Analisi dei dati. Tecniche multivariate per la ricerca psicologica e sociale

SOMMARIO:

Prefazione alla seconda edizione. Introduzione.

1. Trattamenti preliminari dei dati:
1.1. Dalla distribuzione normale univariata alla distribuzione normale multivariata – 1.1.1. Un esempio di applicazione – 1.2. Valori anomali (outlier) univariati – 1.3. Linearità della relazione tra due variabili – 1.4. Trasformazioni delle variabili – 1.4.1. Quando le trasformazioni sono inefficaci – 1.5. Normalità multivariata e valori anomali (outlier) multivariati – 1.5.1. Un esempio di applicazione – 1.6. Quando le informazioni sono mancanti: i missing value – 1.7. Considerazioni conclusive – 1.8. Bibliografia essenziale – Parole chiave

2. La regressione lineare:
2.1. La regressione bivariata (o semplice) – 2.1.1. Elementi generali – 2.1.2. Adeguatezza della equazione di regressione – 2.2. La regressione multipla – 2.3. Partizione della varianza e coefficienti di associazione – 2.4. Adeguatezza dell’equazione di regressione multipla – 2.5. Verifica delle ipotesi (test di significatività) – 2.6. Assunzioni alla base della regressione lineare – 2.6.1. Violazione delle assunzioni: conseguenze, diagnosi e rimedi – 2.6.1.1. Errore di specificazione – 2.6.1.2. Errore di misurazione – 2.6.1.3. Multicollinearità– 2.6.1.4. Media degli errori diversa da 0 – 2.6.1.5. Eteroschedasticità– 2.6.1.6. Normalità dei residui – 2.6.1.7. Autocorrelazione – 2.7. Strategie analitiche per la regressione – 2.7.1. La regressione standard – 2.7.2. La regressione gerarchica – 2.7.3. La regressione «statistica »– 2.7.4. Confronto tra i differenti metodi – 2.8. Alcuni temi supplementari – 2.8.1. Scomposizione degli effetti, soppressione, ridondanza – 2.8.2. Differenze tra i coefficienti di regressione – 2.8.3. Gli indici diagnostici per l’analisi dei casi outlier e dei casi influential – 2.8.4. Regressione con variabili dummy – 2.8.5. Numerosità del campione e rapporto variabili/soggetti – 2.9. Considerazioni conclusive – 2.10. Bibliografia essenziale – Parole chiave.

3. L’analisi fattoriale:
3.1. Il modello teorico dell’analisi fattoriale – 3.2. Approssimazione della soluzione fattoriale: il metodo delle componenti principali – 3.2.1. Scomposizione della matrice di correlazione R tramite i suoi autovalori e autovettori – 3.2.2. Interpretazione geometrica degli autovalori e degli autovettori – 3.3. Metodi di estrazione dei fattori – 3.3.1. Analisi dei Fattori Principali (AFP) – 3.3.2. Le comunalità: stime iniziali e valori empirici – 3.3.3. Minimi quadrati – 3.3.4. Massima verosimiglianza (Maximum Likelihood) – 3.3.5. Test di bontà dell’adattamento (goodness of fit) – 3.3.6. Indici alternativi di bontà dell’adattamento – 3.4. Determinazione del numero dei fattori da estrarre – 3.5. Rotazione dei fattori – 3.5.1. La struttura semplice – 3.5.2. Rotazioni ortogonali – 3.5.3. Rotazioni oblique – 3.5.4. Elementi delle rotazioni oblique – 3.6. Varianza spiegata dai fattori e grandezza delle saturazioni – 3.7. Assunzioni e prerequisiti – 3.8. Misurare i fattori – 3.9. Replica della soluzione – 3.10. Analisi fattoriale di variabili categoriali – 3.11. Disegni «speciali» di analisi fattoriale – 3.12. Considerazioni conclusive – 3.13. Bibliografia essenziale – Parole chiave.

4. L’analisi della varianza:
4.1. L’analisi della varianza univariata: disegni «tra i soggetti» ad un solo fattore – 4.1.1. Il modello teorico dell’ANOVA – 4.1.2. Scomposizione della devianza totale – 4.1.3. Gradi di libertà e quadrati medi – 4.1.4. Il rapporto «F» – 4.1.5. T di Student e ANOVA – 4.1.6. Assunzioni – 4.1.7. Un esempio empirico – 4.1.8. Confronti tra le medie dei gruppi – 4.2. L’analisi della varianza univariata: disegni fattoriali – 4.2.1. Effetti principali e interazioni – 4.2.2. Disegni fattoriali «tra i soggetti» (between subjects) – 4.2.3. Analisi dei disegni fattoriali – 4.3. L’analisi della varianza univariata: disegni «entro i soggetti» ad un solo fattore – 4.3.1. Modello ANOVA nei disegni within subjects: esempio empirico – 4.4. Disegni fattoriali «entro i soggetti» (within subjects) (p. 251) – 4.4.1. Modello ANOVA nei disegni fattoriali entro i soggetti: esempio empirico – 4.5. Disegni fattoriali «misti»– 4.5.1. Disegni fattoriali misti: esempio empirico – 4.6. Disegni fattoriali con 3 fattori – 4.7. L’analisi della covarianza – 4.8. Ampiezza dell’effetto (effect size) e potenza della verifica – 4.9. Alcuni temi supplementari – 4.9.1. La trend analysis (analisi degli andamenti) – 4.9.2. Trasformazioni – 4.9.3. Disegni non bilanciati e numerosità del campione – 4.9.4. Fattori fissi e fattori casuali (random) – 4.9.5. Disegni incompleti – 4.10. Considerazioni conclusive – 4.11. Bibliografia essenziale – Parole chiave.

5. L’analisi discriminante e l’analisi multivariata della varianza (MANOVA):
5.1. L’analisi discriminante – 5.1.1. Il modello statistico dell’analisi discriminante – 5.1.2. Valutazione delle funzioni discriminanti – 5.1.3. Interpretazione delle funzioni discriminanti – 5.1.4. Strategie di analisi – 5.1.5. La fase di classificazione – 5.1.6. Valutazione dell’accuratezza della classificazione – 5.1.7. Assunzioni e prerequisiti – 5.2. L’analisi della varianza multivariata (MANOVA, Multivariate Analysis of Variance) – 5.2.1. Ipotesi multivariate sulle medie – 5.2.2. La MANOVA: modello teorico e verifica delle ipotesi statistiche – 5.2.3. Le assunzioni della MANOVA – 5.2.4. Esempi di applicazione – 5.2.5. La profile analysis – 5.2.6. L’Analisi Multivariata della Covarianza (MANCOVA) – 5.3. Considerazioni conclusive – 5.4. Bibliografia essenziale – Parole chiave.

6. L’analisi dei cluster:
6.1. Indici di distanza – 6.2. Le matrici di dati per la cluster analysis – 6.3. Gruppi e partizioni – 6.4. I metodi della cluster analysis – 6.4.1. I metodi gerarchici – 6.4.2. Criteri di fusione – 6.4.3. Numero di gruppi nella soluzione – 6.4.4. I metodi non gerarchici – 6.4.5. Tecniche gerarchiche e non gerarchiche: integrazioni possibili – 6.5. Considerazioni conclusive – 6.6. Bibliografia essenziale – Parole chiave.

Appendice 1.
Elementi di algebra matriciale:
1. Matrici di dati – 2. Operazioni tra matrici – 3. Alcune matrici caratteristiche – 4. Alcuni elementi notevoli delle matrici – 5. Autovalori e autovettori – 6. Espressioni matriciali di indici statistici – 7. Calcoli matriciali per ottenere il centroide e le matrici S e R 8. Bibliografia essenziale – Parole chiave.

Appendice 2.
Proprietà del valore atteso, della varianza e della covarianza.

Appendice 3.
Tavole statistiche: Tavole 1a-1b. Distribuzione della F di Snedecor-Fisher – Tavola 2. Valori critici della distribuzione t di Student – Tavola 3. Valori critici della distribuzione chi quadrato – Tavole 4a-4d. Punteggi percentili della Studentized Range Statistic Come si usano le tavole.

Indice analitico degli argomenti.
Indice analitico degli autori.
Riferimenti bibliografici