Appunti di Metodologia della ricerca psicologica

PROCEDIMENTO

Il procedimento è abbastanza rigido: sembra uno studio veloce e facile MA, in realtà, non è così. Talvolta si

parte da una mole di tantissimi articoli e, una volta scremati, diventano pochi.

Bisogna:

- Raccogliere e codificare gli studi: il campione sarà descritto e si va a studiare dalle varie ricerche e,

infine, si vanno a vedere tutti i campioni in modo da vedere quanto sono variabili.

- Calcolare gli indici di confronto: ovvero gli effect size di tutte le ricerche.

- Calcolare l’effetto medio: un effetto medio trasversale a tutti gli studi. Si può anche andare a calcolare

se è significativo o meno. Calcolando l’effetto medio, si può calcolare in diversi modi: uno di essi è

calcolare, per ognuno il D di Cohen (A seconda del valore, da 0 a 1, ho dei riferimenti).

- Interpretare i risultati. L’interpretazione dell’effetto medio viene effettuata andando a vedere il valore e

se è significativamente diverso da 0.

UTILITÀ

Al di là degli scopi e delle finalità, la meta-analisi ha delle utilità:

- Impone un criterio metodologico per il riassunto di risultati di ricerche sperimentali.

- Presenta i risultati in un modo più esplicativo di una semplice rassegna: la rassegna della letteratura, è

un articolo che riassume, in maniera non sistematica e rigida, le informazioni su un costrutto sulla base

di alcuni articoli.

- Permette il collegamento fra gli studi.

- Protegge dal sovrastimare la forza di effetti trovati in diversi modi: mi permette di capire se l’effetto che

mi voglio studiare è presente e quanto è forte, trasversalmente ai diversi soggetti.

LIMITI

Ha, allo stesso tempo, alcuni limiti:

- Richiede un enorme dispendio di energie lavorative.

- Il criterio con cui si scelgono gli studi è a discrezione del ricercatore: i criteri di inclusione ed esclusione

sono scelti da lui e, quindi, la scelta, ovviamente, non è priva di errore (Potrebbero essere scartati

erroneamente alcuni studi che potrebbero servire).

- Gli studi metodologicamente non adeguati vengono esclusi: si ha, quindi, una perdita di informazioni.

Soprattutto studi molto vecchi, non ci permettono di avere abbastanza informazioni per calcolare l’effect

size o per confermare che sia stato fatto correttamente.

- Gli studi non significativi sono spesso non analizzabili.

ANALISI FATTORIALE ESPLORATIVA (EFA)

Non vuole dimostrare un’ipotesi: è un’analisi che ha come scopo quello di descrivere una determinata cosa. È

un’analisi che viene fatta senza dover verificare o studiare un’ipotesi (Diversa dall’analisi fattoriale

confermativa).

L’analisi fattoriale è una delle analisi chiave per effettuare la standardizzazione e la validazione degli strumenti

psicometrici: serve, quindi, a studiare e descrivere la struttura dei questionari.

Viene utilizzata sia per standardizzare e validare nuovi questionari che per standardizzare e validare questionari

tradotti da altri paesi.

È qualcosa che ha a che fare con l’attendibilità della misura: molte delle attendibilità che possiamo calcolare si

basano, infatti, sulla relazione degli item all’interno di un unico questionario. L’EFA si basa, infatti, sulla

relazione esistente tra gli item tra loro.

Sulla base della correlazione tra item mi permette di capire se esistono dei raggruppamenti tra item: è come se

mi permettesse di capire la dimensionalità del mio questionario. Andiamo, quindi, a vedere quanta informazione

in comune trasportano gli item, raggruppandoli.

L’EFA funziona un po’ come le procedure che usiamo per ridurre il peso di alcuni file/immagini (Li zippiamo):

questa procedura riduce il peso dei file che vogliamo inviare, riducendone la complessità. L’immagine si sgrana,

infatti, perché andiamo, in questo caso, a sgranare tutte le informazioni irrilevanti.

Posso andare a vedere come, gli item di partenza, sono visti e come sono associati tra di loro tramite delle

sottoscale. 02/05

STANDARDIZZAZIONE E VALIDAZIONE

Regole per un nuovo questionario

Per creare un nuovo questionario dovrò seguire una serie di regole:

- Andare a vedere in letteratura quanti questionari esistono già che valutano lo stesso costrutto per cui

vogliamo creare il nostro questionario: con le informazioni reperibili in letteratura vado a creare, con un

pool di esperti, gli item del questionario. La prima stesura del nuovo questionario deve avere almeno il

doppio degli item della stesura finale: devo capire se la formulazione è idonea e, quindi, avere una

doppia formulazione per ognuno di essi.

- Avere uno studio pilota, in modo da capire se abbiamo costruito in modo adeguato il questionario: in

questo modo possiamo capire l’adeguatezza del questionario in tutto e per tutto. Viene fatto con un

piccolo campione che sia rappresentativo, anche se meno rappresentativo del campione finale. È

utilissimo perché, a volte, si possono usare termini di uso comune per noi MA che, per i soggetti

sperimentali, possono essere poco chiari. Vado a vedere:

 Frequenza e distribuzione dei punteggi. Al di là dell’intervista sul questionario, posso anche

andare a vedere come sono distribuite le risposte su esso: nello studio pilota è importante

andare a vedere come sono posizionate le risposte perché posso avere qualsiasi risposta

lungo la scala Likert e, di conseguenza, se in una domanda tutti rispondono basso/alto devo

chiedermi l’utilità di esse.

 Curtosi e asimmetria: vado a vedere come si distribuisce il punteggio della variabile, per

vedere se la distribuzione è normale o no.

 Esclusione/modifica/raggruppamento.

- Questa versione “definitiva” va somministrata al campione, che dovrà essere di numerosità adeguata.

La numerosità adeguata non si rifà ai parametri studiati fino ad ora MA al numero di domande che ha il

nostro questionario: il rapporto item/soggetti deve essere 1:5 o 1:10 (In generale, bisognerebbe avere 10

soggetti MA se abbiamo un questionario con moltissimi item, si tende ad avere un rapporto inferiore).

- A fronte della somministrazione si fanno una serie di analisi statistiche. Si vanno, quindi, ad analizzare

tutti i parametri, tra cui l’EFA (Mi permette di capire se possiamo raggruppare gli item e, in caso, avere

delle sottoscale) e l’α di Cronbach (Se ci sono delle sottoscale conviene calcolare anche essa).

Regole per un questionario tradotto

Se vogliamo usare un questionario già presente in un’altra lingua e non è stato validato in Italia, non posso

usarlo con una semplice traduzione: non è detto che gli indici valgano anche per la nostra Nazione, perché ci

sono delle differenze sostanziali nei dati normativi (Ovvero quelli che mi aiutano a capire come si colloca il

punteggio nel soggetto: se è nella norma o no).

Translation and back-translation

Utilizzo, infatti, le stesse regole del nuovo questionario MA cambia l’inizio: utilizzo la tecnica del Translation

and back-translation.

Si prendono due esperti (Madrelingua italiano che conosce benissimo l’inglese e viceversa) e vediamo se la

traduzione dei due esperti combacia:

- Traduzione uguale: se la traduzione è semplice e chiara, troveremo lo stesso questionario tradotto. Poi,

dobbiamo fare la back-translation: si ritraduce il questionario in lingua inglese.

- Traduzione diversa: insieme ad alcuni esperti del settore, verrà deciso come tradurre gli item.

A fronte della versione tradotta definitiva, poi, seguirà lo stesso processo di standardizzazione e validazione.

Nel questionario tradotto, però, potrei fare l’analisi confermativa e non esplorativa: questo perché è già stata

fatta l’EFA e, quindi, andiamo a vedere se la struttura è uguale a quella del questionario originale. Devo, infatti,

confermare o meno che il modello sia uguale a quello inglese: non è detto che trovi la stessa struttura (Cambia

popolazione e Paese: se non la trovo, allora, confermo che non sia uguale e utilizzo l’EFA per trovare la struttura

della versione italiana).

SCOPI DELL’EFA

Tra gli scopi troviamo:

- Studiare e sintetizzare la struttura del questionario.

- Semplificare le relazioni fra le variabili.

- Trasformare i fattori estratti per renderli indipendenti tra loro.

- Individuare le fonti delle variabili sperimentali: secondo alcuni ricercatori si va a vedere cosa lega gli

item, legandoli in nuove variabili, capaci di tornare alle variabili iniziali. Dalle nuove variabili, infatti,

non vado a scoprire le variabili di partenza.

- Assegnare un significato alle variabili sperimentali: quando estraggo le nuove variabili, gli viene dato

un nome MA non si può attribuire un significato ad essi.

STUDIO DELLA STRUTTURA DEL QUESTIONARIO

Ci sono diverse fasi:

- Selezione delle variabili. In questa prima fase mi devo assicurare che gli item siano tutti nello stesso

verso: gli item reverse vanno modificati prima di questa fase (Ovvero gli item che sono posti in maniera

opposta).

- Calcolo della matrice di correlazione.

- Estrazione dei fattori.

- Rotazione dei fattori: serve a rendere più interpretabile il risultato.

- Interpretazione dei risultati: usare i risultati per ulteriori analisi.

- Ulteriori analisi.

Selezione delle variabili

Quando andiamo a standardizzare un punteggio abbiamo tutte variabili con media uguale a “0” e varianza uguale

a “1”: significa che ogni variabile trasporta una quantità di varianza uguale a “1” (Trasporta una quantità di

informazione pari a “1”).

L’EFA lavora su variabili standardizzate che trasporta una quota di informazioni pari a “1”.

Calcolo della matrice di correlazione

Andiamo a vedere quanto sono legati gli item grazie ad una matrice di correlazione, dalla quale estraiamo i

nuovi item: più sono legati tra loro, maggiore sarà il loro indice di correlazione e, inoltre, se sono legati tra loro

riusciamo a discriminare il legame e creare dei raggruppamenti.

La prima matrice di correlazione studiata è la matrice di correlazione R: due variabili sono statisticamente

correlate fra loro quando al variare di una, anche l’altra varia. Ci sono correlazioni positive o negative: c’è un

valore di cambiamento proporzionale e stabile nel momento in cui raccolgo tanti dati.

Partendo dalla matrice di correlazione, creiamo un numero di fattori/nuove variabili uguale al numero degli item

di partenza: poi, si deciderà quanti/quali item tenere e quanti/quali scartare.

Alcuni item sono molto legati tra loro e, quindi, devo creare nuove variabili che li sintetizzano: è come se andassi

a vedere qual è l’informazione in comune con gli item di partenza, la togliessi dalla matrice di correlazione, e,

anda