Tipuri de Scale,

Indicatori ai tendinței centrale

și
Teste utilizate
Asistent universitar doctor Lucian Onișor – luciano@[Link]
V 1.11 (2020)
 Măsurarea tendinţei centrale
Tipul de Scală Nominală Ordinală Interval Proportională

Reprezentare
grafică

Indicatori ai Media Media

tendinței Modul Mediana
centrale aritmetică geometrică

Gradul de
precizie al Numărul lor Ordonare Trepte egale Punct neutru
măsurătorii

2
 Obiectivele analizei
• 1. Determinarea tendinţei centrale (media,
mediana, modul);
• 2. Caracterizarea variaţiei şi a dispersiei
(dispersia, abaterea medie pătratică);
• 3. Măsurarea gradului de asociere
(coeficientul de corelaţie);
• 4. Realizarea de estimări şi previziuni;
• 5. Evaluarea semnificaţiei diferenţelor
dintre variabile şi grupuri de variabile;
• 6. Evidenţierea legăturilor cauzale.

3
 Analiza bivariată
Legătura directă (+) Interpretarea coeficientului de corelație

Variabila 1 sau Variabila 1 (0-0,2) legătură de intensitate foarte slabă

Variabila 2 Variabila 2
(0,2-0,5) legătură de intensitate slabă

(0,5-0,75) legătură de intensitate medie

(0,75-0,95) legătură de intensitate puternică

Legătura indirectă (-)
(0,95-1) legătură de intensitate foarte
Variabila 1 sau Variabila 1 puternică, cvasifuncțională
Variabila 2 Variabila 2

4
 Coeficientul de corelație adecvat în
funcție de natura variabilelor analizate
Coeficientul de
Variabila 1 Variabila 2
corelație
Proporţională Proporţională Pearson
Proporţională Ordinală Pearson
Proporţională Nominală Crosstabs
Ordinală Ordinală Spearman
Ordinală Nominală Crosstabs
Nominală Nominală Crosstabs
Dihotomică Dihotomică rphi
Este semnificativă variaţia coeficientului dacă:
Sig ≤ 0.05 (în cazul variabilelor proporţionale)
Asymp. Sig ≤ 0.05 (în cazul variabilelor categoriale)

5
 Etape pentru testarea ipotezelor
statistice
• 1. Identificarea testelor statistice adecvate;
• 2. Formularea ipotezelor de lucru;
• 3. Alegerea unei probabilități de garantare
a rezultatelor;
• 4. Calcularea indicatorului asociat testului
statistic;
• 5. Stabilirea ipotezei acceptate;
• 6. Formularea unei concluzii logice
în limbajul specific marketingului.

6
 Teste utilizate
alese în funcţie de modul de măsurare al variabilelor, numărului de
eşantioane (grupuri) analizate şi de relaţiile existente între eşantioane:

7
 Puncte de verificat în alcătuirea predicţiei
evoluţiei unei variabile, în functie de valoarea
altor variabile prin intermediul Regresiei
• 1. Variabila dependentă este normal distribuită;
• 2. Variabila dependentă este semnificativ corelată cu fiecare
variabilă independentă;
• 3. Modelul obținut este valid - tabelul ANOVA (care variație e cea
mai importantă → regresia trebuie să fie mai mare decât eroarea
reziduală) fiind în același timp semnificativă statistic [Sig. ≤ 0,05];
• 4. Coeficienții modelului sunt semnificativi statistic [Sig. ≤ 0,05]
(coeficienții nesemnificativi statistic se elimină din analiză; de
asemenea se elimină și acei coeficienți pentru care Beta este negativ,
întrucât acele variabile contribuie în sens negativ la influențarea
variabilei dependente);
• 5. Modelul este optim (se compară mai multe modele și se alege
modelul care are coeficientul de determinare cel mai mare [R2]; R2
explică câte procente din variația „V” sunt explicate de factorii
analizați, restul procentelor până la 100% sunt explicate de alţi
factori).

8
 Tipuri de Scale,
Indicatori ai tendinței centrale
și
Teste utilizate
Asistent universitar doctor Lucian Onișor – luciano@[Link]
V 1.11 (2020)
Analiza univariata a datelor
 Chestiuni organizatorice 
•  Nota: 
–  Examen final (marti, 13 mai): 70% 
–  Proiect seminar: 30% 

•  Suport curs: 
–  Cătoiu I. (coord.), Bălan C., Dăneţiu T., Orzan Gh., 
Popescu I., Vegheş C., Vrânceanu D. ­ "Cercetări de 
marketing", Ed. Uranus, 2002 

•  Suport semiar: 
–  Howitt, D. si Cramer, D., “Introducere in SPSS pentru 
psihologie”, Ed. Polirom, 2006.
 Analiza datelor 
•  Analiza datelor reprezinta un proces complex 
si sistematic de aplicare a tehnicilor statistico­ 
matematice, in scopul extragerii din colectia 
de date constituita a informatiilor necesare 
procesului decizional
 Analiza datelor 
•  Surse de date: 
–  Cercetari cantitative: 
•  Sondaje; 
•  Observari; 
–  Surse secundare de date: 
•  interne; 
•  externe; 
–  Cercetari calitative: 
•  focus grupuri; 
•  clientul misterios; 
•  interviuri in profunzime; 
•  teste de utilitate;
 Clasificare tipurilor de analiza 
•  Tipul de scala utilizata 

Nominala 
Ordinala 
Interval 
Proportionala
 Clasificare tipurilor de analiza 
•  Numarul esantioanelor cercetate 

Un singur esantion 
Doua esantioane 
Mai mult de doua esantioana
 Clasificare tipurilor de analiza 
•  Natura relatiei dintre esantioane 
Esantioane independente 
Esantioane dependente 

•  Numarul variabilelor utilizate 
O singura variabila (analiza univariata) 
Doua variabile (analiza bivariata) 
Mai mult de doua variabile (analiza 
multivariata)
Obiectivele analizei 
Determinarea tendintei centrale 
Caracterizarea variatiei si dispersiei 
Masurarea gradului de asociere 
Realizarea de estimari si previziuni 
Evaluarea semnificatiei diferentelor dintre 
variabile si grupuri de variabile 
Evidentierea legaturilor cauzale
 Obiectivele analizei 
Analiza primara a datelor 
Masurarea tendintei centrale 
Analiza variatiei 
Stabilirea normalitatii distributiei 

Analiza diferentiala 
Identificarea existentei unor diferente statistice intre 
esantioane (grupuri) de respondenti 

Analiza asociativa 
Identificarea existentei unor asemanari (asocieri) 
semnificative statistic variabile demografice si psiho­ 
comportamentale
 Obiectivele analizei 

Analiza inferentiala 
Identificarea gradului in care valorile identificate la nivel de 
esantion sunt reprezentative la nivelul populatiilor investigate 

Analiza predictiva 
Identificarea evolutiei ulterioare a fenomenelor investigate 

Analiza complexa a datelor 
Analiza canonica, analiza discriminantului, analiza structurilor 
latente 
Modelare
 Masurarea tendintei centrale 
Grupul modal (modulul) 
Grupul care cuprinde cele mai multe componente 
comparativ cu celelalte grupuri 

Mediana 
Valoarea care imparte numarul de observatii in doua 
n 
grupuri egale 
å
i =1 
x i
Media aritmetica  x  = 
n 
n 
x G  = n  Õ x i 
Media geometrica  i =1 
Masurarea tendintei centrale 

Tipuri de  Indicatori ai tendintei centrale 
scale Modulul  Mediana  Media  Media 
aritmetica  geometrica 
Nominala  X  ­  ­  ­ 
Ordinala  X  X  ­  ­ 
Interval  X  X  X  ­ 
Proportionala 
X  X  X  X 
Analiza variatiei 

Distributia frecventelor (absolute si relative) 
Amplitudinea variatiei (X max ­X min ) 
Varianta  n
(x
2
- x)
σ
2
= å
i =1
i

n -1

Abaterea medie patratica (standard) 
Coeficientul de variatie (variatia relativa)
σ
CV =
x
Distributia frecventelor 

Perceptia gustului pentru berea Redd’s 
Eticheta Codificare  Frecventa  Frecventa  Procent valid  Frecvente 
(%)  cumulate 
Cel mai neplacut  1  0  0,0  0,0  0,0 
Foarte neplacut  2  2  6,7  6,9  6,9 
Neplacut  3  6  20,0  20,7  27,6 
Nici/Nici  4  6  20,0  20,7  48,3 
Placut  5  3  10,0  10,3  58,6 
Foarte placut  6  8  26,7  27,6  86,2 
Cel mai placut  7  4  13,3  13,8  100,0 
Valori lipsa  9  1  3,3 
Total  30  100  100 
Analiza variatiei 

Indicatori ai  Tipuri de scale 
dispersiei Proportionale 
Nominale  Ordinale  Interval 
Frecvente  X  X  X  X 
Amplitudine  ­  X  X  X 
Abatere  ­  ­  X  X 
medie 
Varianta  ­  ­  X  X 
Abaterea  ­  ­  X  X 
standard 
Distributia normala 

Este constituita dintr­o familie de distributii care au 
reprezentari grafice asemanatoare unui clopot)
Distributia normala 

Este importanta pentru ca majoritatea instrumentelor 
statistice utilizate in analiza primara au ca premisa 
existenta unei distributii normale (ex.: testul Student, 
Mann­Whitney, ANOVA, Pearson, regresia, nivelarea 
exponentiala Brown, etc.). 
Ipoteza distributiei normale: 
Pentru δ ales, 100­ δ procente dintre valorile inregistrate 
ale variabilei se vor afla in intervalul: 

(x - σt δ
;x + σt δ
)
Distributia normala 

Aplatizarea: reprezinta o masura a inaltimii relative a 
“clopotului” definit de distributia frecventelor variabilei. 
n

n åi =1
(x i
- x) 4

K = n
-3
( åi =1
(x i
2
- x )) 2

- 1)
n(n
å= n
i 1
(x i - x)3

G= ´
Asimetria: tendinta variatiilor valorilor observate fata de  n
n-2
medie de a fi mai mari catre unul dintre capetele intervalului 
3

(å(x - x))
2 2
i
de valori.  i =1
Distributia normala 

Inaltimea curbei este data de formula: 
n

å
-( (x i
- x)
i =1
1 2

h = e
2σ

2
2π s
Testarea normalitatii distributiei: 
variabile parametrice: testul Kolmogorov­Smirnov 
variabile ordinale: testul Shapiro­Wilk 
variabile nominale: testul χ 2 
Testul Kolmogorov­Smirnov 

Utilizat pentru estimarea normalitatii distributiei acolo 
unde se poate (are sens) calcula media si abaterea 
medie patratica. 
De fapt, determina care dintre ipoteze va fi adoptata: 
H 0 : NU exista diferente semnificative statistic intre 
distributia variabilei investigate si distributia normala. 
H 1 : Exista diferente semnificative statistic intre 
distributia variabilei investigate si distributia normala.
Testul Kolmogorov­Smirnov 

Se calculeaza utilizand:
n
1
Fn
(x) =
n
å
i =1
I(x < x )
i

n
i i
K S
= max (F(x i
) - ; - F(x i
)
i =1 n n
Testul Kolmogorov­Smirnov 

H 0  este acceptata daca: 
0 , 11 
(  n + 0 , 12  + )  £ c a 
n 
α 0,85  0,9  0,95  0,975  0,99 
c α  1,138  1,224  1,358  1,480  1,628 
unde:
Testul Shapiro­Wilk 

Utilizabil atat pentru variabile non­parametrice, cat si 
pentru variabile parametrice (aici insa testul 
Kolmogorov­Smirnov este mai puternic). 
Determina daca va fi adoptata ipoteza nula sau 
ipoteza alternativa: 
H 0 : NU exista diferente semnificative statistic intre 
distributia variabilei investigate si distributia normala. 
H 1 : Exista diferente semnificative statistic intre 
distributia variabilei investigate si distributia normala.
Testul Shapiro­Wilk 
n

Se calculeaza utilizand:  ( å =
2
ai x i )

W = n
i 1

å
=
i 1
(x i - μ) 2

a i  reprezina parametrii dati, obtinuti din tabele statistice 
pe baza medianei, numarului de valori distincte si 
dimensiunii esantionului investigat. 
p(W)>0,05 => H 0  este acceptata 
altfel => H 1  este acceptata
Analiza bivariata a
datelor
 Analiza bivariata a datelor

! Presupune masurarea gradului de

asociere a doua variabile sub
aspectul:
Directiei (naturii)
Intensitatii
Semnificatiei statistice
 Variabilele nominale
Tabele de frecvente (contingenta) considerata simultan
pentru doua sau mai multe variabile caracteristice aceluiasi
esantion.

Coeficientul de corelatie (valori intre -1 si +1)

ad − bc
rphi =
[(a + b)(c + d )(a + c )(b + d )]1 / 2
Directia asocierii este data de valoarea lui (rphi)2

Gradul de semnificatie al asocierii dintre opiniile subiectilor

constituiti in cele doua esantioane independente este
determinat cu ajutorul testului χ2, McNemar sau Fisher.
 Testul neparametric χ2
! Bazat pe ipoteza nula:
H0: nu exista diferente semnificative intre cele doua
variabile.
r k Oij − Aij )
2

χ = ∑∑ (
2
c
i =1 j =1 Aij
! Valoarea calculata χc2 a testului se
compara cu valoarea tabelata χt2 a
acestuia, obtinuta in functie de
probabilitatea de garantare a rezultatului
si gradele de libertate asociate: (r-1)(k-1).
χc2 ≤ χt2 : se accepta ipoteza nula
χc2 > χt2 : se respinge ipoteza nula
 Testul neparametric χ2
! Pentru mai mult de doua subesantioane
independente trebuie ca frecventele Oij > 1 si Oij
< 5 sa nu depaseasca 20%.
! Masurarea gradului de asociere se poate realiza
cu ajutorul coeficientului de contingenta:

χ 2
C= c

N + χ c2
 Testul Fisher
! Inlocuieste testul χ2 atunci cand dimensiunea
esantionului N<40 si k=r=2
! Testul probabilitatii exacte (Fisher) are aceiasi
ipoteza nula:
H0: nu exista diferente semnificative intre cele doua
variabile.
( A + B )!(C + D )!( A + C )!( B + D )!
p=
N ! A! B!C! D!
! Valoarea calculata p a testului se compara cu
probabilitatea de garantare a rezultatului (ex.:
95%).
p ≤ 0,05 : se respinge ipoteza nula
p > 0,05 : se accepta ipoteza nula
 Testul McNemar
! Inlocuieste testul χ2 atunci cand cele doua
esantioane investigate nu sunt independente
! Testul McNemar are aceiasi ipoteza nula:
H0: nu exista diferente semnificative intre cele doua
variabile.
( a − d − 1) 2
χ c2 =
a+d
! a si d reprezinta frecventele subesantioanelor
independente.
! Interpretarea este aceiasi ca si in cazul testului
χ2 :
χc2 ≤ χt2 : se accepta ipoteza nula
χc2 > χt2 : se respinge ipoteza nula
 Variabilele ordinale
Tabele de frecvente (contingenta) considerata simultan pentru
doua sau mai multe variabile caracteristice aceluiasi esantion.

Masurarea gradului de asociere se poate utiliza coeficientul

Spearman de corelatie a rangurilor
n
6∑ Di2
ρ = 1− i =1

n(n − 1)
2

Directia asocierii este data de valoarea lui ρ sau γ.

Gradul de semnificatie al asocierii dintre opiniile subiectilor

constituiti in cele doua esantioane independente este
determinat cu testului semnificatiei coeficientului Spearman.
Coeficientul de corelatie Spearman

! Bazat pe ipoteza nula:

H0: nu exista o corelatie intre variabilele investigate.
ρ
Zc =
1
n −1
! Valoarea calculata Zc a testului se compara
cu valoarea tabelata Zt a acestuia, obtinuta
in functie de probabilitatea de garantare a
rezultatului.
-Zt ≤ Zc ≤ Zt : se accepta ipoteza nula
altfel : se respinge ipoteza nula
 Coeficientul de corelatie γ al lui
Goodman si Kruskall
! Se poate utiliza atunci cand coeficientul Spearman nu ofera
valori concludente.
! Valoarea lui γ, la fel ca si ρ, poate lua valori in intervalul -1
si +1.
P−Q
γ =
P+Q
! P se obtine inmultind valoarea frecventei din coltul din
stanga sus a tabelului de frecvente asociat cu valorile de pe
randul urmator, fara cea care se afla imediat sub ea, si cu
celelalte valori ale tabelului, dupa care se insumeaza cu
produsul dintre prima valoare a randului urmator si suma
frecventelor incepand de pe randul urmator, insa din nou
fara valoarea aflata imediat sub ea, iterativ. Q se calculeaza
dupa aceleasi reguli, insa incepand din dreapta sus.
 Variabilele metrice
Tabele de frecvente (contingenta) considerata simultan pentru
doua sau mai multe variabile caracteristice aceluiasi esantion.

Masurarea gradului de asociere se poate utiliza coeficientul

Pearson de corelatie a rangurilor
n n n
n ∑ x i y i − ∑ xi ∑ y i
r= i =1 i =1 i =1

n n n n
n ∑ ( xi ) − ( ∑ xi )
2 2
n ∑ ( y i ) − (∑ y i ) 2
2

i =1 i =1 i =1 i =1

Directia asocierii este data de valoarea lui r.

Gradul de semnificatie al asocierii dintre opiniile subiectilor

constituiti in cele doua esantioane este determinat prin
testarea semnificatiei statistice a coeficientului r.
 Coeficientul de corelatie Pearson
! Utilizat pentru variabile continue, normale,
cu dispersii asemanatoare
! Bazat pe ipoteza nula:
H0: nu exista o corelatie intre variabilele investigate
(r nu este in mod semnificativ diferit de zero).
1+ r
1,1513 + log10 ( )
Zc = 1− r
1
n−3
! Valoarea calculata Zc a testului se compara
cu valoarea tabelata Zt a acestuia, obtinuta
in functie de probabilitatea de garantare a
rezultatului.
-Zt2 ≤ Zc2 ≤ Zt2 : se accepta ipoteza nula
altfel : se respinge ipoteza nula
Analiza multivariata a
datelor
 Analiza multivariata

! Presupune utilizarea unui grup de

metode statistico-matematice cu
ajutorul carora se pot cerceta
simultan legaturile de asociere
existente intre mai mult de doua
variabile.
 Analiza multivariata

! Cele mai utilizate tehnici:

Analiza regresiei multiple
Analiza discriminantului
Analiza multivariata a variatiei
Analiza canonica
Analiza factoriala
Analiza grupurilor
Scalarea multidimensionala
 Clasificare

! Criterii de clasificare

Existenta unor relatii de dependenta

(cauzalitate) si/sau asociere

Numarul de variabile dependente

Tipul de scala utilizat

 Clasificare

! O singura variabila dependenta:

Scale parametrice: analiza discriminantului
liniar multiplu
Scale nonparametrice: regresia multipla
! Mai multe variabile dependente:
Scale parametrice: analiza multivariata a
variatiei
Scale nonparametrice: analiza canonica
 Clasificare

! Variabile independente:
Scale parametrice:
Analiza factoriala
Analiza grupurilor
Scalare multidimensionala parametrica
Scale nonparametrice:
Scalare multidimensionala nonparametrica
Analiza structurilor latente
 Metoda regresiei multiple
Permite analiza relatiei liniare dintre o
variabila dependenta si una sau mai multe
variabile indepentende
Obiectiv: explicarea si previziunea variatiei
variabilei dependente in functie de
covarianta ei cu variabilele independente.
Yˆ = a + βˆ1 X 1 + βˆ 2 X 2 + ... + βˆi X i + ... + βˆ n X n
Utilizeaza metoda celor mai mici patrate
Ex.: cererea de bunuri/servicii (dependenta)
in functie de factori determinanti (venituri,
cifra de afaceri, pret, etc.)
 Discriminantul liniar multiplu
Estimarea relatiei dintre o variabila
dependenta masurata cu ajutorul unei
scale nonparametrice si combinatii liniare
ale mai multor variabile independenta
(masurate pe o scala parametrica)
Presupune definirea a doua sau mai multe
grupuri, omogene interne si eterogene
intre ele.
Obiectiv: maximizarea raportului dintre
dispersie dintre grupuri si dispersia interna
 Discriminantul liniar multiplu
Utilizari:
Determinarea contributiei fiecarei variabile
explicative la discriminare
Determinarea celei mai bune combinatii
liniare a variabilelor explicative care
maximizeaza raportul intre dispersia dintre
grupuri si dispersiile din interiorul grupurilor
Stabilirea procedurilor de predictie legata de
apartenenta componentelor la diversele
grupuri (segmentare)
Analiza existentei diferentelor semnificative
statistic intre profilurile grupurilor definite
Analiza multivariata a variatiei

Cuprinde un grup de metode:

proiectari factoriale, patratele latine,
patratele greco-latine.
Obiectiv: separarea si testarea
semnificatiei efectelor cauzate de
actiunea simultana a mai multor
factori
Analiza multivariata a variatiei

Cerinte asupra datelor:

Datele provin de la grupuri experimentale,
la nivelul unei populatii normale, pe baza
unei esantionari aleatoare.
Eroarea experimentala are o abatere
standard constanta.
Variatia aleatoare este independeta de timp.
Efectele diferitelor surse de variatie este
aditiv, nu multiplicativ.
 Analiza canonica

Nu depinde de tipul scalei utilizate.

Obiectiv: studierea relatiei liniare
intre un grup de variabile
dependente si un grup de variabile
independente.
Numarul maxim de functii utilizat
este egal cu numarul variabilelor din
grupul cel mai mic.
 Analiza canonica
Utilizari:
Determinarea directiei, intensitatii si
semnificatiei corelatiei dintre cele doua
seturi de variabile.
Estimarea coeficientilor celor doua seturi de
variabile, in conditiile maximizarii corelatiei
dintre seturi.
Explicarea si previzionarea variatiei setului
dependent, pe baza covariantei acestuia cu
setul independent.
Determinarea contributiei relative a fiecarei
variabile in cadrul functiilor canonice.
 Analiza factoriala
Realizata cu ajutorul mai multor tehnici:
metoda componentelor principale, criteriul
varimax, criteriul quartimax, rotatia
axelor.
Obiectiv: cercetarea legaturilor de
interdependenta dintre mai multe
variabile, in scopul determinarii setului
minim de explicarea a unui anumit
fenomen.
Presupune definirea unor factori care sa
condenseze o cat mai mare parte din
informatia (variabilele) initiala.
 Analiza factoriala

Utilizari:
Identificarea setului de dimensiuni latente
existente in variabila initiala (analiza
factoriala de tip R).
Combinarea sau condensarea
componentelor unui populatii statistice si
crearea unor grupuri distincte (analiza
factoriala de tip Q).
Concentrarea (minimizarea) variabilelor.
 Analiza grupurilor
Realizata cu ajutorul mai multor tehnici:
distanta euclidiana, gruparea pe baza
coliniaritatii si gruparea de proximitate.
Obiectiv: clasificarea componentelor unei
multimi eterogene in grupuri omogene, pe
baza unor criterii obiective.
Varianta 1: abordare top-down.
Varianta 2: abordare bottom-up.
 Scalarea multidimensionala
Obiectele sau fenomenele analizate sunt
reprezentate sub forma de puncte intr-un
spatiu perceptual multidimensional.
Obiectiv: estimarea importantei relative a
variabilelor si a relatiilor perceptuale
dintre ele.
Permite construirea unui spatiu perceptual
in care se reprezinta obiectele sau
fenomenele, pe baza perceptiilor
respondentilor.