Psicologia dei processi cognitivi 1 Percezione PPC1-P Lezione 10 18/04/2018 esperimento perché non lo studio correlazionale dati bivariati indici quantitativi e qualitativi r di pearson falsa causazione Scienze tecniche e psicologiche prof. Carlo Fantoni 2017-2018

comunicazione la prima tranche di file .txt del lab potrebbe essere arrivata corrotta problema con casella di posta dott. Rigutti sono stati rimandati i file .txt a tutti voi nel formato leggibile e importabile in .xls 2

in ogni caso un esperimento lo sperimentatore manipola una variabile indipendente e misura i cambiamenti di valore di una variabile dipendente esempio Zorzi: M/F e abilità matematica ma è un vero esperimento? atteggiamento scientifico e pensiero critico manipolazione esplicita della VI per la generalizzazione di inferenze causali

pensate a un vero esperimento di psicologia (eticamente accettabile)

studio correlazionale

coppie di variabili di cui si vuole comprenderne la relazione dati bivariati coppie di variabili di cui si vuole comprenderne la relazione consideriamo le seguenti tre variabili, capacità sociali, successo economico e voto agli esami studiamo le seguenti relazioni: capacità sociali - successo economico successo economico - voto esami capacità sociali - voto esami Hanno a che fare con dati bivariati

correlazione positiva capacità sociali successo economico (%) 0.0 5.0 10.0 5 10

assenza di correlazione voto esami successo economico (%) 0.0 5.0 10.0 15.0 20.0 25.0 30.0 5 10

correlazione negativa voto esami 0.0 5.0 10.0 10 30 capacità sociali

descrizione qualitativa lo studio correlazionale non da indicazione sull’esistenza di una relazione causale tra due variabili se hai capacità sociali hai buone possibilità di raggiungere il successo economico, non necessariamente se sei stato un buono studente anche per sostenere questo punto c’è bisogno di

… una descrizione quantitativa L'intensità e il segno di una relazione lineare sono descritti da due indici quantitativi: 1. covarianza: s(x,y)= 0 → indipendenza; s(x,y)> 0 → concordanza; s(x,y)< 0 → discordanza Concordanza: gli scarti dalla media di X e Y tendono ad avere lo stesso segno Discordanza: gli scarti dalla media di X e Y tendono ad avere segno opposto Indipendenza: Gli scarti dalla media sono distribuiti a random e le variabili si dicono linearmente indipendenti L'intensità della relazione lineare tra le variabili è dicilmente discernibile dal valore numerico espresso dalla covarianza, dato che tale valore dipende dall'unità di misura delle variabili esaminate, proprio come la devianza. Si preferisce quindi usare un indice indipendente dall'unità di misura delle variabili. È di difficile interpretazione dato che dipende dall'unità di misura delle variabili esaminate. Si preferisce quindi usare un indice standardizzato

descrizione quantitativa correlazione: r di Pearson

formalmente l’ r di Pearson è il rapporto critico tra la covarianza e le deviazioni standard delle due varibili r è anche esprimibile nei termini del prodotto dei punteggi standardizzati r è anche esprimibile nei termini del prodotto dei punteggi standardizzati da cui si capisce perché la misura è una misura standard dato che lavora sui punteggi standard riportati su una stessa scala ossia sulle deviazioni standard dalla media delle due variabili che per definizioni hanno varianza 0 e deviazione standard 1. E’ interpretabile come il valore assunto dalla pendenza della retta quando le due distribuzioni hanno deviazioni standard uguali o della pendenza della retta

coefficiente di correlazione r y = 0,8 x -0,4 y = 0,8 x +0,5 y = x y = -0.8 x +3,4

assenza di correlazione

il dimostratore excel

CorrelationCalculator.xls calcolo manuale correlazione inserisci un numero da 0 a 90° per regolare l’inclinazione della relazione di riferimento inserisci un numero da 0 a 90° per regolare l’intercetta inserisci un numero da 0 a ∞ per regolare lo sparpagliamento dei dati

CorrelationCalculator.xls PEARSON(xi=1→n; yi=1→n) calcolo manuale correlazione PEARSON(xi=1→n; yi=1→n) INTERCEPT(xi=1→n; yi=1→n) SLOPE(xi=1→n; yi=1→n) Un possibile esercizio per casa potrebbe essere quello di varificare le altre due formule per r di pearson

proprietà -1  r  1 Il segno di r è uguale al segno della pendenza Il suo valore non dipende dall’unità di misura della variabile se i dati sono una nuvola allora r≈ 0 ma non è detto l’inverso se conosciamo solo r=0 non possiamo fare inferenze sulla distribuzione dei dati nella regressione lineare r2 corrisponde al coefficiente di determinazione (R2): proporzione di varianza spiegata dalla retta dei minimi quadrati

(nelle scienze mediche) cause e correlazioni (nelle scienze mediche) 21

un noto esempio la terapia ormonale sostitutiva riduce il rischio di malattia cardiaca? Lawlor DA, Davey Smith G, Ebrahim S (2004) Donne che prendevano la terapia avevano un più alto stato sociale Terapia e riduzione della malattia sono effetti coincidenti di una causa comune (i benefici derivanti dallo status), piuttosto che una relazione diretta di causa-effetto Meta-analisi

cause e correlazioni (nella divulgazione) 23

24

caro diario, mi fai star male ma la studiosa ammette: il suo “esperimento” non dimostra cosa viene prima (scrivere il diario o i problemi di salute) 25

dati ipotetici ha mal di testa non ha mal di testa tiene un diario 40 (Duncan & Sheffield 2008) ha mal di testa non ha mal di testa tiene un diario 40 10 non tiene un diario 30 120 26

dati ipotetici sta male sta bene con diario 66 100 166 senza 15 40 55 (Duncan & Sheffield 2008) sta male sta bene con diario 66 100 166 senza 15 40 55 81 140 221 Diary keeping and wellbeing 27

una correlazione non implica una causa (correlation does not imply causation) 28

comodo ma inadatto alla percezione ordine temporale ambiguo Probabilità di dormire con una scarpa Probabilità di avere il mal di testa Problema principale è che è sempre soggetto alla minaccia Altri esempi su: https://en.wikipedia.org/wiki/Correlation_does_not_imply_causation