150 matches
-
o simplificare, altfel spus, înțelegem cu ajutorul variabilelor. Sarcina cercetătorului din științele sociale o constituie specificarea atentă a acelor variabile și examinarea tiparelor care există între ele. Astfel, insistăm asupra specificării detaliate a modelului și încercăm să calculăm tendința centrală și covariația sistematică. Putem înțelege cazul particular în special în funcție de cazul general, altfel spus, în funcție de relațiile dintre variabile pe care le putem susține cu convingere și în funcție de gradul de variație pe care îl putem explica în raport cu apariția aleatorie. Generalizarea nu elimină importanța
[Corola-publishinghouse/Science/2240_a_3565]
-
întotdeauna într-o oarecare măsură incerte. Ni se cere să emitem judecăți de-a lungul întregului proiect cu privire la: specificarea unui model potrivit și la selectarea unei ipoteze critice de testare, la operaționalizarea variabilelor independente și dependente și identificarea surselor de covariație iluzorie posibilă, la selectarea observațiilor și la acuratețea măsurătorilor, la modelele recunoscute în date și la eficiența inferențelor extrase. Cercetătorul este responsabil de toate judecățile emise, acestea se cer exprimate în mod explicit și justificate în lucrarea pe care acesta
[Corola-publishinghouse/Science/2240_a_3565]
-
și 3 / 336 8.3.8. Modele saturate/ nesaturate / 338 8.3.9. Selectarea unui model potrivit / 339 8.4. Analiza factorială / 343 8.4.1. Noțiuni introductive / 343 8.4.2. Factori și variabile / 344 8.4.3. Variație, covariație și corelație / 346 8.4.4. Combinațiile liniare și derivațiile variației și covariației / 348 8.4.5. Derivația structurii covariației din structura factorială / 349 8.4.6. Obținerea soluțiilor analizei factoriale / 359 8.4.7. Obținerea analizei factoriale în SPSS
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
Selectarea unui model potrivit / 339 8.4. Analiza factorială / 343 8.4.1. Noțiuni introductive / 343 8.4.2. Factori și variabile / 344 8.4.3. Variație, covariație și corelație / 346 8.4.4. Combinațiile liniare și derivațiile variației și covariației / 348 8.4.5. Derivația structurii covariației din structura factorială / 349 8.4.6. Obținerea soluțiilor analizei factoriale / 359 8.4.7. Obținerea analizei factoriale în SPSS / 361 Capitolul 9. CONSTRUCȚIA INDICILOR (Coautor: lect. drd. Meseșan Schmitz Luiza) / 369 9
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
Analiza factorială / 343 8.4.1. Noțiuni introductive / 343 8.4.2. Factori și variabile / 344 8.4.3. Variație, covariație și corelație / 346 8.4.4. Combinațiile liniare și derivațiile variației și covariației / 348 8.4.5. Derivația structurii covariației din structura factorială / 349 8.4.6. Obținerea soluțiilor analizei factoriale / 359 8.4.7. Obținerea analizei factoriale în SPSS / 361 Capitolul 9. CONSTRUCȚIA INDICILOR (Coautor: lect. drd. Meseșan Schmitz Luiza) / 369 9.1. Definirea indicilor / 369 9.2. Tipuri
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
indici atitudinali sau date factuale cum ar fi venitul). Modelele de regresie se compun dintr-o variabilă dependentă (cea a cărei variație urmărim să o explicăm) și variabilele independente sau predictorii care se află într-o relație liniară de asociere (covariație) cu dependenta. Relația de regresie este o relație asimetrică deoarece presupune că numai variația dependentei este explicată de predictori nu și invers. În plus, se presupune că nu există efecte de interacțiune între predictori. Forma ecuației de regresie liniară este
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
o creștere de o unitate pe scara lui X este însoțită de o creșterea, în medie, cu b unități a lui Y, celelalte variabile fiind ținute sub control. Atenție, coeficienții de regresie nu se interpretează în sens cauzal, ei exprimă covariația dintre variabila dependentă și cea independentă, nefiind posibilă testarea unei relații cauzale. Coeficientul b reprezintă panta dreptei de regresie a lui Y funcție de un predictor X. Cu cât b este mai mare, panta (înclinarea) dreptei crește. Independența este redată printr-
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
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 posibile reduceri a acestora. Această formă de utilizare este analiza factorială exploratorie (Exploratory Factor Analysis EFA), majoritatea aplicațiilor din științele sociale aparținând acestei categorii. Dar folosirea analizei
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
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 Această diagramă implică: X1 este
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
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 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
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
surse factori ipotetici (constructe sau variabile ipotetice). Factorii care sunt implicați în crearea mai multor variabile observate sunt numiți factori comuni, iar aceia care sunt folosiți pentru crearea unei singure variabile observate sunt numiți factori unici. 8.4.3. Variație, covariație și corelație Există două proprietăți ale unei variabile care joacă roluri importante în statistică: media și variația. Media indică tendința centrală a unei variabile și variația indică gradul de dispersie (sau variabilitate)26. Media = ∑(Xi) / N (i = 1, 2, ..., N
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
si X2) au media 0 și variația 1. Aceste variabile sunt numite variabile normale sau standard. Fiecare variabilă poate fi transformată într-o astfel de variabilă standard, scăzând din aceasta rădăcina pătrată a variației. În caracterizarea relațiilor liniare dintre variabile, covariația joacă un rol important. Formula acesteia este: cov(X, Y)= ∑[( Xi -) ( Yi -)] / N (i = 1, 2,..., N) =E[( X -)( Y -)] [5] De reținut, faptul că, acele cazuri care se abat de la media fiecărei variabile nu contribuie la mărimea covariației: dacă
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
variabile, covariația joacă un rol important. Formula acesteia este: cov(X, Y)= ∑[( Xi -) ( Yi -)] / N (i = 1, 2,..., N) =E[( X -)( Y -)] [5] De reținut, faptul că, acele cazuri care se abat de la media fiecărei variabile nu contribuie la mărimea covariației: dacă un caz are o valoare mai mare decât media pentru una dintre variabile, dar o valoare mai mică pentru cealaltă, va contribui cu o valoare negativă la covariație; dacă un caz are valori mari sau valori mici pentru ambele
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
care se abat de la media fiecărei variabile nu contribuie la mărimea covariației: dacă un caz are o valoare mai mare decât media pentru una dintre variabile, dar o valoare mai mică pentru cealaltă, va contribui cu o valoare negativă la covariație; dacă un caz are valori mari sau valori mici pentru ambele variabile va crește covariația 27. Astfel, covariația măsoară extensia pentru care valorile unei variabile tind să covarieze cu valorile altei variabile. Covariația dintre variabilele standard este denumită specific: coeficient
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
are o valoare mai mare decât media pentru una dintre variabile, dar o valoare mai mică pentru cealaltă, va contribui cu o valoare negativă la covariație; dacă un caz are valori mari sau valori mici pentru ambele variabile va crește covariația 27. Astfel, covariația măsoară extensia pentru care valorile unei variabile tind să covarieze cu valorile altei variabile. Covariația dintre variabilele standard este denumită specific: coeficient de corelație sau coeficientul de corelație al lui Pearson (vezi capitol 7, Analiza bivariată). = cov
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
mai mare decât media pentru una dintre variabile, dar o valoare mai mică pentru cealaltă, va contribui cu o valoare negativă la covariație; dacă un caz are valori mari sau valori mici pentru ambele variabile va crește covariația 27. Astfel, covariația măsoară extensia pentru care valorile unei variabile tind să covarieze cu valorile altei variabile. Covariația dintre variabilele standard este denumită specific: coeficient de corelație sau coeficientul de corelație al lui Pearson (vezi capitol 7, Analiza bivariată). = cov(X, Y) = E
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
va contribui cu o valoare negativă la covariație; dacă un caz are valori mari sau valori mici pentru ambele variabile va crește covariația 27. Astfel, covariația măsoară extensia pentru care valorile unei variabile tind să covarieze cu valorile altei variabile. Covariația dintre variabilele standard este denumită specific: coeficient de corelație sau coeficientul de corelație al lui Pearson (vezi capitol 7, Analiza bivariată). = cov(X, Y) = E(XY), [6] dacă = = 0 dacă Vx = Vy = 1 [7] Dacă o variabilă poate fi exprimată
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
punct de vedere statistic, mărimea corelației va fi 0. Altfel, mărimea lui r va varia între 1 și -1 (dacă distribuția este bivariată, media, variația și corelația dintre ele vor specifica distribuția bivariată). Este important de reținut că noțiunea de covariație este independentă de structura cauzală de bază pentru cele două variabile; le poate acoperi pe ambele deoarece o variabilă este cauza celeilalte sau ambele variabile au în comun cel puțin o cauză. În sistemul liniar arătat în prima figură există
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
este independentă de structura cauzală de bază pentru cele două variabile; le poate acoperi pe ambele deoarece o variabilă este cauza celeilalte sau ambele variabile au în comun cel puțin o cauză. În sistemul liniar arătat în prima figură există covariație între X1 și F, deoarece F este una dintre variabilele de bază. Totuși, există covariație între X1 și X2 pentru că ambele au o variabilă de bază comună (F). 8.4.4. Combinațiile liniare și derivațiile variației și covariației Derivația și
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
ambele deoarece o variabilă este cauza celeilalte sau ambele variabile au în comun cel puțin o cauză. În sistemul liniar arătat în prima figură există covariație între X1 și F, deoarece F este una dintre variabilele de bază. Totuși, există covariație între X1 și X2 pentru că ambele au o variabilă de bază comună (F). 8.4.4. Combinațiile liniare și derivațiile variației și covariației Derivația și covariația dintre X1 și F se datorează faptului că X1 este o combinație liniară dintre
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
figură există covariație între X1 și F, deoarece F este una dintre variabilele de bază. Totuși, există covariație între X1 și X2 pentru că ambele au o variabilă de bază comună (F). 8.4.4. Combinațiile liniare și derivațiile variației și covariației Derivația și covariația dintre X1 și F se datorează faptului că X1 este o combinație liniară dintre F și U1 (X1=b1F+ d1 U1). Pentru că am presupus că F și U1 au media 0 și variația 1, aceste derivații pot
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
între X1 și F, deoarece F este una dintre variabilele de bază. Totuși, există covariație între X1 și X2 pentru că ambele au o variabilă de bază comună (F). 8.4.4. Combinațiile liniare și derivațiile variației și covariației Derivația și covariația dintre X1 și F se datorează faptului că X1 este o combinație liniară dintre F și U1 (X1=b1F+ d1 U1). Pentru că am presupus că F și U1 au media 0 și variația 1, aceste derivații pot fi simplificate fără
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
X1 în termenii variabilelor de bază) = E[b1²F² + d1U1² + 2b1d1FU1] Constantele pot fi extrase după cum urmează: = b1²E[F²] + d1²E[U1²] + 2b1d1E[FU1], ceea ce ne permite să recunoaștem faptul că termenii asociați cu notația presupusă au fost definiți ca variație sau covariație. Din acest motiv, variația poate fi descompusă după cum urmează: = b1²Var(F) + d1²Var(U1) + 2b1d1Cov(F,U1). [8] Ecuația 8 este formula generală care se referă la cazul în care o variabilă este o combinație liniară a două variabile de bază
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
a două variabile de bază. Explicată în cuvinte, rezultatele variației în X1 sunt date de suma: (1) variația lui F asociată cu frecvența ridicată la pătrat, (2) variația lui U1 înmulțit cu pătratul frecvenței pentru U1, (3) 2 înmulțit cu covariația dintre cele două variabile și frecvențele respective. Ecuația 8 este simplificată, dacă variabilele de bază sunt standard și covariația dintre variabilele de bază este 0 ca în exemplul următor: Variația(X1) = b1²var(F) + d1²var(U1), [9] dacă cov(F,U1
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]
-
F asociată cu frecvența ridicată la pătrat, (2) variația lui U1 înmulțit cu pătratul frecvenței pentru U1, (3) 2 înmulțit cu covariația dintre cele două variabile și frecvențele respective. Ecuația 8 este simplificată, dacă variabilele de bază sunt standard și covariația dintre variabilele de bază este 0 ca în exemplul următor: Variația(X1) = b1²var(F) + d1²var(U1), [9] dacă cov(F,U1) = 0 Aici variația în X1 este descompusă în doar două parți: o componentă determinată de factorul comun F și
by Claudiu Coman [Corola-publishinghouse/Science/1072_a_2580]