Seminario di Metodologia della Ricerca Psicologica MARIAGRAZIA BENASSI ROBERTO BOLZANI SARA...
-
Upload
tina-de-angelis -
Category
Documents
-
view
234 -
download
7
Transcript of Seminario di Metodologia della Ricerca Psicologica MARIAGRAZIA BENASSI ROBERTO BOLZANI SARA...
Seminario di Metodologia della Ricerca Psicologica
MARIAGRAZIA BENASSIROBERTO BOLZANISARA GIOVAGNOLI
Magritte, Age of Reason
Metodologia della Ricerca
• Non indica semplicemente i metodi e le tecniche da utilizzare nella ricerca ma l’attività critica che si applica ai diversi prodotti della ricerca (Boudon, 1991)
• Aspetto normativo della metodologia: l’importanza di fare buone ricerche
Ricerca scientifica
• Scopo: generare e controllare teorie metodologicamente corrette
– Aderenza alla realtà empirica di riferimento
– Riduzione dei costi e degli errori
Programma del corsoI PARTE (3cfu) Elementi di statistica inferenziale
1. Misura: Tipi di variabili e scale di misurazione 2. Procedura della statistica inferenziale 3. Logica del test statistico 4. Errori nell'interpretazione dei risultati del test
statistico 5. Disegni di ricerca6. Metodi di campionamento 7. Fallacia nel campionamento 8. Affidabilità e validità
II Parte (+3 cfu) Procedure statistiche avanzate
1. Analisi della correlazione2. Analisi fattoriale3. Analisi discriminante e cluster analysis4. Modelli non parametrici5. Metanalisi
Programma del corso
Modalità d’esame
Orale
3 cfu I Parte
6 cfu I + II Parte
Bibliografia I Parte: • Bolzani R., Canestrari R. (1994) Logica del test statistico. Milano, Casa Editrice
Ambrosiana. (Cap. 2)• Bolzani R. (1999) Problemi di statistica. Milano, Casa Editrice Ambrosiana. (Cap. 2)• Bolzani R. Benassi M (2003)Tecniche Psicometriche. Roma, Carocci Editore (Cap. 1)• McBurney DH (1986) Metodologia della ricerca psicologica. Bologna, Il Mulino. (Cap.
da 3 a 10)• Mucciarelli G, Celani G (a cura di) (2002) Quando il Pensiero Sbaglia. Torino, Utet
Libreria (Cap. 3, 4, 5) II Parte:• Bolzani R., Canestrari R. (1994) Logica del test statistico. Milano, Casa Editrice
Ambrosiana. (Cap. 5)• Bolzani R. (1999) Problemi di statistica. Milano, Casa Editrice Ambrosiana. (Cap. 4,
5)• Bolzani R. Benassi M (2003)Tecniche Psicometriche. Roma, Carocci Editore (Cap. 7,
8)
Strumenti• Diapositive e esercizi sul sito di
Psice-Pagine Insegnamenti
• Lezioni e esercitazioni on-line disponibili sulla piattaforma A3
Piattaforma A3• Registrazione
atutor.psice.unibo.it/registrazione/Id: PsicologiaFreqPassword:poqevipe36
» Mail e matricola
• http://atutor.psice.unibo.it
Piattaforma A3• Moduli didattici e esercitazioni
• Chat (orari di ricevimento CESENA)• Forum
Verifiche• Pre-appelli per frequentanti (1 per
ogni parte per 1cfu): durante il corso (15 Marzo; 5 Aprile)
• Appelli ufficiali (esame orale)
PRE-REQUISITI
• Logica della dimostrazione sperimentale
• Distribuzioni di Probabilità
• Test parametrici e non parametrici
Note sulla teoria della Misura in
PsicologiaDefinizione di Misura:
misurare significa attribuire agli elementi di un insieme le caratteristiche di un sistema di riferimento tali per cui queste caratteristiche siano rappresentative rispetto alle caratteristiche dell’insieme di partenza
Per definire il rapporto (funzione di omeomorfismo) fra l’insieme misurato e il sistema di riferimento occorre che sia definibile:
• Il sistema relazionale empirico (oggetto)
• Il sistema relazionale di riferimento (strumento)
• le relazioni fra gli elementi dell’insieme misurato sono riprodotte (omeomorfe) dagli elementi dell’insieme misurante
• permette di fare operazioni fra gli elementi dell’insieme e quindi di meglio comprendere le caratteristiche delle parti rispetto all’insieme stesso
• permette di condividere e quindi confrontare le informazioni di insiemi diversi in base a un linguaggio comune
CRITICITA’:
a. Precisione dello strumento
b. Determinazione dell’Oggetto
c. Generalizzazione
Precisione dello strumento
• Non c’è mai corrispondenza perfetta fra i due sistemi (misurante-misurato)
• Lo strumento di misura deve essere in grado di dare anche una stima dell’errore di misura
• La stima viene data attraverso l’intervallo di tolleranza che è definibile solo se sono definiti i metodi di misurazione e se la misura è empirica
Statistica inferenzialeStatistica inferenzialeFalsificazione HoFalsificazione Ho
INTERVALLO DI CONFIDENZA:
rappresenta la zona attorno al parametro stimato entro cui ci aspettiamo, con una probabilità 1‑, di trovare il parametro relativo a un nuovo campione.Ha la stessa estensione dell'intervallo attorno all'ipotesi nulla.Se nell'intervallo di confidenza cade il valore di H0 non si può respingere l'ipotesi nulla.
Statistica inferenzialeStatistica inferenzialeFalsificazione HoFalsificazione Ho
INTERVALLO DI TOLLERANZA:
rappresenta la zona attorno al parametro stimato entro cui ci aspettiamo, con una probabilità 1‑, che cada un nuovo caso.
• Semplicità della teoria• Conformità alle leggi o alle
regolarità della natura• Semplicità come Falsificabilità• Universalità della teoria • Parsimonia
Determinazione dell’oggetto
Generalizzazione
• Scopo della misura• Punto di partenza e di arrivo di
ogni misurazione
SCALE DI MISURA
Classificazione Stevensiana:
• sistema di riferimento: sistema dei numeri reali R
• Va da una classe più semplice a una classe più complessa
SCALE DI MISURA
Classificazione Stevensiana
• Scale nominali• Scale ordinali• Scale intervalli• Scale rapporto
Scale Nominali
• la relazione fra gli eventi è la categorizzazione• le categorie sono distinte in base alla sola
operazione di uguaglianza o differenza• La proprietà dei R corrispondente è la cardinalità• Gli eventi sono raggruppabili in classi
mutualmente esclusive• Le operazioni statistiche possibili sono il calcolo
delle frequenze, test non parametrici.• I parametri descrittivi tipici sono moda e mediana
Scale Ordinali• Gli elementi dell’insieme sono oltre che
sottoposti a categorizzazione anche ordinati gerarchicamente seguendo una relazione di asimmetria
• i numeri sono disposti in modo tale da riflettere l’ordine di graduatoria degli elementi
• Non è possibile quantificare la distanza fra gli elementi
• La proprietà dei R corrispondente è l’ordinalità• Le operazioni statistiche possibili sono il calcolo
delle frequenze, test non parametrici• I parametri descrittivi tipici sono moda e mediana
Scale Intervalli
• alle caratteristiche delle prime due scale si aggiunge anche la definizione della distanza fra ogni elemento dell’insieme
• costanza degli intervalli fra le diverse classi• non viene definito lo zero assoluto• Con queste scale sono possibili solo le
operazioni di somma e sottrazione• Test statistici parametrici• I parametri descrittivi tipici sono media e varianza
Scale Rapporto
• oltre ad esserci una costanza fra le classi è anche definito un valore di zero assoluto non arbitrario
• applicabili le operazioni matematiche di moltiplicazione e divisione
• Test statistici parametrici• I parametri descrittivi tipici sono
media e varianza
SCALE DI MISURA
Critiche alla classificazione stevensiana:
1. non comprende tutte le possibili classi di eventi.
2. Rigidità nell’accostamento scala-statistica
Variabili
• Eventi empirici oggetto della misura
• Possono essere parte di categorie e assumere diversi valori
VARIABILI
CRITICITA’
• Aderenza fra sistema numerico e sistema empirico
• Metodo di misurazione sintetico o analitico
TIPI DI VARIABILI
Classificazione in base al ruolo nel disegno sperimentale
Relazione causale• Variabile dipendente• Fattore
• Variabile confondente
TIPI DI VARIABILI
Classificazione in base alle caratteristiche
• Variabili qualitative• Variabili quantitative
Classificazione in base alla distribuzione
• Variabili gaussiane• Varibili non gaussiane
VARIABILI E VARIABILI E SCALE DI MISURA
- OPERAZIONI STATISTICHE POSSIBILI –
Scelta è dettata da:• dal disegno sperimentale• dall’ipotesi sperimentale• dal tipo di variabili
VARIABILI E VARIABILI E SCALE DI MISURA
- OPERAZIONI STATISTICHE POSSIBILI –
Dal disegno sperimentale
• Multivariato• Univariato• …
VARIABILI E VARIABILI E SCALE DI MISURA
- OPERAZIONI STATISTICHE POSSIBILI –
Dall’ipotesi sperimentale
• Inferenza (rapporti di causa-effetto generalizzabili)
• Descrizione (esplorazione di un fenomeno di diversa complessità)
VARIABILI E VARIABILI E SCALE DI MISURA
- OPERAZIONI STATISTICHE POSSIBILI –
Dal tipo di variabili
• Se a distribuzione gaussiana allora test parametrici
• Se a distribuzione non gaussiana allora test non parametrici
VARIABILI E VARIABILI E SCALE DI MISURA
- OPERAZIONI STATISTICHE POSSIBILI –
Criticità:
- criteri decisionali rigidi- ambiguità della situazione
Soluzioni:- motivazioni del criterio
• La statistica DESCRITTIVA r rappresenta sinteticamente i diversi valori relativi ai soggetti di un determinato gruppo (media, frequenza, percentuale etc.)
• Oggetto: riguarda esclusivamente i soggetti esaminati
• Processo: il processo sulla quale è basata va dalla raccolta dei dati alla descrizione alla successiva formulazione di un’idea da verificare
• Misura: i test statistici sono di tipo esplorativo: utilizzano modelli matematici molto raffinati ma non hanno valore dimostrativo. I parametri che utilizzano non sono basati sul calcolo probabilistico.
Statistica Descrittiva
Statistica Inferenziale• Oggetto: l'esistenza di
relazioni fra una generica variabile dipendente e un insieme di variabili indipendenti (fattori)
• Processo: procede secondo una sequenza di operazioni ben definita e rigida
• Logica di tipo falsificazionista
• Misura: calcolo probabilistico
R. Fisher, 1890-1962
Inferenza: regoleInferenza: regoleRELAZIONE FRA FATTORI E VARIABILE
DIPENDENTE
IPOTESI E TEST STATISTICO SEGUONO UNA LOGICA DI TIPO CAUSA-EFFETTO
TUTTAVIA:
• I RISULTATI NON SONO VINCOLATI DA QUESTA LOGICA• LE CONCLUSIONI NON VENGONO ACCETTATE SE
SOSTENGONO UNA LOGICA CAUSA-EFFETTO
Inferenza: regoleInferenza: regole
ESEMPIO 1: INDAGINE SULLA RELAZIONE FRA ALCOOLISMO E CIRROSI EPATICA
ESEMPIO 2: INDAGINE SULLA RELAZIONE FRA ETA’ E CAPACITA’ MNEMONICHE
Inferenza: regoleInferenza: regoleMetodologia: teoria delle regole alla base del
processo euristico
Motivazioni dell’esplicitazione delle regole: – Ragioni epistemologiche– Ragioni etiche– Ragioni politiche
*** KR Popper (1934) La logica della scoperta scientifica, cap 2. Einaudi (1998)
Inferenza: regoleInferenza: regoleRIGIDITA’ DEL PROCESSO
DIMOSTRATIVO
Regole di metodo come convenzioni
ControlloCorroborazioneReplicabilitàRevisione
Inferenza: regoleInferenza: regole
Controllo
• Coerenza interna (confronto logico delle conclusioni)
• Indagine sulla forma logica (teoria empirica, scientifica o tautologica)
• Confronto con altre teorie• Confronto mediante le applicazioni
empiriche
Inferenza: regoleInferenza: regole
L’oggettività della scienza sta nell’intersoggettività delle asserzioni della scienza stessa.
Inferenza: regoleInferenza: regole
falsifi co l'ipotesi nulla non falsifi co l'ipotesi nulla
Test Statistico( stim a del param etro)
Raccolta Dati eDescrizione Variabili
Scelta Cam pionecasuale e idoneo
Form ulazione Ho
I dea GeneraleI potesi Sperim entale
(1)Formulazione Idea sperimentale (H1):
generale e falsificabileipotesi di differenza
Inferenza: regoleInferenza: regole
Inferenza: regoleInferenza: regole
(2)Formulazione di H0 da falsificare
complementare a H1ipotesi di uguaglianza
Inferenza: regoleInferenza: regole
(3)Raccolta del Campione
Idoneo a confermare l'idea Rappresentativo dell'intera popolazione (casuale, sufficientemente ampio)
Conforme alle richieste del test che si intende utilizzare (distribuzione,
indipendenza)
Inferenza: regoleInferenza: regole
(4) Applicazione del TEST STATISTICO
indipendenzariferimento alle distribuzioni teoriche
(continuità, normalità ..) in grado di falsificare tipi determinati
di ipotesi nulle
Inferenza: regoleInferenza: regole(5)
SIGNIFICATIVITÀ
Probabilità di respingere l'ipotesi nulla pur essendo questa vera
Il suo limite è stabilito a priori(livello di significatività normalmente 0.05 o 0.01)
Inferenza: regoleInferenza: regole
(6a)Falsificazione di H0
& dimostrazione di H1
(6b)Non falsificazione di H0
& riflessioni sulla ricerca******NON SI PUO’ DIMOSTRARE H0***
Inferenza: regoleInferenza: regole
Attraverso la distribuzione dell’ipotesi nulla vengono individuate due zone:
• una zona attorno all'ipotesi nulla in cui non è possibile escludere, in base al risultato ottenuto, che l'ipotesi nulla sia vera
• La rimanente regione riguarda una zona in cui è estremamente improbabile ottenere un risultato sperimentale se è vera l'ipotesi nulla
Inferenza: regoleInferenza: regole
ERRORI DI MISURA
Misurare implica sempre un errore
• ineliminabile• di diversa origine• può essere quantificabile
Occorre identificare e misurare anche l’errore
Inferenza: regoleInferenza: regole
ERRORI DI MISURA
Errori di metodo – controllo tramite evitamento
Errori di decisione – controllo tramite stima
Inferenza: regoleInferenza: regole
ERRORI DI DECISIONE
H0 vera H1 falsa
H0 falsa H1 vera
Respingo H0 errore I tipo
corretto
Non respingo H0 corretto errore II tipo
Inferenza: regoleInferenza: regole
Errore alpha• Errore relativo alla probabilità di
falsificare H0 quando H0 è vera• Legato alla significatività del test• Il suo valore è determinato a priori
(<=0.05 o 0.01)• Legato a errore beta
ERRORI DI DECISIONE
ERRORI DI DECISIONE
Errore beta• Errore relativo alla probabilità di
non falsificare H0 quando H0 è falsa
• Legato alla potenza del test• Il suo valore è determinato a priori • Legato a errore alpha
• Potenza del test: probabilità di respingere H0 quando H0 è falsa. È data da 1‑
• Dipende :
da H0 e da H1 dalla numerosità del campione dalla minima differenza apprezzabile dalla varianza casuale
Inferenza: regoleInferenza: regole
Primit
(6b) Non respingo H0
l'ipotesi nulla è “vera” o meglio le differenze analizzate da H1 sono troppo piccole
scarsa potenza del test:• il campione ha varianza elevata scarsa numerosità del campione il campione non soddisfa le condizioni relative
alla distribuzione il campione non è rappresentativo dell'intera
popolazione non sufficiente separazione fra H0 e H1
Inferenza: regoleInferenza: regole
Inferenza: regoleInferenza: regole
La forza dell’effetto (effect size)Indice della relazione fra la variazione dovuta al fattore considerato e la variazione totale del modello (dovuta alla somma fra variabilità del fattore e variabilità errore)
La forza dell’effetto (effect size)Parametro: Partial Eta squared Utile per il confronto fra diversi studi
perché è indipendente dalla numerosità
Permette di confrontare campioni di numerosità diversa
Non è associato alla probabilità di errore ovvero alla significatività
Inferenza: regoleInferenza: regole
Un esempio: nell’analisi della covarianza è possibile calcolare la potenza del test (observed power) e la forza dell’effetto (partial Eta squared)
Inferenza: regoleInferenza: regole
Tests of Between-Subjects Effects
Dependent Variable: memory
3611.944b 1 3611.944 62.235 .000 .640 62.235 1.000
83910.134 1 83910.134 1445.801 .000 .976 1445.801 1.000
3611.944 1 3611.944 62.235 .000 .640 62.235 1.000
2031.300 35 58.037
257557.000 37
5643.243 36
SourceCorrected Model
Intercept
età
Error
Total
Corrected Total
Type III Sumof Squares df Mean Square F Sig.
Partial EtaSquared
Noncent.Parameter
ObservedPower
a
Computed using alpha = .05a.
R Squared = .640 (Adjusted R Squared = .630)b.
ERRORI DI DECISIONE
Tuttavia…• La potenza del test a posteriori è
calcolata sulla differenza misurata e non sulla minima differenza apprezzabile
Inferenza: regoleInferenza: regoleLogica falsificazionista
Un sistema empirico per essere scientifico deve poter esser confutato dall’esperienza
Asimmetria fra verificabilità e falsificabilità
Limite alpha funge da sbarramento
Inferenza: regoleInferenza: regole
CRITICHE
• Essendo asimmetrico le ipotesi nulle non falsificate non vengono prese in considerazione
• Rigidità nella scelta• Arbitrarietà di Alpha• Il problema della numerosità• Non permette di analizzare direttamente
ipotesi alternative
Inferenza: regoleInferenza: regole
Possibili errori dalla logica falsificazionista:
• Non valutazione della Potenza del test• Confronto fra i valori di p relativo ad alpha• Utilizzo della logica falsificazionista per
confermare H0• La significatività indica una differenza ma
non è né un indice di senso né un indice di forza
esercizio1
• Analizza l’articolo dal punto di vista delle variabili in studio e dei test statistici applicati.
“L’indice di capacità di lavoro in operatori sanitari”, Giornale Italiano di Medicina del lavoro e Ergonomia, p. 355-358
Domande• Quale è l’ipotesi sperimentale?
– E’espressa chiaramente? E’ semplice e generale?
• Quali sono le variabili in studio?– Sono identificabili? Fanno riferimento a un disegno
sperimentale univariato o multivariato? Quali le dipendenti e i fattori? Che scala rappresentano?
• Quale è la statistica applicata?– I test sono parametrici o non?– C’è una corrispondenza fra test utilizzato e tipo di
variabile?– E’ visibile la distribuzione di probabilità della
dipendente?
Inferenza: regoleInferenza: regole
La logica falsificazionista deriva da due
approcci
– il p-value approach (PVA), di Fisher
(1935)
– il fixed alpha approach (FAA), di Neyman
e Pearson (1933)
J. Neyman 1884-1981
E. Pearson 1885-1980
Fisher 1890-1962
Inferenza: regoleInferenza: regole
Entrambi gli approcci condividono:
• l’utilizzo dell’ipotesi nulla H0
• l’utilizzo di un valore critico di probabilità p (p-
value) e del livello per determinare la
probabilità del verificarsi di eventi dovuti al
caso o ad errori di campionamento
METODO ALTERNATIVO ALLA LOGICA
FALSIFICAZIONISTA
FAA di Neyman e Pearson
metodo per selezionare una ipotesi
tra due ipotesi possibili H1 e H0
Inferenza: regoleInferenza: regole
• Oltre al valore di alpha si fissa anche quello
di beta; di solito, rispettivamente 0.05 e 0.2
• Non si determina più la probabilità dei dati per H0 vera, ma la probabilità condizionata di H0 e H1 per quei dati osservati, da confrontare con i valori posti di alpha e beta [e cioè, p(H0, H1 dati)].
Inferenza: regoleInferenza: regole
Inferenza: regoleInferenza: regole
…Tuttavia
• Non ci sono oggi test statistici basati sul FAA salvo calcoli probabilistici bayesiani
• Tutti i test sono basati sulla falsificazione di H0 secondo la logica falsificazionista
Inferenza: regoleInferenza: regole
Consigli dell’ APA– Chiarezza nella presentazione dei dati
(presentazione dei casi, dei dati mancanti e degli outliers)
– Scelta di analisi semplici– Rinunciare alla scelta dicotomica fra
accettazione e rifiuto di H1 e riportare oltre al valore di p anche gli intervalli di confidenza e la forza dell’effetto
Inferenza: regoleInferenza: regole
Letture consigliate:• Fisher RA (1935) The design of Experiments,
Edimburgh, Oliver & Boyd; trad. it. La programmazione degli esperimenti, Pisa, Nistri Lischi, 1954.
• Neyman J e Pearson ES (1933) On the problem of the most efficient tests of statistical hypothesis, in Philosophical transaction of the Royal Society of London, A231, pp 289-337.
• Cohen, J (1994) The Earth is round (p<0.05), American Psychologist, 49, 12, pp 997-1003.
Disegno di ricerca
Definizione:è il progetto nel quale sono specificati i legami fra le variabili che si andranno ad analizzare e i possibili risultati che ci si aspetta di trovare ovvero il modo con cui si analizzano le variabili in studio.
Non c’è concordanza fra gli autori
2 linee1. Formale: D.Sperimentali, D.Quasi
sperimentali e D.Non sperimentali2. Pragmatica: tutti i disegni sono
considerati sperimentali
Tipologie di disegni di ricerca
DISEGNI SPERIMENTALIsono caratterizzati dal controllo di tutte le variabili in gioco, del campione raccolto con selezione idonea e casuale e della procedura di raccolta e analisi dei dati
Tipologie di disegni di ricerca
DISEGNI QUASI SPERIMENTALI
sono caratterizzati dal PARZIALE controllo di tutte le variabili in gioco.
Tipologie di disegni di ricerca
DISEGNI QUASI SPERIMENTALI
Tipologie di disegni di ricerca
I disegni con un solo campionecon un solo campione sono quelli sui quali si effettuano diverse misure ma che si trattano non come misure ripetute ma come misure indipendenti. Nei disegni con campioni non equivalenticon campioni non equivalenti l’assegnazione dei soggetti ai gruppi non avviene in modo casuale. I disegni ex-post-factoex-post-facto sono riferiti a situazioni nelle quali l’evento in studio si è già verificato.
Esempio
DISEGNI NON SPERIMENTALIsono caratterizzati dall’IMPOSSIBILITA’ del controllo sulle variabili in gioco, sul campione sulla procedura di raccolta e analisi dei dati
Tipologie di disegni di ricerca
DISEGNI NON SPERIMENTALI
• le ricerche di osservazionericerche di osservazione nelle quali l’attenzione è spostata sulla struttura del problema che si sta indagando
• le ricerche d’archivioricerche d’archivio nelle quali si fa riferimento a dati raccolti in passato in archivi
• le ricerche sui casi singoliricerche sui casi singoli
Tipologie di disegni di ricerca
DISEGNI FATTORIALI
• sono presenti tutte le possibili combinazioni di fattori
• è possibile analizzare tutti gli effetti a cui i criteri di classificazione utilizzati fanno riferimento e tutte le possibili interazioni tra gli effetti principali
Tipologie di disegni di ricerca
DISEGNI FATTORIALI
• disegni entro i soggetti o per prove correlate nei quali la misura è effettuata sullo stesso campione
• disegni fra i soggetti nei quali è misurato l’effetto di una variabile in diversi gruppi
• disegni misti nei quali le condizioni fra i soggetti e entro i soggetti sono presenti
Tipologie di disegni di ricerca
Esempi di disegni fattoriali• entro i soggetti• fra i soggetti• misti
Tipologie di disegni di ricerca
DISEGNO INCOMPLETO
• non è possibile utilizzare tutte le combinazioni dei fattori
• non è conveniente il disegno fattoriale perchè porterebbe all'utilizzo di un numero totale di sottogruppi troppo grande
Tipologie di disegni di ricerca
DISEGNI INCOMPLETI: non vengono utilizzati tutti i sottogruppi possibili ma solo quelli che permettono lo studio degli effetti principali.
• QUADRATO LATINO Utilizza un criterio di incompletezza ciclica uguale per tutte le interazioni possibili
• A BLOCCHI RANDOMIZZATI nel quale le classi di un certo fattore comprendono solo alcune sotto-classi, rappresentanti l'insieme complessivo.
Esempio
Tipologie di disegni di ricerca
DISEGNI PERSONALIZZATI
• I tipi di disegno sperimentale esaminati sono solo una parte dei disegni utilizzabili.
• Il tipo di disegno è condizionato dall'ipotesi che vogliamo dimostrare e dal tipo di effetti che riteniamo influenti.
• In tutte le analisi statistiche è possibile personalizzare il modello di riferimento che rispecchia il disegno sperimentale utilizzato
Esempio
Tipologie di disegni di ricerca
Capitoli di riferimento• Misura:
– Bolzani R. Benassi M (2003)Tecniche Psicometriche. Roma, Carocci Editore (Cap. 1)
– McBurney DH (1986) Metodologia della ricerca psicologica. Bologna, Il Mulino. (Cap. 3)
• Statistica inferenziale, logica del test e errori di misura– Bolzani R., Canestrari R. (1994) Logica del test statistico.
Milano, Casa Editrice Ambrosiana. (Cap. 2)– Bolzani R. (1999) Problemi di statistica. Milano, Casa
Editrice Ambrosiana. (Cap. 2)– McBurney DH (1986) Metodologia della ricerca psicologica.
Bologna, Il Mulino. (Cap. 5, 6)
• Disegni di ricerca– McBurney DH (1986) Metodologia della ricerca psicologica.
Bologna, Il Mulino. (Cap. 7, 8, 9, 10)