Expe 1

Question 1

corelația

Answer 1

r - test parametric, se ia în vedere mărimea efectului și puterea
rho - nonparametric, rangurile valorilor din setul de date

Question 2

chestii imp

Answer 2

1. Nu putem face inferențe cauzale
2. semnificația se referă la cât de improbabil este ca o corelație să apară când ipoteza nulă se confirmă
3. corelația depinde de natura și mărimea eșantionului
4. corelații pentru variabilele dihotomice sunt: corelații biseriale, coeficientul phi, punct biserial, corelație
5. regresia multiplă se folosește pentru a prezice scorul variabilei criteriu fintr-un set de variabile predictor
   calcularea puterii corelației e o măsurătoare descriptivă
   calcularea semnificației e o măsurătoare inferențială

Question 3

r=0 r= sumă de z*z/grade de libertate (N-1)

Answer 3

nu există relație între variabile
relație curviliniară - asumpția liniarității e violată
dacă N e mai mare ca 30 atunci r poate fi transformat într-un test t

Question 4

Validitate concurentă

Answer 4

perechile de relații să coreleze

Question 5

cum interpretăm r?

Answer 5

.1 mică
.3 moderată
.5 mare

Question 6

când folosim spearman?

Answer 6

când avem relații monotonice
când avem relații nonparametrice
când avem outleirs

Question 7

Semnificația

Answer 7

mărimea apropierii între datele din două variabile
dacă N e mai mare de 100, corelația de 0.2 devine semnificativă. Dacă N e 2000, corelația de .1 e semnificativă
explicat de către - un set de valori e predictibil dintr-un alt set

Answer 8

normalitate, heteroscedascitate, linearitate

Question 9

Ce nu putem asuma în urma unei corelații?

Answer 9

1. cauză și efect
   aceasta e mai posibil să apară când avem o variabilă care clar precede altă variabilă, în experimente, în

Question 10

coeficientul de corelație biserial

Answer 10

Coeficientul de corelație biserială este utilizat pentru a măsura corelația între o variabilă continuă și una dicotomică (cu două categorii, de exemplu, 0 și 1). Este diferit de coeficientul de corelație punct-biserial, deși ambele sunt folosite în contexturi similare. Coeficientul biserial este mai specific utilizat când variabila dicotomică reprezintă o continuă artificială, adică a fost împărțită în două categorii pe baza unei tăieri sau a unui prag.

Question 11

coeficientul de corelație punct biserial

Answer 11

Coeficientul de corelație punct-biserial este o măsură a relației dintre o variabilă continuă și una dicotomică (cu două categorii distincte). Este un caz special al coeficientului de corelație Pearson și este utilizat atunci când variabila dicotomică este una naturală (de exemplu, genul, prezența sau absența unei caracteristici).

Question 12

coeficentul phi

Answer 12

Coeficientul Phi (
𝜙
ϕ) este o măsură de asociere utilizată pentru a evalua relația dintre două variabile dicotomice (binare). Este similar cu coeficientul de corelație Pearson, dar este specializat pentru variabilele binare.

Question 13

Analiza Chi-Square

Answer 13

este o tehnică statistică utilizată pentru a testa relațiile dintre variabile categoriale. Este adesea utilizată pentru a evalua dacă există o asociere semnificativă între două variabile categoriale în datele colectate.

Question 14

Când folosim corelația?

Answer 14

1. Studii nonexperimentale
2. Fidelitate
3. Studii gemelare
4. Analiză factorială
5. Analiză de cale

Question 15

Analiza de cale

Answer 15

However, in path analysis the correlations between
several or even many variables are analysed collectively using some of the techniques we are about
to encounter with multiple regression. In path analysis a model is created which gives good account
of all the intercorrelations between variables but which also has internal coherence. As an
extremely simple example we might find that academic motivation correlates moderately with job
satisfaction but also with educational success and that educational success correlates moderately
with job satisfaction. The connections in Figure 19.19 suggest possible causal links between these
variables. Path analysis might demonstrate that the .4 correlation between academic motivation
and job satisfaction can be mostly explained by the indirect link of academic motivation’s
correlation with educational success and this variable’s correlation with job satisfaction. Path
analysis is able to use correlations and partial correlations (introduced in multiple regression) to
suggest a model to explain all relationships between variables.