17,513 matches
-
4. efectele de ordin 3 (ABC). Acestea sunt interacțiunile pentru fiecare combinație de valori posibilă care nu pot fi puse pe seama celorlalte tipuri de efecte. În acest caz vom avea câte un efect pentru fiecare combinație a valorilor celor 3 variabile respectiv 2*2*2. SPSS-ul calculează o valoare unică a acestora, ce caracterizează interacțiunea ABC. N = na * nb * nc, din care independente (na-1)(nb-1)(nc-1). În total vom avea 27 de parametrii: 1 constant + 6 principali (din care 3
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
de ordin 2 (din care 3 diferiți) + 8 de ordin 3 (din care 1 diferit). Deci efectiv calculați vor fi 8 parametrii: cel constant, 3 principali, 3 de ordinul 2 și unul de ordinul 3. Exemplu: Model saturat pentru 3 variabile dihotomice: vârstă, gen și încredere în oameni. Rezultat SPSS: Primul parametrul exprimă efectul situării în prima categorie a variabilei încredere (0). Este pozitiv deoarece în eșantion sunt mai mulți cei care nu au încredere. Al doilea parametru calculat exprimă efectul
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
fi 8 parametrii: cel constant, 3 principali, 3 de ordinul 2 și unul de ordinul 3. Exemplu: Model saturat pentru 3 variabile dihotomice: vârstă, gen și încredere în oameni. Rezultat SPSS: Primul parametrul exprimă efectul situării în prima categorie a variabilei încredere (0). Este pozitiv deoarece în eșantion sunt mai mulți cei care nu au încredere. Al doilea parametru calculat exprimă efectul situării în prima categorie a variabilei vârstă. Este negativ (și mai mic decât primul), persoanele sub 40 de ani
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
în oameni. Rezultat SPSS: Primul parametrul exprimă efectul situării în prima categorie a variabilei încredere (0). Este pozitiv deoarece în eșantion sunt mai mulți cei care nu au încredere. Al doilea parametru calculat exprimă efectul situării în prima categorie a variabilei vârstă. Este negativ (și mai mic decât primul), persoanele sub 40 de ani fiind mai puține decât cele peste 40 de ani. Al treilea parametru calculat exprimă efectul situării în prima categorie a variabilei sex (1). Este negativ (și mai
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
efectul situării în prima categorie a variabilei vârstă. Este negativ (și mai mic decât primul), persoanele sub 40 de ani fiind mai puține decât cele peste 40 de ani. Al treilea parametru calculat exprimă efectul situării în prima categorie a variabilei sex (1). Este negativ (și mai mic decât primul), persoanele de sex masculin fiind mai puține decât cele de sex feminin. Al patrulea parametru exprimă efectul interacțiunii dintre încrederea în oameni și vârsta. Este semnificativ pentru p=95% așa cum ne
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
985 ,003 ,164 ,790 [incredere oameni = ,00] * [varsta categorii = ,00] * [p0 sex = 1] -,447 ,196 -2,282 ,022 -,831 -,063 8.3.8. Modele saturate/nesaturate Modelele discutate până în acest moment sunt modele saturate, în sensul că includ toate efectele de interacțiune dintre variabile. Modelele nesaturate sunt acelea pentru care anumiți parametrii sunt setați 0. Un model nesaturat este ierarhic atunci când conține toate interacțiunile de grad inferior celui maxim. Astfel, dacă interacțiunea maximă este ABC, atunci el va conține și interacțiunile (AB), (AC), (BC
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
BC), pentru care A și B sunt independente. * ABC=0, AC=0, BC=0. Modelul (AB, C), pentru care C este independent de A și B. * ABC=0, AB=0, AC=0, BC=0. Model (A, B, C) pentru care variabilele sunt total independente. 8.3.9. Selectarea unui model potrivit Analiza logliniară este rareori justificată prin construcția unui model saturat. De obicei se urmărește găsirea unor relații de independență. Pentru aceasta se setează parametrii doriți cu valoarea 0, se calculează
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
pe baza unor algoritmi iterativi) nu va mai coincide cu cea observată ca în cazul modelului saturat, diferențele dintre acestea fiind denumite reziduuri (residuals). SPSS-ul calculează frecvențele observate, așteptate, reziduurile și reziduurile standardizate pentru fiecare combinație posibilă a valorilor variabilelor din model. Reziduurile standardizate mai mari în modul decât 1,96 indică discordanțe semnificative. Un model potrivit este modelul cel mai simplu (cât mai puține interacțiuni, cât mai multe relații de independență) care reușește să prezică datele satisfăcător (reziduurile sunt
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
ne permite găsirea modelului celui mai potrivit. Se începe prin calcularea parametrilor pentru modelul saturat și apoi se elimină progresiv câte un efect de interacțiune până la pragul în care modelul nu mai prezice acceptabil datele observate. Exemplu: Model cu 3 variabile dihotomice rezidență (urban/rural), vârstă, încredere. Mai jos sunt testate ipotezele că toate efectele de ordin k și mai mare sunt 0, iar în continuare ipotezele că efectele de ordin k sunt 0. Primul test pentru k=3 ne arată
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
tipuri de interacțiuni este prezentat mai jos: Interacțiunea care produce efectul cel mai mic asupra lui Hi pătrat (în sensul creșterii valorii lui Hi) este cea dintre încrederea în oameni și mediul de rezidență. Se elimină interacțiune dintre aceste două variabile deoarece influența lor nu este semnificativă (p=0,597). Am putea continua să eliminăm efectele de interacțiune de ordinul 2 ,dar în acest caz modelul nu ar mai prezice datele corespunzător. Deci modelul final va conține 2 interacțiuni de ordinul
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
ipoteza de nul că datele observate sunt prezise de cele așteptate. 8.4. Analiza factorială 8.4.1. Noțiuni introductive Analiza factorială se referă la o varietate de tehnici statistice a căror obiective comune este să reprezinte un set de variabile în termenii unui număr mic de variabile ipotetice. Analiza factorială urmărește cercetarea legăturilor de interdependență dintre mai multe variabile cu ajutorul cărora se caracterizează un anumit fenomen, prin reducerea volumului datelor cuprinse în variabilele inițiale și construirea unui set mai mic
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
prezise de cele așteptate. 8.4. Analiza factorială 8.4.1. Noțiuni introductive Analiza factorială se referă la o varietate de tehnici statistice a căror obiective comune este să reprezinte un set de variabile în termenii unui număr mic de variabile ipotetice. Analiza factorială urmărește cercetarea legăturilor de interdependență dintre mai multe variabile cu ajutorul cărora se caracterizează un anumit fenomen, prin reducerea volumului datelor cuprinse în variabilele inițiale și construirea unui set mai mic de dimensiuni. Spre exemplu, să presupunem că
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
introductive Analiza factorială se referă la o varietate de tehnici statistice a căror obiective comune este să reprezinte un set de variabile în termenii unui număr mic de variabile ipotetice. Analiza factorială urmărește cercetarea legăturilor de interdependență dintre mai multe variabile cu ajutorul cărora se caracterizează un anumit fenomen, prin reducerea volumului datelor cuprinse în variabilele inițiale și construirea unui set mai mic de dimensiuni. Spre exemplu, să presupunem că am intervievat 1000 de indivizi care au fost selectați aleator din populație
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
comune este să reprezinte un set de variabile în termenii unui număr mic de variabile ipotetice. Analiza factorială urmărește cercetarea legăturilor de interdependență dintre mai multe variabile cu ajutorul cărora se caracterizează un anumit fenomen, prin reducerea volumului datelor cuprinse în variabilele inițiale și construirea unui set mai mic de dimensiuni. Spre exemplu, să presupunem că am intervievat 1000 de indivizi care au fost selectați aleator din populație și i-am întrebat despre opiniile lor politice cu privire la taxe, drepturi civile, legi ale
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
Spre exemplu, să presupunem că am intervievat 1000 de indivizi care au fost selectați aleator din populație și i-am întrebat despre opiniile lor politice cu privire la taxe, drepturi civile, legi ale muncii și altele. Răspunsurile la aceste întrebări constituie deci variabile observate. În general, primul pas în analiză implică o examinare a interrelațiilor dintre aceste variabile. Presupunem că am folosit coeficientul de corelație ca mod de măsurare pentru asocierile făcute și am întocmit un tabel de corelație. Verificând matricea corelației, putem
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
din populație și i-am întrebat despre opiniile lor politice cu privire la taxe, drepturi civile, legi ale muncii și altele. Răspunsurile la aceste întrebări constituie deci variabile observate. În general, primul pas în analiză implică o examinare a interrelațiilor dintre aceste variabile. Presupunem că am folosit coeficientul de corelație ca mod de măsurare pentru asocierile făcute și am întocmit un tabel de corelație. Verificând matricea corelației, putem vedea că există relații pozitive între aceste variabile și că relațiile dintre aceste subseturi de
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
Presupunem că am folosit coeficientul de corelație ca mod de măsurare pentru asocierile făcute și am întocmit un tabel de corelație. Verificând matricea corelației, putem vedea că există relații pozitive între aceste variabile și că relațiile dintre aceste subseturi de variabile sunt mai eficiente decât aceste subseturi. Un factor analitic poate fi utilizat pentru a vedea dacă aceste corelații observate pot fi explicate prin existența unui număr mic de variabile ipotetice 24. Analiza factorială poate fi folosită, atât ca o modalitate
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
pozitive între aceste variabile și că relațiile dintre aceste subseturi de variabile sunt mai eficiente decât aceste subseturi. Un factor analitic poate fi utilizat pentru a vedea dacă aceste corelații observate pot fi explicate prin existența unui număr mic de variabile ipotetice 24. Analiza factorială poate fi folosită, atât ca o modalitate eficace de asigurare a unui număr minim de factori ipotetici care pot fi explicați din covariația observată, cât și ca un mod de a explora datele în scopul unei
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
să fie limitată la explorarea dimensiunilor de bază ale datelor. Metoda poate fi folosită și ca un mijloc de testare specific ipotezelor. De exemplu, cercetătorul poate anticipa sau formula ipoteze asupra faptului că există două dimensiuni de bază diferite și variabilele sigure aparțin unei dimensiuni, în timp ce toate celelalte aparțin celei de-a doua dimensiuni. Dacă analiza factorială este folosită pentru pretestarea acestei presupoziții, atunci ea este folosită ca un mijloc de confirmare a ipotezei sigure, nu ca un mijloc de explorare
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
este vorba despre o analiză factorială confirmatoare (Confirmatory Factor Analysis CFA). "Diviziunea dintre aceste două moduri nu este întotdeauna clară. De exemplu, este posibil ca cercetătorul să poată specifica faptul că există doi factori, dar să nu poată anticipa ce variabile reprezintă fiecare. Sau pentru a ilustra una dintre numeroasele strategii care pot fi folosite, cercetătorul poate utiliza o jumătate din eșantion pentru a explora structura posibilă a coeficienților și apoi să utilizeze cealaltă jumătate din eșantion pentru a testa ipotezele
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
cercetătorul poate utiliza o jumătate din eșantion pentru a explora structura posibilă a coeficienților și apoi să utilizeze cealaltă jumătate din eșantion pentru a testa ipotezele care au fost dezvoltate din examinarea primei jumătăți"25. 8.4.2. Factori și variabile Analiza factorială este bazată pe presupoziția fundamentală că factorii de bază care sunt mai puțin numeroși decât variabilele observate, sunt responsabili de covariația dintre variabilele observate. O astfel de presupoziție poate fi expusă într-o diagramă analitic cauzală după cum urmează
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
cealaltă jumătate din eșantion pentru a testa ipotezele care au fost dezvoltate din examinarea primei jumătăți"25. 8.4.2. Factori și variabile Analiza factorială este bazată pe presupoziția fundamentală că factorii de bază care sunt mai puțin numeroși decât variabilele observate, sunt responsabili de covariația dintre variabilele observate. O astfel de presupoziție poate fi expusă într-o diagramă analitic cauzală după cum urmează: Figura nr. 8.6: Modelul 1 de analiză factorială dı bı Xı Uı F d2 b2 X2 U2
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
ipotezele care au fost dezvoltate din examinarea primei jumătăți"25. 8.4.2. Factori și variabile Analiza factorială este bazată pe presupoziția fundamentală că factorii de bază care sunt mai puțin numeroși decât variabilele observate, sunt responsabili de covariația dintre variabilele observate. O astfel de presupoziție poate fi expusă într-o diagramă analitic cauzală după cum urmează: Figura nr. 8.6: Modelul 1 de analiză factorială dı bı Xı Uı F d2 b2 X2 U2 Această diagramă implică: X1 este suma dintre
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
X1 este suma dintre F și U1 și X2 este suma dintre F și U2. Deoarece F este comun și pentru X1 și pentru X2, poate fi numit factor comun; în același fel, deoarece U1 și U2 sunt unice pentru variabila observată, ele pot fi atribuite ca un factor unic. În formă algebrică, diagrama implică următoarele două egalități: X1 = b1 F + d1 U1 X2 = b2 F + d2 U2 [1] În plus, diagrama indică, de asemenea, faptul că nu există covariație între
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]
-
covariație între F și U1, între F și U2 sau între U1 și U2. cov ( F, U1 ) = cov ( F, U2 ) = cov ( U1 U2 ) = 0 [2] Cele trei ecuații descriu un sistem liniar de analiză factorială. Exemplu: Presupunem că există trei variabile F, U1 și U2 și opt cazuri (sau entități). Fiecare variabilă are două valori posibile: 1 sau -1 și acestea nu sunt corelate între ele. Să presupunem că ni se cere să stabilim variabile din această sursă de date conform
Statistică aplicată în științele sociale by Claudiu Coman () [Corola-publishinghouse/Science/1072_a_2580]