au o importanță
semnificativ statistic sau practic. practică deosebită.
Mică 2. Există un risc crescut de a comite
eroarea de tip I (efectul detectat de
fapt nu există). Ea apare datorită
unei puteri statistice foarte mari.
1. Mărimea efectului arată 1. Efectul obținut este puțin probabil
promițător, dar există riscul ca să fi apărut din întâmplare.
efectul să fi apărut din întâmplare. 2. Efectul pare a fi destul de
2. Există un risc crescut de a comite important din punct de vedere
Medie
eroarea de tip II (există un efect, dar practic. În plus, efectul este
nu a fost detectat). Probabil că semnificativ statistic.
puterea statistică de a detecta
efectul este mică.

114
 1. Fie efectul a apărut din 1. Concluzionați cu încredere că
întâmplare, fie rezultatul efectul este semnificativ atât statistic,
nesemnificativ statistic se datorează cât și practic.
Mare eșantionului redus de subiecți.
Creșteți puterea cercetării.
2. Risc crescut de a comite eroarea
de tip II.

2.6.3. Determinarea puterii statistice și a mărimii efectului

Există mai multe programe care calculează indicii puterii statistice și
ai mărimii efectului. Dintre acestea am ales să vă prezentom programul
PowerStaTim 1.0. realizat de Universitatea de Vest din Timișoara
(Maricutoiu, Sava, 2007). Pentru a intra în posesia variantei complete a
programului PowerStaTim 1.0., puteți contacta autorii la adresele de e-
mail: afsava@socio.uvt.ro sau lmaricutoiu@socio.uvt.ro.
Programul poate face estimări apriori. Aceasta înseamnă că putem:
- să calculăm puterea statistică pornind de la indicele de mărime al
efectului și volumul eșantionului, sau;
- să estimăm volumul eșantionului, pentru care este cunoscută
mărimea efectului, pentru a atinge un anumit nivel de putere statistică.
Estimarea se poate face pentru: corelația liniară, diferența dintre doi
coeficienți de corelație, regresia liniară, chi pătrat, diferența dintre două
proporții, testul t student, ANOVA simplă și ANOVA factorială.

Procedura este de folos pentru realizarea experimentul constatativ

și mai ales pentru stabilirea condițiile specifice experimentului formativ.

115
 În urma aplicării testelor statistice putem utiliza programul pentru a
calcula puterea statistică și mărimea efectului pentru cercetare.
Aplicația poate estima, după aplicarea testului statistic, puterea
statistică și mărimea efectului. Se introduc datele corespunzătoare în
câmpurile din ferestrele de dialog deschise în urma selectării testului pentru
care s-au obținut rezultatele.

116
 După accesarea butonului [Calculează] se va deschide o fereastră
în care se specifică calea unde vor fi salvate rezultatele și numele
documentului.
Vom exemplifica interpretarea datelor pentru două situații:

1. Primul exemplu este pentru un test de corelație Pearson în care

am obținut corelații moderate semnificative statistic (r=0.513, p=0.014) între
cele două variabile la un prag de semnificație de 0,05.

Indicatori ai mărimii efectului

Numar de r r patrat d g
subiecti
178 0.513 0.26317 1.19527 1.18853
0 0 0 0 0
0 0 0 0 0

Tabel putere statistică

alfa=.10 alfa=.05 alfa=.01
r=0.513 1 0.93 0.88
r=0
r=0

Putem spune că avem o mărime a efectului scăzută (r2=0,26) și o

putere statistică mare (0,93), ceea ce înseamnă că deși sunt semnificative
statistic, rezultatele nu au o importanță practică deosebită. Există un risc
crescut de a comite eroarea de tip I (efectul detectat de fapt nu există).
Corelația apare datorită unei puteri statistice foarte mari.

2. Al doilea exemplu este pentru un test t pentru eșantioane

independente.
Statistici descriptive
Grupa de subiecti Număr de subiecți Medie Abatere standard
masculin 228 32.61 4.20
feminin 326 31.71 3.74

117
 Testul t
t df p
2.65 552 0.008

Ipoteza studiului este bidirectională.

Indicatori ai mărimii efectului

d g(d) al lui r r patrat r BESD r BESD r contrast
Hedges inferior superior
0.2291 0.22868 0.11203 0.01256 0.44399 0.55602 0.11203

Tabel putere statistică

alfa=.10 alfa=.05 alfa=.01
0.81089 0.72616 0.51527

Deși coeficientul de semnificație (p=0,008) și intervalul de încredere

ne indică respingerea ipotezei nule (H0), datorită mărimii scăzute a efectului
(d=0,229), rezultatele nu au o importanță practică deosebită. Există un risc
crescut de a comite eroarea de tip I (efectul detectat de fapt nu există).
Semnificația statistică apare datorită unei puteri statistice foarte mari (0,72
pentru alfa=0,05.

O altă modalitate de a calcula mărimea efectului este cu ajutorul

programului G*Power (Faul, Erdfelder, Lang, Buchner, 2007, 2009)
dezvoltat de Universitatea din Dusseldorf. Se poate descărca de la adresa:
http://www.gpower.hhu.de/ și este gratuit. Tot la această adresă se găsește
manualul de utilizare și un scurt tutorial. Programul poate rula sub
platforma Windows sau Mac OS. Interfața este foarte intuitivă și ușor de
utilizat.
Vom exemplifica pentru aceleași date din exemplul 2, testul t pentru
eșantioane independente.
Se alege în <Test family> opțiunea t test și în <Statistical test>
opțiunea Means. Difference between two independent means (two
groups). În continuare se accesează butonul [Determine =>] pentru a se
deschide o fereastră suplimentară de dialog și se introduc datele ca în
captura de ecran de mai jos.
118
După accesarea butonului [Calculate] se obține rezultatul pentru mărimea
efectului d=0,226.

119
 Capitolul 3. Noțiuni de psihometrie

Psihometria este ramura psihologiei care se ocupă cu măsurarea

și cuantificarea fenomenelor psihice. Putem enumera printre acestea:
cunoștințele, aptitudinile, atitudinile, trăsăturile de personalitate sau
anumite aspecte educaționale. Scopul principal al psihometriei este
construcția și validarea
instrumentelor de măsurare, printre
care: chestionarele, testele și Psihometria (dexonline.ro)
inventarele de personalitate.
„Cuantificare și măsurare a
Psihometria circumscrie fenomenelor psihice prin
două mari tipuri de activități: (I) utilizarea metodelor
construirea metodelor și experimentale standardizate și
instrumentelor de măsurare și (II) etalonate (teste)”
dezvoltarea și rafinarea abordărilor
teoretice circumscrise măsurării Psihometria este incorect
definită uneori drept „știință”
psihologice. Aceste activități
parapsihologică. De altfel, nici
presupun o atitudine aparte din parapsihologia în sine nu
partea cercetătorului, consumă o poate fi definită drept știință
cantitate mare de resurse
(financiare, timp etc.) și implică de obicei o echipă de cercetători. De multe
ori se poate impune și o colaborare multidisciplinară, îndeosebi în faza de
elaborare a itemilor.
Dată fiind complexitatea cercetării, nu o recomandăm pentru lucrări
de licență, iar pentru lucrări de doctorat abordarea trebuie făcută cu mare
precauție.

3.1. Despre teste/chestionare

Conform lui Racu (2014, pp. 27-28), putem clasifica metodele
diagnostice în două grupe: metodele formalizate și metodele puțin
formalizate. Din prima categorie fac parte: testele, chestionarele, tehnicile
proiective, tehnicile psihofiziologice. Caracteristicile comune ale acestora
sunt: au o anumită reglementare; respectă procedura de examinare
(instrucțiuni, proceduri de prezentare a stimului, neimplicarea
examinatorului etc.); standardizarea; fidelitatea și validitatea. Din grupul
metodelor puțin formalizate fac parte: observația, convorbirea și analiza
produselor activității. Sunt utilizate, în opinia autorului „în special în situații
120
când este dificil a obiectiva în comportament anumite procese sau
fenomene psihice (retrăiri subiective puțin conștientizate ș.a.), sau sunt
foarte mult schimbătoare după conținut (dinamica scopurilor, dispoziției,
stărilor etc.)”.
După Rizeanu (2014, p. 61), testele și scalele sunt „instrumente
standardizate de evaluare a fenomenelor psihice care permit, de cele mai
multe ori, măsurarea componentelor psihice și compararea subiecților între
ei sau cu o normă statistică”. Scalele de evaluare dau o notă fără să
compare indivizii între ei. Chestionarele sunt tehnici care „încearcă să
culeagă într-un mod cantitativ date calitative” (Rizeanu, 2014, p. 61). În
accepțiunea noastră, testele, spre deosebire de chestionare, sunt acele
instrumente de diagnostic care presupun răspunsuri corecte la itemi. Din
punct de vedere al metodologiei de elaborare a instrumentului de
diagnostic, putem distinge între: tehnici obiective - pentru care interpretarea
(corect/incorect) se face prin raportare la norme; tehnici standardizate –
care presupun prelucrarea standardizată a răspunsurilor; tehnici proiective
– bazate pe un material mai puțin structurat și tehnici de dialog – care pot fi
verbale (convorbirea) sau nonverbale (joc).
O probă psihologică trebuie să fie utilă scopului pentru care a fost
construită. Criteriile pe care trebuie să le îndeplinească sunt:
- standardizarea: Indiferent de individul evaluat sau testat și
independent de evaluator, proba trebuie să aibă același mod de aplicare,
de scorare și de interpretare a rezultatelor;
- obiectivitatea; Itemii probei trebuie să măsoare fără ambiguitate
indicatorii prin care a fost operaționalizat constructul;
- discriminarea: Proba trebuie să permită o bună departajare între
indivizi diferiți;
- economicitatea: Costurile privind realizarea probei și aplicarea
acesteia trebuie să se încadreze într-un prag rezonabil;
- rezistența la fațadă: Participanții nu trebuie să anticipeze
răspunsurile. Este recomandabil ca proba să poată identifica participanții
care s-au prezentat într-o lumină bună (fake-good) sau defavorabilă (fake-
bad), ori pe cei care au dat răspunsuri la întâmplare (random-answer).
Proba psihologică trebuie să îndeplinească anumite calități:
- fidelitatea – calitatea unei probe de a măsura sistematic, repetat și
corect același lucru;

121
 - validitatea – calitatea unei probe de a măsura exact ceea ce-și
propune să măsoare.
Pentru a realiza o probă care să respecte aceste deziderate, itemii
trebuie construiți și verificați cu multă atenție și responsabilitate. Proba
trebuie, pe de altă parte, să aibă și o utilitate practică. Aceasta trebuie să
poată fi aplicată, iar rezultatele să fie integrate cu alte informații, pentru a
descrie cât mai corect starea psihică a unui individ. Conform lui Rizeanu
(2014, p. 60) „Testarea psihologică constituie procesul de administrare,
cotare și interpretare ale rezultatelor unui test psihologic și are un câmp
mult mai îngust, deoarece include doar testul psihologic ca instrument de
evaluare”.

3.2. Construirea itemilor

Construcția itemilor se face conform cu teoria care va guverna
proba psihologică. Dacă aceasta este Teoria Testului, modelul clasic
elaborat în jurul anilor 1950-1960, accentul cade pe test ca fiind un
ansamblu compact de itemi care măsoară un factor sau mai mulți ai unui
construct. Dacă se urmărește abordarea itemilor în paradigma Teoriei
Răspunsului la Item, teorie mai nouă, aceștia vor urmări evaluarea nivelului
de acord pe o anumită scală. În acest caz, itemii trebuie să răspundă
următoarelor criterii:
- principiul unidimensionalității factorului – adică să măsoare un
anumit factor;
- principiul independenței locale – itemii corelează doar în cadrul
factorului evaluat;
- răspunsul la item poate fi modelat de o funcție – probabilitatea ca
participantul/subiectul cu competențe anume să răspundă corect la item;
- dificultatea – cu cât răspunsurile obținute pe un eșantion, funcția
de răspuns, au o distribuție mai asimetrică, itemii sunt mai dificili și invers;
- discriminarea – gradul de discriminare în raport cu competența;
- posibilitatea de răspuns întâmplător.
Pentru a construi itemii unei probe se au în vedere următorii pași:
1. Se definește cât mai exact și concret constructul ce trebuie
măsurat.
2. Se caută definiții alternative și, eventual, alte constructe cu
definiții asemănătoare.

122
 3. Se identifică comportamentele specifice constructului și se caută
constructe asemănătoare, care pot genera comportamente asemănătoare.
4. Se definesc comportamentele și se caută formulări pentru itemi
care să fie cât mai specifice comportamentului.
5. Itemii trebuie să fie clar formulați, ținând cont de diferențele
culturale care pot să apară în interiorul populației pentru care va fi
elaborată proba. Se vor utiliza formulări general valabile, evitându-se
regionalisme, jargoane, termeni foarte academici etc.
6. Se recurge la o consultare cu alți specialiști pentru a stabili
formulările optime și itemii păstrați în cercetare.
7. În primele faze ale cercetării se include în final un item care
interoghează participanții asupra gradului de înțelegere a sensului.
„Care itemi vi s-au părut mai greu de înțeles, cu o formulare ambiguă?”
8. Se aplică testul pe un eșantion reprezentativ.
9. Se face analiza de item și se reformulează sau se elimină itemii
necorespunzători. Se repetă pașii 8 și 9 până la obținerea unui rezultat
satisfăcător.

3.2.1. Analiza dificultății itemilor

Indicele de dificultate este procentul de răspunsuri considerate
corecte (spre sensul pozitiv sau negativ în cazul scorării inverse). Există
probe, precum chestionarele de personalitate, unde nu există răspuns
corect sau greșit, iar acest indice este determinat în funcție de orientarea
răspunsului spre semnificația scalei.
Exemplu: Pentru un item scorat pozitiv pe o scală likert:

Dezacord total Dezacord Indiferent Acord Acord total

0 1 2 3 4

răspunsul corect este reprezentat de scorurile 3 și 4.

Pentru determinarea indicelui de dificultate analizăm tabela de
frecvențe a itemului analizat.

[Analyze]

[Descriptive Statistics]  [Frequencies...]

123
 În tabela de frecvențe, pentru exemplul dat, observăm procentele
răspunsurilor corecte 42,1% pentru scorul 4 și 20,5% pentru scorul 3.
Procentul cumulat al răspunsurlor corecte este 42,1%+20,5%=62,6%, ceea
ce reprezintă indicele de dificultate. Practic, este recomandat ca acesta să
fie cuprins între 30% și 70% (moderat între 30%-40%).

7Testare
Frequency Percent Valid Percent Cumulative
Percent
0 13 4,5 4,5 4,5
1 28 9,6 9,6 14,0
2 68 23,3 23,3 37,3
Valid
3 60 20,5 20,5 57,9
4 123 42,1 42,1 100,0
Total 292 100,0 100,0

3.2.2. Indicele de discriminare

Relația dintre numărul de răspunsuri la item și scorul total al
indicatorului măsurat reprezintă indicele de discriminare.
Datele sunt introduse în SPSS pentru fiecare item în parte.

124
 Prima dată se calculează scorul fiecărui participant la test. Pentru
exemplu avem un test cu 10 itemi. Pentru fiecare participant am introdus
scorul la fiecare item în parte (I1=I10).

Definim în [Variable View] variabila TOTAL. Introducem funcția de

calcul al scorului total.

[Transform]

[Compute Variable...]

În câmpul <Target Variable:> tastăm numele variabilei TOTAL. În

câmpul <Numeric Expression:> introducem formula de însumare a
scorurilor. Pentru a încheia selectăm [OK] și din nou [OK].

125
 Împărțim eșantionul în trei grupuri aproximativ egale (33%): scoruri
totale mari, scoruri totale medii și scoruri totale mici. Pentru aceasta
consultăm tabela de frecvențe pentru variabila TOTAL și identificăm
valoarea aproximativă a scorurilor din dreptul procentelor cumulate de 33%
și 66%.

[Analyze]

[Descriptive Statistics]  [Frequencies...]

Pentru exemplul nostru, aceste valori sunt TOTAL33%=24 și

TOTAL66%=32.
Se creează o variabilă nouă, care definește grupul de apartenență a
fiecărui participant, după cum urmează: 1=grupul cu scoruri totale mici,
2=grupul cu scoruri totale medii și 3=grupul cu scoruri totale mari.

[Transform]

[Recode into Different Variables]

În câmpul <Input variable -> Output variable> transferăm variabila

TOTAL, iar în câmpul <Name> din zona <Output variable> introducem
numele variabilei de grupare a eșantionului GRUP. După aceea selectăm
tasta [Old and New Values...].

Introdu-
cem
valoarea
1 pentru
variabila
GRUP
(scoruri<
24)

126
Introdu-
cem
valoarea
2 pentru
variabila
GRUP
(scoruri
>25 dar
<32)

Introdu-
cem
valoarea
3 pentru
variabila
GRUP
(scoruri>
33)

Pentru a încheia operația apăsăm butonul [Continue], după care

[Change] și [OK].
Pentru a împărți baza de date în cele trei categorii după variabila
GRUP urmăm pașii:

[Data]

[Split File...]

Selectăm opțiunea Compare groups și transferăm variabila GRUP

în câmpul <Groups Based on:>, după care accesăm tasta [OK].
În acest moment, baza de date este pregătită pentru a determina
indicele de discriminare pentru fiecare item în parte.

127
 Se parcurg pașii următori:

[Analyze]

[Descriptive Statistics]  [Frequencies...]

Transferăm itemul de analizat în câmpul <Variable(s):> și accesăm

tasta [OK]. În fereastra de Output obținem tabela de frecvențe pentru
fiecare grup definit. Am ales aceeași variabilă pentru care am determinat
indicele de dificultate.

7Testare
GRUP Frequency Percent Valid Percent Cumulative
Percent
0 8 8,9 8,9 8,9
1 17 18,9 18,9 27,8
2 37 41,1 41,1 68,9
1,00 Valid
3 20 22,2 22,2 91,1
4 8 8,9 8,9 100,0
Total 90 100,0 100,0
0 4 4,2 4,2 4,2
1 9 9,5 9,5 13,7
2 24 25,3 25,3 38,9
2,00 Valid
3 27 28,4 28,4 67,4
4 31 32,6 32,6 100,0
Total 95 100,0 100,0
0 1 ,9 ,9 ,9
1 2 1,9 1,9 2,8
2 7 6,5 6,5 9,3
3,00 Valid
3 13 12,1 12,1 21,5
4 84 78,5 78,5 100,0
Total 107 100,0 100,0

Vom utiliza datele de la grupul 1 (scoruri totale mici) și grupul 3

(scoruri totale mari). Ne reamintim că răspunsurile corecte în exemplul
nostru sunt cele cu valori 3 și 4. În grupul 1 avem 31,1% răspunsuri corecte
(8,9%+22,2%), iar în grupul 3 avem 90,6% răspunsuri corecte
(78,5%+12,1%). Coeficientul de discriminare este D=90,6%-31,1%=59,5%.
De regulă, acesta se exprimă în probabilități D=0,595.

128
 Ebel (1965) recomandă pentru D<0,20 eliminarea sau revizuirea
completă a itemilor. Pentru 0,20<D<0,30 se recomandă revizuirea itemului.
Un indice de discriminare bun are valori între 0,30 și 0,40.

3.3. Aspecte ale fidelității

Fidelitatea se bazează pe consistența și precizia scorurilor
măsurate. Pentru a avea încredere în scorurile obținute la o probă, acestea
trebuie să aibă o precizie rezonabilă și să fie constantă dacă aceasta se
aplică în mod repetat acelorași indivizi sau grupuri. Fidelitatea este o
condiție necesară pentru deducerea validității.

3.3.1. Consistența internă

Itemii unei probe trebuie să măsoare constant aceeași realitate
psihologică. Dacă instrumentul (testul, chestionarul) este format din mai
mulți factori, itemii unui factor trebuie să îndeplinească condiția de mai sus.
Altfel spus, itemii trebuie să îndeplinească două condiții;
- să aibă o corelație pozitivă unii cu alții (în cazul în care scorarea
pentru un item este inversă, corelația este negativă);
- să aibă o corelație pozitivă cu scala (sau negativă pentru itemii cu
scorare inversă).
Îndeplinirea celor două condiții determină consistența internă a
probei măsurată prin indicele α Cronbach.

[Analyze]

[Scale]  [Reliability Analysis...]

În câmpul <Items:> se transferă itemii probei sau al factorului

probei analizat, iar din meniul <Model:> se alege opțiunea Alpha.
Se accesează btonul [Statistics...], iar in fereastra de dialog se
bifează opțiunea Item și Scale of item deleted din zona <Descriptives
for>, precum și opțiunea Correlations și Covariances din zona <Inter-
Item>. Bifăm, de asemenea, opțiunile Hoteling’s T Square și Intraclass
correlation coeficient, după care accesăm tasta [Continue] pentru a
închide fereastra. Accesăm tasta [OK] pentru a finaliza.
Rezultatele din fereastra de Output se salvează sub formă de
document urmând calea: [File]  [Export ...]  [Type...] pentru a alege
129
tipul de document  [File Name:] pentru a alege calea unde va fi salvat și
denumirea  [OK] pentru salvare.
Exemplificăm rezultatele pentru un test cu 10 itemi, un singur factor,
aplicat pe un număr de 325 de participanți.
Îndicele de consistență îl găsim în tabelul de mai jos. În exemplul
nostru, acesta este 0,78. Pentru a fi folosită în cercetare, scala trebuie să
aibă un coeficient de consistență de minim 0,70. Pentru scopuri de
evaluare individuală acesta trebuie să fie cel puțin 0,80.

Reliability Statistics
Cronbach's Cronbach's N of Items
Alpha Alpha Based on
Standardized
Items
,786 ,789 10

În tabelul de corelații între itemi, observăm dacă avem itemi care

corelează negativ cu ceilalți (cu excepția celor care au o cotare inversă).
Prezența acestora indică posibile probleme privind elaborarea lor. În
exemplul nostru nu apar asemenea cazuri.

Inter-Item Correlation Matrix

1 2 3 4 5 6 7 8 9 10
1 1,000 ,343 ,244 ,221 ,245 ,493 ,235 ,187 ,258 ,320
2 ,343 1,000 ,222 ,178 ,193 ,247 ,183 ,268 ,230 ,253
3 ,244 ,222 1,000 ,198 ,142 ,204 ,162 ,228 ,278 ,250
4 ,221 ,178 ,198 1,000 ,562 ,220 ,286 ,224 ,322 ,416
5 ,245 ,193 ,142 ,562 1,000 ,292 ,251 ,226 ,248 ,458
6 ,493 ,247 ,204 ,220 ,292 1,000 ,255 ,144 ,285 ,341
7 ,235 ,183 ,162 ,286 ,251 ,255 1,000 ,277 ,317 ,358
8 ,187 ,268 ,228 ,224 ,226 ,144 ,277 1,000 ,332 ,257
9 ,258 ,230 ,278 ,322 ,248 ,285 ,317 ,332 1,000 ,387
10 . ,320 ,253 ,250 ,416 ,458 ,341 ,358 ,257 ,387 1,000

Probleme cu construcția unui item ar putea fi și în cazul unor

corelații slabe cu ceilalți itemi. În general, corelațiile minime nu ar trebui să
fie sub 0,20. Racomandabil este ca acestea să fie de cel puțin 0,30. Pe de
altă parte, valori ridicate ale corelației (apropiate de 1,00) între doi itemi ar
putea indica că cei doi sunt similari. În acest caz, ar trebui eliminat unul
dintre ei din scală.
130
 Relațiile dintre itemi și scorul total le putem analiza în tabelul
următor:

Item-Total Statistics
Scale Mean if Scale Variance Corrected Item- Squared Cronbach's
Item Deleted if Item Deleted Total Multiple Alpha if Item
Correlation Correlation Deleted
1Testare 28,98 9,541 ,479 ,322 ,765
2Testare 29,26 9,928 ,391 ,186 ,776
3Testare 29,11 9,999 ,352 ,147 ,781
4Testare 29,02 9,553 ,490 ,377 ,764
5Testare 29,08 9,721 ,493 ,394 ,764
6Testare 28,87 9,693 ,467 ,310 ,767
7Testare 29,23 9,445 ,430 ,210 ,773
8Testare 28,99 10,075 ,396 ,195 ,775
9Testare 29,18 9,884 ,501 ,277 ,764
10Testare 29,07 9,327 ,580 ,367 ,752

Coloana Corrected Item-Total Correlation ne arată corelația dintre

item și scorul global al scalei, obținut fără participarea acelui item. Și în
această analiză corelația recomandată este de minim 0,30. Coloana
Cronbach's Alpha if Item Deleted ne arată care ar fi coeficientul de
consistență al scalei dacă itemul respectiv (de pe linie) ar fi eliminat. În
cazul în care, pentru un item, coeficientul este mai mare decât cel calculat
pentru întreaga scală (primul tabel), acesta ar trebui reanalizat sau eliminat.
În tabelul următor putem observa intervalul de încredere pentru
indicele de consitență.

Intraclass Correlation Coefficient

Intraclass 95% Confidence Interval F Test with True Value 0
b
Correlation Lower Upper Value df1 df2 Sig
Bound Bound
Single a
,269 ,231 ,311 4,680 334 3006 ,000
Measures
Average c
,786 ,751 ,819 4,680 334 3006 ,000
Measures

Intervalul de încredere se citește de pe a doua linie. În cazul nostru,

pentru un indice de consistență de 0,78 avem CI95%: 0,751-0,819. Faptul
că intervalul este destul de strâns ne indică faptul că acest indice este
131
destul de precis. Pe de altă parte, putem observa că indicele Alpha
Cronbach este foarte apropiat de valoarea 0,8. Totuși, nu vom conchide
asupra scalei că ar putea fi utilizată pentru predicții individuale, decât cu
anumite precauții, datorită limitei inferioare a intervalului de încredere care
este 0,75. Scala poate fi utilizată însă cu succes în cercetare. Dacă limita
inferioară ar fi fost sub valoarea de 0,70, atunci scala nu putea fi utilizată
nici în condiții de cercetare.

3.3.2. Fidelitatea test-retest

Aceasta analizează dacă rezultatele sunt stabile în timp și este o
cercetare distinctă. Testarea inițială și retestarea se fac pe același
eșantion, în lipsa unei intervenții semnificative pentru constructul analizat.
Designul specific al analizei test-retest este:

R: Otest Oretest

Pașii analizei test-retest sunt următorii:

1. Se va selecta un eșantion reprezentativ din populația pentru care
este construită proba/scala;
2. Se va aplica scala pe eșantionul reprezentativ;
3. După un interval de timp se va aplica scala pe același eșantion
reprezentativ;
4. Rezultatele de la test și de la retest se vor compara pentru a
vedea dacă au apărut diferențe. Pentru ca scala să fie stabilă, trebuie ca
rezultatul analizei statistice să indice reținerea ipotezei nule (H0), ceea ce
înseamnă că nu există diferențe semnificative între cele două testări.
Pentru ca rezultatele să fie corecte și semnificative trebuie
respectate câteva cerințe:
- scalele aplicate la testare și retestare trebuie să fie identice din
punct de vedere al formulării itemilor;
- condițiile experimentale trebuie menținute pe cât posibil aceleași
(sala unde se face testarea, intervalul orar, condiții de luminozitate și
temperatură etc.);
- instructajul trebuie făcut în aceleași condiții (durata acestuia,
tonalitatea vocii, atitudinea experimentatorului etc.). Recomandăm ca
experimentatorul sau operatorul care aplică testele să fie același;
- timpul necesar evaluării să fie aproximativ același;
132
 - durata dintre testări să fie suficient de mare pentru ca participanții
să nu-și amintească la retest răspunsurile de la testarea anterioară.
Recomandăm minim 30 de zile;
- experimentatorul trebuie să se asigure că între cele două testări
participanții, sau o parte a acestora, nu au luat cunoștință de modalitatea
așteptată de răspuns la itemi;
- experimentatorul trebuie să se asigure că în perioada dintre testări
nici un participant nu a trecut prin experiențe cu efect semnificativ asupra
constructului evaluat.
- durata dintre test și retest trebuie să fie suficient de mică pentru a
nu apărea evenimente majore sau pur și simplu acumularea de experiență
personală, care ar putea schimba atitudinea și, implicit, răspunsul la itemi al
participanților. Recomandăm o perioadă optimă de 3-6 luni.
Analiza datelor de la test și retest se va face printr-o metodă de
comparare pentru eșantioane dependente, în care variabila independentă
este dihotomică (1=testare și 2=retestare) în funcție de forma distribuțiilor
(testul t pentru eşantioane depenpedente sau testul Wilcoxon).
Pentru a elimina unele probleme enumerate se poate recurge la
schimbarea aleatoare a ordinii itemilor la retestare. Experimentatorul va
trebui să fie atent în acest caz la scorarea acestora (mai ales dacă unii
itemi au scorare inversă).
O altă metodă este cea a înjumătățirii testului. Pentru aceasta se
vor urmări pașii:
1. Se împart aleator (prin tragere la sorți) itemii scalei în două părți
egale;
2. Se împart aleator, sau prin altă metodă de eșantionare,
participanții în două grupe egale ca număr și comparabile ca nivel al
abilităților;
3. Se aplică prima jumătate a scalei primei grupe și cealaltă
jumătate grupei a doua;
4. La retest se aplică prima jumătate a scalei grupei a doua și cea
de-a doua jumătate primei grupe;
5. Se compară rezultatele.
Prin această metodă se reduce semnificativ timpul între testare și
retestare.

133
 Designul experimental în acest caz este de tipul:

R: O1 O2
R: O2 O1

3.3.3. Concordanța interevaluatori

Aplicarea testului de către experimentatori diferiți trebuie să dea
rezultate similare pentru același eșantion, în raport cu constructul evaluat.
Prin acest experiment se verifică și corectitudinea cu care sunt elaborate
instrucțiunile de aplicare și de scorare a testului, elemente care vor face
parte din monografia testului. Procedura este specifică probelor care nu
conțin itemi cu cotare obiectivă (teste proiective, de personalitate).

[Analyze]

[Descriptive Statistics]  [Crosstabs...]

Se transferă o variabilă (scorurile obținute de unul dintre evaluatori)

în câmpul <Row(s):> și cealaltă (scorurile obținute de al doilea evaluator)
în câmpul <Column(s):>. Se deschide fereastra de dialog [Statistics] și se
bifează opțiunea Kappa după care se accesează butonul [Continue]. Se
încheie sesiunea selectând tasta [OK].
Rezultatele din fereastra de Output se salvează sub formă de
document urmând calea: [File]  [Export ...]  [Type...] pentru a alege
tipul de document  [File Name:] pentru a alege calea unde va fi salvat și
denumirea  [OK] pentru salvare.
Exemplul analizat presupune că avem doi evaluatori și un eșantion
de 12 participanți. Evaluarea acestora a fost făcută cu o scală cu scoruri de
la unu la trei.
Fereastra de Output prezintă un prim tabel, în care pe diagonală
apare numărul de situații în care evaluările au fost identice.

134
 Evaluator 1 * Evaluator 2 Crosstabulation
Count
Evaluator 2 Total
1 2 3
1 1 1 0 2
Evaluator 1 2 0 0 2 2
3 0 0 8 8
Total 1 1 10 12

Observăm că evaluările au fost identice o dată pentru scor=1 și de

opt ori pentru scor=3. Pentru scor=2 nu sunt evaluări identice din partea
celor doi evaluatori.
Rezultatul testului este dat în tabelul următor.

Symmetric Measures
b
Value Asymp. Std. Approx. T Approx. Sig.
a
Error
Measure of Agreement Kappa ,400 ,219 2,000 ,046
N of Valid Cases 12
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.

Coeficientul de concordanță între evaluatori este Kappa=0.400 cu

un coeficient de semnificație p=0.046<0.05. Valoarea lui Kappa indică o
valoare moderată a concordanței. Pentru o valoare puternică a
concordanței Kappa>0.80, iar pentru lipsa concordanței Kappa<0.20
(recomandabil 0.30).

Atenție!: Coeficientul de concordanță nu este o măsură a

procentului de concordanță.

3.4. Aspecte ale validității

Trebuie să precizăm de la început că validitatea nu se verifică.
Validitatea se deduce pe baza dovezilor adunate în acest scop. Conform
interpretării propuse în Standardele APA (2014), validarea este procesul
prin care se investighează gradul de validitate a interpretării propuse de
scală. Altfel spus, validarea presupune gradul în care o scală măsoară
ceea ce presupune că măsoară. Validitatea se referă la interpretarea
135
datelor furnizate, nu atât la instrumentul în sine. Putem distinge
următoarele tipuri de analiză a validității:
- validitatea de conținut: ține de cadrul teoretic aflat în spatele
probei și presupune, conform Anastasi (1976), verificarea reprezentativității
itemilor în raport cu ceea ce proba dorește să măsoare;
- validitatea de criteriu: se referă la cât de bun predictor este testul
(proba în general) în raport cu un criteriu. Validitatea de criteriu poate fi
dedusă prin: validitatea predictivă și validitatea concurentă;
- validitatea de construct: reprezintă măsura în care rezultatele
probei corespund inferențelor teoretice asupra constructului. Putem
distinge aici două strategii: validitatea convergentă și validitatea de
discriminare.
O primă dovadă pentru deducerea validității este fidelitatea. O
probă pentru care fidelitatea nu se verifică nu poate fi validă.
Vom prezenta în continuare câteva strategii de deducere a
validității, cu precizarea că nu vom epuiza subiectul în lucrarea de față.

3.4.1. Validitatea de conținut

Dovezile privind validitatea de conținut nu necesită analize
statistice, ci doar raționamente. Mai poartă denumirea și de validitate
rațională. Operațiile aferente validității de conținut sunt:
- definirea și descrierea foarte clară a conținutului probei.
Descrierea trebuie să cuprindă toate fațetele constructului măsurat;
- analiza itemilor din punct de vedere al conținutului, al fațetelor pe
care le măsoară și al adecvării lor la construct;
- compararea structurii probei cu structura constructului măsurat. În
acest punct se descrie domeniul de validare al probei.

3.4.2. Validitatea de criteriu

Criteriul este o măsură directă și independentă a ceea ce proba
presupunem că măsoară.
Exemple de criterii: Pentru un test de aptitudini sportive, criteriul
poate fi performanța înregistrată în concursuri. Pentru un test de cunoștințe
școlare, criteriul poate fi notele obținute. Alte criterii utilizate: vârsta,
rezultatul altor teste, grupele contrastante.

136
 Criteriul trebuie:
- să fie relevant în raport cu constructul și cu modul de scorare al
probei;
- să fie fidel, ceea ce presupune că în urma mai multor evaluări
diferite să fie congruent;
- să fie practic din punct de vedere al costurilor de evaluare;
- să fie exprimat în aceleași unități și pe aceeași scală (în caz
contrar se transformă în note standard z sau transformări ale acesteia T).
Exemplu: Performanța academică (notele obținute) a studenților de
la specialități diferite pe un semestru sunt măsurate pe scale diferite.
Fiecare profesor are propriul mod de evaluare, iar materiile diferă ca
structură și grad de dificultate. În acest caz, notele se vor transforma în
scoruri z sau note standard T pentru fiecare materie și specialitate în parte.

3.4.2.1. Validitatea predictivă

Este o strategie de deducere a validității de criteriu și presupune
existența unui interval de timp între testare și măsurarea criteriului.
Exemplu: Pentru deducerea validității unei probe care prezice
performanța academică, testarea se face la început de semestru, iar
criteriul (performanța academică) va fi măsurat la final de semestru.
Studiul validității predictive urmărește pașii de mai jos:
1. Se analizează constructul evaluat de proba supusă validării;
2. Se aplică proba;
3. Se aleg unul sau mai multe teste, altele decât proba supusă
validării, care susțin că evaluează criteriul;
4. Se măsoară criteriul la momentul stabilit cu testele selectate sau,
dacă este cazul, în mod direct (ex.: mediile școlare, rezultatul la o probă
sportivă);
5. Se analizează calitativ și cantitativ (corelații/asocieri) rezultatele
obținute la probă și la criteriu. Valoarea coeficientului de determinare r2
(unde r este coeficientul de corelație) înmulțită cu 100 reprezintă procentul
din criteriu evaluat de proba supusă validării.
În condițiile unei corelații puternice este necesară rezolvarea unei
ecuații de regresie pentru predicția criteriului, pornind de la scorurile
obținute la proba supusă validării.

137
 3.4.2.2. Validitate concurentă
Reprezintă o altă strategie de validare de criteriu și presupune
obținerea scorului la criteriu aproximativ în același timp cu cele obținute la
proba analizată. Spre deosebire de validitatea predictivă, cea concurentă
presupune o problemă de evaluare a stării actuale a individului.
Se analizează corelațiile/asocierile dintre rezultatele probei supuse
validării și a scorurilor obținute la criteriu și se calculează coeficientul de
determinare r2 pentru a evalua procentul de varianță al probei raportat la
criteriu.

3.4.3. Validitatea de construct

În termeni generali, constructul poate fi asimilat cu termenul de
concept sau noțiune și desemnează un patern de fenomene. Constructul
trebuie corect operaționalizat, adică termenii comportamentali concreți
trebuie precis definiți. Se utilizează analiza factorială.

3.4.3.1. Validitate convergentă

Validitatea convergentă presupune că proba evaluează același
construct (sau constructe similare), ca și alte scale deja existente (Urbina,
2004, p. 269). Pașii urmăriți pentru deducerea validității convergente sunt:
1. Se identifică teste existente care măsoară constructul pe care
presupunem că îl evaluează proba analizată;
2. Se aplică în aceleași condiții experimentale scala sau scalele
selectate și proba supusă validării;
3. Se analizează corelațiile dintre rezultate. Existența unei corelații
semnificative statistic este o condiție necesară deducerii validității
convergente, dar nu suficientă;
4. Explicarea corelațiilor se face prin analiza factorială sau prin
analiza de cluster (care nu este abordată în lucrarea de față).

3.4.3.2. Validitatea de discriminare

Spre deosebire de validitatea convergentă, dovezile sunt bazate pe
corelații scăzute între rezultatele la proba analizată și cele obținute pentru
scale despre care presupunem că măsoară altceva (Urbina, 2004, p. 270).

138
 3.4.3.3. Matricea multitrăsătură-multimetodă
Este o strategie de validare în situația în care avem două sau mai multe
trăsături (constructe) distincte, măsurate cu două sau mai multe
instrumente. Metoda, propusă de Campbell și Fiske (1959), organizează
colectarea și prezentarea datelor de validare convergentă și
discriminatorie. Vom analiza o matrice multitrăsătură-multimetodă ipotetică
în care se colectează datele pentru trei trăsături (anxietate, afiliere și
dominanță), prin trei metode diferite (chestionare cu autoadministrare,
observații ale comportamentului și tehnici proiective). Exemplul este preluat
din Urbina (2004, pp. 270-273).

Autoadministrare Observație Proiectivă

Metoda TrăsăturaAnx. Af. Dom. Anx. Af. Dom. Anx. Af. Dom.
Anx. (0,90)
Auto-
Af. 0,45 (0,88)
administrare
Dom. 0,35 0,38 (0,80)
Anx. 0,60 0,23 0,10 (0,92)
Observație Af. 0,25 0,58 - 0,08 0,47 (0,93)
Dom. 0,12 - 0,12 0,55 0,30 0,32 (0,86)
Anx. 0,56 0,22 0,11 0,65 0,40 0,31 (0,94)
Proiectivă Af. 0,23 0,57 0,05 0,38 0,70 0,29 0,44 (0,89)
Dom. 0,13 - 0,10 0,53 0,19 0,26 0,68 0,40 0,44 (0,86)
Matrice ipotetică multitrăsătură-multimetodă (conform Urbina, 2004, p.271)

Construcția și interpretarea matricii multitrăsătură-multimetodă:

a) Pe diagonală, între paranteze, sunt trecuți coeficienții de
fidelitate.
b) Coeficienții de validitate convergentă (corelații) – aceeași
trăsătură evaluată cu metode diferite (cu caractere bold).
c) Indici ai validității discriminatorii (corelații): măsurarea unor
trăsături diferite cu aceeași metodă (cu caractere italice) și cu metode
diferite (cu caractere normale).
Modelul reprezintă un standard de validare destul de precis prin
prezentarea tiparelor de convergență și discriminatorie între scorurile
obținute la o proba supusă vaidării și scorurile obținute la alte tipuri de
scale.
Literatura de specialitate prezintă și alte strategii pentru deducerea
validității, care pot fi alese în funcție de cerințele privind utilitatea probei și
limitele de aplicare.
139
 3.5. Etaloane
Un etalon este, practic, un aparat de măsură cu ajutorul căruia
putem să comparăm rezultatele obținute la un test de către un individ cu
cele obținute de un grup reprezentativ. El reprezintă etapa finală de
adaptare a unei probe la specificul populației din care a fost extras
eșantionul reprezentativ. Eșantionul normativ trebuie să aibă un număr
suficient de participanți/subiecți pentru a fi reprezentativ (cel puțin 250-
300). Variabila pentru care se realizează etalonarea este de tip scală.
.
Forma distribuției Metoda de etalonare Caracteristici etalon
eșantionului normativ
Distribuția se abate de la Se utilizează valorile Etalon „slab”
normalitate percentile
Distribuție normală Se utilizează unitățile sigma Etalon „puternic”
sau se folosesc notele z

Un etalon realizat pe populația generală este mai puțin precis decăt

un etalon realizat pe o anumită categorie din populație, cu anumite
caracteristici, dacă individul testat se încadrează în aceasta. Pe de altă
parte, un etalon realizat pentru o categorie de populație poate fi slab dacă
se măsoară caracteristica unui individ care nu se încadrează în aceasta.
Etalonul trebuie să conțină un număr suficient de clase care să
releve diferența dintre participanți/subiecți. Astfel, vom prefera un etalon cu
trei clase (rezultate slabe, rezultate medii, rezultate bune) față de unul cu
două clase (rezultate slabe, rezultate bune).
Pentru exemplificare vom folosi aceeași distribuție de date pentru a
putea observa rezultatele etalonării prin utilizarea diferitelor metode.
Distribuția utilizată este normală (testele de normalitate indică p>0,05).
101 92 97 106 107 94 107 109 108
104 87 118 124 115 110 117 114 102
92 101 115 98 118 97 101 116 112
113 102 121 91 101 116 108 125 113
114 106 102 86 96 107 108 109 109
105 109 89 114 123 135 142

Distribuția are N=52 de participanți, media m=107,81 și abaterea

standard s=11,393 și amplitudinea A=56.

140
 3.5.1. Etalonarea utilizând percentilele
Etalonarea este specifică distribuțiilor care nu sunt normale.
Presupunem că realizăm un etalon cu cinci clase (rezultate foarte slabe,
rezultate slabe, rezultate medii, rezultate bune, rezultate foarte bune).
Aceasta presupune că eșantionul va fi împărțit în loturi de câte 20% (adică
100%/5). Vom folosi tabela de frecvențe din analiza de frecvențe.

[Analyze]

[Descriptive Statistics]  [Frequencies...]

În caseta de dialog se trec variabilele de analizat în câmpul

<Variable(s):>
Se apasă butonul [OK] și se obține fereastra de Output cu
rezultatele analizei. Acestea se salvează sub formă de document urmând
calea: [File]  [Export ...]  [Type...] pentru a alege tipul de document 
[File Name:] pentru a alege calea unde va fi salvat și denumirea  [OK]
pentru salvare.
Pentru exemplul nostru oținem următoarea tabelă de frecvențe a
variabilei V.

V
Frequency Percent Valid Percent Cumulative Percent
86 1 1,9 1,9 1,9
87 1 1,9 1,9 3,8
89 1 1,9 1,9 5,8
91 1 1,9 1,9 7,7
92 2 3,8 3,8 11,5
94 1 1,9 1,9 13,5
96 1 1,9 1,9 15,4
Valid
97 2 3,8 3,8 19,2
98 1 1,9 1,9 21,2
101 4 7,7 7,7 28,8
102 3 5,8 5,8 34,6
104 1 1,9 1,9 36,5
105 1 1,9 1,9 38,5
106 2 3,8 3,8 42,3

141
 107 3 5,8 5,8 48,1
108 3 5,8 5,8 53,8
109 4 7,7 7,7 61,5
110 1 1,9 1,9 63,5
112 1 1,9 1,9 65,4
113 2 3,8 3,8 69,2
114 3 5,8 5,8 75,0
115 2 3,8 3,8 78,8
116 2 3,8 3,8 82,7
117 1 1,9 1,9 84,6
118 2 3,8 3,8 88,5
121 1 1,9 1,9 90,4
123 1 1,9 1,9 92,3
124 1 1,9 1,9 94,2
125 1 1,9 1,9 96,2
135 1 1,9 1,9 98,1
142 1 1,9 1,9 100,0
Total 52 100,0 100,0

Din tabel vom reține valorile variabilei din dreptul frecvențelor

cumulate: 20%, 40%, 60%, 80%, care în cazul nostru sunt: 97 (pentru
19,2%), 105 (pentru 38,5%), 108 (pentru 53,8%), 115 (pentru 78,8%).
Aproximarea se face la valoarea din dreptul procentului cel mai apropiat.
Obținem un etalon ca în tabelul de mai jos:

Scoruri Clasa Interpretarea

< 97 I rezultate foarte slabe
97-105 II rezultate slabe
106-108 III rezultate medii
109-115 IV rezultate bune
> 115 V rezultate foarte bune

3.5.2. Etalonarea folosind unitățile sigma

În acest caz, distribuția este normală și discutăm despre clase
normalizate. Etalonarea se realizează în baza abaterii standard. Ne
reamintim proprietatea curbei normale de a împărți distribuția în anumite
procente, în funcție de numărul de abateri standard.

142
 Luăm ca exemplu realizarea unui etalon în cinci clase. Acest lucru
presupune că prima clasă va cuprinde scorurile dintre trei abateri standard
și două abateri standard de la stânga (între -3s și -2s), adică 2,14%, zona
scorurilor atipice. A doua clasă va cuprinde scorurile dintre două abateri
standard și o abatere standard la stânga (între -2s și -1s), adică 13,59%,
zona scorurilor accentuate. A treia clasă va cuprinde scorurile din zona
normală, între o abatere standard la stânga și una la dreapta (între -1s și
+1s), adică 68,28% din rezultate. A patra clasă va cuprinde zona dintre o
abatere standard dreapta și două abateri standard dreapta (între +1s și
+2s), zona de 13,59% a rezultatelor accentuate. Clasa a cincea va
cuprinde zona rezultatelor atipice, situată între două abateri standard la
dreapta și trei abateri standard la dreapta (între +2s și +3s), adică 2,14%.
Asemănător cu procedura utilizată la etalonarea cu percentile, vom
selecta din tabela de frecvențe (exemplul de mai sus) scorurile din dreptul
procentelor cumulate: 2,14%, 15,73% (adică 2,14% + 13,59%), 84,02%
(adică 2,14% + 13,59% + 68,26%), 97,61% (adică 2,14% + 13,59% +
68,26% + 13,59%). Valorile pentru exemplul nostru, aproximate în minus,
sunt: 86, 96, 116, 125. Etalonul rezultat este:

Scoruri Clasa Interpretarea

< 86 I rezultate foarte slabe
77-96 II rezultate slabe
97-116 III rezultate medii
117-125 IV rezultate bune
> 125 V rezultate foarte bune

143
 3.5.3. Etalonarea folosind notele z
Este o derivată a metodei de etalonare folosind unitățile sigma. Se bazează
pe utilizarea fracțiunilor din abaterea standard.

Număr clase Procente din populație

normalizate
etalon
5 (z/2) 6,7%, 24,2%, 38,2%, 24,2%, 6,7%
7 (z/3) 4,8%, 11,1%, 21,2%, 25,8%, 21,2%, 11,1%, 4,8%
9 (z/4) 4,0%, 6,6%, 12,1%, 17,5%, 19,6%, 17,5%, 12,1%, 6,6%,
4,0%

Pentru a obține notele standard se transformă scorurile brute în scoruri z.

[Analyze]

[Descriptive Statistics]  [Descriptives...]

În fereastra de dialog se transferă variabila în câmpul

<Variable(s):> și se bifează opțiunea Save standardized values as
variables. Se selectează butonul [OK] pentru a încheia.
În fereastra principală [Data View] observăm că a apărut o variabilă
nouă. În exemplul dat, numele acesteia este „ZV”, care este scorul z.

144
 Transformăm scorul z în nota standard aleasă (vezi secțiunea
2.5.1.). Pentru a realiza acest lucru în SPSS, se definește în fereastra
[Variable View] o nouă variabilă (de exemplu QI). După aceasta, se
urmăresc pașii de mai jos:

[Transform]

[Compute Variable...]

În fereastra de dialog se tastează în câmpul <Target Variable:>

numele intern al notei standard. În exemplul nostru, numele intern este QI.
În câmpul <Numeric Expression:> se introduce formula de transformare.
În exemplu am făcut transformarea în note QI(m=100, s=16). Pentru a
finaliza, se selectează butonul [OK] și încă o dată [OK].

145
 În fereastra principală [Variable View] putem observa apariția
notelor standard QI obținute prin transformare liniară din note z.
Pentru a realiza un etalon cu cinci clase normalizate, vom urmări
tabela de frecvențe a notelor standard QI pentru procentele cumulate:
6,7%, 30,9%, 69,1%, 93,3%, asemănător cu procedura din exemplele
anterioare.

Obținem valorile de graniță ale QI, după cum urmează: 74, 90, 106,
121. Valorile corespunzătoare ale notelor brute V sunt: 89, 101, 112, 123.
Etalonul obținut este:

Scoruri Clasa Interpretarea

< 89 I rezultate foarte slabe
90-101 II rezultate slabe
102-112 III rezultate medii
113-123 IV rezultate bune
> 123 V rezultate foarte bune

Putem observa diferențe între etaloanele obținute. Dacă am fi

încercat să realizăm un etalon mai puternic în cazul unei distribuții care nu
respectă normalitatea, datorită asimetriei, am fi putut obține limite ale
claselor în afara amplitudinii teoretice. Etalonul realizat prin utilizarea
146
unităților sigma poate fi utilizat pentru a compara rezultatul obținut de un
individ, în comparație cu grupul din care face parte. Etaloanele construite
cu ajutorul notelor z se pretează cel mai bine comparațiilor între
performanța obținută de un individ la două teste diferite. Uneori este mai
intuitiv să folosim o altă formă de prezentare a etalonului realizat cu note z,
mai ales în cazul unor probe cu o structură multifactorială. În exemplul din
Anexa 2 presupunem că factorul 1 este chiar variabila analizată (V), iar
factorul 2 o altă variabilă, indicator specific al constructului.
Observăm, de asemenea, că un participant cu un scor brut de 98 la
variabila din exemplul analizat anterior se situează în clasa a-I-a (rezultate
foarte slabe), iar cu același scor brut la variabila „factor 2” se află în clasa
a-V-a (rezultate foarte bune). Evident, scalele pentru cei doi factori sunt
diferite.

147
 Capitolul 4. Elaborarea unei lucrări științifice

Așa cum ne-am exprimat intenția, încă de la început, ghidul a fost

structurat astfel încât să urmărească etapele realizării unei cercetări. Vom
relua mai jos, schematic, acești pași însoțiți de exemple, acolo unde este
cazul. Această recapitulare are menirea a consolida drumul ce trebuie
urmat de la intenție până la finalizarea unei cercetări științifice

ETAPELE CERCETĂRII PAS CU PAS

1. OBSERVAȚIA SISTEMATICĂ SAU DOCUMENTARE

TEORETICĂ
 TEMA CERCETĂRII

Exemplu: Întrebarea generală a cercetării „Performanța academică

a studenților ar putea avea legătură cu factorii de personalitate definiți în
teoria social-cognitivă a lui Bandura?”.


2. DOCUMENTARE
 TEORETICĂ: CONSTRUCTELE CERCETATE

Exemplu: „Definirea și descrierea factorilor de personalitate din

teoria social-cognitivă: autoeficacitatea, stima de sine, locul controlului,
robustețea, sensul coerenței și optimismul. Definirea și descrierea
performanței academice.”

 CERCETĂRI ANTERIOARE (interogarea bazelor de date

indexate cu privire la studii în care sunt implicate constructele cercetate)

148
 
3. STABILIREA OBIECTIVELOR CERCETĂRII

Atenție! O cercetare este compusă, de regulă, din două părți: un

experiment constatativ, sau pilot, care surprinde existența anumitor relații
între constructele studiate, și un experiment formativ, care determină relații
de tip cauză-efect între constructe. Experimentul constatativ este un studiu
non-experimental, iar cel formativ este un studiu experimental.

3.1. DEFINIREA OBIECTIVELOR

Exemplu de obiectiv general: „Cercetarea este realizată în scopul

elaborării unui program psihopedagogic, bazat pe întărirea factorilor de
personalitate din teoria social-cognitivă, pentru ameliorarea performanței
academice a studenților.”

Exemplu de obiectiv pentru experimentul constatativ:

„Cercetarea urmărește stabilirea asocierilor dintre scorurile obținute la
evaluarea factorilor de personalitate din teoria social-cognitivă și
performanța academică a studenților.”

Exemplu de obiectiv pentru experimentul formativ: „Cercetarea

urmărește să verifice dacă îmbunătățirea factorilor de personalitate din
teoria social-cognitivă duce la sporirea performanței academice a
studenților.”

3.2. DEFINIREA IPOTEZELOR

Exemplu ipoteză relațională nondirecțională: „Există corelații

semnificative statistic între sensul coerenței și performanța academică.”

Exemplu ipoteză relațională direcțională: „Există relații

semnificative statistic între autoeficacitate și performanța academică, în
sensul că scorurile ridicate înregistrate la primul construct se asociază cu
scoruri mari pentru cel de-al doilea.”

149
 Exemplu ipoteză privind comparații între grupuri
nondirecțională: „Există diferențe semnificative statistic între scorurile
obținute pentru stima de sine pentru participanții de gen masculin și cei de
gen feminin.”

Exemplu de ipoteză privind comparații între grupuri

direcțională: „Cu cât categoria de vârstă crește, scorurile obținute pentru
optimism scad.”

4. ALEGEREA METODELOR

4.1. OPERAȚIONALIZAREA CONSTRUCTELOR  VARIABILE

Exemplu operaționalizare construct: „Performanța academică

poate fi operaționalizată prin: nota la o disciplină sau media notelor obținute
la examenele semestriale, evaluările pe parcurs (activitatea la seminarii),
evaluarea produselor activității (referate, proiecte etc.), rezultatul la unele
teste de aptitudini etc.”

Exemple variabilă independentă de mediu: „Sunt manipulate de

către cercetător: temperatura mediului (cald, rece), iluminatul (slab, mediu,
puternic), nivelul de zgomot (ridicat, scăzut) etc.”

Exemple variabilă independentă de sarcină: „Sunt manipulate de

către cercetător: modalitatea de prezentare a stimulului (auditiv, vizual),
nivelul de complexitate al sarcinii (simplu, complex), nivelul stimului
(scăzut, înalt) etc.”

Exemple de variabilă independentă de personalitate și socială:

„Practic nu este manipulată. Cercetătorul alege anumite niveluri ale
acesteia. Acestea pot fi: vârsta (sau categoriile de vârstă), genul biologic
(masculin, feminin), trăsături de personalitate, categorii de mediu (urban,
rural), nivel de studii, specializări (real, uman), categorii etnice etc.”

150
 Exemple de variabile dependente biologice: „Sunt scoruri
obținute prin măsurări fiziologice: presiunea sanguină, undele cerebrale,
ritmul cardiac, rezistența galvanică a pielii, temperatura corpului etc.”

Exemple de variabile dependente comportamentale: „Acestea

sunt direct observabile și măsurabile: viteza de reacție la stimuli,
recunoașterea unor semne sau silabe, aprecierea unor distanțe, aprecierea
direcției, recunoașterea poziției etc.”

Exemple de variabile dependente cognitive: „Pot fi măsurate

doar indirect: manifestări ale gândirii, ale raționamentului, rezolvarea de
probleme.”
Atenție! Variabila dependentă (răspunsul la stimul) este rezultatul
manipulării variabilei independente (stimul).

4.2. POPULAȚIA LA CARE FACE REFERIRE CERCETAREA ȘI
EȘANTIONAREA

Exemple de populație:

„Studenții înscriși la studii pentru licență din România”

„Studenții de la facultățile de psihologie din România”
„Muncitorii din domeniul panificației din București”
„Medicii rezidenți de la spitalele de urgență din România”
„Masteranzii de la Politehnică din București”
„Adulții emergenți, 18-30 de ani, din Cluj-Napoca”

Atenție! Unii autori recomandă specificarea limitelor temporale (ex.

studenții înscriși între 2016-2018 ...) pentru a se defini mai exact populația
pentru care se face cercetarea.

Exemple de eșantionare:

a) Metoda loteriei: „Populația la care face referire cercetarea

cuprinde 100.000 de indivizi. Fiecăruia i se alocă un număr de la 1 la

151
100.000 unic. Se extrag aleator, manual (dintr-o urnă) sau cu ajutorul unui
generator automat (computerizat), atâtea numere cât se dorește a fi
volumul eșantionului. Se constituie eșantionul din indivizii ale căror numere
au fost extrase”.

b) Eșantionare aleatoare sistematică: „Avem o populație formată

din 500 de elevi. Dorim să realizăm studiul pe un eșantion de 50 de elevi.
Efectuăm raportul 500/50=10. Alegem aleator un număr de la 1 la 10
(valoarea raportului), de exemplu 8. Eșantionul va fi format din elevul cu
numărul 8, cel cu numărul 10+8=18, cel cu numărul 20+8=28 ... cel cu
numărul 110+8=118 etc..”.

c) Eșantionare aleatoare stratificată: „Avem o populație de 1000

de persoane cu vârsta cuprinsă între 20 și 60 de ani. Putem clasifica
populația după vârstă (conform Verza, Șchiopu) în: perioada adultului tânăr
(20-34 ani), perioada adultă stabilă (35-45 ani), perioada adultului propriu-
zis (46-55 ani) și perioada adultă prelungită (56-65 ani). Pentru fiecare
categorie aplicăm una din metodele descrise la (a) sau (b). În final,
amestecăm eșantioanele într-unul singur. Acesta poate avea structura
după cum urmează: 10 persoane din categoria 20-34 ani, 10 persoane din
categoria 35-45 ani, 10 persoane din categoria 46-55 ani și 10 persoane
din categoria 56-65 ani. Total eșantion 40 de persoane.”

d) Eșantionarea multistadială: „Dintr-o populație formată dintr-un

milion de persoane se extrag, prin metode aleatoare, 20 de eșantioane cu
volumul cuprins între 10.000 și 12.000 de indivizi. Se alege aleator un
eșantion. Din acesta se extrag cinci eșantioane aleatoare cu volumul între
800 și 1000 de persoane. Se repetă operațiile până se consideră că a fost
atins scopul și divizarea nu mai are sens.”

Atenție! Eșantioanele cu volum prea redus fac dificilă detectarea

diferențelor între grupuri, chiar dacă ele există. Eșantioanele cu volum prea
mare sesizează cu ușurință cele mai mici diferențe între grupuri. Există,
însă, riscul ca acestea să nu fie semnificative practic.


152
 
4.3. DESCRIEREA PARTICIPANȚILOR

Exemplu: „Participanții la cercetare, în număr de 500, au fost

selectați din rândul studenților, din anii I și II, de la facultățile din București.
Dintre aceștia 350, adică 70%, fac parte din categoria adultului emergent
(18-30 ani), iar restul de 150, adică 30%, din categoria adult (31-55 ani).
Dintre participanți 280 (56%) sunt de gen feminin și 220 (44%) de gen
masculin. De la facultățile cu profil tehnic au fost selectați un număr de 240
de participanți (48%), iar de la cele cu profil socio-uman un număr de 260
de participanți (52%).”

Atenție! Se descriu toate caracteristicile participanților care sunt

relevante pentru cercetare. Caracteristicile irelevante nu sunt descrise,
pentru economia cercetării și pentru a evita încărcarea acesteia cu
informații inutile.

4.4. INSTRUMENTELE UTILIZATE PENTRU A MĂSURA
CONSTRUCTELE
Atenție! Se aleg instrumente validate pentru populația la care se
referă cercetarea. În caz contrar, sau în cazul construirii unui instrument
nou, acestea trebuie mai întâi validate.

4.5. DESCRIEREA PROCEDURII

Atenție! Cuprinde și normele deontologice specifice cercetării.


4.6. STABILIREA DESIGNULUI EXPERIMENTAL

Atenție! Designul experimental va fi diferit pentru experimentul

constatativ și experimentul formativ.


153
 
5. REZULTATE

5.1. ANALIZA DESCRIPTIVĂ
5.2. ANALIZA INFERENȚIALĂ
5.3. ALTE ANALIZE (dacă este cazul)

Atenție! Se respectă întocmai ordinea de efectuare a analizelor

statistice.

6. CONCLUZII

Atenție! Se respectă principiul parcimoniei: „În situația în care un

fenomen poate avea mai multe explicații, oamenii de știință trebuie să
accepte întotdeauna explicația cea mai simplă sau logica cea mai simplă”.

Realizarea unei cercetări științifice este meritorie pentru toți cei care
și-au propus acest demers. Rezulatele trebuie, însă, împărtășite comunității
pentru a căpăta utilitate practică. Fie că suntem nevoiți să elaborăm o astfel
de lucrare, din motive practice cum ar fi: o temă la o animită disciplină, o
lucrare de licență, o disertație sau o lucrare de doctorat, sau fie că avem
imboldul de a scrie pur și simplu un articol, trebuie să respectăm anumite
reguli. Câteva pot fi desprinse din cele prezentate anterior.
O regulă o constituie modul de organizare a cercetării sub forma
Raportului de cercetare. După cum se observă, acest manual este
structurat pe secțiunile unui raport de cercetare.

RAPORTUL DE CERCETARE

1. Pagina de titlu: Titlul cercetării trebuie să fie suficient de scurt,

astfel încât să poată enunța problema generală a cercetării. Se recomandă
să nu conțină mai mult de 10-12 cuvinte.

2. Rezumatul: Începe pe o pagină nouă și trebuie să conțină un

singur paragraf. Trebuie să rezume ideile principale ale cercetării și, pe
154
scurt, rezultatele și concluziile acesteia. De regulă, pentru un articol
științific, după acest paragraf se introduc cuvintele cheie în care se trec, de
regulă, denumirile constructelor supuse cercetării.

3. Introducere: Începe pe o pagină nouă. În acest capitol trebuie

prezentate: o parte argumentativă, care să conțină elementele de noutate
și utilitate cu care vine cercetarea, o prezentare a literaturii de specialitate,
legătura dintre studiul realizat și literatura de specialitate, explicarea
scopului pentru care a fost făcut demersul științific. Aici se prezintă
întrebarea generală a cercetării.

4. Obiective. Ipoteze: Aici sunt detaliate obiectivele cercetării și se

enunță ipotezele care vor fi supuse analizei statistice.

5. Metode: Acest capitol cuprinde mai multe secțiuni:

participanții/subiecții (modul de selecție, numărul acestora, detalii relevante
pentru cercetare); aparatură, instrumente (teste, chestionare etc.),
programe specializate; procedura (descrie detaliat modul de de realizare al
experimentului); design experimental (conține și descrierea variabilelor).

6. Rezultate: Conține analiza statistică a datelor (descriptivă,

inferențială, alte analize statistice), interpretarea și concluziile din punct de
vedere statistic.

7. Discuții. Concluzii: În acest capitol rezultatele statistice vor fi

interpretate din punct de vedere psihologic. Interpretarea se face în baza
definițiilor și a teoriilor descrise în capitolul „Introducere”.

8. Bibliografie: Începe pe o pagină nouă. Cuprinde, în ordine

alfabetică după numele primului autor, toate lucrările citate sau la care s-au
făcut referințe în cercetare.

9. Alte secțiuni: Aici apar anexele, tabele, figuri care nu au fost

introduse în capitolele anterioare și care completează înțelegerea pe deplin
a rezultatelor obținute.

155
 După unii autori, capitolul de „Discuții. Concluzii” este cea mai
importantă parte a studiului. Vom descrie elementele necesare pentru a
structura acest capitol (Sava, 2013, pp. 343-346): 1) Reiterarea obiectivului
major al studiului și oferirea unui răspuns succint la întrebarea cercetării; 2)
Oferirea de explicații pentru rezultate neașteptate; 3) Integrarea rezultatelor
în literatura de specialitate; 4) Valoarea adăugată a studiului; 5) Implicații
teoretice și practice ale rezultatelor; 6) Limitele studiului; 7) Propuneri
pentru studii viitoare; 8) Mesaj concluziv.
Date fiind caracterul interpretativ al acestei secțiuni și limitele
cercetării, formulările concluziilor trebuie să fie făcute în termeni
probabilistici, ca de exemplu: „datele sugerează că ...”, „se pare că ...”, „o
posibilă explicație ar fi ...”.
De obicei fiecare instituție (universitate, institut de cercetare, revistă
de specialitate) oferă autorilor un ghid de redactare al lucrărilor.
Recomandăm consultarea acestora pentru mai multe informații. În Anexa 3
prezentăm un astfel de ghid cu cerințele Revistei de Studii Psihologice a
Universității Hyperion din București.

156
 Cuvânt de final

Încă de la început am avut ca grup țintă studenții care nu posedă

încă cunoștințe și abilități privind elaborarea unei cercetări și prelucrarea
statistică a datelor. Nu putem aprecia dacă acum, după parcurgerea
materialului, vor ști mai mult în acest sens. Sperăm, însă, că au făcut un
pas important la nivel cognitiv. Acum măcar cunosc ceea ce nu cunosc.
Acest ghid este destinat a le fi prieten bun până când, prin exercițiu și
practică, îl vor părăsi în favoarea unor tratate mult mai elaborate din punct
de vedere al explicațiilor și informațiilor furnizate. Noi credem că oferind o
imagine globală asupra unor discipline predate, de regulă, în mod distinct,
vom obține un efect sinergic la nivel cognitiv. Altfel spus, conform lui
Mânzat (2010), informațiile vor lucra toate împreună și unele prin altele,
generând un salt calitativ mai presus de suma cunoașterii aferente fiecăreia
în parte. În completarea acestui efect integrativ avem în vedere și un model
factorial. Dacă cel puțin o secțiune va capta interesul și va activa zona de
dezvoltare proximă (Vygotsky, 1978), scopul acestui ghid va fi în mare
măsură atins. Aceasta va deveni atractor pentru restul informațiilor oferite.
Astăzi psihologia este confundată sau alăturată cu multe „filosofii”,
unele chiar ciudate sau năstrușnice. Din păcate, mai ales în lucrările
studenților, ale celor ce doresc să se afirme în profesie și uneori chiar în
teze de doctorat, apar tendințe de abordare a unor studii care respectă mai
degrabă indicatorii metodei și de stil ai pseudoștiințelor (Sava, 2013).
Psihologia autentică este știință iar instrumentele ei, metodele de terapie și
consiliere, își trag esența din teorii valide și dovezi empirice. Arta, în
psihologie, constă în abilitatea de a aplica metoda ținând cont de
particularitățile individuale ale clientului. Dacă metoda, instrumentul, nu
sunt valide atunci demersul terapeutic devine un joc de șansă pentru toți
cei implicați, cu rezultate nedorite pe termen îndelungat.
Am inţeles mesajul de-a "cerceta în credință". Am dat cezarului ce-i
al cezarului, supunând Mintea iscodirii științei psihologice, iar Spiritul
lăsându-l în seama credinței. Am evitat, în acest mod, eclectismul dăunător
promovat uneori ca psihologie, fără a împieta cu nimic relația și
interacțiunea dintre cele două.
Aducem mulțumiri profesorilor care au avut darul transmiterii nu
doar ale informațiilor, cât mai ales a atitudinii obiective prin delimitare la
descrierea sistematică înaintea tentativei de a emite judecăți.
157
 Bibliografie

American Educational Research Association, American

Psychological Association, National Council on Measurement in Education,
Joint Committee on Standards for Educational, & Psychological Testing
(US). (2014). Standards for educational and psychological testing.
Washington, DC: American Educational Research Association.
Anastasi, A. (1980). Psychological testing (4th Ed.), New York:
Macmillan.
Bem, D. J. (2000). Writing an empirical article. In R. J. Sternberg
(Ed.), Guide to publishing in psychology journals (pp. 3-16). Cambridge,
England: Cambridge University Press.
Bulmer, M. G. (1979). Principles of Statistics. Dover.
Campbell, D. T., & Fiske, D. W. (1959). Convergent and
discriminant validation by the multitrait-multimethod matrix. Psychological
Bulletin, 56(2), 81-105.
Cohen, J. (1988). Statistical power analysis for the behavioral
sciences (2nd ed.). Hillsdale, NJ: Lawrence Earlbaum Associates.
Cohen, J. (1994). The earth is round (p < .05). American
Psychologist, 49, 997-1003.
Coolican, H. (1996). Research methods and Statistics in
Psychology (Second ed.): Hodder & Stoughton.
Cramer, Duncan (1997). Basic Statistics for Social Research.
Routledge.
Dragomirescu L., Drane J. W., (2009). Biostatisticã pentru
începãtori. Vol I. Biostatisticã descriptivã. Editia a 6° revãzutã, București:
Editura CREDIS.
Ebel, R. L. (1965). Measuring educational achievement. Englewood
Cliffs, NJ: Prentice Hall.
Faul, F., Erdfelder, E., Lang, A.-G., & Buchner, A. (2007). G*Power
3: A flexible statistical power analysis program for the social, behavioral,
and biomedical sciences. Behavior Research Methods, 39, 175-191.
Faul, F., Erdfelder, E., Buchner, A., & Lang, A.-G. (2009). Statistical
power analyses using G*Power 3.1: Tests for correlation and regression
analyses. Behavior Research Methods, 41, 1149-1160.
158
 Field, A. (2000). Discovering Statistics Using SPSS for Windows.
Advanced Technique for Beginner.London: SAGE Publications.
First, M.B., Gibbon, M., Spitzer, L.R., Williams, J.B.W. Benjamin,
L.S. (2007). Interviul Clinic Structurat pentru Tulburările de Personalitate de
pe Axa II a DSM -Versiune Clinică. Cluj Napoca: RTS.
Fisher, R. A. (1925). Statistical methods for research workers. Orig.
published by Oliver and BoydEdinburgh. In C. D. Green (Ed.), Classics in
the History of Psychology. An internet resource developed by York
University. Toronto, Ontario (Accesat la 15.12.2017:
http://psychclassics.yorku.ca/Fisher/Methods/).
Frankfort-Nachmias, C., & Nachmias, D. (2000). Research Methods
in the Social Sciences (Sixth ed.): Worth Publishers.
Gâtej, E. R. (2015). Metodologia cercetării științifice în psihologie.
Note de curs. București: Editura Standardizarea.
Graziano, A.M., Raulin, M. L. (2000). Research Methods: A Process
of Inquiry, Ed. a-IV-a, Boston: Allyn & Bacon.
Gorsuch, R. L. (2003). Factor Analisys, in J.A. Schinka & W.F.
Velicer (eds.), in Handbook of Psichology. Research Methods in Psichology
(vol. 2, pp. 143-164), Hoboken: John Wiley & Sons, Inc..
Howitt, D., Cramer, D. (2010). Introducere în SPSS pentru
psihologie. Iași: Polirom.
Iacobucci, Dawn (ed.) (2001). Journal of Consumer Psychology’s
Special Issue on Methodological and Statistical Concerns of the
Experimental Behavioral Researcher, 10 (1&2), Mahwah, NJ: Lawrence
Erlbaum Associates.
Kaiser, H. F. (1974). An index of of factorial simplicity, in
Psichometrika, 39(1), pp. 31-36.
Kline, P. (1994). An Easy Guideto Factor Analisys. New York:
Routledge.
Kotrlik, J. W., & Williams, H. A. (2003). The incorporation of effect
size in information technology, learning, and performance research.
Information Technology, Learning, and Performance Journal, 21(1), 1–7.
McNemar, Q. (1946). Opinion-attitude methodology. Psychological
Bulletin, 43, 289–374.
Maricutoiu, L.P, Sava, F.A. (2007). PowerStaTim 1.0 – Analiza
puterii statistice şi a mărimii efectului. Disponibil la:
www.psihologietm.ro (accesat ianuarie, 2018).
159
 Mânzat, I. (2010). Psihologia sinergetică. În căutarea umanului
pierdut. București: Editura Univers Enciclopedic.
Mertens, D. M. (2005). Research and Evaluation in Education and
Psychology. Integrating Diversity with Quantitative, Qualitative, and Mixed
Methods (2nd ed.): SAGE.
Mitchell, M. L., & Jolley, J. M. (2001). Research Design Explained
(4th ed.): Wadsworth Pub Co.
Nunnally, J. C. (1967). Psychometric Theory. New York: McGraw-
Hill.
Opariuc, C.D. (2009). Statistică aplicată în științele socio-umane.
Cluj-Napoca: Editura ASCR.
Peirce, JW (2007) PsychoPy - Psychophysics software in Python. J
Neurosci Methods, 162(1-2):8-13
Peirce, J.W. (2009). Generating stimuli for neuroscience using
PsychoPy. Front. Neuroinform. 2:10. doi:10.3389/neuro.11.010.2008
Popa, M. (2008). Statistică pentru psihologie. Teorie și aplicații
SPSS. Iași, București: Polirom.
Popa, M. (2010). Statistici multivariate aplicate în psihologie. Iași,
București: Polirom.
Popper, K. (1981). Logica cercetării. București: Ed. Științifică și
Enciclopedică.
Popper, K. (2002). Conjecturi și infirmări. București: Editura Trei.
Racu, I. (2014). Psihodiagnoza.Teste psihologice. Chișinău: UPS
„Ion Creangă”.
Rizeanu, S. (2014). Psihodiagnoza și evaluarea clinică a copilului și
adolescentului. Ediția a-II-a revizuită și adăugită. București: Editura
Universitară.
Sava, F.A, Maricutoiu, L.P. (2007). PowerStaTim 1.0. – Manualul
utilizatorului. Timişoara: Editura Universităţii de Vest.
Sava, F.A. (2013). Psihologia validată științific. Ghid practic de
cercetare în psihologie. Iași: Polirom.
Schinka, J. A., & Velicer, W. F. (Eds.). (2003). Research Methods in
Psychology (Vol. 2): John Wiley & Sons, Inc.
Schwarzer, R., & Jerusalem, M. (1995). Generalized Self-Efficacy
scale. In J. Weinman, S. Wright, & M. Johnston, Measures in health
psychology: A user’s portfolio. Causal and control beliefs (pp. 35-37).
Windsor, England: NFER-NELSON.
160
 Thurstone, L.L. (1931) The Measurement of Social Attitudes. The
Journal of Abnormal and Social Psychology, 26, pp. 249-269.
Urbina, S. (2004). Testarea psihologică. București: Editura Trei.
Vasiliu, D., Marinescu, D.A., Marinescu, G., Rizeanu, S. (2015).
Evaluarea autoeficacității. Proprietăți psihometrice pentru Self-Efficacy
Scales: SES, Revista de studii psihologice nr. 2, Universitatea Hyperion din
București.
Vygotsky, L. S. (1978). Mind in society: The development of higher
psychological processes. Cambridge, MA: Harvard University Press.

Resurse web:
https://www.ibm.com/analytics/data-science/predictive-
analytics/spss-statistical-software. (accesat 14 decembrie 2017).
http://psycnet.apa.org/record/2011-03489-011 (accesat 6 decembrie
2017).
http://www.gpower.hhu.de (accesat 11 ianuarie 2018).
https://www.psihologietm.ro/download/membrii//Help/pstim.htm
(accesat 5 noiembrie 2017).

161
Anexa 1. Tabelul distribuției valorilor sub curba normală z
Z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0 0,004 0,008 0,012 0,016 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,091 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,148 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,17 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,195 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,219 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,258 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,291 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,334 0,3365 0,3389
1 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,377 0,379 0,381 0,383
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,398 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,437 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,475 0,4756 0,4761 0,4767
2 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,483 0,4834 0,4838 0,4842 0,4846 0,485 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,489
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,492 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,494 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,496 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,497 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,498 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,499 0,499

162
Anexa 2. Etalon pentru un test cu doi factori.

163
Anexa 3. Exemplu de instrucțiuni pentru publicare

REVISTA DE STUDII PSIHOLOGICE

UNIVERSITATEA HYPERION
www.hyperion.ro

Stimați autori, înainte de a pregăti articolul pentru a fi trimis spre publicare

trebuie să citiți următoarele instrucțiuni. Vă rugăm să respectați întru totul
recomandările noastre. Vă mulțumim.

Colectivul Editorial

TITLU ARTICOL

PRENUME, NUME AUTOR, TITLURI ȘTIINȚIFICE a

a
Universitatea Hyperion, Facultatea de Psihologie și Științe ale Educației,
Departamentul de Psihologie

Rezumat
Acest document arată cum trebuie trimise articolelel spre publicare în „Revista de
studii Psihologice” a Universității Hyperion din București. Rezumatul trebuie să conțină
200-250 de cuvinte și se va prezenta sub forma unui singur paragraf. Numărul maxim de
cuvinte cheie este de cinci. Rezumatul și cuvintele cheie vor fi scrise la un rând, folosind
fontul Time New Roman (TNR), Italic,10.
Cuvinte cheie: experimentala, psihologie, articol, publicare, Italic 10 TNR.

Keywords: experimental, journal, psychology, paper, publishing. Italic 10 TNR.

*
Detalii de corespondență: Prenume, Nume Autor. Adresa de e-mail: author_email@email.com
164
 1. INTRODUCERE/ELEMENTE TEORETICE

1.1. EXEMPLU 1: SCURTĂ DESCRIERE. BAZA TEORETICĂ. STUDII

ANTERIOARE

1.2. EXEMPLU 2: DIFERITE IPOSTAZE

1.2.1. Ex.: Ipostaze favorizante

1.2.2. Ex.: Ipostaze defavorabile

Textul articolului va fi scris cu 11 TNR la un rând.

2. OBIECTIVE ȘI IPOTEZE

2.1. OBIECTIVE
 Obiective 1
 Obiective 2

2.2. IPOTEZE

 Ipoteza 1
 Ipoteza 2

3. METODA

3.1. PARTICIPANȚI/SUBIECȚI
Descrierea eșantionului.

3.2. INSTRUMENTE/APARATRA/STIMULI/MATERIALE
Prezentarea instrumentelor/stimulilor/materialelor.

165
 3.3. PROCEDURA
Descrierea procedurii.

3.4. DESIGN EXPERIMENTAL

Descrierea variabilelor. Descrierea designului experimental este necesară.

4. REZULTATE

Descrierea rezultatelor. Articolele trebuie să aibă un număr par de pagini (6,

8, până la 16, inclusiv referințele și anexele).
Sunt acceptate articole de minim 4 (patru) pagini, exceptând lista de referințe
(bibliografia), în condițiile în care cu tot cu anexe și bibliografie se ajunge la
minim 6 (șase) pagini.
Autorii sunt invitați să trimită articolele prin e-mail, în format MS Word,
tip.Doc, scrise cu Times New Roman, mărimea 11, la un singur rând, pagina de
mărime A4, spațiată la partea superioară cu 5.0 cm, la partea inferioară cu 5.7 cm,
dreapta 4 cm și stânga 4 cm. Titlul capitolelor vor fi scrise cu litere mari bold,
caracter 11, iar subtitlurile cu litere mari simple.
Toate articolele vor fi scrise în stil științific.

4.1. TABELE ȘI FIGURI

Tabelele vor fi scrise cu caractere 8 TNR, conținând explicații (titlu, număr),

grafice, figuri și legende asociate și vor fi integrate în text.
Exemplul 1:

Tabel 1. Statistica descriptivă pentru variabilele dependente și independente (MODEL)

Variabilă Media Deviația Std.

1. Perceived mental health 47.53 4.68
2. Perceived physical health 23.61 2.59
3. Negative coping styles 5.64 1.75
4. Positive coping styles 2.35 1.38
5. Attachment to professors 5.68 2.36
6. Attachment to colleagues 6.93 3.71
7. Attachment to class and activities 5.32 2.46
8. Homework overload 7.54 3.62
9. Extra activities overload 5.42 3.37

166
 Este de dorit ca tabelele și imaginile, în cazul în care acestea există, să fie
plasate în apropierea comentariilor care fac referire la acestea.

Exemplul 2:
Tabel 2. Matricea de corelații între variabile (MODEL)

Variabila 1. 2. 3. 4. 5. 6. 7. 8. 9.

1. Perceived mental health 1.00

2. Perceived physical health .42** 1.00
3. Negative coping styles .09 .11 1.00
-
4. Positive coping styles .35 ** 0.33** 1.00
.23**
5. Attachment to professors -.32** -.23** .06 -.07 1.00
-
6. Attachment to colleagues -.41** -.25** .21** .27** 1.00
.24**
7. Attachment to class and
-.28** -.12 .08 .11 .22** .28** 1.00
activities
8. Homework overload .46** .37** .13 .09 .47** .12 .05 1.00
9.Extra activities overload .31** .45** .24** .19* .38** .06 .10 .43** 1.00
*p < .05, **p < .01

Figurile vor fi editate separat și vor fi introduse în text cu funcția "insert

picture". A se evita folosirea facilităților de desen din MS Word!

Exemplul 3:

Figure 1. Instructor-student relationship-regulation

167
 4.2. CONȚINUT

La redactarea articolului se va ține cont de următoarele aspecte:

A. Caracterul științific al articolului:
- Fundamentarea științifică;
- Abordarea metodologică;
- Gradul de originalitate și noutate al temei propuse.
B. Relevanța, impactul și importanța cercetării:
- Relevanța și noutatea surselor utilizate;
- Claritatea și acuratețea raționamentului științific și a constructelor.
C. Calitatea tehnică a conținutului:
- Relevanța surselor bibliografice;
- Claritatea, concizia și acuratețea textului.

5. CONCLUZII

Autorii articolelor pot contacta bordul editorial în cazul în care au nevoie de

asistență pentru redactarea articolelor.

CONFIRMĂRI

Aici autorii pot scrie despre grantul de suport sau alte contribuții financiare
primite pentru cercetarea la care face referire articolul.

REFERINȚE ÎN TEXT

Referințele în text trebuie să cuprindă numele și anul. Dacă sunt mai mult de
trei autori se va scrie numele primului autor urmat de „și alții”.
De exemplu:
Așa cum se arată în ... (Sava, 2010) ... sau
Conform David... și alții (200X) ... sau
După cum arată studiile privind … (Rizeanu, Gâtej, Vasiliu, 2016) … sau
În cercetările privind … (Mânzat și alții, 2016).

6. BIBLIOGRAFIE

Bibliografia va fi scrisă cu caractere de 10 TNR și va fi amplasată la finalul

articolului, în ordine alfabetică, conform modelului din prezentul document.

Popa, M., & Chraif, M. (2010). Titlul lucrării. Localitatea: Editura.

Chraif, M. (2010). The counterproductive behavior. Bucharest, Romania: Editura
Universitară.

168
 Pentru un capitol din carte:
Autor, A. A., & Autor, B. B. (2012). Titlul capitolului. In A. Editor, B. Editor, & C.
Editor (Eds.), Titlul cărții (pp. xxx-xxx). Localitatea: Editura.

Pentru un articol din revistă fără DOI:

Author, A.A., & Author, B.B. (2014). Title of article. Title of periodical, volume
number (issue number), pp-pp.

Pentru un articol din revistă cu DOI:

Author, A.A., & Author, B.B. (2015). Title of article. Title of periodical, volume
number, pp-pp. DOI: xx.xxxxxxxx

169
Anexa 4. Sisteme de clase standardizate

Sistem de clase standardizate Media (m) Abaterea Formula

standard (s)
Sten (standard nine) 2 5,5 SN=2+5.5*z
Note T (Thurstone) 50 10 T=50+10*z
Scala de aptitudini generale 500 100 SAT=500+100*z
Army General Clasification 100 50 AGC=100+50*z
Stanford-Binet 100 16 QI=100+16*z
Wechsler 100 15 QI=100+15*z
Note H (Hull) 50 14 H=50+14*z

170