Seminario di Metodologia
della Ricerca Psicologica
MARIAGRAZIA BENASSI ROBERTO BOLZANI
SARA GIOVAGNOLI
Metodologia della Ricerca
• Non indica semplicemente i metodi e le tecniche da utilizzare nella ricerca ma l’attività critica che si applica ai diversi prodotti della ricerca (Boudon, 1991)
• Aspetto normativo della metodologia:
l’importanza di fare buone ricerche
Ricerca scientifica
• Scopo: generare e controllare
teorie metodologicamente corrette
– Aderenza alla realtà empirica di riferimento
– Riduzione dei costi e degli errori
Programma del corso
I PARTE (3cfu) Elementi di statistica inferenziale 1. Misura: Tipi di variabili e scale di misurazione 2. Procedura della statistica inferenziale
3. Logica del test statistico
4. Errori nell'interpretazione dei risultati del test statistico 5. Disegni di ricerca
6. Metodi di campionamento 7. Fallacia nel campionamento 8. Affidabilità e validità
II Parte (+3 cfu) Procedure statistiche avanzate
1. Analisi della correlazione 2. Analisi fattoriale
3. Analisi discriminante e cluster analysis 4. Modelli non parametrici
5. Metanalisi
Programma del corso
Modalità d’esame
Orale
3 cfu I Parte
6 cfu I + II Parte
Bibliografia
I Parte:
• Bolzani R., Canestrari R. (1994) Logica del test statistico. Milano, Casa Editrice Ambrosiana. (Cap. 2)
• Bolzani R. (1999) Problemi di statistica. Milano, Casa Editrice Ambrosiana. (Cap. 2)
• Bolzani R. Benassi M (2003)Tecniche Psicometriche. Roma, Carocci Editore (Cap. 1)
• McBurney DH (1986) Metodologia della ricerca psicologica. Bologna, Il Mulino.
(Cap. da 3 a 10)
• Mucciarelli G, Celani G (a cura di) (2002) Quando il Pensiero Sbaglia. Torino, Utet Libreria (Cap. 3, 4, 5)
II Parte:
• Bolzani R., Canestrari R. (1994) Logica del test statistico. Milano, Casa Editrice Ambrosiana. (Cap. 5)
• Bolzani R. (1999) Problemi di statistica. Milano, Casa Editrice Ambrosiana. (Cap. 4, 5)
• Bolzani R. Benassi M (2003)Tecniche Psicometriche. Roma, Carocci Editore (Cap. 7, 8)
Strumenti
• Diapositive e esercizi sul sito di Psice-Pagine Insegnamenti
• Lezioni e esercitazioni on-line disponibili sulla piattaforma A3
Piattaforma A3
• Registrazione
atutor.psice.unibo.it/registrazione/
Id: PsicologiaFreq
Password:poqevipe36
» Mail e matricola
• http://atutor.psice.unibo.it
Piattaforma A3
• Moduli didattici e esercitazioni
• Chat (orari di ricevimento CESENA)
• Forum
Verifiche
• Pre-appelli per frequentanti (1 per ogni parte per 1cfu): durante il
corso (15 Marzo; 5 Aprile)
• Appelli ufficiali (esame orale)
PRE-REQUISITI
• Logica della dimostrazione sperimentale
• Distribuzioni di Probabilità
• Test parametrici e non parametrici
Note sulla teoria della Misura in
Psicologia
Definizione di Misura:
misurare significa attribuire agli elementi di un insieme le
caratteristiche di un sistema di riferimento tali per cui queste
caratteristiche siano rappresentative
rispetto alle caratteristiche dell’insieme
Per definire il rapporto (funzione di
omeomorfismo) fra l’insieme misurato e il sistema di riferimento occorre che sia definibile:
• Il sistema relazionale empirico (oggetto)
• Il sistema relazionale di riferimento (strumento)
• le relazioni fra gli elementi dell’insieme misurato sono riprodotte (omeomorfe) dagli elementi
dell’insieme misurante
• permette di fare operazioni fra gli elementi
dell’insieme e quindi di meglio comprendere le caratteristiche delle parti rispetto all’insieme stesso
• permette di condividere e quindi confrontare le informazioni di insiemi diversi in base a un
linguaggio comune
CRITICITA’:
a. Precisione dello strumento b. Determinazione dell’Oggetto c. Generalizzazione
Precisione dello strumento
• Non c’è mai corrispondenza perfetta fra i due sistemi (misurante-misurato)
• Lo strumento di misura deve essere in grado di dare anche una stima
dell’errore di misura
• La stima viene data attraverso
l’intervallo di tolleranza che è definibile solo se sono definiti i metodi di
Statistica inferenziale Statistica inferenziale
Falsificazione Ho Falsificazione Ho
INTERVALLO DI CONFIDENZA:
rappresenta la zona attorno al parametro stimato entro cui ci aspettiamo, con una probabilità 1‑, di trovare il parametro relativo a un nuovo campione.
Ha la stessa estensione dell'intervallo attorno all'ipotesi nulla.
Se nell'intervallo di confidenza cade il valore di H0 non si può respingere l'ipotesi nulla.
Statistica inferenziale Statistica inferenziale
Falsificazione Ho Falsificazione Ho
INTERVALLO DI TOLLERANZA:
rappresenta la zona attorno al parametro stimato entro cui ci aspettiamo, con una probabilità 1‑, che cada un nuovo caso.
• Semplicità della teoria
• Conformità alle leggi o alle regolarità della natura
• Semplicità come Falsificabilità
• Universalità della teoria
• Parsimonia
Determinazione
dell’oggetto
Generalizzazione
• Scopo della misura
• Punto di partenza e di arrivo di ogni misurazione
SCALE DI MISURA
Classificazione Stevensiana:
• sistema di riferimento: sistema dei numeri reali R
• Va da una classe più semplice a una classe più complessa
SCALE DI MISURA
Classificazione Stevensiana
• Scale nominali
• Scale ordinali
• Scale intervalli
• Scale rapporto
Scale Nominali
• la relazione fra gli eventi è la categorizzazione
• le categorie sono distinte in base alla sola operazione di uguaglianza o differenza
• La proprietà dei R corrispondente è la cardinalità
• Gli eventi sono raggruppabili in classi mutualmente esclusive
• Le operazioni statistiche possibili sono il calcolo delle frequenze, test non parametrici.
• I parametri descrittivi tipici sono moda e mediana
Scale Ordinali
• Gli elementi dell’insieme sono oltre che sottoposti a categorizzazione anche ordinati gerarchicamente seguendo una relazione di asimmetria
• i numeri sono disposti in modo tale da riflettere l’ordine di graduatoria degli elementi
• Non è possibile quantificare la distanza fra gli elementi
• La proprietà dei R corrispondente è l’ordinalità
• Le operazioni statistiche possibili sono il calcolo delle frequenze, test non parametrici
• I parametri descrittivi tipici sono moda e mediana
Scale Intervalli
• alle caratteristiche delle prime due scale si aggiunge anche la definizione della distanza fra ogni elemento dell’insieme
• costanza degli intervalli fra le diverse classi
• non viene definito lo zero assoluto
• Con queste scale sono possibili solo le operazioni di somma e sottrazione
• Test statistici parametrici
• I parametri descrittivi tipici sono media e varianza
Scale Rapporto
• oltre ad esserci una costanza fra le classi è anche definito un valore di zero assoluto non arbitrario
• applicabili le operazioni matematiche di moltiplicazione e divisione
• Test statistici parametrici
• I parametri descrittivi tipici sono media e varianza
SCALE DI MISURA
Critiche alla classificazione stevensiana:
1. non comprende tutte le possibili classi di eventi.
2. Rigidità nell’accostamento scala-
Variabili
• Eventi empirici oggetto della misura
• Possono essere parte di categorie e assumere diversi valori
VARIABILI
CRITICITA’
• Aderenza fra sistema numerico e sistema empirico
• Metodo di misurazione sintetico o analitico
TIPI DI VARIABILI
Classificazione in base al ruolo nel disegno sperimentale
Relazione causale
• Variabile dipendente
• Fattore
• Variabile confondente
TIPI DI VARIABILI
Classificazione in base alle caratteristiche
• Variabili qualitative
• Variabili quantitative
Classificazione in base alla distribuzione
• Variabili gaussiane
• Varibili non gaussiane
VARIABILI E
VARIABILI E SCALE DI MISURA
- OPERAZIONI STATISTICHE POSSIBILI –
Scelta è dettata da:
• dal disegno sperimentale
• dall’ipotesi sperimentale
• dal tipo di variabili
VARIABILI E
VARIABILI E SCALE DI MISURA
- OPERAZIONI STATISTICHE POSSIBILI –
Dal disegno sperimentale
• Multivariato
• Univariato
• …
VARIABILI E
VARIABILI E SCALE DI MISURA
- OPERAZIONI STATISTICHE POSSIBILI –
Dall’ipotesi sperimentale
• Inferenza (rapporti di causa-effetto generalizzabili)
• Descrizione (esplorazione di un fenomeno di diversa complessità)
VARIABILI E
VARIABILI E SCALE DI MISURA
- OPERAZIONI STATISTICHE POSSIBILI –
Dal tipo di variabili
• Se a distribuzione gaussiana allora test parametrici
• Se a distribuzione non gaussiana allora test non parametrici
VARIABILI E
VARIABILI E SCALE DI MISURA
- OPERAZIONI STATISTICHE POSSIBILI –
Criticità:
- criteri decisionali rigidi
- ambiguità della situazione
Soluzioni:
- motivazioni del criterio
• La statistica DESCRITTIVA rappresenta sinteticamente i r diversi valori relativi ai soggetti di un determinato gruppo (media, frequenza, percentuale etc.)
• Oggetto: riguarda esclusivamente i soggetti esaminati
• Processo: il processo sulla quale è basata va dalla raccolta dei dati alla descrizione alla successiva formulazione di un’idea da verificare
• Misura: i test statistici sono di tipo esplorativo: utilizzano modelli matematici molto raffinati ma non hanno valore
dimostrativo. I parametri che utilizzano non sono basati sul calcolo probabilistico.
Statistica Descrittiva
Statistica Inferenziale
• Oggetto: l'esistenza di relazioni fra una generica variabile
dipendente e un insieme di variabili indipendenti (fattori)
• Processo: procede secondo una sequenza di operazioni ben
definita e rigida
• Logica di tipo falsificazionista
• Misura: calcolo probabilistico
Inferenza: regole Inferenza: regole
RELAZIONE FRA FATTORI E VARIABILE DIPENDENTE
IPOTESI E TEST STATISTICO SEGUONO UNA LOGICA DI TIPO CAUSA-EFFETTO
TUTTAVIA:
• I RISULTATI NON SONO VINCOLATI DA QUESTA LOGICA
• LE CONCLUSIONI NON VENGONO ACCETTATE SE SOSTENGONO UNA LOGICA CAUSA-EFFETTO
Inferenza: regole Inferenza: regole
ESEMPIO 1: INDAGINE SULLA
RELAZIONE FRA ALCOOLISMO E CIRROSI EPATICA
ESEMPIO 2: INDAGINE SULLA
RELAZIONE FRA ETA’ E CAPACITA’
MNEMONICHE
Inferenza: regole Inferenza: regole
Metodologia: teoria delle regole alla base del processo euristico
Motivazioni dell’esplicitazione delle regole:
– Ragioni epistemologiche – Ragioni etiche
– Ragioni politiche
*** KR Popper (1934) La logica della scoperta scientifica, cap 2. Einaudi (1998)
Inferenza: regole Inferenza: regole
RIGIDITA’ DEL PROCESSO DIMOSTRATIVO
Regole di metodo come convenzioni
Controllo
Corroborazione
Replicabilità
Revisione
Inferenza: regole Inferenza: regole
Controllo
• Coerenza interna (confronto logico delle conclusioni)
• Indagine sulla forma logica (teoria empirica, scientifica o tautologica)
• Confronto con altre teorie
• Confronto mediante le applicazioni empiriche
Inferenza: regole Inferenza: regole
L’oggettività della scienza sta nell’intersoggettività delle
asserzioni della scienza stessa.
Inferenza: regole Inferenza: regole
T e s t S t a t i s t i c o
( s t i m a d e l p a r a m e t r o ) R a c c o l t a D a t i e D e s c r i z i o n e V a r i a b i l i
S c e l t a C a m p i o n e c a s u a l e e i d o n e o F o r m u l a z i o n e H o
I d e a G e n e r a l e I p o t e s i S p e r i m e n t a l e
(1)
Formulazione Idea sperimentale (H1):
generale e falsificabile ipotesi di differenza
Inferenza: regole
Inferenza: regole
Inferenza: regole Inferenza: regole
(2)
Formulazione di H0 da falsificare complementare a H1
ipotesi di uguaglianza
Inferenza: regole Inferenza: regole
(3)
Raccolta del Campione
Idoneo a confermare l'idea
Rappresentativo dell'intera popolazione (casuale, sufficientemente ampio) Conforme alle richieste del test che si
Inferenza: regole Inferenza: regole
(4)
Applicazione del TEST STATISTICO indipendenza
riferimento alle distribuzioni teoriche (continuità, normalità ..)
in grado di falsificare tipi determinati di ipotesi nulle
Inferenza: regole Inferenza: regole
(5)
SIGNIFICATIVITÀ
Probabilità di respingere l'ipotesi nulla pur essendo questa vera
Il suo limite è stabilito a priori
(livello di significatività normalmente 0.05 o 0.01)
Inferenza: regole Inferenza: regole
(6a)
Falsificazione di H0
& dimostrazione di H1
(6b)
Non falsificazione di H0
& riflessioni sulla ricerca***
***NON SI PUO’ DIMOSTRARE H0***
Inferenza: regole Inferenza: regole
Attraverso la distribuzione dell’ipotesi nulla vengono individuate due zone:
• una zona attorno all'ipotesi nulla in cui non è possibile escludere, in base al risultato ottenuto, che l'ipotesi nulla sia vera
• La rimanente regione riguarda una zona in cui è estremamente improbabile ottenere un risultato sperimentale se è vera l'ipotesi nulla
Inferenza: regole
Inferenza: regole
ERRORI DI MISURA
Misurare implica sempre un errore
• ineliminabile
• di diversa origine
• può essere quantificabile
Occorre identificare e misurare anche
Inferenza: regole
Inferenza: regole
ERRORI DI MISURA
Errori di metodo – controllo tramite evitamento
Errori di decisione – controllo tramite stima
Inferenza: regole
Inferenza: regole
ERRORI DI DECISIONE
H0 vera H1 falsa
H0 falsa H1 vera Respingo H0 errore I tipo
corretto
Non respingo H0 corretto errore II tipo
Inferenza: regole
Inferenza: regole
Errore alpha
• Errore relativo alla probabilità di falsificare H0 quando H0 è vera
• Legato alla significatività del test
• Il suo valore è determinato a priori (<=0.05 o 0.01)
• Legato a errore beta
ERRORI DI DECISIONE
ERRORI DI DECISIONE
Errore beta
• Errore relativo alla probabilità di non falsificare H0 quando H0 è falsa
• Legato alla potenza del test
• Il suo valore è determinato a priori
• Legato a errore alpha
• Potenza del test: probabilità di
respingere H0 quando H0 è falsa. È data da 1‑
• Dipende :
da H0 e da H1
dalla numerosità del campione
dalla minima differenza apprezzabile
dalla varianza casuale
Inferenza: regole
Inferenza: regole
(6b)
Non respingo H0
l'ipotesi nulla è “vera” o meglio le differenze analizzate da H1 sono troppo piccole
scarsa potenza del test:
• il campione ha varianza elevata
scarsa numerosità del campione
il campione non soddisfa le condizioni relative alla distribuzione
il campione non è rappresentativo dell'intera popolazione
non sufficiente separazione fra H0 e H1
Inferenza: regole
Inferenza: regole
Inferenza: regole Inferenza: regole
La forza dell’effetto (effect size) Indice della relazione fra la
variazione dovuta al fattore
considerato e la variazione totale del modello (dovuta alla somma fra variabilità del fattore e
variabilità errore)
La forza dell’effetto (effect size) Parametro: Partial Eta squared
Utile per il confronto fra diversi studi perché è indipendente dalla
numerosità
Permette di confrontare campioni di numerosità diversa
Non è associato alla probabilità di errore ovvero alla significatività
Inferenza: regole
Inferenza: regole
Un esempio: nell’analisi della
covarianza è possibile calcolare la potenza del test (observed power) e la forza dell’effetto (partial Eta squared)
Inferenza: regole Inferenza: regole
Tests of Between-Subjects Effects Dependent Variable: memory
3611.944b 1 3611.944 62.235 .000 .640 62.235 1.000
83910.134 1 83910.134 1445.801 .000 .976 1445.801 1.000
3611.944 1 3611.944 62.235 .000 .640 62.235 1.000
2031.300 35 58.037
257557.000 37
5643.243 36
Source
Corrected Model Intercept
età Error Total
Corrected Total
Type III Sum
of Squares df Mean Square F Sig.
Partial Eta Squared
Noncent.
Parameter
Observed Powera
ERRORI DI DECISIONE
Tuttavia…
• La potenza del test a posteriori è calcolata sulla differenza misurata e non sulla minima differenza
apprezzabile
Inferenza: regole Inferenza: regole
Logica falsificazionista
Un sistema empirico per essere scientifico deve poter esser confutato dall’esperienza Asimmetria fra verificabilità e falsificabilità
Limite alpha funge da sbarramento
Inferenza: regole Inferenza: regole
CRITICHE
• Essendo asimmetrico le ipotesi nulle non
falsificate non vengono prese in considerazione
• Rigidità nella scelta
• Arbitrarietà di Alpha
• Il problema della numerosità
• Non permette di analizzare direttamente
Inferenza: regole Inferenza: regole
Possibili errori dalla logica falsificazionista:
• Non valutazione della Potenza del test
• Confronto fra i valori di p relativo ad alpha
• Utilizzo della logica falsificazionista per confermare H0
• La significatività indica una differenza ma non è né un indice di senso né un indice di forza
esercizio1
• Analizza l’articolo dal punto di vista delle variabili in studio e dei test
statistici applicati.
“L’indice di capacità di lavoro in ope ratori sanitari”, Giornale Italiano di
Medicina del lavoro e Ergonomia, p. 3 55-358
Domande
• Quale è l’ipotesi sperimentale?
– E’espressa chiaramente? E’ semplice e generale?
• Quali sono le variabili in studio?
– Sono identificabili? Fanno riferimento a un disegno sperimentale univariato o multivariato? Quali le dipendenti e i fattori? Che scala rappresentano?
• Quale è la statistica applicata?
– I test sono parametrici o non?
– C’è una corrispondenza fra test utilizzato e tipo di variabile?
– E’ visibile la distribuzione di probabilità della dipendente?
Inferenza: regole Inferenza: regole
La logica falsificazionista deriva da due approcci
– il p-value approach (PVA), di Fisher (1935)
– il fixed alpha approach (FAA), di Neyman e Pearson (1933)
Fisher 1890-1962
Inferenza: regole Inferenza: regole
Entrambi gli approcci condividono:
• l’utilizzo dell’ipotesi nulla H0
• l’utilizzo di un valore critico di probabilità p (p- value) e del livello per determinare la probabilità del verificarsi di eventi dovuti al caso o ad errori di campionamento
METODO ALTERNATIVO ALLA LOGICA FALSIFICAZIONISTA
FAA di Neyman e Pearson
metodo per selezionare una ipotesi tra due ipotesi possibili H1 e H0
Inferenza: regole
Inferenza: regole
• Oltre al valore di alpha si fissa anche quello di beta; di solito, rispettivamente 0.05 e 0.2
• Non si determina più la probabilità dei dati per H0 vera, ma la probabilità condizionata di H0 e H1 per quei dati osservati, da
confrontare con i valori posti di alpha e beta [e cioè, p(H0, H1 dati)].
Inferenza: regole
Inferenza: regole
Inferenza: regole Inferenza: regole
…Tuttavia
• Non ci sono oggi test statistici basati sul FAA salvo calcoli probabilistici bayesiani
• Tutti i test sono basati sulla
falsificazione di H0 secondo la logica falsificazionista
Inferenza: regole Inferenza: regole
Consigli dell’ APA
– Chiarezza nella presentazione dei dati (presentazione dei casi, dei dati
mancanti e degli outliers) – Scelta di analisi semplici
– Rinunciare alla scelta dicotomica fra accettazione e rifiuto di H1 e riportare oltre al valore di p anche gli intervalli di confidenza e la forza dell’effetto
Inferenza: regole Inferenza: regole
Letture consigliate:
• Fisher RA (1935) The design of Experiments, Edimburgh, Oliver & Boyd; trad. it. La
programmazione degli esperimenti, Pisa, Nistri Lischi, 1954.
• Neyman J e Pearson ES (1933) On the problem of the most efficient tests of statistical hypothesis, in Philosophical transaction of the Royal Society of London, A231, pp 289-337.
• Cohen, J (1994) The Earth is round (p<0.05),
Disegno di ricerca
Definizione:
è il progetto nel quale sono
specificati i legami fra le variabili che si andranno ad analizzare e i possibili risultati che ci si aspetta di trovare ovvero il modo con cui si analizzano le variabili in studio.
Non c’è concordanza fra gli autori 2 linee
1. Formale: D.Sperimentali, D.Quasi sperimentali e D.Non sperimentali 2. Pragmatica: tutti i disegni sono
considerati sperimentali
Tipologie di disegni di
ricerca
DISEGNI SPERIMENTALI
sono caratterizzati dal controllo di tutte le variabili in gioco, del
campione raccolto con selezione
idonea e casuale e della procedura di raccolta e analisi dei dati
Tipologie di disegni di
ricerca
DISEGNI QUASI SPERIMENTALI
sono caratterizzati dal PARZIALE controllo di tutte le variabili in
gioco.
Tipologie di disegni di
ricerca
DISEGNI QUASI SPERIMENTALI
Tipologie di disegni di ricerca
I disegni con un solo campione sono quelli sui con un solo campione quali si effettuano diverse misure ma che si trattano non come misure ripetute ma come misure indipendenti.
Nei disegni con campioni non equivalenti con campioni non equivalenti l’assegnazione dei soggetti ai gruppi non avviene in modo casuale.
I disegni ex-post-facto sono riferiti a situazioni ex-post-facto nelle quali l’evento in studio si è già verificato.
DISEGNI NON SPERIMENTALI sono caratterizzati
dall’IMPOSSIBILITA’ del controllo sulle variabili in gioco, sul
campione sulla procedura di raccolta e analisi dei dati
Tipologie di disegni di
ricerca
DISEGNI NON SPERIMENTALI
• le ricerche di osservazione nelle quali ricerche di osservazione
l’attenzione è spostata sulla struttura del problema che si sta indagando
• le ricerche d’archivio nelle quali si fa ricerche d’archivio
riferimento a dati raccolti in passato in archivi
• le ricerche sui casi singoliricerche sui casi singoli
Tipologie di disegni di
ricerca
DISEGNI FATTORIALI
• sono presenti tutte le possibili combinazioni di fattori
• è possibile analizzare tutti gli effetti a cui i criteri di classificazione utilizzati fanno riferimento e tutte le possibili interazioni tra gli effetti principali
Tipologie di disegni di
ricerca
DISEGNI FATTORIALI
• disegni entro i soggetti o per prove
correlate nei quali la misura è effettuata sullo stesso campione
• disegni fra i soggetti nei quali è misurato l’effetto di una variabile in diversi gruppi
• disegni misti nei quali le condizioni fra i soggetti e entro i soggetti sono presenti
Tipologie di disegni di
ricerca
Esempi di disegni fattoriali
• entro i soggetti
• fra i soggetti
• misti
Tipologie di disegni di
ricerca
DISEGNO INCOMPLETO
• non è possibile utilizzare tutte le combinazioni dei fattori
• non è conveniente il disegno fattoriale perchè porterebbe
all'utilizzo di un numero totale di sottogruppi troppo grande
Tipologie di disegni di
ricerca
DISEGNI INCOMPLETI: non vengono utilizzati tutti i sottogruppi possibili ma solo quelli che permettono lo studio degli effetti principali.
• QUADRATO LATINO Utilizza un criterio di incompletezza ciclica uguale per tutte le interazioni possibili
• A BLOCCHI RANDOMIZZATI nel quale le classi di un certo fattore comprendono solo alcune sotto-classi, rappresentanti l'insieme
complessivo.
Tipologie di disegni di
ricerca
DISEGNI PERSONALIZZATI
• I tipi di disegno sperimentale esaminati sono solo una parte dei disegni utilizzabili.
• Il tipo di disegno è condizionato dall'ipotesi che vogliamo dimostrare e dal tipo di effetti che
riteniamo influenti.
• In tutte le analisi statistiche è possibile
personalizzare il modello di riferimento che rispecchia il disegno sperimentale utilizzato Esempio
Tipologie di disegni di
ricerca
Capitoli di riferimento
• Misura:
– Bolzani R. Benassi M (2003)Tecniche Psicometriche. Roma, Carocci Editore (Cap. 1)
– McBurney DH (1986) Metodologia della ricerca psicologica.
Bologna, Il Mulino. (Cap. 3)
• Statistica inferenziale, logica del test e errori di misura
– Bolzani R., Canestrari R. (1994) Logica del test statistico.
Milano, Casa Editrice Ambrosiana. (Cap. 2)
– Bolzani R. (1999) Problemi di statistica. Milano, Casa Editrice Ambrosiana. (Cap. 2)
– McBurney DH (1986) Metodologia della ricerca psicologica.
Bologna, Il Mulino. (Cap. 5, 6)
• Disegni di ricerca
– McBurney DH (1986) Metodologia della ricerca psicologica.
Bologna, Il Mulino. (Cap. 7, 8, 9, 10)