psicometria lezione 41

Il t-test per campioni correlati consente di confrontare: la correlazione tra più di due variabili. le medie di due insiemi di punteggi tra loro dipendenti. le varianze di due popolazioni indipendenti. le frequenze osservate in due variabili nominali.

Il t-test per campioni correlati viene anche definito t-test per campioni: casuali o stratificati. indipendenti o non appaiati. nominali o ordinali. dipendenti o appaiati.

Per confrontare i punteggi medi ottenuti dagli stessi partecipanti in due momenti diversi si utilizza: il coefficiente di correlazione di Pearson. il t-test per campioni indipendenti. il test del chi-quadrato. il t-test per campioni correlati.

Si parla di campioni correlati quando i punteggi confrontati: sono misurati esclusivamente su scala nominale. provengono necessariamente da popolazioni differenti. hanno necessariamente la stessa media. non sono indipendenti tra loro.

Un disegno a misure ripetute prevede che: i partecipanti siano selezionati da popolazioni differenti. ogni partecipante fornisca un solo punteggio. gruppi distinti siano osservati una sola volta. gli stessi partecipanti siano misurati in momenti o condizioni differenti.

Una ricerca in cui una variabile viene misurata due volte sugli stessi partecipanti utilizza un disegno: tra soggetti non appaiati. a gruppi indipendenti. correlazionale trasversale. a misure ripetute.

Un test sull'umore somministrato agli stessi partecipanti al mattino e alla sera produce: due popolazioni necessariamente distinte. due variabili dipendenti differenti. due campioni correlati. due campioni indipendenti.

Gli stessi studenti svolgono un test di memoria al mattino e al pomeriggio. Quale test è appropriato per confrontare le due medie?. Il t-test per campioni correlati. Il coefficiente di correlazione di Spearman. Il test del chi-quadrato. Il t-test per campioni indipendenti.

Gli stessi partecipanti svolgono una prova dopo un trattamento e dopo un placebo. Le due misurazioni sono: nominali. indipendenti. non confrontabili. dipendenti.

Il t-test per campioni correlati è appropriato anche quando: vengono confrontate più di due medie indipendenti. soggetti differenti sono appaiati sulla base di caratteristiche rilevanti. due gruppi distinti vengono formati senza alcun appaiamento. una sola variabile nominale viene misurata una volta.

Nei dati appaiati, i soggetti vengono organizzati in coppie in base: all'ordine casuale con cui compaiono nel dataset. alla media complessiva delle due condizioni. al valore p ottenuto al termine dell'analisi. a caratteristiche rilevanti per la variabile dipendente.

Lo scopo dell'appaiamento è: ridurre l'influenza di variabili indesiderate nel confronto tra le condizioni. aumentare artificialmente la differenza tra le medie. eliminare la necessità di formulare H₀. rendere indipendenti i punteggi della stessa coppia.

Dopo aver formato coppie di partecipanti simili, la procedura metodologicamente corretta prevede di: assegnare entrambi i membri della coppia alla stessa condizione. eliminare dalla ricerca uno dei membri di ciascuna coppia. assegnare sempre il partecipante con il punteggio più alto alla condizione sperimentale. assegnare casualmente un membro di ogni coppia a ciascuna condizione.

La caratteristica comune ai disegni a misure ripetute e ai disegni con dati appaiati è che: le osservazioni confrontate sono collegate tra loro. la variabile dipendente è necessariamente nominale. le condizioni vengono sempre presentate nello stesso ordine. i punteggi provengono sempre dagli stessi partecipanti.

In un disegno a misure ripetute, il momento o la condizione in cui viene effettuata la misurazione rappresenta: la variabile dipendente. la variabile indipendente. la statistica t. l'errore standard.

In un disegno a misure ripetute, il punteggio psicologico rilevato rappresenta: la variabile indipendente. la variabile dipendente. il livello della variabile indipendente. il livello di significatività.

Il punteggio z indica: quante deviazioni standard separano un punteggio dalla media. quanti errori standard separano una differenza media da 0. la probabilità che H₀ sia vera. la differenza tra due medie correlate.

In uno studio che confronta i punteggi di memoria al mattino e al pomeriggio, la variabile indipendente è: il punteggio al test di memoria. il valore t critico. il momento della giornata. la media delle differenze.

La media delle differenze indica: il valore critico della distribuzione t. la variabilità complessiva dei punteggi individuali. il cambiamento medio dalla prima alla seconda misurazione. la numerosità delle coppie.

Il t-test per campioni correlati lavora principalmente: sulla somma delle due varianze indipendenti. sulle differenze individuali tra le due misurazioni. sulle frequenze delle categorie. sui ranghi attribuiti alle condizioni.

In un test bilaterale, invertire l'ordine con cui vengono calcolate le differenze: non modifica la decisione sulla significatività, purché l'ordine sia mantenuto coerente. modifica i gradi di libertà. rende indipendenti le osservazioni. rende sempre significativo il risultato.

Invertire l'ordine della sottrazione tra le due misurazioni modifica: i gradi di libertà. la numerosità campionaria. il segno delle differenze e della statistica t. il valore assoluto della statistica t in ogni caso.

Nel t-test per campioni correlati, se la differenza viene calcolata come D = X₁ - X₂, un valore negativo indica che: X₂ è maggiore di X₁. X₁ è maggiore di X₂. X₁ e X₂ sono necessariamente uguali. la differenza non può essere interpretata.

Nel t-test per campioni correlati, la differenza individuale può essere calcolata come: D = X₁ / X₂. D = X₁ + X₂. D = X₁ - X₂. D = X₁ × X₂.

Secondo H₀, le piccole differenze tra due misurazioni correlate possono essere attribuite: alla presenza di due popolazioni indipendenti. alla variabilità campionaria. a un effetto sistematico certamente presente. a un errore nella definizione della variabile dipendente.

Se H₀ è vera nel t-test per campioni correlati: la statistica t deve essere necessariamente positiva. possono comunque essere osservate piccole differenze individuali. tutti i partecipanti devono mostrare lo stesso cambiamento. tutte le differenze individuali devono essere esattamente uguali a 0.

L'ipotesi nulla H₀ del t-test per campioni correlati afferma che: la media delle differenze nella popolazione è necessariamente positiva. tutti i partecipanti presentano punteggi identici nelle due condizioni. la media delle differenze nella popolazione è uguale a 0. la variabilità delle differenze è uguale a 0.

Nel t-test per campioni correlati, la statistica t valuta quanto: un singolo punteggio si discosti dalla media in unità di deviazione standard. la media delle differenze si discosti da 0 in unità di errore standard. la varianza della prima condizione superi quella della seconda. le frequenze osservate si discostino dalle frequenze attese.

La differenza principale tra punteggio z e statistica t è che: z utilizza l'errore standard, mentre t utilizza la deviazione standard. entrambi utilizzano esclusivamente la varianza. entrambi confrontano un punteggio individuale con la media. z utilizza la deviazione standard, mentre t utilizza l'errore standard.

La statistica t indica, concettualmente: la correlazione tra due misurazioni. di quanti errori standard una differenza media si discosta da 0. la proporzione di varianza spiegata. di quante deviazioni standard un punteggio individuale si discosta dalla media.

Molti test non parametrici utilizzano: esclusivamente medie e varianze. ranghi, ordini o frequenze. esclusivamente punteggi z. esclusivamente valori t.

L'errore standard della media delle differenze viene calcolato a partire: dal valore critico riportato nella tavola. dalla variabilità delle differenze individuali. dalla media della prima condizione soltanto. dal segno della statistica t.

I test non parametrici possono essere utilizzati quando: le distribuzioni sono sempre perfettamente normali. la media della popolazione è conosciuta con certezza. i campioni sono necessariamente correlati. le assunzioni dei test parametrici non sono adeguatamente soddisfatte.

Una delle assunzioni principali dei test parametrici riguarda: l'uguaglianza tra media e mediana. la presenza di sole variabili nominali. l'assenza completa di variabilità campionaria. la normalità della distribuzione rilevante per il test.

Un test parametrico fa riferimento a caratteristiche della popolazione come: frequenza assoluta e frequenza cumulata. media e varianza. moda e numero delle categorie. rango minimo e rango massimo.

Il t-test viene utilizzato principalmente per confrontare: ranghi percentili. proporzioni cumulative. frequenze. medie.

Il t-test è classificato come un test: descrittivo. parametrico. non inferenziale. di frequenza.

Affinché il controbilanciamento sia metodologicamente corretto, i partecipanti devono essere: eliminati se mostrano un effetto di pratica. assegnati allo stesso ordine di presentazione. assegnati casualmente ai diversi ordini di presentazione. ordinati in base al punteggio ottenuto nella prima condizione.

In un disegno controbilanciato: l'ordine delle condizioni viene distribuito tra i partecipanti. tutti i partecipanti svolgono le condizioni nello stesso ordine. ogni partecipante prende parte a una sola condizione. la variabile dipendente viene misurata una sola volta.

Per ridurre gli effetti dovuti all'ordine di presentazione delle condizioni si può utilizzare: la standardizzazione dei punteggi. il controbilanciamento. la trasformazione in ranghi. l'appaiamento delle medie.

Quando il risultato dipende dalla sequenza con cui vengono presentate le condizioni si parla di: effetto di campionamento. effetto d'ordine. effetto di regressione. effetto di correlazione.

Quando la prestazione peggiora perché il partecipante è stanco si parla di: effetto di selezione. effetto di affaticamento. effetto di pratica. effetto di apprendimento.

Quando la ripetizione della prova rende la prestazione più efficiente si parla di: effetto di pratica. effetto di regressione. effetto di appaiamento. effetto di affaticamento.

Quando il partecipante migliora perché ha già familiarità con il compito si parla di: effetto di selezione. effetto di campionamento. effetto di affaticamento. effetto di apprendimento.

In un disegno a misure ripetute, l'esperienza nella prima condizione può influenzare: esclusivamente la numerosità campionaria. il numero dei gradi di libertà. la prestazione nella seconda condizione. il valore della media della popolazione.

Nello studio sulla campagna informativa, prima e dopo la campagna rappresentano: due campioni indipendenti. i due livelli della variabile indipendente. due valori critici della distribuzione t. due diverse variabili dipendenti.

Le differenze individuali vengono elevate al quadrato per: aumentare artificialmente la media delle differenze. evitare che valori positivi e negativi si compensino nel calcolo della variabilità. rendere indipendenti le due misurazioni. eliminare le differenze negative.

Nella ricerca sulla memoria, mattina e pomeriggio rappresentano: due valori della statistica t. i livelli della variabile indipendente. due variabili dipendenti. due popolazioni indipendenti.

Con t calcolato = 1.90 e t critico = ±2.37, la decisione corretta è: accettare H₀ come certamente vera. non rifiutare H₀ perché 1.90 è minore di 2.37. rifiutare H₀ perché 1.90 è diverso da 0. rifiutare H₀ perché la statistica t è positiva.

In uno studio che confronta i punteggi di memoria al mattino e al pomeriggio, la variabile dipendente è: il momento della giornata. la differenza tra i gradi di libertà. il punteggio al test di memoria. la numerosità del campione.

Nel riportare il risultato di un t-test per campioni correlati è opportuno indicare: soltanto le due medie. soltanto la numerosità del campione. la statistica t, i gradi di libertà e il valore p. soltanto il segno della statistica t.

La conclusione corretta quando il risultato del t-test non è significativo è: i dati non forniscono evidenza sufficiente per rifiutare H₀. H₀ è certamente vera nella popolazione. H₁ è certamente falsa nella popolazione. le due condizioni producono necessariamente risultati identici.

Una differenza tra le medie può essere osservata nel campione senza risultare statisticamente significativa perché: la significatività dipende soltanto dal segno della differenza. ogni differenza numerica comporta il rifiuto di H₀. le medie dei campioni correlati non possono essere confrontate. può essere piccola rispetto alla variabilità delle differenze.

Gli stessi bambini vengono osservati a 6 mesi e a 9 mesi per misurare il numero di episodi di contatto visivo con la madre. Nel campione, la media rilevata a 9 mesi è più elevata di quella rilevata a 6 mesi, ma non sono ancora disponibili il risultato del t-test o il valore p. Quale conclusione è corretta?. Nel campione è presente una differenza descrittiva, ma non è ancora possibile stabilire se sia statisticamente significativa. L'ipotesi nulla H₀ deve essere rifiutata perché la media a 9 mesi è più elevata. La differenza è statisticamente significativa perché le due medie sono diverse. Le due misurazioni devono essere analizzate come campioni indipendenti.

Il risultato t(7) = -1.98, p > 0.05 indica che: H₁ è stata dimostrata falsa. non vi è evidenza sufficiente per rifiutare H₀. H₀ è stata dimostrata vera. la differenza è statisticamente significativa.

In un t-test per campioni correlati, con livello di significatività α = 0.05, si ottiene t(7) = -1.98, p > 0.05. Qual è la conclusione corretta?. Si rifiuta H₀ perché la statistica t è negativa. H₁ è stata dimostrata falsa. H₀ è stata dimostrata vera. Non vi è evidenza sufficiente per rifiutare H₀.

Nell'esempio con t(7) = -1.98 e t critico = ±2.37, il risultato è: non statisticamente significativo. statisticamente significativo perché t è diverso da 0. statisticamente significativo perché le medie sono differenti. statisticamente significativo perché t è negativo.

In un t-test bilaterale per campioni correlati si ottiene t = -1.98, mentre il valore critico è ±2.37. Qual è la decisione statistica corretta?. Non si rifiuta H₀ perché |-1.98| è minore di 2.37. Si rifiuta H₀ perché la statistica t è negativa. Non si rifiuta H₀ perché le due medie sono necessariamente uguali. Si rifiuta H₀ perché la statistica t è diversa da 0.

Nel t-test per campioni correlati, i gradi di libertà si calcolano come gdl = N - 1, dove N indica il numero di coppie di osservazioni. Se 8 partecipanti vengono osservati in due condizioni, quanti sono i gradi di libertà?. 15. 7. 8. 16.

Nel t-test per campioni correlati, i gradi di libertà si calcolano come gdl = N - 1, dove N indica il numero di coppie di osservazioni. Se 10 partecipanti vengono misurati in due momenti diversi, quanti sono i gradi di libertà?. 9. 20. 19. 10.

Un risultato con p > 0.05 viene interpretato come: dimostrazione certa dell'ipotesi alternativa. non statisticamente significativo al livello del 5%. dimostrazione certa dell'ipotesi nulla. statisticamente significativo al livello del 5%.

Un risultato è statisticamente significativo al livello α = 0.05 quando: p <0.05. p = 0.50. p > 0.95. p > 0.05.

Con t calcolato = -3.00 e t critico = ±2.37, la decisione corretta è: rifiutare H₀ perché la statistica t è inferiore a 0. non rifiutare H₀ perché -3.00 è inferiore a 2.37. non rifiutare H₀ perché la statistica t è negativa. rifiutare H₀ perché |-3.00| è maggiore di 2.37.

Se la media delle differenze è piccola rispetto al suo errore standard, la statistica t tende a essere: necessariamente uguale a 1. vicina a 0. molto distante da 0. necessariamente superiore al valore critico.

Nel t-test per campioni correlati, i gradi di libertà si calcolano con: (N₁ - 1) + (N₂ - 1). N - 1. N + 1. 2N – 1.

Se la media delle differenze è grande rispetto al suo errore standard, la statistica t tende a essere: più distante da 0. più vicina a 0. necessariamente uguale alla media. indipendente dalla variabilità campionaria.

La distribuzione di riferimento utilizzata per interpretare la statistica t è: la distribuzione t di Student. la distribuzione uniforme. la distribuzione delle frequenze cumulate. la distribuzione binomiale.

La distribuzione t di Student è: priva di code. uniforme tra -1 e +1. asimmetrica e centrata attorno a 1. simmetrica e centrata attorno a 0.

La forma della distribuzione t dipende: dal segno della differenza media. dall'ordine delle righe nel dataset. dalla media della variabile dipendente. dai gradi di libertà.

Quando i gradi di libertà sono pochi, la distribuzione t presenta: una forma uniforme. un centro più alto e code meno ampie rispetto alla normale. una forma fortemente asimmetrica. un centro più appiattito e code più ampie rispetto alla normale.

All'aumentare dei gradi di libertà, la distribuzione t: diventa più appiattita e con code più ampie. diventa progressivamente più asimmetrica. si avvicina progressivamente alla distribuzione normale. si sposta verso valori positivi.

Nel calcolo dei gradi di libertà del t-test per campioni correlati, N indica: il numero di coppie di osservazioni. la somma delle numerosità di due gruppi indipendenti. il numero totale dei punteggi nelle due condizioni. il numero delle variabili dipendenti.

Se |t calcolato| è minore di |t critico|: si accetta H₀ come certamente vera. si rifiuta l'ipotesi nulla H₀. non si rifiuta l'ipotesi nulla H₀. si dimostra che H₁ è falsa.

Dieci partecipanti vengono misurati in due momenti diversi. I gradi di libertà sono: 10. 20. 19. 9.

Otto partecipanti vengono osservati in due condizioni. Il numero complessivo dei punteggi è 16, ma i gradi di libertà sono: 7. 8. 15. 16.

Il valore t critico viene individuato considerando: la media e la mediana delle due condizioni. la somma dei punteggi e la moda. il segno della differenza e il numero delle variabili. i gradi di libertà e il livello di significatività.

In un test bilaterale, il segno positivo o negativo del valore t critico indica: il livello di misurazione della variabile dipendente. la presenza o l'assenza di dati mancanti. le due possibili direzioni della differenza. il tipo di errore standard utilizzato.

Nel test bilaterale, la decisione statistica si basa principalmente: sul fatto che la statistica t sia positiva. sulla distanza della statistica t da 0. sul fatto che la statistica t sia negativa. sulla differenza tra le numerosità delle condizioni.

Se |t calcolato| è maggiore o uguale a |t critico|: il risultato viene considerato non significativo. si rifiuta l'ipotesi nulla H₀. non si rifiuta l'ipotesi nulla H₀. si dimostra con certezza H1.

Si misurano negli stessi partecipanti i punteggi di propensione all'attività fisica prima e dopo una campagna informativa. La variabile indipendente è: il punteggio di propensione all'attività fisica. il numero dei partecipanti. il momento della rilevazione rispetto alla campagna. la differenza individuale tra i punteggi.