Slides Laboratori - Lezione 4 - Unibg · 81,9(56,7¬ '(/, 678', ', %(5$02 &rqwhqxwl ,q txhvwd...

UNIVERSITÀ DEGLI STUDI DI BERGAMO

Università degli Studi di BergamoDipartimento di Scienze Umane e SocialiCorso di Laurea in Scienze Psicologiche

LABORATORI DI PSICOMETRIALezione IV

Prof. Andrea Greco

Dott.ssa Roberta Adorni

Dott. Agostino Brugnera

Dott. Nicola Palena

Dott.ssa Cristina Zarbo


Contenuti

• In questa ultima lezione di laboratorio intendiamo ripercorrere tutti i contenuti visti all’interno delle lezioni laboratoriali, sia del corso di «Statistica Sociale» che di «Psicometria»… vietato perdersi d’animo, sotto con le analisi e via col divertimento!

• La presente lezione laboratoriale si concentra sul dataset dati_4lez.omv che contiene dati di uno studio teso a studiare le caratteristiche psicometriche di un nuovo questionario che valuta le caratteristiche di personalità (file questionario_4lab.docx)


Contenuti

• Il questionario presenta 28 items ed è teso a indagare cinque fattori di personalità secondo il modello teorico dei Big Five. I cinque fattori sono:o ENERGIA/ESTROVERSIONEo AMICALITA’o COSCIENZIOSITA’o STABILITA’ EMOTIVAo APERTURA MENTALE

• Il questionario è stato somministrato a studenti universitari dei CdL di area ingegneristica


Contenuti• Gli autori vogliono studiare le proprietà psicometriche dello strumento

facendo attenziona a valutare:o La distribuzione delle variabili osservateo La validità interna conducendo una Analisi Fattoriale Esplorativa, ponendo

attenzione al numero di fattori da estrarre, la rotazione da adoperare, la presenza di eventuali item da eliminare dalla soluzione fattoriale

o L’attendibilità valutando la coerenza interna di ciò che risulta dal punto precedente

o La validità di criterio concorrente, utilizzando l’apposito test, tramite l’informazione proveniente dalla somministrazione agli stessi soggetti dello strumento «Big Five Questionnaire» (Barbaranelli, Borgogni e Caprara, 1993), strumento che valuta gli stessi 5 fattori di personalità tramite 132 item– nel file sono, infatti, presenti i punteggi già calcolati provenienti dal questionario, con i nomi delle dimensioni col suffisso «_132item»

o La validità di criterio concorrente per gruppi conosciuti, utilizzando gli appositi test, tramite l’informazione proveniente dalle variabili Genere e Anno di Corso

o La validità di criterio predittiva, utilizzando l’apposita funzione, con l’intento di valutare se e quanto i fattori estratti dall’Analisi Fattoriale Esplorativa siano predittori della variabile Successo Esami misurata a fine anno, che distingue coloro che hanno superato tutti gli esami previsti (valore 1 nella variabile) da coloro che non hanno superato tutti gli esami previsti (valore 0 nella varabile)


Contenuti• Infine, gli autori vogliono arrivare ad

ottenere un «Profilo di Restituzione» per il soggetto n. 60 del dataset, utilizzando punteggi standardizzati T. Vogliono poi rappresentare queste informazioni nell’apposito grafico nel file Excel «grafico_4lez.xlsx» e costruire l’apposita narrativa di accompagnamento tramite le proposte di traccia nel file «Narrative_BigFive.docx»


Pronti…

… VIA!


Valutare la distribuzione delle variabili• Ci sono variabili che non rispettano i

criteri stingenti di Asimmetria e Curtosi?


Selezioniamo tutte le variabili che considereremo per l’AF (i 28 item del questionario) e richiamiamo le statistiche descrittive.

Valutiamo in particolare gli indici di asimmetria e curtosi: quali considerazioni possiamo fare?

Valutare la distribuzione delle variabili



criteri stingenti di Asimmetria e Curtosi?



criteri tolleranti di Asimmetria e Curtosi?



criteri tolleranti di Asimmetria e Curtosi?

o NO. PROCEDIAMO, QUINDI, SECONDO QUESTO CRITERIO…


Misure di forma della distribuzioneSkewness (asimmetria): indice che informa circa il grado di simmetria o asimmetria di una distribuzione

• Y = 0 distribuzione simmetrica• Y < 0 asimmetria negativa (mediana>media)

• Y > 0 asimmetria positiva (mediana<media)

Kurtosis (curtosi): indice che permette di verificare se i dati seguono una distribuzione di tipo Normale (simmetrica)• β =0 distribuzione Normale

• β <0 distribuzione iponormale (rispetto alla distribuzione normale ha frequenza di densità minore per valori molto distanti dalla media)

• β >0 distribuzione ipernormale (rispetto alla distribuzione normale ha frequenza di densità maggiore per valori molto distanti dalla media)

Le distribuzioni delle variabili deviano fortemente dalla distribuzione normale se:• Criterio stringente: valori di asimmetria e curtosi maggiori di |1| (Barbaranelli, 2007)• Criterio più tollerante: valori di asimmetria maggiori di |2| e di curtosi maggiori di |7|

(West, Finch, & Curran, 1995)


Valutare la validità interna

• Studiare la validità interna del questionario tramite «Analisi Fattoriale Esplorativa», ponendo attenzione a:o numero di fattori ad estrarreo rotazione da adoperareo presenza di eventuali item da eliminare


Valutare la validità interna


Validità interna - Test degli assunti

• Cosa possiamo concludere?


Validità interna - Test degli assuntiTest di sfericità di Bartlett: viene applicato alla matrice di correlazione delle variabili. L’ipotesi nulla è che le correlazioni tra le variabili risultino nulle → se il test è significativo, posso concludere che variabili hanno correlazioni sufficientemente elevate da essere considerate ≠ 0


Validità interna –Test degli assuntiKMO (Test di adeguatezza campionaria di Kaiser-Meyer-Olkin): è un indice che permette di confrontare la grandezza delle correlazioni osservate rispetto alle correlazioni parziali. Se le correlazioni parzializzate sono piccole tende a 1, quindi (secondo Kaiser)• se > 0.90 è eccellente• fra .80 e .90 buono• fra .70 e .80 accettabile• fra .60 e .70 mediocre• inferiore a .60 meglio non

fare l’analisi


Validità interna - Test degli assunti• Cosa possiamo

concludere?

Test di sfericità di Bartlettindica che le variabili hanno correlazioni sufficientemente elevate da essere considerate ≠ 0, mentre KMO indica che la grandezza delle correlazioni osservate rispetto alle correlazioni parzializzate è mediocre…

MA COMUNQUE POSSIAMO PROCEDERE CON L’AF


Validità interna

• Il tipo di AF da effettuare


LE DIVERSE TIPOLOGIE DI ESTRAZIONE DEI FATTORI• Analisi delle componenti principali (ACP): vengono derivate dalle N variabili originarie un numero

minore di Componenti Principali (nuove variabili), in grado di rappresentare una quota considerevole della varianza delle variabili originarie. Ogni componente estratta deriva da una combinazione lineare di tutte le variabili osservate; la prima componente principale è il fattore latente che spiega la percentuale più alta di varianza (autovalore più grande).La varianza spiegata risulta quindi essere l’indicatore di quanto ciascun fattore spiega l’informazione iniziale. Le componenti sono reali in quanto ricavate direttamente dalla matrice di correlazione delle variabili, come combinazioni reali di queste.

• Metodo dei Fattori Comuni (principal axis): a differenza del precedente metodo, estrae delle dimensioni ipotetiche (Fattori comuni) stimate a partire dai dati. Si ottengono dei vantaggi dovuti alla separazione tra varianza comune e varianza unica delle variabili, oltre che all’ipoteticità del fattore, il quale non deve essere completamente definito dalle correlazioni tra variabili. Queste differenze sono tuttavia irrilevanti nelle matrici di dati ampie.

• Minimi quadrati generalizzati (minimum residuals): metodo che minimizza la somma dei quadrati delle differenze tra la matrice di correlazione osservata e la matrice di correlazione riprodotta. Le correlazioni sono ponderate tramite l’inverso della loro unicità, in modo tale che alle variabili con unicità elevata venga attribuito un peso minore. Con unicità si intende la parte di varianza di una variabile non spiegata dai fattori estratti.

• Metodo della Massima Verosimiglianza (maximum likelihood): produce le stime dei parametri che più verosimilmente riproducono la matrice di correlazione osservata, se il campione è estratto da una popolazione che presenta una distribuzione normale delle variabili.


Validità interna

• Il tipo di AF da effettuare

NEL NOSTRO CASO POSSIAMO PROCEDERE CON IL DEFAULT DI JAMOVI, MINIMUM RESIDUALS

Ricordiamo che con matrici di dati ampie non ci sono molte differenza fra i vari metodi di estrazione!


Validità interna – decidere quanti fattori estrarre• Quanti fattori estrarre?


Validità interna - Decidere quanti fattori estrarre –l’autovalore


Validità interna - Decidere quanti fattori estrarre –l’autovalore

Estrazione di tutti i fattori che presentano un autovalore > di 1.

Ha come vantaggio quello di vedere quante dimensioni emergono in fase esplorativa. Il limite di tale criterio è che tende a sovrastimare il numero di fattori se le variabili di partenza sono molte e, viceversa, a sottostimarlo se sono poche.


Validità interna - Decidere quanti fattori estrarre – lo screeplot


Validità interna - Decidere quanti fattori estrarre – lo scree plot

SCREE PLOT: rappresentazione grafica degli autovalori relativi a tutte le componenti, ordinati in modo decrescente

SCREE PLOT DI DIFFICILE INTERPRETAZIONE


Validità interna - Decidere quanti fattori estrarre – impostare un numero preciso di fattori

Permette di selezionare il numero di componenti estratte (ad esempio se abbiamo ipotesi a priori).

NEL CASO SPECIFICO DI QUESTO ESEMPIO SAPPIAMO A PRIORI CHE IL MODELLO DI RIFERIMENTO PREVEDE L’ESISTENZA DI CINQUE FATTORI (BIG FIVE FACTORS). INOLTRE, ANCHE GLI AUTOVALORI > 1 CONFERMATO QUESTA IPOTESI…

PROCEDIAMO CON L’ESTRAZIONE DI CINQUE FATTORI


RICORDA - Decidere quanti fattori estrarreCriteri di scelta più frequenti e indicazioni generali comunemente accettate:

1. Estrazione di tutti i fattori che presentano un autovalore > 1. Ha come vantaggio quello di vedere quante dimensioni emergono in fase esplorativa. Il limite di tale criterio è che tende a sovrastimare il numero di fattori se le variabili di partenza sono molte e, viceversa, a sottostimarlo se sono poche.

2. Scree-test: traduce graficamente la progressione decrescente delle grandezze degli autovalori associati ai fattori, riportando i primi sull’asse delle ordinate e i fattori in ascissa. Dall’analisi dello scree-plot si può decidere di interrompere il processo di estrazione nel punto in cui la curva degli autovalori cambia pendenza fino a diventare piatta. Lo svantaggio è che spesso si verificano più punti di appiattimento della curva, rendendo l’utilizzo di questo criterio soggettivo.

3. Chi conduce la ricerca può disporre di modelli teorici che anticipano o ipotizzano il modo di raggrupparsi delle variabili originarie. L’estrazione in questo caso sarà congruente con il modello teorico di riferimento.


RICORDA - Decidere quanti fattori estrarre4. A partire dallo scree-test si tiene conto empiricamente delle differenze

nell’entità degli autovalori, partendo dai più alti fino ad arrivare ai più bassi.

5. Tenendo presente, man mano che si misurano gli “scarti” tra autovalori, la percentuale cumulata di varianza che i fattori spiegano complessivamente all’avanzare dell’analisi, è possibile decidere se e quando interrompere l’estrazione. Per l’interruzione dell’estrazione si può utilizzare un CRITERIO DI PARSIMONIA: quando la percentuale cumulata di varianza spiegata non aumenta più di molto, quindi l’entità dell’autovalore è simile a quella dell’autovalore precedente, è possibile interrompere l’estrazione.

6. Su ogni fattore dovrebbero esserci almeno 3 item


Validità interna – decidere il tipo di rotazione• Quale rotazione adoperare?


Validità interna – decidere il tipo di rotazione• Varimax è un tipo di rotazione ortogonale, gli assi rispetto ai quali i fattori

si posizionano vengono quindi mantenuti ortogonali, rimanendo tra loro non correlati. Questa rotazione massimizza la somma delle varianze, ossia i quadrati delle saturazioni delle variabili sui fattori, aumentando le saturazioni iniziali elevate e riducendo quelle con valori iniziali bassi. La matrice delle saturazioni fattoriali, contenente le correlazioni tra variabili e fattori, esprime anche il peso che un fattore ha su ciascuna variabile.

• Oblimin (o Quartimax, Promax) è una rotazione di tipo obliquo, gli assi non sono più ortogonali e i fattori sono correlati tra loro, fa in modo che le variabili abbiano saturazioni vicine allo 0 in tutti i fattori tranne uno.Le relazioni tra variabili e fattori sono riassunte attraverso due matrici: la Matrice Struttura (Jamovi non la produce) e la Matrice Pattern. La prima contiene dei coefficienti di regressione (beta) che rappresentano il contributo unico di ciascun fattore alla spiegazione della varianza della variabile, essa risente quindi della correlazione tra fattori. L’interpretazione dei fattori andrà fatta sulla matrice Pattern.


Validità interna – decidere il tipo di rotazioneQuando le medesime variabili (item) presentano saturazioni elevate su più fattori, rendendo difficile l’interpretazione dei risultati, diventa necessaria una trasformazione della matrice delle saturazioni. Tale trasformazione viene effettuata ruotando i fattori, ovvero spostandone la posizione nello spazio, in modo tale che una singola variabile correli con un solo fattore e per nulla o poco con gli altri.

In questo primo STEP di analisi, vogliamo valutare la soluzione NON ruotata.


Rotazione obliqua – Oblimin• Ricordiamoci che nel momento in cui ruotiamo i fattori in maniera obliqua stiamo

permettendo ai fattori di correlare tra loro, quindi dobbiamo controllare la Matrice della correlazione tra i fattori estratti

• Dalla Matrice di correlazione tra i fattori si possono osservare i fattori tra loro maggiormente correlati e le correlazioni che, se superiori a .30, giustificano il tipo di rotazione effettuato.

• Dovendo procedere alla scelta del tipo di rotazione si suggerisce di utilizzare una rotazione Oblimin in via esplorativa. Dopo aver verificato le correlazione tra i fattori estratti, se nessuna di queste raggiunge valori superiori a 0.3 in valore assoluto, è meglio procedere con un’analisi mediante rotazione Varimax.


Validità interna – decidere il tipo di rotazione• Quale rotazione adoperare?

POSSIAMO PROCEDERE CON UNA ROTAZIONE ORTOGONALE (VARIMAX), NON ESSENDO I FATTORI CORRELATI FRA LORO


Validità interna – presenza di item da eliminare?• Cosa suggerisce la soluzione fattoriale

rispetto alla presenza di eventuali item da eliminare secondo il criterio intermedio?


Validità interna – presenza di item da eliminare?

Factor loadings = SATURAZIONI

È possibile visualizzare la matrice per intero, oppure nascondere le saturazioni sotto un certo valore (di default < 0.3). In questo modo è possibile visualizzare tutte le saturazioni principali

MA se vogliamo accertarci che non ci siano saturazioni secondarie che «disturbano» la saturazione principale possiamo imporre “Hide loadings below 0.15”

Inoltre si può richiedere di ordinare le saturazioni dalla più grande alla più piccola, per ogni fattore



Più i valori di saturazione sono elevati, più forte è la correlazione tra la variabile e il fattore.Diversi criteri per stabilire quando una saturazione fattoriale è da considerare significativa:• Criterio stringente: saturazione > |0.40| (Garson, 2010)• Criterio intermedio: saturazione > |0.32| (Comrey & Lee, 1992)• Criterio più tollerante: saturazione > |0.3| (Barbaranelli, 2007)

Una saturazione ≤ 0.3 trascurabile, indica che meno del 9% della varianza della variabile è spiegata dal fattore.

Questi sono i principali criteri utilizzati per discriminare le saturazioni principali (a seconda che si voglia essere più o

meno rigorosi).



Oltre ai criteri precedenti, Ercolani e Perugini (1997) suggeriscono un ulteriore criterio (di semplicità fattoriale):

Rapporto tra la saturazione principale e la più elevata delle saturazioni secondarie sia per lo meno uguale a 2 o, in altre parole, tutte le saturazioni secondarie minori della metà della saturazione principale.



Tre sono, dunque, i criteri per la scelta e selezione degli item:

1) Saturazione principale significativa (saturazioni principali maggiori di uno dei cut-off precedentemente presentati da utilizzare per tutta l’Analisi Fattoriale)

2) Saturazioni secondarie non significative (saturazioni secondarie minori del cut-off utilizzato al punto 1; anche in questo caso il cut-off rimane lo stesso per tutta l’Analisi Fattoriale)

3) Saturazioni secondarie minori della metà della saturazione principale (o, in altre parole, rapporto tra la saturazione principale e la più elevata delle saturazioni secondarie sia per lo meno uguale a 2)


Questa è la matrice delle saturazioni ed è l’unica che JAMOVI fornisce in automatico come output.Fornisce informazioni su:• N di fattori estratti• Saturazioni di ogni item su ogni

fattore estratto• “uniqueness” = 1- h2 (comunalità)

N.B. L’unicità consente di valutare quanto le variabili sono rappresentate dalla soluzione fattoriale. I valori di unicità >.75 indicano che meno del 25% della loro rispettiva varianza è spiegata complessivamente dai fattori estratti. QUINDI: noi vogliamo• Comunalità > .25• Unicità < .75



Sulla base delle regoli precedenti, step by step, vengono eliminati alcuni item, tendenzialmente in base a:

• Rispetto cut-off saturazione principale >|.32|

• Saturazione secondaria < |.32|• Saturazione secondaria < ½

saturazione primaria



Tre item hanno saturazione principale inferiore a |.32|.

Procediamo all’esclusione del peggiore: l’item BFA_6



Ora due item hanno saturazione principale inferiore a |.32|.

Procediamo all’esclusione del peggiore: l’item BFA_28



Ora un item ha saturazione principale inferiore a |.32|.

Procediamo all’esclusione dell’item: l’item BFA_16




SIAMO GIUNTI ALLA SOLUZIONE DEFINITIVA

CHE NOME DIAMO AI CINQUE FATTORI



SIAMO GIUNTI ALLA SOLUZIONE DEFINITIVA

CHE NOME DIAMO AI CINQUE FATTORI:

1=ENERGIA2=AMICALITA’3=COSCIENZIOSITA’4=STABILITA’ EMOTIVA5=APERTURA MENTALE


Valutare l’attendibilità • Cosa possiamo concludere valutando

l’attendibilità, intesa come coerenza interna?


E’ un indice di consistenza interna basato sulla media delle correlazioni tra tutti gli item della scala; questo metodo estremizza il concetto delle forme parallele, considerando tutti gli item come altrettante forme parallele della stessa scala.

E’ il più frequentemente impiegato per il calcolo dell’attendibilità.

Si basa sul calcolo delle correlazioni tra tutti gli item di uno strumento e assume valore 1 in caso di coerenza perfetta tra gli item e 0 in caso di coerenza nulla.

L’impiego di questo indice è quindi sensato solo se gli item appartenenti alla scala misurano tutti lo stesso costrutto, ovvero solo se la scala è unidimensionale (ovvero esisterà un coefficiente Alpha di Cronbach per ogni fattore latente o componente principale stratta).

Quindi il calcolo dell’attendibilità di una scala di misura è possibile solo dopo aver indagato la dimensionalità latente o le componenti principali relative agli item attraverso l’Analisi Fattoriale/Analisi delle Componenti Principali.

Valutare l’attendibilità - L’Alpha di Cronbach


L’analisi dell’attendibilità andrà effettuata separatamente, una per ogni scala, ovvero una per ogni fattore estratto dall’AF.

N.B. Nel caso in cui siano stati eliminati alcuni item tramite l’analisi fattoriale, è opportuno non considerarli per il calcolo dell’attendibilità.



L’analisi dell’attendibilità andrà effettuata separatamente, una per ogni scala, ovvero una per ogni fattore estratto dall’AF.

N.B. Poniamo attenzione con l’item con la saturazione negativa e utilizziamo l’apposita funzione per ricodificare l’item, per non ottenere stime errate



Valutare l’attendibilità -L’Alpha di CronbachStudiamo l’Alpha di Cronbach per le cinque scale individuate tramite l’analisi fattoriale precedente:


• I coefficienti di attendibilità variano da 0 (mancanza assoluta di attendibilità) a +1 (attendibilità perfetta).

• Come regola pratica si considerano: o valori > 0.90: ottimi, o valori compresi tra 0.80 e .90: buoni, o valori compresi tra 0.70 e .80: discreti,o valori compresi tra 0.60 e .70: sufficienti, o valori < 0.60 deficitari.

• E’ corretto calcolare a quando gli item della scala misurano tutti una caratteristica omogenea

Valutare l’attendibilità -L’Alpha di Cronbach


• Cosa possiamo concludere valutando l’attendibilità, intesa come coerenza interna?

TUTTI E CINQUE FATTORI DIMOSTRANO UNA COERENZA INTERNA MISURATA TRAMITE IL COEFFICIENTE ALPHA DI CRONBACH FRA DISCRETA E BUONA. POSSIAMO ESSERE SODDISFATTI E CONTINUARE!

Valutare l’attendibilità -L’Alpha di Cronbach


Valutare la validità di criterio concorrente• Cosa possiamo concludere valutando la validità di criterio

concorrente, utilizzando l’apposito test, tramite l’informazione proveniente dalla somministrazione agli stessi soggetti dello strumento «Big Five Questionnaire» (Barbaranelli, Borgogni e Caprara, 1993), strumento che valuta gli stessi 5 fattori di personalità tramite 132 item?


Validità interna:gli item sono misure del costrutto sufficientemente correlate

tra loro. L’analisi fattoriale consente di verificare tale aspetto.

Validità di criteriogrado di corrispondenza tra una misura ed un criterio di

riferimento. Si distingue in:Validità concorrentemisura e criterio sono rilevati nello stesso momento

Validità predittivail criterio è misurato successivamente alla misura.

Valutare la validità di criterio concorrente – diversi aspetti di validità


Valutare la validità di criterio concorrente • Valutare la correlazione fra i cinque fattori estratti dall’Analisi

Fattoriale Esplorativa fatta in precedenza (bisogna prima calcolare i punteggi) e i cinque fattori proveniente dalla somministrazione agli stessi soggetti dello strumento «Big FiveQuestionnaire» (Barbaranelli, Borgogni e Caprara, 1993)?


Valutare la validità di criterio concorrente • Ripasso calcolo punteggi: calcoliamo i punteggi come medie delle

risposte agli item che compongono i fattori



risposte agli item che compongono i fattori

• Lo stesso per tutti gli altri fattori… ricordiamoci che per AMICALITA’, come fatto per l’attendibilità, bisogna prima ricodificare l’item BFA_1



risposte agli item che compongono i fattori• Lo stesso per tutti gli altri fattori… ricordiamoci che per

AMICALITA’, come fatto per l’attendibilità, bisogna prima ricodificare l’item BFA_1



risposte agli item che compongono i fattori• Lo stesso per tutti gli altri fattori… ricordiamoci che per

AMICALITA’, come fatto per l’attendibilità, bisogna prima ricodificare l’item BFA_1

• E poi utilizzare l’item ricodificato nel calcolo del fattore

• Per i restanti fattori si procede allo stesso modo (es. energia)…


Valutare la validità di criterio concorrente


Valutare la validità di criterio concorrente• Cosa possiamo concludere valutando la validità di criterio

concorrente, utilizzando l’apposito test, tramite l’informazione proveniente dalla somministrazione agli stessi soggetti dello strumento «Big Five Questionnaire» (Barbaranelli, Borgogni e Caprara, 1993), strumento che valuta gli stessi 5 fattori di personalità tramite 132 item?

TUTTI LE CORRELAZIONI FRA LE DIMENSIONI «GEMELLE» RISULTANO SIGNIFICATIVE, POSITIVE E FORTI, QUINDI POSSIAMO DIRE DI AVER DIMOSTRATO QUESTO TIPO DI VALIDITA


Valutare la validità di criterio concorrente per gruppi conosciuti

• Cosa possiamo concludere valutando la validità di criterio concorrente per gruppi conosciuti, utilizzando gli appositi test, tramite l’informazione proveniente dalle variabili Genere e Anno di Corso?

Quale ipotesi potremmo fare rispetto a differenze per Genere e Anno di Corso rispetto ai fattori estratti da Analisi Fattoriale Esplorativa?



• Rispetto alla variabile Genere bisogna utilizzare il test t per campioni indipendenti



• Rispetto alla variabile Anno di Corso bisogna utilizzare l’Anova Univariata



• Cosa possiamo concludere valutando la validità di criterio concorrente per gruppi conosciuti, utilizzando gli appositi test, tramite l’informazione proveniente dalle variabili Genere e Anno di Corso?

DAL CONFRONTO PER GENERE EMERGONO DUE DIFFERENZE SIGNIFICATIVE CHE DIMOSTRANO COME DUE FATTORI POSSANO AVERE UN POTERE DISCRIMINATIVO CONFERMANDO ALCUNE DELLE IPOTESI

DAL CONFRONTO PER ANNO DI CORSO NON EMERGONO DIFFERENZE SIGNIFICATIVE… CONFERMANDO LE IPOTESI… PERCHE’ MAI I FATTORI DI PERSONALITA’ DOVREBBERO VARIARE DURANTE IL CORSO DI LAUREA?


Valutare la validità di criterio predittiva

• Cosa possiamo concludere valutando la validità di criterio predittiva, utilizzando l’apposita funzione, con l’intento di valutare se e quanto i fattori estratti dall’Analisi Fattoriale Esplorativa siano predittori della variabile Successo Esami misurata a fine anno, che distingue coloro che hanno superato tutti gli esami previsti (valore 1 nella variabile) da coloro che non hanno superato tutti gli esami previsti (valore 0 nella varabile)?

Quale ipotesi potremmo fare?



• La funzione da utilizzare è la Regressione



• La funzione da utilizzare è la Regressione (opportuno ricordarsi di far visualizzare anche la stima standardizzata)



• Cosa possiamo concludere valutando la validità di criterio predittiva, utilizzando l’apposita funzione, con l’intento di valutare se e quanto i fattori estratti dall’Analisi Fattoriale Esplorativa siano predittori della variabile Successo Esami misurata a fine anno, che distingue coloro che hanno superato tutti gli esami previsti (valore 1 nella variabile) da coloro che non hanno superato tutti gli esami previsti (valore 0 nella varabile)?

NONOSTANTE L’R2 NON SIA ELEVATO SI PUO’ OSSERVARE CHE IL FATTORE DELLA COSCIENZIOSITA’ ABBIA UN EFFETTO SIGNIFICATIVO SULLA PROBABILITA’ DI AVERE SUCCESSO AGLI ESAMI (CURIOSITA’: L’ R2 MIGLIORA SE AGGIUNGIAMO L’ETA’)


Creare il Profilo di Restituzione

• Creare il «Profilo di Restituzione» per il soggetto n. 60 del dataset, utilizzando punteggi standardizzati T.

• Vogliono poi rappresentare queste informazioni nell’apposito grafico nel file Excel «grafico_4lez.xlsx» e costruire l’apposita narrativa di accompagnamento tramite le proposte di traccia nel file «Narrative_Big Five.docx»


Dal punteggio al profilo alla restituzione

• Il punteggio di soggetto in un qualsiasi test psicologico non ha di per sèsignificato a meno che non possiamo confrontare la sua prestazione con altre caratteristiche o del test o del gruppo cui il soggetto appartiene

• CALCOLO DEI PUNTEGGI GREZZI

• CONVERSIONE IN PUNTEGGI STANDARDIZZATI

• RAPPRESENTAZIONE GRAFICA – PROFILO

• COSTRUIRE APPOSITA NARRATIVA DI ACCOMPAGNAMENTO


Standardizzazione mediante punti standard

• Punteggi standard "grezzi" calcolo punti z (esempio per energia, ma uguale per tutti i fattori)



• Selezionare i punteggi z dei cinque fattori per il soggetto n. 60 del dataset e trasformarli in punteggi standardizzati T, utilizzando l’apposito file Excel «grafico_4lez.xlsx»


TrasformazioniNuovo punto standard = z Deviazione Standard desiderata + Media desiderata

Nome CaratteristicaFormula per il calcolo a partire dai punti z

TMedia = 50Deviazione standard = 10

z 10 + 50

QI di WechslerMedia = 100Deviazione standard = 15

z 15 + 100

QI Stanford-BinetMedia = 100Deviazione standard = 16

z 16 + 100

Stanine (STAndard NINE) versione metrica

Media = 5Deviazione standard = 2

z 2 + 5

Sten (StandardTEN)Media = 5,5Deviazione standard = 2

z 2+ 5,5

Scaled ScoresMedia = 10Deviazione standard = 3

z 3 + 10

College Board ScoresMedia = 500Deviazione standard = 100

z 100 + 500



• Una volta ottenuto il «grafico_4lez.xlsx» costruire l’apposita narrativa di accompagnamento tramite le proposte di traccia nel file «Narrative_Big Five.docx»

Slides Laboratori - Lezione 4 - Unibg · 81,9(56,7¬ '(/, 678', ', %(5$02 &rqwhqxwl ,q txhvwd...

Documents

Transcript of Slides Laboratori - Lezione 4 - Unibg · 81,9(56,7¬ '(/, 678', ', %(5$02 &rqwhqxwl ,q txhvwd...

Slides Laboratori - Lezione 4 - Unibg · 81,9(56,7¬ '(*/, 678', ', %(5*$02 &rqwhqxwl ,q txhvwd...

Documents

Transcript of Slides Laboratori - Lezione 4 - Unibg · 81,9(56,7¬ '(*/, 678', ', %(5*$02 &rqwhqxwl ,q txhvwd...

Slides Laboratori - Lezione 4 - Unibg · 81,9(56,7¬ '(/, 678', ', %(5$02 &rqwhqxwl ,q txhvwd...

Transcript of Slides Laboratori - Lezione 4 - Unibg · 81,9(56,7¬ '(/, 678', ', %(5$02 &rqwhqxwl ,q txhvwd...