SPSS za psihologe i pedagoge

1

SPSS za psihologe i pedagoge

Predgovor Ovaj tekst koji je pred Vama, pokušaće da Vas uvede u osnovne primjene statističkih procedura u okviru statističkog programa SPSS. Danas se svi statistički poslovi obavljaju primjenom više ili manje složenih kompjuterskih programa, te smo mi pokušali da uvedemo čitaoca u svijet kvantitativne analize podataka u praksi, kroz jednostavan “ korak-po-korak” pristup korištenja statističkih analiza i programa SPSS. Svako poglavlje smo pokušali da ilustrujemo praktičnim primjerom, tako da je čitaocima lakše da savladaju logiku metodologije i statistike u konkretnom slučaju. Svako poglavlje koje se bavi određenom statističkom operacijom koncipirano je tako da prvo pruži uvid, u najkraćim crtama, u matematičku pozadinu operacije, a nakon toga i u primjenu operacije kroz primjer u SPSS-u. Knjiga je zasnovana je kako na višegodišnjim iskustvima autora u radu sa praktičnim statističkim problemima, tako i sa uvidom u edukativne potrebe studenata društvenih nauka. Namijenjena je prvenstveno studentima socijalnih nauka, kao štu su psihologija, sociologija, pedagogija i socijalni rad, ali mogu je koristiti i profesionalci koji nemaju iskustva u radu sa statističkim programima. Iako postoji i drugi programi za statističke analize, mi smo se odlučili za SPSS iz prostog razloga jer je najrasprostranjeniji i najdostupniji paket ne samo kod nas – već i u svijetu, ali logika rada je toliko slična u većini programa, da su znanja potpuno prenosiva. Treba napomenuti da knjiga ne pretenduje da bude udžbenik iz statistike, već da posluži kao vodič za primijenjenu statistiku. Za detaljniji uvid u statistiku kao nauku (bar onaj dio koji je obuhvaćen ovim priručnikom), preporučujemo Vam da obratite pažnju na osnovne udžbenike kao što su “Statistika za psihologe” Čedomira Dragičevića i “Osnovne statističke metode za nematematičare” Borisa Petza. Što se tiče daljeg usavršavanja u baratanju statističkim programom SPSS preporučujemo udžbenik “Statistika u psihologiji - priručnik” Lazara Tenjovića.

UVOD
1

SPSS za psihologe i pedagoge

2

O psihološkim istraživanjima U istraživanjima u psihologiji, kao i u ostalim društvenim naukama, se nastoji operisati sa što je moguće više objektivnih i mjerljivih činjenica. Takvo nastojanje, koje se ostvaruje kroz primjenu i pridržavanje metodoloških standarda u istraživanjima, omogućava razvoj nauke na empirijski dobijenim, provjerljivim, podacima. Iz toga proizlazi da psihologija kroz metodološki korektna istraživanja ostvaruje dvostruku korist. Kao prvo, mogućnost stalnog razvoja i kumulacije psiholoških saznanja baziranih na empirijskim podacima i argumentima koje oni pružaju. I kao drugo, mogućnost primjene sofisticiranih statističkih metoda u razmatranju velikog broja fenomena i njihovih međusobnih odnosa. Stoga je potpuno jasno zašto se insistira na poštivanju metodoloških načela u psihološkim istraživanjima. Kroz svakodnevni život ljudi se susreću sa brojnim psihološkim pojavama. Opažaju ih, interpretiraju i o njima donose zaključke i sudove. Takva saznanja se nazivaju zdravorazumskim. Iako ponekad interesantna, obuhvatna ili prihvatljiva, zdravorazumska znanja su mnogo češće površna i diskutabilna. Kako nisu naučno zasnovana, njihova glavna karakteristika ostaje nepouzdanost. Naučna znanja, sa druge strane, bazirana su na korektnim empirijskim istraživanjima. Takva saznanja imaju daleko veću naučnu težinu i značaj u rasvjetljavanju fenomena kojima se psihologija bavi. Stoga je bitno poznavati aspekte istraživanja koji ih čine naučnim. Todorović (1995) kao osnovne karakteristike naučnih istraživanja navodi: 1) sistematičnost – ova kakakteristika se odnosi na prijeku potrebu da istraživanje bude sistematski osmišljeno, pripremljeno, sprovedeno i obrađeno. Drugim riječima, neophodno je da potpuno precizno bude određen predmet ispitivanja, uslovi i način ispitivanja, uzorak ispitanika i način obrade dobijenih podataka. 2) objektivnost – svako istraživanje započinje sa određenom pretpostavkom istraživača. Pri njenoj provjeri neophodno je potpuno objektivno razmatranje činjenica. To znači da ni u kom slučaju nije dozvoljen razvoj takve istraživačke strategije koja će omogućiti rezultate koje sam istraživač zbog nečeg favorizuje. 3) kumulativnost – ogromna većina istraživanja u psihologiji danas je bazirana na postojećim saznanjima (vrlo su rijetka područja koja su u istraživačkom smislu tabula rasa). Iz toga slijedi da je istraživačima omogućeno da na osnovu radova pređašnjih autora i rezultata koji su iz njih proizašli, obuhvatnije i preciznije ispita određenu pojavu. Istovremeno se time nameće i zahtjev da se istraživač podrobno uputi u postojeća saznanja o onome što istražuje. 4) temeljnost - zaključci doneseni na osnovu malog broja slučajeva se ne mogu pohvaliti svojom pouzdanosti. Naučna saznanja zato počivaju na većem broju slučajeva (npr, većem broju osoba, više ponavljanja istraživanja,...). 5) kontrolisanost – Sa obzirom na to da na svaku pojavu djeluje veliki broj faktora, neophodno je poznavanje tih faktora i odnosa kojkoje oni ostvaruju (kako sa mjerenom pojavom, tako i međusobnog). Veći stepen kontrole nad uslovima u kojima se istraživanje sprovodi, jasno omogućava i veći stepen preciznosti dobijenih podataka i povjerenja u njim.

2

SPSS za psihologe i pedagoge 6)

3

7) 8) 9)

preciznost – nezaobilazna stavka ukoliko istraživač želi da njegovo istraživanje bude naučno. Da bi se izbjegli nerazumijevanje, neprovjerljivost istraživanja i nerječitost rezultata nužno je da pojmovi sa kojima se barata, uslovi u kojima se istraživanje sprovodi, hipoteze koje se razmatraju i rezultati koji proizlaze iz istraživanja budu što preciznije izrečeni. logičnost – kao osobina istraživanja odnosi se na zahtjev da se prate logička i pravila naučnog istraživanja. kritičnost – sva istraživanja i sistemi znanja koji na njima počivaju podliježu kritičkom razmatranju. Ukoliko prođu sistematske kritike i opstanu mogu se uzeti kao prihvatljiva. obrađenost – U razmatranju podataka dobijenih istraživanjem primjenjuju se različiti postupci. Ova osobina naučnih istraživanja se odnosi na upućenost istraživača u matematičke i statističke metode obrade podataka i primjenu onih koji odgovaraju datom istraživanju.

Klasifikacije naučnih istraživanja počivaju na karakteristikama samih istraživanja prema kojima se ona međusobom razlikuju. Izraženost ili stepen prisustva različitih osobina istraživanja predstavlja osnovu na kojoj ih autori razlikovuju i klasifikuju. Odmah treba istaći da ne postoji opšta saglasnost kada se radi o klasifikaciji istraživanja. Insistiranje na pojedinim kriterijima ili broj kriterijuma na osnovu kojih je moguće izvršiti klasifikaciju naučnih istraživanja se značajno razlikuju među različitim autorima (Todorović 1995, Halmi, 1999, Baker 1994,). Zato je neophodno prije upuštanja u svrstavanje istraživanja u neku od mogućih klasa navesti na osnovu čega (koje karakteristike istraživanja) je svrstavanje bazirano. Neki od kriterija prema kojima se istraživanja klasifikuju su: a) Prema uslovima u kojima se sprovode istraživanja se mogu podijeliti na terenska (prirodna) i laboratorijska. Terenska istraživanja se sprovode u prirodnim uslovima, gdje istraživač najčešće nema nikakvu kontrolu nad uslovima u kojima se istraživanje odvija. Laboratorijska se, pak, odlikuju visokim stepenom kontrole nad uslovima istraživanja. Vrše se u opremljenim laboratorijama što pruža mogućnost razmatranja i manipulacije velikim brojem faktora bitnih za istraživanje. b) Prema stepenu kontrole mogu biti eksperimentalna i neeksperimentalna (deskriptivna). Eksperimentalna istraživanja imaju veći stepen kontrole, što proizlazi iz mogućnosti manipulacije varijablama i uslovima istraživanja. Neeksperimentalna istraživanja karakteriše znatno manji stepen kontrole i minimalna ili čak gotovo nikakva kontrola nad varijablama i uslovima istraživanja. Sljedstveno tome, istraživanja eksperimentalnog tipa su preciznija i omogućavaju pouzdanije zaključke. c) Ako je namjena istraživanja ono čime se rukovodimo pri klasifikaciji tada razlikujemo: bazična (temeljna, fundamentalna) istraživanja, aplikativna (primijenjena, akciona) i evaluativna (procjenjivačka) istraživanja. Namjena bazičnih istraživanja je unapređenje i razvoj naučnih saznanja, pri čemu je pragmatički aspekt istraživanja potpuno nebitan. Sa druge strane aplikativna istraživanja su orjentisana otkrivanju mogućnosti da se riješe neki praktični

3

mjerenje predstavlja pridruživanje brojeva pojavama ili svojstvima prema precizno određenim pravilima. replikativna su ponavljanje ranije izvedenih istraživanja dok su parametarska istraživanja usmjerena na pojave koje su u određenoj mjeri istražene uz nastojanje da se pojedini aspekti date pojave detaljnije ispitaju. N. U okviru kvantitativnog istraživanje prikupljenim 4 . e) Klasifikacija prema vrsti podataka sa kojima u istraživanju operišemo. Iz takve činjenice. proizlazi osnovna karakteristika mjerenja u psihologiji. Takvo će mjerenje biti korektno.. O nivoima mjerenja (tipovima podataka) Podatke koji se u istraživanjima razmatraju mogu se skupiti putem posmatranja. slijedi da je za mjerenje u psihologiji potrebno utvrditi pravilan i postojan odnos vrijednosti različitih svojstava. Imajući u vidu definiciju mjerenja koju je dao (Campbell. a to je indirektnost mjerenja. U kvalitativnim istraživanjima se susrećemo sa opažanjima. Drugim riječima. I konačno evaluativna istraživanja bave se procjenom najrazličitijih efekata neke pojave. Da bi psihološka istraživanja mogla obezbijediti kvantitativne podatke nužno je da za pojave koje su predmet interesovanja postoji mjerni instrument za koji je istraživač siguran da mjeri ono čemu je namijenjen. da zaključivanje o vrijednosti jednog donosimo preko vrijednosti drugog svojstva. replikativna i parametarska istraživanja. ne dešava se da su mjerna jedinica i predmet mjerenja isto svojstvo određenih vrijednosti (predmet mjerenja sa varijabilnom vrijednosti svojstva i mjerna jedinica kao precizno definisana vrijednost datog svojstva).SPSS za psihologe i pedagoge 4 problemi. Bramble. (Emanuel J Mason & William J. koja u stvari pokazuje stepen promjene zemljišta i oštećenja objekata u području epicentra. upitnika. Eksplorativna se istraživanja odnose na prva ispitivanja nekog fenomena. To je podjela istraživanja na kvantitativna i kvalitativna. jedna od mogućnosti izražavanja intenziteta zemljotresa je preko Merkalijeve skale. utiscima i interpretacijama koji su znatno teži za objektivno analiziranje i mjerenje. intervjua ili eksperimenta. Iako se iz navedenog može zaključiti suprotno. Ovakav tip mjerenja je vrlo čest (razlog je u nevelikom broju svojstava koja se neposredno mogu svesti na mjerila koja posjeduju mjereno svojstvo). Indirektni tip mjerenja se u psihološkoj praksi svakodnevno susreće pri mjerenju inteligencije. Temperatura vazduha se izražava prema broju Celzijusevih stepeni koji je rezultat skupljanja ili širenja žive. 1997). nema mjesta mišljenju da korektna mjerenja i valjana istraživanja nije moguće sprovesti u psihologiji.1953). saglasno sa metodološkim načelima i samim tim primjenjivo u istraživanjima. Ovo je vrlo bitno zbog same činjenice da u psihologiji ne postoji mjerni instrument čija je mjerna jedinica precizno definisana vrijednost svojstva koje se mjeri. je za ovu knjigu najzgodnija. Budući da se ova knjiga prvenstveno bavi analizama podataka. našu pažnju ćemo usmjeriti na kvantitativna istraživanja i podatke koje dobijamo iz njih. d) Sa obzirom na cilj istraživanja mogu se razlikovati eksplorativna. Npr. Tu se zaključivanje o nečijim intelektualnim sposobnostima zasniva na uspješnosti u rješavanju problema i snalaženju u datim situacijama. U okviru kvantitativnih istraživanja se primijenjuju matematički i statistički principi mjerenja i modeli koji se koriste u prirodnim naukama.

već njenu vrijednost na kojoj voda prelazi u led. Međutim ono što ne može znati je stvarna visina bilo kog od učenika i kolika je razlika u visini između pojedinih učenika. To nikako ne označava da je centarfor za osam jedinica ili devet puta bolji igrač od golmana. potpuno je svejedno). Tako recimo golman ima na leđima broj jedan a centarfor (najčešće) broj devet. Stoga je za u okviru statističkog razmatranja vrlo bitno da znamo sa koje skale potiču podaci. odnosno dogovorom određena. odnosno. nivo mjerenja. 5 . tip skale koja je primjenjena. Npr. Ordinalni nivo Ordinalne skale omogućavaju međusobna poređenje pojedinačnih vrijednosti svojstva koje je predmet mjerenja. Znači. a vrijednost 2 ženskom (može i obrnuto. da je 4 veće od 3. da je razmak između 17 i 18 jednak onome između 108 i 109). ali manje od 5). Intervalni nivo Podaci sa intervalnih skala nam govore nešto o veličini svojstva koje je predmet mjerenja (npr. Operacija primjenjiva na ovom nivou mjerenja je rangovanje (odreživanje redosljeda na osnovu poreženja slučajeva prema vrijednosti svojstva). Nominalni nivo Brojčane vrijednosti sa ove skale nisu ništa drugo do zamjena za neki naziv. što je opet neodvojivo vezano za vrstu skale sa koje podaci potiču. Znači u radu sa podacima dobijenim sa ordinalne skale ne raspolažemo je informacija o količini mjerenog svojstva u pojedinačnim slučajevima. utvrđivanje koeficijenta kontigencije i Φ koeficijenta (kao koeficijenata korelacije) i utvrditi koeficijent razdiobe. uslovljava karakteristike numeričkih podataka koje dobijamo. Recimo da nastavnik na času fizičkog reda učenike po visini. možemo izvršti sljedeće pridruživanje: numeričku vrijednost 1 pridružiti muškom polu. a od statističkih postupaka se koriste percentili. Takođe nam govore o tome da je razlika izmedju brojčanih vrijednosti jednaka (npr. Najviši učenik će biti na početku reda a dalje sve niži do posljednjeg u nizu. Npr. Nula je na ovim skalama arbitrarna. U ovom slučaju nastavnik će bez problema moći da uporedi koji je učenik viši od drugog (ili drugih). a statistički postupci koji se mogu primijeniti na podatke sa nominalne skale su: prebrojavanje. Ono što je osnovni nedostatak intervalnih skala je nedostatak prirodne (apsolutne nule). Osnovna operacija koja se primijenjuje na podatke je klasifikacija.SPSS za psihologe i pedagoge 5 podacima se prema određenim pravilima pridružuju odgovarajući brojevi. pol ispitanika. Ukoliko pogledamo igrače nekog fudbalskog tima primijetićemo da se oni međusobno razlikuju prema brojevima na svojim dresovima. Tako označavanje neke vrijednosti sa 0 ne znači odsustvo mjerenog svojstva. rang-korelacija i kao mjera centralne tendencije medijana. Stoga ćemo ukratko predstaviti postojeće nivoe mjerenja. a time neposredno određuje i statističke metode i postupke koje možemo koristiti. (Radi potpunijeg prikazivanja karakteristika pojedinih skala u prilozima se nalaze i karakteristike brojeva koje je pri razvijanju definicije mjerenja naveo Campbell (1953). već samo pokazuje pozicije ovih igrača u timu. temperatura od 0 Celzijusovih stepeni ne znači nepostojanje temperature. To daje mogućnost rangovanja dobijenih vrijednosti po nekom kriterijumu. kao ni vrijednosti razlike između pojedinačnih mjera. recimo. Značenje tih brojeva zavisi od karakteristika samih podataka. kada određujemo vrijednosti za. To znači da skale ovog nivoa mjerenja imaju tačno definisanu mjernu jedinicu na osnovu koje je moguće precizno utvrđivanje razlika između pojedinih mjera (izraženo preko broja mjernih jedinica).

1999. Obično su to podaci kojima se opisuju fizičke pojave: vrijeme. Aditivni nivo Pridruživanje brojeva osobinama koje su predmet mjerenja se na aditivnom nivou mjerenja ostvaruje tako da svojstva brojeva odražavaju istovrsna svojstva atributa. 1986.) navode ova četiri nivoa mjerenja. Apsolutni nivo Dodjeljivanje brojeva pojedinačnim slučajevima se vrše tako da svojstva brojeva odražavaju istovrsna svojstva atributa. Bukvić. Mnogi autori metodoloških i statističkih udžbenika i priručnika (Dragičević. Neki osnovni pojmovi istraživanja u psihologiji Varijabla 6 . Na ovom nivou mjerenja dozvojene su sve numeričke operacije peracije i odgovarajući statistici izuzimajući razmatranje odnosa proporcija vrijednosti mjera toga što one ne predstavljaju apsolutnu vrijednost samih mjera... Međutim pored njih postoje i drugi nivoi mjerenja. uz dodatak realne nule. masa.. Svi statistički postupci su primjenjivi na ovom nivou mjerenja jer između korištenih brojeva i svojstava koje oni označavaju postoji potpuna saglasnost Mjerenja u psihologiji ne dostižu ovaj nivo. izuzimajući nultu tačku. To znači da pri razmatranju odnosa dvaju mjera koje potiču sa skale razmjere možemo reći koja je od mjera veća i za koliko jedinica. 1997. a to je jedan prebrojani element. 1997 Halmi. što uglavnom zadovoljava akademske potrebe studenata. Baker. Levin & Fox. gdje nula kao broj označava nepostojanje svojstva koje je predmet mjerenja itd. Za razliku od prethodnog nivoa mjerenja ovdje je postoji mogućnosti pridruživanja nulte tačke. Takav nivo mjerenja imamo kod pitanja “koliko dugo radite” ili “koliko imate prijatelja”. Mason at al. prostorne dimenzije. Na osnovu primjera se može zaključiti da se ovakvim mjerenjem dobijaju određene vrijednosti atributa koje su različite od nule. Primjeri mjerenja na ovom nivou su: broj zapamćenih besmislenih slogova. Primjer ovog nivo mjerenja potrošnja goriva izražena u broju litara po pređenim kilometrima. Prednost u odnosu na nivo razmjereje u tome da skale ovog nivoa imaju prirodnu mjernu jedinicu. Tako Fajgelj (2003) pored navedenih kao nivoe mjerenja predstavlja: Log-intervalni nivo Mjerenje na ovom nivou se zasniva na dodjeljivanju brojeva objektima tako da se razlomci između vrijednosti svojstva odražavaju preko razlomaka brojeva. Unapređenje u odnosu na skale intervalnog nivoa se ogleda u mogućnosti da se odnos dvije mjere može izraziti količnikom (prema tome je skala razmjere i dobila ime).SPSS za psihologe i pedagoge 6 Najpoznati primjer primjene intervalnih skala u psihologiji imamo pri mjerenje koeficijenta inteligencije. Kao oznake za vrijednosti svojstava koja se mjere brojevi se na ovom nivou mjerenja upotrebljavaju u svom potpunom značenju. Nivo razmjere (racio) Racio skala (skala realnih brojeva) ima sve osobine intervalne skale. 1994. Osnovna karakteristika skala razmjere je ta da je mjerna jedinica precizno određena vrijednost svojstva koje se mjeri. broj studenata II godine psihologije koji su dali uslov u junu.

Time ukazujemo da se radi o nečem nepotpunom i neprovjerenom što ne treba uzimati zdravo za gotovo. Nerijetko se kao sinonim za varijablu se koristi i termin varijat. osobe. objašnjavamo na osnovu nečega za šta ne znamo da li stvarno njeno svojstvo. 2. Pored ovog termina kao sininom se koristi termin promjenjiva. Sintetički metod – Definisanje svojstva prema ovom metodu obuhvata ukazivanje na permanentne i nužne odnose definisanog svojstva sa nekim grugim svojstvom. Označavanjem neke pojave hipotetičkim konstruktom mi je. koje može uzeti ma koju vrijednost iz određenog skupa vrijednosti (Ristić. On predstavlja nepotpun naučni pojam. Sam termin je preuzet iz statistike i puni naziv je slučajna varijabla. zaključujemo o postojanju određene varijable. bez obzira na primijenjenu metodu. procesa. oblika i uslova ispoljavanja. Sinonimi koji se koriste su pokazatelj i znak varijable. u stvari. dolazi do stvaranja konfuzije u nauci. Pod slučajnom varijablom se podrazumijeva pravilo ili funkcija koja svakom ishodu u uzorku pridružuje jednu vrijednost (Fajgelj. Pojavu objašnjava na osnovu provjerenih i dokazanih činjenica. Operacionalnim definicaijama se upućuje na vidljive strane varijabli. navodeći pri tome kako se one opažaju. Metod sinonima – Kod primjene ovog metoda definisanja određen termin se tumači na osnovu ekvivalentnog izraza koji bi trebao biti najrazumljiviji datoj sredini. Drugim riječima prije istraživanja nužno je precizno definisati varijable koje namjeravamo mjeriti. koje preko vidljivih strana varijabli omogućava njihovo precizno određivanje. vrste indikatora i njihove karakteristike 7 . Precizne definicije. U tom smislu varijablu preciznije možemo definisati kao rezultat mjerenja nekog psihološkog svojstva na uzorku ispitanika – svojstvo objekta. Operacionalno definisanje – Najeksploatisaniji metod definisanja varijabli u empirijskoj psihologiji. stanja. pojave. izazivaju i mjere. ali i neprovjerenih pretpostavki. Često se primjenjuje u psihologiji. provjera i mjerenja. Mjerenje jedne varijable pretpostavlja poznavanje karakteristika varijable. davanjem novih imena odveć poznatom. Sam metod definisanja varijabli može da bude različit. proizvoljnim davanjem naziva pojavama. Nepridržavanjem pravila definisanja pojmova. Prevelik broj pojmova se međusobno prepliće ili sukobljava. omogućavaju preglednost u polju naučnih saznanja. međutim ovaj termin se prije odnosi na određenu vrijednost bilo koje varijable. Insistiranje na preciznom određenju pojmova dovelo je do uvođenja pojma hipotetički kinstrukt. 3. 4. Iz tog razloga u psihologiji je najzastupljenije operacionalno definisanje. nastanak i razvoj. događaja i dr. Neke od metoda definisanja navodi Bukvić (1988): 1.SPSS za psihologe i pedagoge 7 U psihologiji varijablu često definišemo kao psihološko svojstvo koje je predmet mjerenja. vrste varijabli Indikator Indikator je znak u ispoljavanju varijable na osnovu čijeg prisustva. Genetički metod – U ovom slučaju aspekti svojstva na koje se ukazuje su njeno porijeklo. uz nemogućnost njihovih poređenja. kao i stepena njegovog prisustva. 1983). 2003).

Da bi ovo rezimiranje i zaključivanje očuvalo suštinu originalnih pojava (što je i smisao statistike) moramo se potruditi da izaberemo odgovarajuće statističke postupke koji će nam najbolje poslužiti.01. 8 . Deskriptivna statistika – obuhvata procedure kojima opisujemo podatke. i treba im dati prednost ukoliko nam podaci dozvoljavaju. Statistika zaključivanja – obuhvata procedure kojimja izvlačimo određene zaključke iz naših podataka. To su mjere poput frekvencija.SPSS za psihologe i pedagoge Ajtem (stavka. Neparametrijski testovi se rade na podacima koji ne mogu da zadovolje ove kriterijume. da podaci budu sa intervalne ili racio skale i 2. pak. čestica) Jedna tvrdnja ili pitanje u testu. možemo razlikovati dvije vrste hipoteza: nulta hipoteza (označava se sa H0) sadrži tvrdnju o nepostojanju statističke značajnosti pojave nađene na uzorku. zakrivljenja itd. mi u stvari testiramo istraživačke hipoteze. Ovaj pokazatelj (rezultat statističkog testa) će nam to reći sa nekim stepenom statističke vjerovatnoće – uobičajeno su to nivoi 0. Za vjerovatnoće manje od od ovih vrijednosti kažemo: “statistički značajno na nivou 0. ne možemo računati prosjek iz varijable “pol”).01” (što znači da su vjerovatnoće da pogriješimo kad tvrdimo da postoje statističke značajnosti 5% ili 1%). odstupanja. U okviru ovih procedura testiramo određene hipoteze koje smo postavili.ajtem od varijable do ajtema 8 O vrstama statističkih analiza Često treba da rezimiramo velike količine podataka da bismo imali nekakav uvid u njihovu prirodu. U okviru procedura statistike zaključivanja. ili. takođe. procenata. prosjeka. Nivoi značajnosti pri statističkom zaključivanju i tipovi statističkih grešaka Svaki put kad radimo statističke testove. ???????????????????vrste ajtema?????????????????????? razlike indikator . gdje je n = redni broj hipoteze) i one govore o nekakvim potvrdnim pretpostavkama koje donosimo. To mogu biti hipoteze o povezanosti nekih pojava ili razlikama u izraženosti nekih pojava. da donosimo zaključke u vezi sa dobijenim podacima. Parametrijski testovi imaju veću “snagu” (precizniji su) u odnosu na neparametrijske. Razlikujemo dvije grupe statističkih operacija: 1. Parametrijski testovi se rade nad podacima koji zadovoljavaju sljedeće kriterijume: 1. Uopšteno. imamo dvije vrste statističkih testova.05 i 0. dok afirmativnih hipoteza može biti više (označavaju se sa Hn.05” ili “0. da podaci budu normalno raspodijeljeni. a statistička operacija će nas dovesti do nekog pokazatelja koji će nam reći da li se naša hipoteza pokazala ispravnom ili ne. Pri izboru ovih mjera treba voditi računa o tipu podataka kojim raspolažemo (npr. 2.

a takođe i da bi se istraživačima olakšalo donošenje statističkih odluka. U skladu sa prethodnom pričom o nivoima značajnosti. obično se koristimo terminom "nivo značajnosti" kad govorimo o nekim granicama statističke značajnosti. a sve navedeno o čemu budemo govorili može se upotrijebiti za sve verzije programa.. ili strožijim (npr. Kad. odnosno ". U stvarnosti. ". govori se o dva tipa grešaka pri generalizaciji statističkih zaključaka sa uzorka na populaciju. budući da se svaki modul zasebno kupuje. Ti nivoi značajnosti se interpretiraju kao: ".01 je strožiji od nivoa p=0. kad se ispituju lijekovi koji imaju potencijalno opasne prateće pojave. 9 . nivo značajnosti postavljamo u zavisnosti od toga kakva je priroda pojave koju ispitujemo i značajnosti zaključka koji donosimo.. " Isto važi i za nivo značajnosti p=0. součavamo se sa mogućnošću da načinimo neku od navedenih grešaka.05. Mi ćemo se ovdje dotaći upotrebe svakog od modula programskog paketa SPSS 11. Šematski prikazano.. p=0. SPSS programski paket Programski paket SPSS čini više zasebnih modula (dijelova programa).05 (ili 5% nivo) i p=0.01. i da nas ništa ne sprečava da se služimo blažim kriterijumima (npr.postoji 5% vjerovatnoće da pogriješimo kad tvrdimo da . oni se odlučuju za blaže kriterijume značajnosti. p=0. koja se naziva i "greška alfa tipa". nastaje kad donosimo zaključak o statističkoj značajnosti pojave (npr. Nivo značajnosti od p=0.001). Treba reći da su ova dva nivoa značajnosti sasvim arbitrarno prihvaćena. pri donošenju statističkih zaključaka. S druge strane.o postojanju značajne razlike između pojava.10). kad odbacujemo tvrdnju o značajnosti pojave a ona u stvari postoji. Greška tipa II (greška beta tipa). jer u takvim situacijama čak i 50% vjerovatnoće dejstva takvog lijeka govori o vjerovatnoći da se spasi 50% ljudskih života koji su bili suočeni sa izvjesnom skorom smrti. jer u slučaju pogreške u zaključivanju mogu dovesti do fatalnih posljedica.01 (1% nivo značajnosti)..5. tipovi grešaka izgledaju ovako: Donesena odluka Prihvaćena afirmativna hipoteza Prihvaćena nulta hipoteza Stanje u populaciji Nulta hipoteza ispravna Greška tipa I (alfa) Ispravna odluka Afirmativna hipoteza ispravna Ispravna odluka Greška tipa II (beta) Svaki put kad donosimo odluku na osnovu nekog od postavljenih kriterijuma značajnosti. Pri tom se uglavnom koristimo nivoima značajnosti p=0.. nastaje u obrnutom slučaju. odredićemo i koje module ćemo moći priuštiti. na primjer. jer podrazumijeva veću sigurnost kod određenih tvrdnji.. Ove granice su ustanovljene da bi se ujednačili kriterijumi prilikom donošenja odluka. U zavisnosti od toga koje statističke procedure su nam potrebne. ali to je rizik koji prihvatamo u statistici. istraživači ispituju lijek koji se primjenjuje na dotad neizlječivim bolesnicima. Greška tipa I. kriterijumi sigurnosti se moraju povećati na najviši nivo..to tvrdimo sa 95% sigurnosti.SPSS za psihologe i pedagoge 9 Prilikom primjene statističkih testova. ili značajne korelacije). a ona u stvari ne postoji..

u našim objašnjenjima. praktično je moguće programiranjem u Syntaxu napraviti drugačije verzije gotovo svih statističkih operacija predviđenih u SPSS-u. mogu se obaviti kroz meni Edit/Options. do najsitnijih detalja. 1 Tako na primjer.SPSS za psihologe i pedagoge 10 počevši od verzije 8 pa naviše.Knežević i K. 10 . Syntax omogućava mnogo veću fleksibilnost od korištenja već ponuđenih opcija. Mi ćemo se. ali s druge strane. Podešavanja svih opcija programa. Slično tome. Tim rješenjem nisu bili zadovoljni dvojica autora iz Beograda (psiholozi G. pogotovo kad su u pitanju napredne statističke procedure1. i to će nam biti više nego dovoljno. U SPSS-u svaku proceduru možemo obaviti na dva načina: pomoću biranja opcija putem menija. te su napravili sopstvenu verziju potprograma uz pomoć kojeg se ta procedura može obaviti.sps”. omogućava i programiranje novih statističkih procedura koje nisu predviđene u osnovnom paketu SPSS-a. budući da se proceduralno vrlo malo razlikuju (više su u pitanju "kozmetičke" izmjene). ili “ručno” – korištenjem posebnog programskog jezika u okviru procedure koja se zove Syntax.Momirović). u velikoj mjeri je obiman i komplikovan da to prevazilazi okvire naših zanimanja i zahtijeva zaseban udžbenik. u SPSS-u nije predviđena mogućnost da se radi statistička procedura kanonička korelaciona analiza već je ponuđena samo u obliku potprograma koji možemo naći u SPSS-ovom direktorijumu pod nazivom “Canonical correlation. zadržati na predviđenim funkcijama.

od File do Help. tj matrica za unošenje i manipulaciju podacima. analiza podataka. To je takozvani Data Editor.SPSS za psihologe i pedagoge 11 Rad sa programom U radu sa SPSS-om postoje tri glavna područja: unošenje podataka. a donji dio je rezervisan za unošenje podataka. Nakon startovanja programa SPSS sačekaće vas uvodni ekran koji možete vidjeti na slici. na kojem piše Variable View (pregled varijabli).dugmad sa skraćenicama za naredbe koje možemo izvršiti i uz pomoć gornjih menija. 11 . Uočimo da u donjem lijevom uglu postoje dva jezička: jedan na kome piše Data View (pregled podataka). i drugi. Za početak. i pregled dobijenih rezultata. ispod njega Toolbar (traka sa alatkama) . uočimo da je izgled programa karakterističan za sve Windows programe: u gornjem dijelu ekrana postoji niz menija .

da bi kasnije mogli lakše da vršimo ispravke ako pogriješimo pri unošenju podataka. takodje.SPSS za psihologe i pedagoge 12 Priprema podataka za unošenje i obradu Kodiranje Da bismo prešli na unošenje podataka. ukoliko se ispitanici nisu potpisivali. ali će nam biti nelogičnije u pregledu obradjenih podataka). Znači. program ne pravi pitanja. Taj papir treba da nam je u blizini. označiti brojčanim oznakama. možemo odmah sabrati brojčane oznake i te zbirne podatke za čitavu skalu unositi u samo jednu varijablu koja nam govori o izraženosti nekog stava. Ili ako imamo test znanja možemo odmah sabrati tačne odgovore i onda sve te podatke staviti u samo jednu varijablu . budući da time u daljoj obradi gubimo podatke o tome kako su ispitanici odgovarali na pojedinačne odgovore. tako da imamo brzi uvid u kodni proces dok ga ne zapamtimo. a grupe ajtema varijablama. i na njemu označiti sve varijable (naziv varijable može imati samo 8 slova odnosno brojeva) i sve moguće kodne vrijednosti varijabli. Specifičnosti kompjuterske obrade Kompjuterska obrada ima neke specifičnosti koje je potrebno poštovati. onda kodiramo tako da odgovoru koji izražava najveći stepen dajemo najveći broj (može i obrnuto. test itd. Kodiranje vršimo tako što svakom od ponudjenih odgovora dodijelimo neku brojčanu vrijednost. 12 . onda je poželjno da pregledamo sve odgovore i kategorišemo ih u nekoliko kategorija koje ćemo. uz pomoć kompjutera možemo ta računanja i transformacije obaviti kasnije i bez gubitaka podataka. kompjuterski program tretira svaku unijetu kolonu u matricu podataka kao varijablu. svako pitanje ćemo označiti nekim imenom i to ćemo nazivati varijablom. Iako u projektovanju našeg instrumenta pitanja nazivamo ajtemima. ali se ne preporučuju.). prvo moramo da kodiramo instrument koji smo koristili (upitnik. Kodni plan možemo napraviti tako što ćemo uzeti jedan nepopunjen primjerak upitnika koji smo koristili. Ako imamo pitanja otvorenog tipa. Štaviše. Korisno je i numerisati sve upitnike koje smo upotrebljavali.varijablu zbira tačnih odgovora. Ukoliko radimo sa nekom skalom procjene koja ima više tvrdnji sa kojima ispitanik pokazuje slaganje ili neslaganje. Ako radimo sa skalama procjene. Ovakvi postupci su mogući. tako da imamo i pojedinačne i zbirne podatke.

Izgled ekrana će se promijeniti i dobićemo sljedeći prozor: Za razliku od matrice za unošenje podataka. a svaka kolona oznakom "var". možemo u kućicu Decimal Places da upišemo 0.brojčani oblik. Sljedeća osobinaje Type i tu možemo da biramo izmedju više tipova podataka koje varijabla sadrži: za nas najzanimljiviji i uglavnom ćemo taj oblik koristiti Numeric . Opcije Width (cijeli brojevi) i Decimal Places (decimalna mjesta) definišu širinu kolone koju upotrebljavamo. Ostali tipovi definišu neke posebne varijante matematičkih. SPSS podrazumijeva da svaki red sadrži podatke o pojedinom ispitaniku (slučaju). Ako je varijabla kategorička. To radimo tako što odaberemo Variable View jezičak u donjem lijevom uglu glavnog prozora za unos podataka. Vidjećemo da svaki red počinje sa brojevima. dok nam String daje za pravo da pišemo slovne sadržaje. ovdje (u matrici varijabli) redovi označavaju varijable (u matrici podataka redovi su slučajevi). Kad završimo sa upisivanjem imena varijable. program će nam automatski upisati pretpostavljene osobine varijable u ostale kolone. a u kolonama se nalaze vrijednosti varijabli.SPSS za psihologe i pedagoge 13 Definisanje varijabli Kada otvorimo program SPSS naći ćemo se pred praznom tabelom podataka. Za početak ćemo definisati sve varijable koje imamo. i neke znakove interpunkcije (razmak se ne može upotrebiti) i ne smije biti duže od 8 znakova. datumskih ili novčanih podataka. Ime može sadržavati slova i brojeve. Jednostavno treba kliknuti na praznu ćeliju koju želimo da definišemo i odredimo željene osobine. ali mi bez problema možemo da ih izmijenimo. a kolone opisuju karakteristike varijabli. U koloni gdje piše Name upisujemo ime varijable. 13 . ili ako sadrži samo cjelobrojne podatke.

desno ili centralno) kolone za unos podataka . vrijednost i njen opis bivaju ubačene donji prozorčić i tako oslobadjamo prostor za definisanje nove vrijednosti na isti način. i time ćemo otići na matricu podataka. Opcija Discrete Missing Values nam omogućava da unesemo pojedinačne vrijednosti (3 kućice za 3 vrijednosti). a pod Value Label unosimo naziv te vrijednosti (npr. Sad ćemo vidjeti da ime naše nove varijable stoji u zaglavlju prve kolone matrice podataka. Opis varijable će nam kasnije dati ideju o tome šta sadrže vrijednosti naše varijable ukoliko zaboravimo. Opcija Missing nam otvara mogućnosti da odredimo koje unijete vrijednosti neće biti uzimane u obzir pri obradi podataka. Kad definišemo prvu varijablu. možemo kliknuti na Data View u donjem lijevom uglu ekrana. a dugme Remove da odstranimo neželjene vrijednosti i oznake. Dalji postupak definisanja se odvija kako je na prethodnim stranicama opisano. Ovo je veoma korisna opcija kad imamo veliki broj varijabli kojima moramo smišljati kratka imene. neće se tretirati u obradi). Posljednja kolona ima naziv Measure i tu određujemo nivo podataka koji unosimo: Scale (brojčani podaci). koji nam omogućava da definišemo najnižu (Low) i najvišu (High) vrijednost raspona koji će se tretirati kao nevaljani podatak (odnosno.SPSS za psihologe i pedagoge 14 Labels nam daje mogućnost da upišemo duži opis varijable (mogu se upisati i čitave rečenice). i odabremo opciju Insert Variable. Range plus one discrete missing value predstavlja kombinaciju prve dve spomenute opcije. Value je brojčana vrijednost koju ćemo unositi. kliknemo (desnim dugmetom miša) na ime varijable ispred koje hoćemo da ubacimo novu varijablu. te vrijednosti ćemo vidjeti u tabeli podataka ali se neće obradjivati. Drugi način je Range of missing values. Onda pritisnemo dugme Add. Znači. 14 . U kolonu Value definišemo kod (brojčanu oznaku koju unosimo kao jednu od vrijednosti varijable). Ukoliko želimo da ubacimo varijablu izmedju dve već definisane varijable.kako će biti prikazana na ekranu. Svaku sljedeću varijablu možemo definisati na sličan način: treba da odemo na Variable View prikaz (dole lijevo odaberemo) i definišemo osobine varijabli kako je već opisano. Ordinal (ordinalni/rangovani podaci) i Nominal (nominalni/kategorički podaci). U kolonama Columns i Align odredjujemo širinu (u brojčanim podacima) i poravnanje (lijevo. u potpunosti se slažem ako smo kodirali neku skalu procjene). Dugme Change omogućava da mijenjamo već definisane vrijednosti i oznake.

ispitanicima ili upitnicima. dakle prva prazna ćelija u gornjem lijevom uglu tabele (matrice) podataka. Onda se vratite na početak. i predjete na novi red. jer u slučaju da nestane struje ili se kompjuter "zaglavi" . Možemo ga pronaći ukoliko idemo na Start/Programs/Accessories meni Windows-a.SPSS za psihologe i pedagoge 15 Unošenje podataka Podatke možemo unositi u okviru različitih programa i na različite načine. tasterom Enter (na dole). Inače. Preporuka: redovno snimajte unijete podatke. dovoljno je da pritisnete strelicu desno. po tabeli se možemo slobodno kretati uz pomoć kursorskih strelica. Tako radite sve dok ne stignete do posljednje definisane varijable desno. 15 . i obrađivali. Sve verzije Windows operativnih sistema imaju instaliran jednostavan program za kreiranje tekstualnih datoteka. odnosno po slučajevima. tasterom Tab (jedno polje u desno). uz pomoć strelica ili miša. koji se zove Notepad. ili Tab pa da se pomjerite na sljedeću ćeliju (sljedeću varijablu). Izgled Notepad-a po otvaranju: Prednost Notepad-a jeste njegova jednostavnost i rasprostranjenost – može se naći na svakom kompjuteru sa instaliranim Windows-ima. i ovdje ćemo opisati samo unošenje podataka u okviru programa SPSS. da bismo ih naknadno uvezli u SPSS. Unošenje podataka u Notepad-u Podatke možemo unositi i uz pomoć drugih programa. Podatke unosimo po redovima. Kad unesete prvu vrijednost.ponovo ćete unositi izvjesnu količinu podataka (onoliko koliko ste ih unijeli od prošlog snimanja fajla). Počinjemo sa prvim ispitanikom i prvom varijablom. Uvoz u SPSS tih podataka opisan je na drugom mjestu.

01. Sljedeći korak nam je uvoz ovako kreirane baze podataka u SPSS. onda ih treba pissti u formatu: 00. Podatke snimimo kao običnu tekstualnu datoteku. U prvoj i drugoj koloni nam se nalazi redni broj učenika. a svaka kolona (ili više kolona) može da predstavlja varijablu. i dolazimo do prozora za odabir datoteke: 16 .SPSS za psihologe i pedagoge 16 Podatke u Notepad unosimo jednostavno kao redove brojeva. idemo na meni File/Open/Data. što nam olakšava neke stvari. Svaki red predstavlja jedan upitnik. Između grupa varijabli koje unosimo zgodno je da stavimo jednu praznu kolonu. Pri unošenju.. 02 itd. Ukoliko varijabla sadrži dvocifrene brojeve. sljedećih devet kolona su nam devet ocjena na prvom. 003 itd. onda: 001. a ukoliko ima trocifrene. tabela podataka može izgledati otprilike ovako: gdje imamo unesene podatke o ocjenama deset učenika neke škole na prvom i drugom tromjesečju. Novije verzije SPSS-a imaju jednostavan postupak za uvoz ovakvih podataka. Nakon što otvorimo SPSS. a narednih devet su ocjene na drugom tromjesečju. 002. tako da imamo jednostavan vizuelni uvid u tačnost količine unesenih podataka: ukoliko na kraju unošenja jedne grupe varijabli vidimo da imamo brojku više ili manje od predviđenih – možemo odmah izvršiti provjeru podataka. Time osiguravamo fiksnu širinu kolona.

a pod Files of type: odaberemo tip datote – u našem slučaju to je Text (*.txt) tip. Selektujemo datoteku i kliknemo na Open i otvara nam se procedura koja nas kroz šest koraka vodi kroz uvoz podataka: Tu možemo ostaviti sve kako jeste.SPSS za psihologe i pedagoge 17 Pod Look in: odaberemo direktorijum gdje smo snimili datoteku. i dolazimo do sljedećeg koraka: 17 . potvrdimo sa Next.

odgovor na pitanje “Are variable names included at the top of your file?” će biti No. i dolazimo do trećeg koraka: Pošto smo podatke unosili počevši sa prvim redom. rekli smo da svaki red predstavlja jedan upitnik (odnosno jednog ispitanika). u prvoj kućici ostaje upisano 1. Kliknemo na Next. Kroz treće pitanje treba da odredimo koliko podataka uvozimo. i tu treba da ostane selektovano All of the cases. Takođe. i idemo na četvrti korak: 18 . Potvrdimo sa Next.SPSS za psihologe i pedagoge 18 U drugom koraku treba da selektujemo kućicu Fixed width. te i u drugoj kućici ostaje upisano 1. Pošto nismo još definisali imena varijabli. jer mi uvozimo sve podatke. jer smo unosili podatke tako da broj kolona bide fiksan.

ili nam se ne sviđa. Ako smo zadovoljni ishodom potvrdimo sa Next. i idemo na poslednji korak: 19 .SPSS za psihologe i pedagoge 19 Ovde treba da definišemo koje kolone će predstavljati varijable. jednostavno se vratimo na prethodni korak sa Back. Kad definišemo sve linije koje dijele varijable. a to ćemo učiniti tako što kliknemo na prostor između dvije kolone brojeva i pojaviće se crna linija na tom mjestu. potvrdimo sa Next i idemo na peti korak: U petom koraku imamo jednostavan u to kako će izgledati podaci u SPSS-u. Ukoliko smo nešto pogriješili. Na slici možemo vidjeti kako smo mi to učinili.

SPSS za psihologe i pedagoge 20 Šesti korak je formalan. i potvrdimo sa Finish. možemo otići na Variable View. i treba da sve ostavimo kako jeste. već samo pišu oznake v1 do v19. Po završetku imamo podatke u SPSS-u: Budući da vidimo kako imena varijabli nisu definisana. i definisati imena varijabli i tipove podataka kako je to već ranije opisano: 20 .

ostalo je još da snimimo sve to pod nekim imenom kao SPSS-ov fajl (tip *. i imamo gotovu bazu podataka u SPSS-u.sav).SPSS za psihologe i pedagoge 21 Kad završimo definisanje ovako uvezene baze podataka. 21 .

i tako dalje. Ako za primjer uzmemo isti slučaj upisivanja ocjena kod učenika na prvom i drugom tromjesečju.SPSS za psihologe i pedagoge Unošenje podataka u Microsoft Excel-u 22 Microsoft Excel je još jedan program koji je široko zastupljen. odlučićemo da odmah definišemo i imena naših varijabli tako da prvi red kolone nosi ime varijable. ali time se nećemo baviti na ovom mjestu. i u našim uslovima se nalazi instaliran na skoro svim kompjuterima u okviru paketa Microsoft Office. Prva kolona (A) će nam biti varijabla sa rednim brojem ispitanika. Druga kolona (B) će biti varijabla u kojoj će se nalaziti ocjena iz prvog predmeta na prvom polugodištu (nazvaćemo je oc1t1). Zbog toga ćemo opisati postupak unošenja podataka i pomoću ovog programa. naći ćemo se pred velikom praznom tabelom kod koje brojevi označavaju redove. a slova kolone: Sve podatke možemo upisivati u tabelu počevši sa prvom ćelijom tabele koja je označena sa podebljanim kvadratom (A1). Nakon što otvorimo Excel. Excel je sposoban i za brojne matematičke i statističke procedure. 22 .

tabela će izgledati ovako: 23 Podatke.xls). kliknemo na fajl ocjene. U SPSS-u idemo na meni File/Open/Data. Sljedeći korak je da te podatke uvezemo u SPSS. i dolazimo do sljedećeg dijalog prozora: Pod opcijom Files of type odaberemo Excel tip fajlova. Dolazimo do sljedećeg dijalog prozora: 23 . i potvrdimo sa Open.SPSS za psihologe i pedagoge Kad završimo sa unošenjem podataka. naravno. snimimo (možemo mu dati ime ocjene.

24 .SPSS za psihologe i pedagoge 24 Ovdje sve treba da ostavimo kako jeste. Potvrdimo sa OK. i imamo podatke unesene u SPSS: Ostaje još da snimimo podatke pod odgovarajućim imenom. i možemo da radimo sa podacima kao i sa drugim podacima unesenim u okviru SPSS-a. a automatski prepoznaje i količinu unesenih podataka. a to znači da program iščitava imena varijabli iz prvog reda.

Pod opcijom "Export" biramo šta će sve biti u eksportovanom fajlu: Output Document . . čitljiv u većini programa i na većini kompjutera. Za kraj pritisnemo dugme "Save". Access. Koristimo ako smo već ranije dali ime fajlu.SPSS za psihologe i pedagoge 25 Snimanje podataka U SPSS-u imamo više vrsta snimanja i izvoza podataka i rezultata naših statističkih obrada. Open . Pod "File Type" biramo tip fajla pod kojim će se snimiti naša datoteka: htm . a druge neće..samo grafikoni se eksportuju Pod "File Name" odredjujemo ime fajla i putanju do direktorijuma gdje će biti snimljen. pod "File Name" upisaćemo naziv fajla. "All Visible Objects" ako želimo da eksportujemo samo vidljive sadržaje.sve se eksportuje Output Document (No Charts) . čitljiv u internet čitačima. Ukoliko nismo ranije odredili ime i tip fajla. ali sadrži samo tekst . Kad izaberemo ovu opciju dobićemo prozor gotovo identičan onom sa Open opcijom: pod "Save in" odredićemo direktorijum u koji snimamo. Pod "Export What" možemo izabrati "All Objects" ukoliko želimo da se sve eksportuje u fajl. grafikona i rezultata obrade u drugim formatima.tekstualni fajl.sve sem grafikona se eksportuje Charts Only . Takođe. komandnih programa). tako da ih možemo otvoriti u drugim programima. Save . koristićemo Save As.bez grafikona Otvaranje datoteka Pod otvaranjem datoteka u SPSS-u podrazumijeva se svako otvaranje ili uvoz baza podataka koji su kreirani bilo u okviru samog SPSS-a. Export . ispisa rezultata. Statistica itd). a pod "Files of type" odredićemo tip fajla.snimanje tabela. i "Selected Objects" ako želimo da eksportujemo samo selektovane objekte. Sve te operacije obavljamo u glavnom meniju File. možemo otvarati i rezultate ranije napravljenih ispisa ili komandnih procedura. Što 25 .koristimo za otvaranje ranije snimljenih fajlova (baza podataka.snimanje podataka. ali i u većini novih programa za obradu teksta (Word 97 i noviji) txt . Opcija "Files of type" je veoma bitna: SPSS će nam prikazati samo fajlove one vrste koja je definisana u okviru "Files of type".HTML fajl. ili nekog drugog programa (Excel. Ovu opciju imamo na raspolaganju kad je aktivan prozor Output.. Kad izaberemo ovu opciju dobijamo sljedeći prozor: Tamo gdje piše "Look in" odredjujemo direktorijum u kome se nalaze naši fajlovi.snimanje novih podataka sa odredjivanjem imena i tipa fajla.

Read ASCII Data .vidjećemo sve tipove fajlova koje Windows poznaju Na kraju izaberemo odredjeni fajl i pritisnemo dugme "Open". kao što su tačka ili zarez) Fixed Columns .varijable se idu po istom redoslijedu za svaki red. moraćemo da promijenimo tip fajlova.Excel datoteka por . Imamo dvije podopcije: Freefield .čita tekstualne datoteke kod kojih su kolone fiksne varijable se nalaze na istom mjestu (u istoj koloni) za svaki red 26 .SPSS za psihologe i pedagoge 26 znači da ako želimo da otvorimo (ili vidimo) fajlove drugog tipa. Tipovi fajlova (neki): sav .prenosivi (medju različitim programima) tip sa sirovim podacima all files .komandni program sbs .ispisi rezultata obrade sps .standardni SPSS sirovi podaci spo .skript xls . ali se ne nalaze nužno uvijek u istim kolonama za svaki red (ili su odvojene nekim znakovima.otvaranje fajlova sa sirovim podacima koji su snimljeni u tekstualnom obliku.

SPSS za psihologe i pedagoge 27 Manipulisanje podacima Spajanje datoteka Ako želimo da spojimo više datoteka. Dodavanje novih varijabli: 27 . U prozoru s desne strane se nalaze imena varijabli u novokreiranoj datoteci. Ukoliko ne želimo da zadržimo neke varijable u novom fajlu. izabraćemo opciju Add Cases. u prozoru s lijeve strane (Unpaired Variables) se neće nalaziti ni jedna varijabla. Tu imamo mogućnosti da dodajemo nove ispitanike (Add Cases) ili da dodajemo nove varijable (Add Variables) već otvorenoj datoteci. Ukoliko nova datoteka sadrži sve iste varijable kao i stara. ali dodatne ispitanike. obavićemo to po menijem Data/Merge Files. pa na kraju mogu da se spoje svi u jednu veliku datoteku. treba da izaberemo željeni fajl i pritisnemo Open. Dakle. Dodavanje novih ispitanika (slučajeva): Ako smo želimo da spojimo fajlove koji sadrže iste varijable. za finalnu analizu podataka. Ovo je korisno kad se podaci unose na više različitih mjesta. dovoljno je da ih selektujemo u prozoru Variables in New Data File i izbacimo (pritisnemo strelicu koja pokazuje lijevo). i dobićemo prvi dijalog prozor koji nam omogućava da izaberemo datoteku u kojoj se nalaze novi ispitanici.

a sa (*) sve varijable u datoteci kojoj dodajemo. Izaberemo željeni fajl i pritisnemo Open. U okviru s lijeve strane (Excluded Variables) nalaze se imena varijabli koje neće biti ubačene u novu datoteku . 28 . izabraćemo opciju Add Variables.sve varijable koje se već nalaze u staroj datoteci. Sa (+) su označene sve varijable iz datoteke koju dodajemo. U prozoru s desne strane (New Working Data File) vidimo koje će sve varijable biti uključene u novu datoteku. ali dodatne varijable."novavar".SPSS za psihologe i pedagoge 28 Ako smo želimo da spojimo fajlove koji sadrže iste ispitanike. U našem slučaju dodajemo samo jednu varijablu koja se ne nalazi u staroj datoteci . i dobićemo prvi dijalog prozor koji nam omogućava da izaberemo datoteku u kojoj se nalaze novi ispitanici.

Najjednostavniji primjer za ovu proceduru je kad želimo da izračunamo prosječan skor na nekoj varijabli za muškarce i žene.SPSS za psihologe i pedagoge Spajanje podataka tako da grupe ispitanika čine jedan zbirni slučaj Ovu proceduru možemo obaviti pod opcijom Data/Aggregate. 29 U prozorčić sa natpisom Break Variable(s) upisujemo varijablu na osnovu čijih vrijednosti se sažimaju podaci iz varijabli koje upišemo u prozorčić Aggregate Variable(s). Ime novog fajla odredjujemo ako je uključena opcija Create new data file. 29 . za sve ispitanike koji imaju zajedničku vrijednost na Break Variable program računa neku zbirnu funkciju (na primjer aritmetičku sredinu) na Aggregate Variable. Onda nam je pol Break. a pod Function odredjujemo funkciju sažimanja podataka. Pod dugmetom Name&Label odredjujemo imena novih varijabli. u suprotnom . i pod Function izaberemo Mean.otvara se nova radna matrica (tabela) podataka. Znači. a varijabla čiji prosjek želimo je Aggregate.

i u okviru njenih kategorija će biti izvršena grupisanja za drugu varijablu. 30 . tj. Opcija Organize output by groups dovodi do zasebnog ispisa za svaku kategoriju varijable koja grupiše. Kad je uključena opcija Split File.SPSS za psihologe i pedagoge 30 Grupisanje i selekcija podataka Grupisanje podataka Data/Split File opcija grupiše ispitanike po vrijednostima varijable koju odredimo (Groups Based on). sav ispis će biti organizovan po ovim kategorijama. prva na spisku će biti primarna. Ako izaberemo više varijabli. Opcija Compare groups znači da će ispis biti zajednički. grupe će se nalaziti u istoj tabeli radi medjusobnih poredjenja.

Naravno treba da potvrdimo sa Continue na ovom. i OK na prethodnom prozoru.SPSS za psihologe i pedagoge Selekcija podataka 31 Data/Select Cases selektuje ispitanike prema vrijednostima neke varijable.. pod "Unselected Cases Are" biramo da li će neselektovani ispitanici biti samo filtrirani (Filtered). što znači da će u dalju obradu biti uključene samo žene (u našem slučaju je tako kodirano da žene imaju oznaku 1. 31 . U podopcijama imamo još mnogo matematičkih funkcija koje nećemo nabrajati. tj neće se uzimati u obzir pri statističkim operacijama. Ukoliko želimo višestruke uslove. Kad uključimo opciju If condition is satisfied i pritisnemo dugme If.. Znak "|" je logičko ILI. dobijamo mogućnosti da odredimo uslove selekcije. U gornji prozorčić upisujemo uslov: u našem slučaju uslov je da ispitanici imaju vrijednost 1 na varijabli "pol". a muškarci 2). izmedju dve jednakosti (pol=1 i skola=2) stavimo logičko I (znak "&"). ili će biti trajno izbrisani iz datoteke (Deleted). Ukoliko je uključena opcija "All cases" znači da su selektovani svi ispitanici. želimo da u dalju obradu uključimo žene koje pohadjaju odredjenu školu. oni koji nisu selektovani izbačeni su iz dalje analize ili su potpuno izbrisani iz datoteke. npr. U dnu prozora.

SPSS za psihologe i pedagoge Možemo da selektujemo ispitanike na bazi slučajnog izbora. gdje podesimo prvi i posljednji redni broj koji želimo da selektujemo. ako uključimo opciju Random sample of cases. i to u zavisnosti od vrijednosti izabrane varijable. i u okviru toga podesimo željeni procenat ili broj ispitanika koji nam treba. Iz dalje obrade se izbacuju ispitanici koji imaju 0. Vrijednosti ponder varijable govore o navodnom broju opservacija.ponderisanje (operećivanje) ispitanika. negativnu vrijednost ili nedostajući podatak. Simulira se replikacija ispitivanja. 32 Na osnovu ranga (odnosno redoslijeda u datoteci) ih selektujemo pod Based on time or case range. Use filter variable iz dalje obrade izbacuje ispitanike koji na datoj varijabli imaju vrijednost 0 ili im nedostaje podatak. 32 . Data/Weight Cases .

SPSS za psihologe i pedagoge 33 33 .

kojim dolazimo do mogućnosti postavljanja uslova za računanje vrijednosti varijable (detaljnije pod Data/Select Cases). imamo i dugme If.SPSS za psihologe i pedagoge 34 Transformacija podataka Izračunavanja Transform/Compute opcija nam omogućava da kreiramo novu varijablu različitim oblicima izračunavanja na osnovu vrijednosti već postojećih varijabli. Takodje. Tamo gdje stoji Numeric Expression upisujemo formulu na osnovu koje računamo vrijednosti nove varijable.. U našem primjeru (na slici gore) kreiramo novu varijablu zbirsekc čije vrijednosti se dobijaju sabiranjem vrijednosti varijabli sekc1.. Na mjesto gdje piše Target Variable upisujemo ime nove varijable koju kreiramo. kao i mnogo matematičkih i statističkih funkcija. sekc2 i sekc3. Opet imamo na raspolaganju sve računske operacije. 34 .

System-or user-missing). tj. Tu je i postavljanje uslova pod opcijom If. 1 znači da. nedostajuće podatke (Systemmissing. tako da rekodiramo 1 u 5. iskoristićemo Count. Možemo da unesemo pojedinačne vrijenosti (Value). 35 Rekodiranje Rekodiranje radimo u ukviru menija Data/Recode. ukoliko imamo nekoliko varijabli koje govore o tome da li ispitanici gledaju ili ne gledaju neke TV stanice (npr. i pritisnemo dugme Add. U okviru Target Variable upisujemo naziv nove zbirne varijable. Ako izaberemo podopciju Into Same Variables mijenjamo vrijednosti u okviru varijable koju izaberemo. biti izmijenjene. koje vrijednosti će. 2 u 4 itd.. i kako. U gornjem primjeru možemo vidjeti da smo mi obrnuli vrijednosti nek varijable. ili nizove vrijednosti (Range). a u Target Label detaljnije pojašnjenje sadržaja varijable. Za kraj. naravno. pa na kraju želimo da znamo koliko ispitanik ukupno gleda TV stanica.. S lijeve strane definišemo koje vrijednosti ćemo mijenjati.SPSS za psihologe i pedagoge Prebrojavanja Data/Count kreira varijablu u okviru koje se nalaze prebrojane iste vrijednosti koje se nalaze u okviru raznih varijabli. Obavezno je da se u okviru opcije Define Values specifikuju vrijednosti čije prebrojavanje se želi (u prethodnom primjeru sa TV stanicama. U okviru Numeric Variables ubacimo varijable koje želimo da prebrojavamo.. a 0 ne). i to tako što u prozorčiću gdje piše Value upišemo novu vrijednost. S desne strane definišemo nove vrijednosti. Npr. 35 .. tu ćemo specifikovati da želimo prebrojavanje pojavljivanja vrijednosti 1). Pod Old and New Values definišemo kako vršimo to rekodiranje. A tu je i uslov If. Continue.

U prozor s desne strane ubacimo varijablu čije vrijednosti želimo da rekodiramo. Prozor za to redefinisanje je gotovo identičan kao i u slučaju opcije Into Same Variables. i kako. 36 . koje vrijednosti će. String varijable se kodiraju po abecednom redu. biti izmijenjene. Možemo i da definišemo da li će kodiranje početi od najniže (Lowest value) ili najviše vrijednosti. Pod Old and New Values definišemo kako vršimo to rekodiranje. i pritisnemo dugme Change.SPSS za psihologe i pedagoge 36 Ako izaberemo podopciju Into Different Variables rekodirane vrijednosti će biti zapisane pod novom varijablom koju kreiramo. pod Output Variable definišemo ime nove varijable (pod Label njeno pojašnjenje).Transform/Automatic Recode kreira novu varijablu i automatski rekodira sadržaj neke string (slovne) ili brojčane varijable u sekvencijalne vrijednosti. Automatsko rekodiranje . a u prozorčić dole unesemo ime nove varijable. Bitno je da izaberemo varijablu koju rekodiramo (pod Numeric Variable). tj. i pritisnemo dugme New Name.

Program sam odredjuje ime nove varijable. Možemo da definišemo rangove u uzlaznom ili silaznom rasporedu (Assign Rank 1 to). U okvir By možemo da ubacimo neku varijablu na osnovu koje će organizovati rangovanje izabrane varijable (rangovaćemo slučajeve zasebno u okviru svake vrijednosti organizacione varijable). Varijablu čije vrijednosti želimo da rangujemo ubacimo u okvir Variable(s). 37 .kreira novu varijablu transformacijom postojeće varijable bazirane kao vremenski serijal (gdje svaka sljedeća vrijednost u koloni predstavlja opservaciju u sljedećem ekvidistantnom vremenskom periodu). Pod Rank Types možemo izabrati višestruke metode rangovanja.SPSS za psihologe i pedagoge 37 Rangovanje podataka Opcija Transform/Rank Cases nam omogućava da kreiramo novu varijablu koja sadrži rangovane vrijednosti izabrane varijable. a pod Ties metod dodjeljivanja rangova istovjetnim vrijednostima. na osnovu imena izabrane varijable. Kreiranje vremenskih serija Create Time Series .

Tamo gdje piše Name možemo da unesemo ime nove varijable. Tamo gdje piše Name možemo da unesemo ime nove varijable. mada se automatski upisuje podrazumijevano ime . Ispod natpisa Method možemo izabrati funkciju na osnovu koje se vrši popunjavanje nedostajućih podataka. mada se automatski upisuje podrazumijevano ime . U okvir New Variable(s) ubacimo varijablu kod koje želimo da eliminišemo prazne ćelije.prvih šest slova stare varijable plus brojčana oznaka. 38 . Ispod natpisa Function možemo izabrati funkciju transformacije.prvih šest slova stare varijable plus brojčana oznaka.popunjava ćelije kod kojih postoji nedostajući podatak.SPSS za psihologe i pedagoge U okvir gdje piše New Variable(s) ubacimo vremensku varijablu koju želimo da transformišemo. 38 Tretiranje nedostajućih podataka Replace Missing Values .

SPSS za psihologe i pedagoge 39 39 .

Pojmovi kojima se barata pri razmatranju raspodjele ispitanika po kategorijama su: R . predstavljaju osnovne mjere kojima na osnovu dobijenih podataka opisujemo naš uzorak. čija je vrijednost razlika između najvišeg i najnižeg skora dobijenog pri jednom mjerenju. kao što smo to već rekli u uvodu. Sa druge strane frekvencijski prikaz sirovih rezultata dobijen mjernim instrumentom sa većim rasponom dobijenih rezultata je često vrlo nepregledan.). kako za razmatranje rezultata. numeričkoj varijabli dobijenoj na testu inteligencije VITI ispitanici se razvrstavaju u kategorije prema Vekslerovoj teoriji inteligencije (Biro. Međutim kada se radi o mjernim instrumentima koji imaju veliki raspon mogućih rezultata (npr. prvo je potrebno ispitanike razvrstati na osnovu ukupnog broja bodova postignutih na testu iz Psihometrije u dvije kategorije. procentualni prikazi. Zbog toga se onda distribucija rezultata dijeli u manji broj kategorija. 40 . tako i za prikazivanje. brojna vrijednost koja pokazuje opseg jednog razreda. 3 Studentima psihologije najpoznatiji primjer raspodjele ispitanika u kategorije zasnovan na određenoj teorijskoj ideji je razvrstavanje ispitanika u kategorije prema postognutom koeficijentu inteligencije. koje nazivamo intervalnim razredima. r . prema uspjehu na testu informisanosti. anketa. test informisanosti koji se sastoji od 85 ajtema i gdje konačan rezultat može da se kreće od 0 do 85 bodova) prosti frekvencijski prikaz (nazivamo ga i frekvencijskim prikazom sirovih rezultata) može biti veoma nezgodan. opservacija itd. 1996). Zatim utvrditi da li postoji razlika između aritmetičkih sredina tako formiranih grupa prema uspjehu na testu informisanosti i da li je eventualna razlika između grupa statistički značajna na nekom od nivoa značajnosti ili ne. Tako koeficijentu inteligencije. upitnik. To mogu biti najjednostavnija prebrojavanja. Ukoliko želimo da eventualno postojanje značajne razlike ispitamo putem t-testa. tako da postignuća ispitanika sumarno prikažemo u obliku broja slučajeva u okviru pojedinih kategorija (razreda distribuiranih rezultata). tako da tada frekvencijski prikaz ima više smisla. Interval može biti bilo koji pozitivan cijeli broj4. ili različite mjere centralne tendencije i mjere idsperzije (raspršenja. jedna od kategorija u koju spadaju ispitanici čiji je dobijeni rezultat jednak ili veći od njegove najmanje mjere i jednak ili manji od njegove 2 Kao primjer raspodjele ispitanika u kategorije prema zahtjevima određene statističke metode koja se primjenjuje možemo navesti slučaj kada želimo utvrditi postoji li statistički značajna razlika između ispitanika koji su položili ispit iz Psihometrije ili ne.raspon dobijenih skorova. Frekvencije i procenti Prostim frekvencijskim prikazom se predstavlja frekvencija (broj) ispitanika koji su postigli određeni rezultat na nekom mjernom instrumentu koji smo zadali (test. i . Time dobijamo najbrži uvid u raspodjelu skorova ispitanika koje oni postižu pri datom mjerenju. Vrijednost intervala dodana na najnižu mjeru jednog razreda jednaka je najnižoj mjeri sljedećeg razreda.SPSS za psihologe i pedagoge 40 Deskriptivne statističke mjere Deskriptivne statističke mjere. Samo razvrstavanje rezultata koje ispitanici ostvaruju u manji broj kategorija obavlja se prema prema određenim kriterijumima koji koje postavlja sam istraživač prema zahtjevima koji su postavljeni određenom statističkom metodom koja se primjenjuje2 ili teorijskom idejom na kojoj je istraživanje zasnovano3. odstupanja rezultata).razred. 4 Za intervale se najčešće uzimaju neparni brojevi (u objašnjenju izbora neparnog broja bi najjednostavnijebilo reći da je to esnafski običaj).interval. položili i nisu položili ispit. Problem pri razmatranju raspodjele skorova u navedenom primjeru se ogleda u tome što se vrlo često frekvencije pojedinih rezultata koje se međusobom vrlo malo razlikuju.

U opisu rezultata istraživanja se pored frekvencija. Histogram 5 6 Poligon frekvencija Raspon i interval je jedino moguće utvrditi kada se barat sa podacima sa najmanje intervalne skale. Mislimo da nije zgoreg pomenuti da nije potrebno da se rezutati predstavljaju na oba načina. koje se nazivaju relativnim mjerama prebrojavanja. 41 . Takav pleonazam samo razvodnjava rezultate istraživanja koji se prikazuju. broj slučajeva (ispitanika) koji prema ostvarenoj vrijednosti date varijable pripadaju jednoj i samo jednoj kategoriji kategoriji te varijable.frekvencija date kategorije. i procenata i proporcija sa druge strane. f · 100 .frekvencija date kategorije. N P= P - gdje je procenat ispitanika koji postiže određen rezultat (pripada određenoj kategoriji). Broj rezreda u jednoj distribuciji jednak je količniku raspona i intervala (ukoliko vrijednost količnika nije cijeli broj. Time se samo bespotrebno ponavljaju dobijeni rezultati i njihove interpretacije. f . Grafikoni frekvencija koje načešće primjenjujemo su histogram (ili stupčasti dijagram) i poligon frekvencija. i u tabelama i putem grafikona. Procenat tako kao relativna mjera prebrojavanja pokazuje odnos broja slučajeva jedne kategorije prema ukupnom broju ispitanika pomnoženom sa 100.proporcija ispitanika koji postiže određen rezultat (pripada određenoj kategoriji).SPSS za psihologe i pedagoge 41 najveće mjere. broj razreda jednak je vrijednosti cijolog broja uvećanoj za 1)5.ukupan broj ispitanika u uzorku. N . je u tome što frekvencije ukazuju na broj slučajeva koji pripadaju samo jednoj kategoriji. N . Razlika između frekvencija sa jedne. Rezultate u obliku frekvencija možemo dati predstaviti preko tabele ili grafikona. I tabele i grafikoni kojima se rezultati prikazuju preko frekvnecija kao mjera prebrojavanja su vrlo jednostavni i pregledni6. f . N p= gdje je p .ukupan broj ispitanika u uzorku. f . koje se mogu označiti apsolutnim mjerama prebrojavanja. koriste i procenti i proporcije. Proporcija je takođe relativna mjera i jednaka je odnosu broja slučajeva jedne kategorije prema ukupnom broju ispitanika. f .frekvencija. dok procenati i proporcije govore o odnosu broja slučajeva (ispitanika) jedne kategorije sa ukupnim brojem slučajeva.

SPSS za psihologe i pedagoge
40

42

30

30

20

20

10
10

0 17.0 18.0 19.0 20.0 21.0 22.0 23.0 24.0 25.0 26.0 27.0 28.0 29.0 30.0

Count

0 16.5 18.0 19.5 20.5 21.5 22.5 23.5 24.5 25.5 26.5 27.5 28.5 29.5

I kod histograma i kod poligona frekvencija se na apscici nalaze rezultati koje ispitanici postižu pri nekom mjerenju, u obliku pojedinačnih rezultata koje ispitanici postižu ili formiranih kategorija, dok su na ordinati frekvencije postignutih rezultata ili razreda ispitanika. Procentni prikaz bi bio nešto naprednija verzija, gdje relativizovanje frekvencija omogućava najelementarnija poređenja različitih grupa ispitanika po određenim razredima distribucije. Na primjerima histograma i poligona frekvencija je prikazana razlika između pripadnika muškog i ženskog pola ispitanika na testu informisanosti. Histogram
12

Poligon frekvencija
12 10

10

8

8

6

6

4

4

POL Percent
muski 0 16.5 18.0 19.5 20.5 21.5 22.5 23.5 24.5 25.5 26.5 27.5 28.5 29.5 zenski

POL Percent
2 muski zenski 19.5 18.0 20.5 21.5 22.5 23.5 24.5 25.5 26.5 27.5 28.5 29.5

2

0 16.5

Rezultat testa

Rezultat testa

Sad se prvi put susrećemo sa analizama podataka. Kad prvi put uradimo analizu podataka SPSS će ih prikazati u zasebnom prozoru koji se zove Output (ili prozor za

42

SPSS za psihologe i pedagoge

43

ispis). On će nam biti aktivan u donjoj traci radne površine i prikazivaće se kao zaseban program. Deskriptivne analize kategoričkih varijabli obično radimo tako da rezultate prikažemo u vidu frekvencija i procenata. U SPSS-u ćemo tu mogućnost ostvariti preko menija Analyze/Descriptive Statistics/Frequencies. Dobićemo prozor sa opcijama koji izgleda kao na slici: stics/Frequencies.

U donjem dijelu slike vidimo tri tastera koja nas vode do različitih mogućnosti. U ovom trenutku za nas će biti interesantna opcija iscrtavanja grafikona (opcija Charts), u okviru koje možemo potvrditi opciju Bar charts (histogram ili stupčasti prikaz). Kad unesemo u prostor s desne strane unesemo varijable (mi smo unijeli varijablu pol) i potvrdimo sa OK, dobićemo sljedeći ispis:

Frequencies
Statistics

pol
N Valid Missing 507 1 pol Cumulative Percent 45.2 100.0

Frequency Valid muski zenski Total Missing Total System 229 278 507 1 508

Percent 45.1 54.7 99.8 .2 100.0

Valid Percent 45.2 54.8 100.0

43

SPSS za psihologe i pedagoge

44

pol
300

200

100

Frequency

0 muski zenski

pol

Prva tabela nam govori koliki je ukupan uzorak ispitanika. Vidimo da smo u ovom primjeru imali ukupno 508 ispitanika, od kojih je 507 uzeto u obradu (ispitanici sa valjanim podacima - Valid), i jedan za koga nismo registrovali polnu pripadnost (Missing). Druga tabela nam je najinformativnija, i u njoj se nalaze za nas najbitniji i najzanimljiviji podaci. U prvoj koloni tabele (Frequencies) se nalaze oznake kategorija za koje su utvrđene frekvencije (kategorije varijable pol, muški i ženski) i pored njih ukupna veličina uzorka, broj valjanih podataka i podataka koji izostaju iz obrade. Druga kolona nam govori o vrijednostima opaženih (empirijskih) frekvencija za kategorije date varijable. Kolona Percent nam govori o procentualnoj zastupljenosti muških i ženskih ispitanika u odnosu na ukupan broj ispitanika (508 u našem slučaju), uključujući i jednog čiji pol nismo registrovali. Kolona Valid Percent nam govori o procentualnoj zastupljenosti muških i ženskih ispitanika, ali ovaj put u odnosu na valjani broj ispitanika (507 u našem slučaju), i uglavnom koristimo ovaj procentualni prikaz. Konačno, posljednja kolona (Cumulative Percent) nam daje kumulativne procente, odnosno predstvlja zbir procenata datog razreda sa procentima prethodnih razreda. Red tabele u kojoj piše Missing nam (opet) govori o broju i procentu ispitanika sa nedostajućim podacima. Na kraju imamo i grafički prikaz podataka, ovaj put u stupčastom grafikonu (histogramu), mada smo mogli izabrati i neki drugi prikaz (pitasti ili histogram sa normalnom krivom).

44

U takvim slučajevima ne može se uzeti samo jedna najfrekventnija vrijednost jer se time značajno narušava 45 . Matematički se izražava kao količnik zbira svih dobijenih rezultata i ukupnog broja rezultata. Znači. Njihovim korištenjem se najbrže.medijana. medijanu ćemo dobiti tako što ćemo izdvojiti rezultat koji se nalazi na samoj sredini (u slučaju kada distribucija ima paran broj rezultata. da rezultati mjerenja potiču sa intervalne ili racio skale 2. Za računanje aritmetičku sredinu. ako rezultate mjerenja poredamo po veličini. N .SPSS za psihologe i pedagoge Mjere centralne tendencije 45 Mjere centralne tendencije nam ukazuju na tendencije grupisanja oko neke centralne vrijednosti u distribuciji rezultata mjerenja. mjeru centralne tendencije neke distribucije. Formula za određivanje medijane iz niza podataka poredanih po veličini je: Mdn = N . pojedinačni skor ispitanika.ukupan broj rezultata. ukupan broj slučajeva mjerenja (broj rezultata). najjednostavije i najuopštenije mogu opisati mjerene pojave na datom uzorku. aritmetička sredina se još može označiti i sa AS i X . M = ∑X . predstavlja najgrublju. medijana i mod. Najčešće mjere centralne tendencije koje se koriste su: aritmetička sredina. i govori nam koji je prosječan skor u našoj distribuciji. da postoji pretpostavka o normalnoj raspodjeli tih mjera u populaciji. Nedostatak moda kao mjere centralne temdecije uočavamo kad se sretnemo sa distribucijom u kojoj imamo dva ili više najčešća rezultata (bimodalne. to će biti sredina između dva srednja skora). konačno. odnosno polimodalne distribucije). Govori nam koji se rezultat u jednoj distribuciji podataka najčešće pojavljuje. odnosno statistički najneprecizniju. Mod. 2 gdje je Mdn . Pored oznake M. U odnosu na medijanu i mod mnogo je pouzdanija. oznaka za sumu. Medijana nam govori koji je centralni rezultat u distribuciji. N gdje je M X N Σ - aritmetička sredina. moraju biti ispunjena dva uslova: 1. odnosno ukazuje na skor koji dijeli distribuciju na dva jednaka dijela. Aritmetička sredina je mjera sa kojom se najčešće susrećemo u statističkim izvještajima.

ili polimodalne distribucije rezultata. već je na osnovu njega nezgrapno pokušao objasniti “statističke laži”. navodimo i mjere variranja (odstupanja. od kojih svaki ima 20 godina su provodili popodne na zabačenoj plaži. ali su to bile četiri djevojčice. i govori nam kolika je razlika između najveće i najmanje mjere u nizu. Primjetićemo da nam ta cifra ne odslikava pravo stanje u toj firmi.14 KM.najmanji dobijeni rezultat. Od statističkih mjera varijabilnosti se najčešće koriste raspon.SPSS za psihologe i pedagoge 46 dobijena distribucija podataka i jer se tada interpretacije i zaključci baziraju na netačnim rezultatima rezultata Iako je statistički pouzdanija od moda i medijane. 46 . varijansa. i treba je koristiti uvijek kad je to moguće. čija je aritmetička sredina godina takođe 20. Matematički se izražava kao: 7 gdje je Kako aritmetička sredina kao mjera centralne tendencije može biti nepouzdan parametar koji predstavlja skup vrijednosti jedne varijable može se vidjeti iz sljedećeg primjera. To mogu biti različite asimetrične distribucije. Ako su vrijednosti nekog niza mjera gusto grupisane oko srednje vrijednosti. međutim tamo nisu našli baš onakav prizor kakav su očekivali. kvartilna devijacija. to će biti 230 KM. skjunis i kurtozis. aritmetička sredina ima svojih nedostataka – osjetljiva je na ekstremne rezultate. Formula za utvrđivanje ove mjere disperzije je: R = Xmax . ukoliko su odstupanja rezultata velika. R . 7 i 8 godina. što je već realniji podatak kojim bismo oslikali našu priču7.raspon. Petorica mladića. Najjednostavnija mjera varijabilnosti rezultata je raspon. dok direktor prima 5000 KM. pored mjera centralne tendencije. Šteta je jedino što ga i Halmi (1999) pri navođenju nije iskoristio u istu svrhu. ali se može koristiti kao dodatni opis mjerene pojave. raspršenja. disperzije) od centralnih mjera. standardna devijacija. S druge strane. reći ćemo da prosječna plata u toj firmi iznosi 907. standardna greška aritmetičke sredine. 210. Raspon je prilično gruba mjera odstupanja.najveći dobijeni rezultat. onda smo u situaciji da nam ta srednja vrijednost ne govori mnogo o tendencijama mjerene pojave. Ako za primjer uzmemo firmu u kojoj imamo sedam zaposlenih koji primaju sljedeće plate: radnici primaju 200. onda ta srednja vrijednost dosta vjerno reprezentuje mjerenu pojavu. Kvartilnu devijaciju koristimo kad opisujemo distribucije koje odstupaju od normalne raspodjele. Xmax . Mjere varijabilnosti Za potpunije opisivanje mjerenih pojava. Od jednog prolaznika su čuli da na se na drugoj plaži nalazi pet ženskih osoba. ako uzmemo medijanu (centralnu vrijednost u nizu). koje su imale po 5. 220. sa svojom bakom koja je imala 65 godina. Ako izračunamo aritmetičku sredinu. Iz primjera je jasno da postoje situacije gdje je mod pouzdanije mjere centralne tendencije od aritmetičke sredine. 240 i 250 KM. 5. Naime tu se zaista nalazilo pet ženskih osoba. S druge strane. Ne časeći ni časa njih petorica su krenuli prema drugoj plaži.Xmin. 230. Xmin .

percentil 75. Standardna devijacija za najpreciznija i najpouzdanija mjera varijabilnosti pojava. mjesto u distribuciji podataka ispod koga se nalazi 25% i percentil 75. Q 3 . i pretpostavka o normalnoj raspodjeli mjera u populaciji. Standardna devijacija je specifična mjera varijabilnosti. gdje je: . i može se opisati kao kvadratni korijen iz prosječnog zbira kvadrata odstupanja. formula za izračunavanje σ izgleda ovako: σ= ∑( X − M ) N −1 2 .pojedinačni skor ispitanika. odnosno prvi kvartil.aritmetička sredina. Percentil predstavlja mjesto u distribuciji mjera ispod kojeg se nalazi određen procenat slučajeva. gdje je = = P25 . M .prvi kvartil.treći kvartil. Imajući u vidu važnost standardne devijacije Sprinthall (1990) je opisuje kao srce i dušu koncepta varijabilnosti.percentil 25 i P75 .kvartilna devijacija. mjesto u distribuciji podataka ispod koga se nalazi 75% ukupnih slučajeva. X . Pri tome treba reći da je Q1 P25 i Q3 P75.SPSS za psihologe i pedagoge 47 Q= Q3 − Q1 . 2 gdje je Q . odnosno treći kvartil. Sa obzirom da se standardna devijacija računa u odnosu na aritmetičku sredinu (nikad medijanu ili mod) i za nju važe uslovi: da dobijeni podaci potiču sa intervalne ili racio skale. odnosno da je prvi kvartil jednak percentilu 25 i treći kvartil jednak percentilu 75. tako da je percentil 25.standardna devijacija. Q1 . Definiše se kao mjera varijabiliteta koja pokazuje koliko je odstupanje skorova distribucije od njene aritmetičke sredine. σ 47 . Matematički prikazano.

standardna devijacija. 48 Standardna devijacija nam služi ne samo za prosti opis mjerene pojave. Σ .SPSS za psihologe i pedagoge N . što nam onda pruža veće mogućnosti generalizacije zaključaka. gdje je σ ili V= ∑( X − M ) 2 . Varijansu je najjednostavnije predstaviti kao mjeru varijabilnosti koja je jednaka kvadriranoj vrijednosti standardne devijacije. Zaključivanje o populacijskoj aritmetičkoj sredini će biti utoliko tačnije što je veći uzorak i što je mjerena pojava manje varijabilna. a formula za njeno izračunavanje: σM = ili σ N σM = σ (za uzorke manje od 100). V .oznaka za sumu. Greška koju se čini prilikom te procjene naziva se standardna greška aritmetičke sredine. Kada su zaključci koji se donose vezani za aritmetičku sredinu.varijansa .standardna greška aritmetičke sredine . ukoliko se ne može da obaviti mjerenje na svim članovima populacije (a to se gotovo nikad ne može).ukupan broj slučajeva mjerenja. Pošto se na varijabilnost neke pojave ne može uticati. u stvari se koristi aritmetičku sredinu dobijenu na određenom uzorku da bi se procijenila aritmetičku sredinu populacije. ali time ćemo se pozabaviti kasnije. greška procjene se može smanjiti većim brojem mjerenja.ukupan broj slučajeva mjerenja. nego i za statistici zaključivanja. Oznaka za standardnu grašku aritmetičke sredine je σ M ili SE M. pa je njena formula: V= σ 2.standardna devijacija . N −1 gdje je σM σ N . N −1 gdje je 48 .

asimetrične distribucije izgledaju ovako: 49 . pozitivan ili negativan. oznaka za sumu. kao mjera varijabilnosti su vrlo važne i skjunis (skewness) i kurtozis (kurtosis). Kako je navedeno skjunis je statistik na osnovu kojeg se donosi zaključak o tome da li je empirijska raspodjela podataka pozitivno ili negativno asimetrična (iji jednostavnije rečeno da li distribucija podataka grafčki predstavljeno skreće u lijevu ili desnu stranu. dok se na osnovu poznavanja vrijednosti kurtozisa zaključuje o odstupanju dobijene raspodjele po visini (vertikalno odstupanje). ukupan broj slučajeva mjerenja. Pored navedenih. Šematski prikazane. Na osnovu vrijednosti skjunisa se vrši zaključivanje o pozitivnom ili negativnom odstupanju dobijene raspodjele podataka u odnosu na normalnu (horizontalno odstupanje). Međutim. Formula za izračunavanja skjunisa je: Sk = Sk P90 P10 P50 skjunis precentil 90 percentil 10 percentil 50 P90 + P10 − P50 . aritmetička sredina. pojedinačni skor ispitanika. Na osnovu njihovih vrijednosti se donose zaključci o odstupanja empirijske raspodjele od normalne krive.SPSS za psihologe i pedagoge V X M N Σ varijansa. postoje situacije u kojima statističke operacije sa varijansom dozvoljavaju analize koje bez učešća varijanse ne bi bile moguće. 49 U osnovi varijansa i standardna devijacija predstavljaju istu mjeru varijabilnosti. dok svojim predznakom ukazuje na smjer asimetrije. 2 gdje je Svojom vrijednosti skjunis izražava veličinu asimetrije.

percentil 25. P90 − P10 Pri tome je: Q= gdje je Q . Dobijenu vrijednost se uvijek poredi sa vrijednosti 0.263 onda je distribucija platikurtična. onda je distribucija leptokurtična.263 koliko iznosi kurtosis za normalnu krivu. Na osnovu raspodjele podataka i vrijednosti kurtozisa se utvrđuje da li postoji tendecija grupisanja podataka oko aritmetičke sredine ili se podaci raspršuju podjednako duž apscise. P25 .precentil 15. izduženog oblika. Šematski prikazano. tj.kvartilna devijacija P915 . te distribucije izgledaju kao na slici: 50 . kurtozis. Vrijednost kurtozisa koja se izračunava je uvijek manja od jedan. 2 Q .SPSS za psihologe i pedagoge 50 Kao što je već rečeno prilikom izračunavanja kurtozisa se utvrđuje eventualno vertikalno odstupanje dobijene distribucije od normalne. spljoštena. percentil 10 P75 − P25 . Ukoliko je dobijena vrijednost kurtozisa veća od 0.263. precentil 90. Ako je dobijena vrijednost manja od 0. tj. Formula za izračunavanje kurosisa je: Ku = Q Ku P90 P10 kvartilna devijacija.

263 . zanimaju nas mod. a od mjera odstupanja tu su standardna devijacija..263 . mjere centralne tendencije i odstupanja ćemo tražiti na sličan način kao i kod frekvencijskih tabela: preko menija Analyze/Descriptive Statistics/Frequencies. i možemo da isključimo kućicu Display frequency tables da na bismo gledali neželjeno velike frekvencijske tabele. Za primjer ćemo uzeti rezultate sa skale autoritarnosti kao osobine ličnosti. Ku = . Nije zgoreg napomenuti da aritmetičku sredinu i standardnu devijaciju koristimo ukoliko imamo podatke koji zadovoljavaju uslove intervalne ili racio skale. koja je primijenjena na uzorku od 496 ispitanika.SPSS za psihologe i pedagoge 51 Ku < . medijana i aritmetička sredina.leptokurtična kriva. 51 .platikurtična kriva. Ku > ..normalna kriva. Znači. kvartilna odstupanja i mjere zakrivljenosti dobijene distribucije podataka. Sad treba da vidimo kako ćemo računanja ovih mjera centralne tendencije i varijabilnosti obaviti u SPSS-u. Ukoliko radimo na podacima sa ordinalne skale.263 .

52 . kao i drugih mjera opisa. i zabraćemo neke od mjera koje želimo.. idemo na meni Analyze/Descriptive Statistics/Descriptives i unesemo u desni prozor željenu varijablu (u našem slučaju to je skor na skali autoritarnosti).SPSS za psihologe i pedagoge 52 .a zatim ćemo pritisnuti dugme Statistics. Ako želimo prikaz aritmetičke sredine i standardne devijacije za intervalne ili racio podatke..

991 Mean Std. Vrijednost aritmetičke sredine je 47. mean).0193 Statistic Statistic SKOR. a njena standardne greške 0. Ukoliko želimo da vidimo zakrivljenost naše distribucije možemo uključiti i mjere zakrivljenja (Kurtosis i Skewness). kliknemo na dugme Options i dolazimo do izbora mjera.325 što znači da je naša distribucija negativno asimetrična (skreće na lijevu stranu).SPSS za psihologe i pedagoge 53 Da bi vidjeli koje statističke mjere su nam na raspolaganju. standardna devijacija.325 Kurtosis Statistic -0. raspon Range). standardna greška aritmetičke sredine (S.263 na onsnovu čega zaključujemo da je kriva empirijske distribucije izdužena u odnosu na normalnu.389.AUT Valid N (listwise) 495 495 Iz tabele možemo vidjeti da imamo 495 ispitanika čiji su rezultati uzeti u obradu.E. a maksimalnog 68. Skewness iznosi –0. minimum i maksimum. dobićemo sljedeći ispis: Descriptives Descriptive Statistics N Range Minimum Statistic 50 18 Maximum Statistic 68 Statistic 47. Raspon rezultata iznosi 50. vrijednost minimalnog skora je 18.389 Std.663 Skewness Statistic -0. 53 .98. tj. Kad na kraju potvrdimo sa OK. leptokurtična. Kurtosis je manji od 0. Deviation Statistic 8. dok standardna devijacija iznosi 8. da bismo vidjeli da li značajno odstupa od normalne raspodjele mjera. Error 0.66. Za početak su označene aritmetička sredina (Mean).

standardne devijacije (Standard Deviation) i broj slučajeva (Number of Cases) i. a s desne strane je okvir u koji se unose parametri koje želimo da razmotrimo. Najjednostavniji je sljedeći: Idemo na meni Analyze/Compare Means/Means. Da bismo odabrali deskriptivne mjere koje želimo vidjeti. U Independent List ubacimo kategoričku varijablu u kojoj se nalaze informacije o našim poduzorcima (u našem slučaju to je varijabla starost). i u okvir iznad kojeg piše Dependent List ubacimo varijablu čije skorove želimo porediti (u našem slučaju to je rezultat na testu znanja iz informatike). ili da se uporede prosjeci učeničkih ocjena po razredima osnovne škole. Za početak su odabrane aritmetičke sredine (Means). te smo mi odabrali još i medijanu (Median) i minimalan i maksimalan rezultat na testu. To recimo može biti slučaj kad se žele uopšteno uporediti postignuća muških i ženskih ispitanika na nekom testu. ali nas ništa ne spriječava da izaberemo bilo koju drugu mjeru koja nas zanima. Mi ćemo za primjer uzeti jedno ispitivanje koje se bavilo znanjem iz oblasti informatickih tehnologija.SPSS za psihologe i pedagoge Deskriptivne mjere za dva ili više uzoraka 54 Često se javlja potreba za upoređenjem deskriptivnih mjera dvaju ili više poduzoraka u okviru jednog istraživanja. Time se dobija prozor na čijoj lijevoj strani se nalaze mjere koje su na raspolaganju. Postoji više načina da se ovo uradi u SPSS-u. gdje je predmet interesovanja razlika u stepenu informatickih znanja kod ljudi različitih uzrasnih skupina. pritisnemo dugme Options. 54 .

49 godina preko 50 godina Total Mean 26.0000 24.20 godina 21 .0323 22.2% N 406 Total Percent 100.SPSS za psihologe i pedagoge 55 Kao rezultat dobijamo sljedeći ispis: Means Case Processing Summary Cases Included N znanje iz informatike * STAROST 401 Percent 98.39 godina 40 .00 14.49061 7.97217 7.00 Maximum 38.00 Prva tabela (Case Processing Summary) nas.00 39. i koliko ispitanika je imalo valjane podatke. Deviation 5.0000 17.00 14.00 38.0000 Minimum 14. min i max).57532 Median 26.00 41.00 14.00 41.43117 6.0% Report znanje iz informatike STAROST 18 .63443 4. N.62201 6.1127 15.5112 N 85 177 37 71 31 401 Std. izvještava o tome koje varijable se ukrštaju (u našem slučaju to su znanje iz informatike i starost).00 14. Pošto vidimo da su sve na broju (AS.0000 15.29 godina 30 .1882 24. σ . možemo obaviti i uvid u dobijene rezultate. U koloni Means vidimo da je stepen poznavanja 55 .00 14. odnosno koliko je ispitanika uzeto u obradu.0000 21. Druga tabela (Report) daje prikaz deskriptivnih statističkih mjera koje smo tražili.0000 14.00 41.0000 14.7458 20.8% N 5 Excluded Percent 1. već uobičajeno. medijana.

01 ⇒ p  .05. već prije svega ukazuje na to da li je smisleno porediti grupe (ako su razlike u broju članova poduzoraka velike. skjunis i kurtozis podijele sa njihovim standardnim greškama.SPSS za psihologe i pedagoge 56 oblasti informatike veći kod mlađih ispitanika i da progresivno opada sa porastom starosne dobi ispitanika. dok su najveći skorovi dobijeni u grupama ispitanika starosti od 21 do 29 i od 40 do 49 godina.58 SE Ku i Sk  . prate vrijednosti aritmetičkih sredina po kategorijama ispitanika.96 SE Ku gdje je Sk SESk Ku SEKu p 2. zaključuje se da empirijska distribucija značajno (na nivou 0. Sk  2. recimo. za odluku da li će se u razmatranju određenih podataka primijeniti neki parametrijski ili neparametrijski test). nikako i važnosti podataka koje sadrži).58 SESk Ku  2. odnosno 0. Poređenje se dalje može vršiti i na osnovu drugih dobivenih statističkih mjera.05 56 . Na kraju (samo po redoslijedu navođenja.05 vrijednost sa kojom se poređenje vrši na nivou značajnosti p<.01. najmanji dobijeni skor je jednak u svim grupama. Znači. Tako vrijednosti medijane. tj. u kategoriji starosti od 30 do 39 148 ispitanika i u u kategoriji starosti od 40 do 49 njih 17). npr. Testiranje normalnosti distribucije podataka Već smo vidjeli da je za veliki broj statističkih analiza neophodno ustanoviti da li distribucija dobijenih podataka zadovoljava uslov normalnosti. ∨ ⇒ p  . Jedan od načina je da se (već predstavljene) deskriptivne mjere odstupanja.58 1.96 ili 2. Dalje se.58. da li u dovoljnoj mjeri podražava normalnu raspodjelu (npr. Provjera eventualnog odstupanja empirijske od normalne distribucije se može izvršiti na više načina. može zaključiti da je najveće prosječno odstupanje rezultata prisutno u grupi ispitanika starosti između 30 i 39 godina.01) odstupa od normalne krive. što je vrlo važno ne samo jer pruža informaciju o brojnosti kategorija.96 skjunis standardna greška skjunisa kurtozis standardna greška kurtozis a oznaka za statističku značajnost vrijednost sa kojom se poređenje vrši na nivou značajnosti p<. kolona N pokazuje broj ispitanika po kategorijama.96 1 SESk ∨ Ku  1. naravno. Ukoliko bilo koja od dobijenih vrijednosti bude veća od 1.

Kolmogorov-Smirnov test je još jedan od mogućih načina provjeravanja empirijske distribucije. U okviru Kolmogorov-Smirnov testa se vrši poređenje empirijske i teorijske distribucije.aut koja je rezultat na nekoj skali autoritarnosti).SPSS za psihologe i pedagoge 57 Sljedeći način testiranja eventualnog odstupanja empirijske raspodjele od normalne bi bio uz pomoć Hi-kvadrat (χ2) testa. Mi ćemo za primjer uzeti naš već opisani slučaj sa skalom autoritarnosti. a dobićemo i statističke testove normalnosti. Sljedeći korak je da idemo na opciju Plots u donjem dijelu prozora. ovaj put nećemo to objašnjavati. Ovo će nam dati grafički prikaz raspodjele naših rezultata u formi histograma. a zatim ispituje da li ta najveća vrijednost razlike empirijske i teorijske distribucije (Dmax) statistički značajno odstupa od normalne. U ovom postupku se uzima u obzir ono mjesto u kome se dvije raspodjele najviše razlikuju. Potrebno je za početak otići na meni Analyze/Descriptive Statistics/Explore i da varijablu čiju distribuciju želimo da testiramo ubacimo u okvir gdje piše Dependent List (u našem slučaju to je varijabla skor. 57 . Treba da potvrdimo opcije Histogram i Normality plots with tests. ali pošto je to dosta komplikovano uraditi u okviru SPSS-a. van granica slučajnosti.

065 8.110 .008 Statistic .00 50.1768 48.2268 48.048 a Lilliefors Significance Correction df 495 Sig.00 12. .019 Tests of Normality Kolmogorov-Smirnov(a) Statistic SKOR.7570 48.326 -.66399 18. Error .005 .4% N 507 Total Percent 100.00 68.9919 47.991 Shapiro-Wilk df 495 Sig.AUT . Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis 58 .0% 5% Trimmed Mean Median Variance Std.SPSS za psihologe i pedagoge 58 Dobićemo sljedeći ispis: Explore Case Processing Summary Cases Valid N SKOR.0000 75.0000 -.219 Std.6% Descriptives Statistic SKOR.AUT Mean 95% Confidence Interval for Mean Lower Bound Upper Bound 47.AUT 495 Percent 97.38942 N 12 Missing Percent 2. .

Dok se u drugoj tabeli nalaze deskriptivne statističke mjere razmatrane distribucije koje smo odabrali o okviru opcije Statistics. on nam zasad nije potreban. Histogram koji smo dobili nam može ponešto reći o dobijenim podacima. a druga o generalnim deskriptivnim podacima za našu skalu.008). U okviru te tabele.0 50. odnosno varijabilnost negativne strane je povećana.0 55.0 40. odbacujemo postavljenu hipotezu. Kolona Statistic kaže kolika je izračunata mjera odstupanja naše distribucije od normalne (u našem slučaju 0. u SPSS-u) manje od 0. Budući da je p (odnosno Sig.0 60.AUT Prva tabela nam govori o broju valjanih podataka uzetih u obradu. i donosimo zaključak da naša distribucija statistički značajno (na nivou značajnosti od 0. gdje takođe potvrđujemo značajno odstupanje dobijene od normalne raspodjele.0 N = 495.96. budući da je on predviđen za uzorke od 50 ili manje ispitanika (u našem slučaju ih ima 495). Tabela takođe pokazuje da je radjen i drugi test eventualnog odstupanja empirijske raspodjele od normalne krive i da on takođe ukazuje na statistički značajno odstupanje testirane raspodjele od normalne (Shapiro-Wilk). Vidimo da se veći broj ispitanika gomila na gornjem dijelu naše skale. No.110 = -2.048). Dev = 8.0 Std. a kolona Sig. Takođe.01.0 70.0 65.66 Mean = 48.0 35.01) odstupa od normalne.00 SKOR.0 25.0 45. što znači da su rezultati za našu ispitivanu populaciju negativno asimetrični. prve tri kolone predstavljaju izvještaj o obavljenom Kolmogorov-Smirnov testu. 59 . u trećoj (onoj koja nas najviše zanima) dobijamo izvještaj o distribuciji koju testiramo.SPSS za psihologe i pedagoge 59 Histogram 120 100 80 60 40 Frequency 20 0 20. nam govori o značajnosti utvrđenog odstupanja (u našem slučaju 0.326/0. a hipoteza je bila da naša distribucija ne odstupa značajno od normalne. pod nazivom Test of Normality. ukoliko skewness podijelimo sa njegovom standardnom greškom dobijamo: -0.0 30.

da podaci podržavaju normalno raspodjeljuju Da li se radi o nezavisnim ili zavisnim uzorcima? Da li postoji dvije ili više grupa ispitanika? Ovi podaci će odrediti vrste statističkih testova koji se mogu koristiti. Na osnovu rezultata testiranja razlika. U pozadini ovog postupka testiranja značajnosti razlika između aritmetičkih sredina. Ukoliko se žele uporediti aritmetičke sredine dobijene na dva uzorka iz iste populacije.da podaci sa kojima se barata potiču bar sa intervalne skale . uz mogućnost prisustva greške manjom od 1% ili 5% donosi se zaključak da su uzorci heterogeni. Ukoliko test pokaže značajnu razliku između aritmetičkih sredina. u zavisnosti od toga da li rezultat bude značajan ili ne. poslužićemo se nekim od statističkih testova konstruisanih u tu svrhu. odnosno da su nastale razlike rezultat dejstva nekog sistematskog faktora. ili su. Da bi se utvrdio da li te razlike potiču od nekih sistematskih faktora. a vidjećemo da ih ima mnogo. odnosno da su nastale razlike rezultat slučajnih faktora. definisanja intervala pouzdanosti oko te razlike i procjene značajnosti te razlike. 2. Ukoliko postoji potreba da se izvrši testiranje razlika između aritmetičkih sredina dvaju nezavisnih uzoraka. Testiranje značajnosti razlike između dva uzorka T – test za nezavisne uzorke Kao prvo treba reći da se pod nezavisnim uzorcima podrazumijevaju se oni uzorci koji nakog izvršenog mjerenja ne stoje ni u kakvom pravilnom odnosu. Ukoliko test ne pokaže statistički značajnu razliku između aritmetičkih sredina uzoraka. mogu se izvesti dva zaključka: 1. Da bismo radili testiranje značajnosti razlika između izraženosti pojava potrebno je da znamo nekoliko stvari: Da li podaci zadovoljavaju uslove primjene parametrijskih testova? . onda koristimo t-test za nezavisne uzorke. pak. leži procjenjivanje njene standardne greške. Formula za njegovo izračunavanje je: 60 . rezultat slučajnih činilaca. pod uslovom da su zadovoljaeni uslovi za primjenu parametrijskih testova. odnosno nisu u korelaciji.SPSS za psihologe i pedagoge 60 Testiranje značajnosti razlika aritmetičkih sredina Jedna od najčešćih razmatranja s kojima se istraživači bave u okviru analize podataka jesu testiranja značajnosti razlika aritmetičkih sredina između uzoraka. zaključuje se sa mogućnosti greške manjom od 1% ili 5%. da su uzorci homogeni (pripadaju istoj populaciji). gotovo sigurno će njihove vrijednosti biti različite.

Kliknemo na dugme Define i moći ćemo da nastavimo. i ukoliko izlazi izvan okvira neke od ovih vrijednosti. gdje je σ DM = σ M 1 2 + σ M 2 2 .05 i . prihvata se hipoteza o postojanju značajnih razlika između uzoraka.t-test DM = M 1 − M 2 . skor na testu znanja iz engleskog jezika.01.96 i 2. jer SPSS podrazumijeva da nezavisna varijabla koja je kategorička. pri čemu je σ M1 = σ1 N1 i σM2 = σ2 N2 Dobijenu vrijednost t-testa se mogu porediti sa vrijednostima intervala pouzdanosti . a Grouping Variable je nezavisna varijabla (u našem slučaju to je pol). koje iznose 1. Potrebno je da idemo na opciju Analyze/Compare Means/IndependentSamples T Test. 61 . i drugu numeričku (intervalnog nivoa). Imaćemo jednu kategoričku varijablu – pol.58 za velike uzorke. Za primjer ćemo uzeti testiranja značajnosti polnih razlika u postignuću na testu iz engleskog jezika na više raznih fakulteta.(apsolutna razlika između AS) σ DM . Moraćemo da definišemo koje grupe poredimo.standardna greška razlike između AS. σ DM 61 t= gdje je: t .SPSS za psihologe i pedagoge DM . može imati više od dva modaliteta. Test Varijable je naša zavisna varijabla (skor na testu iz engleskog jezika u našem slučaju).

a 2 muški pol.643 214 . rezultate bismo očitavali iz drugog reda (Equal variances not assumed). Deviation 2.05 (u našem slučaju to je 0.344 poena u prosjeku). t df t-test for Equality of Means Sig. Takođe vidimo da je prosječni rezultat na testu iz engleskog manji kod muških nego kod ženskih ispitanika (kolona Mean). Vidimo da ukupno ima 88 muških i 128 ženskih ispitanika. Prvo treba da pogledamo rezultate Levenovog testa jednakosti varijansi.000 -1. Error Difference 95% Confidence Interval of the Difference Lower Upper -.106 -3.8416 Std.3843 2. Druga tabela (Independent Samples Test) je nešto složenija. u obzir se uzima apsolutna veličina) i 62 .106).344 .648 23. Potvrdimo sa Continue. Deviation).2512 Rezultat testa iz engleskog Independent Samples Test Levene's Test for Equality of Variances F Sig.6170 Rezultat testa iz engleskog Equal variances assumed Equal variances not assumed 2. Da je značajnost Levenovog testa bila manja od . Kad je vjerovatnoća veća od . Već smo vidjeli iz prve tabele da djevojke postižu nešto bolje rezultate od mladića (za 1. Error Mean .641 .3573 -2.6400 Prva tabela (Group Statistics) koju smo dobili daje nam deskriptivne mjere za naša dva uzorka.0719 -3.344 . onda zaključujemo da se pretpostavljaju jednake varijanse u okviru naših subpopulacija i očitavamo rezultate iz prvog reda (Equal variances assumed). ali i da je varijabilnost rezultata veća kod ženskih ispitanika (kolona Std.05. te vrijednosti ćemo upisati u kućice.3691 -2. (2tailed) Mean Difference Std.SPSS za psihologe i pedagoge 62 Pošto smo mi definisali modalitete naše varijable tako da 1 označava ženski.2542 . Kad smo definisali grupe i potvrdili sve. dobijamo sljedeći ispis kao rezultat našeg testiranja: T-Test Group Statistics POL muski zenski N 88 128 Mean 22.992 Std.0490 -.000 -1.582 .643 (predznak nam nije bitan.763 205. ali da li je ta razlika statistički značajna? Veličina statistika t od –3.

AUT 63 . Mi ćemo za primjer uzeti polne razlike u osobini autoritarnosti (ta varijabla.05 i od . ne zadovoljava uslov normalnosti za primjenu parametrijskih testova). a nezavisnu varijablu u okvir Grouping Variable. pokazalo se ranije.36 Sum of Ranks 55562. Idemo na meni Analyze/Nonparametric Tests/2 Independent Samples. i ubacimo zavisnu varijablu u okvir gdje piše Test Variable List. i dobijamo sljedeći ispis: NPar Tests Mann-Whitney Test Ranks pol muski zenski Total N 220 275 495 Mean Rank 252.55 244. potvrdimo sa OK. nam govori da su razlike između aritmetičkih sredina statistički značajne. Kad smo sve uradili.000 (znači manje od .SPSS za psihologe i pedagoge 63 njegova značajnost od . Testiranje t-testom možemo obaviti na više načina u SPSS-u. Potrebno je da imamo podatke koji potiču bar sa ordinalne skale.00 SKOR. Mann – Whitneyjev U-test U slučaju kad imamo dva nezavisna uzorka koji ne zadovoljavaju uslove za primjenu parametrijskog t testa. a to je Mann-Whitneyjev test. Moramo definisati grupe u okviru nezavisne varijable na isti način kao što smo to opisali kod t testa. za testiranje značajnosti razlike koristimo neparametrijski ekvivalent. ali za sad ćemo ostati kod ovoga.01).00 67198.

634 . U oba slučaja rezultati mjerenja su u korelaciji.standardna greška aritmetičke sredine prvog uzorka (može se još označaiti i sa SE1) .526). Ovaj test nam nije prikazao deskriptivne mjere koje nas zanimaju.. kontrolnoj grupi izostaje djelovanje nezavisne varijable. Nakon toga se vrši mjerenje pojave. uzrast.. koju nazivamo eksperimentalnom grupom.mjera linearne korelacije između dva uzorka.). U praksi se sa ovakvim uzorcima najčešće srećemo kad projektujemo neku od dvije osnovne vrste eksperimentalnih nacrta.000 67198. Sig. Kod zavisnih uzoraka standardnu grešku razlika između aritmetičkih sredina se računa na sljedeći način: σ DM = σ M 1 2 + σ M 2 2 − 2 * r1. i to je veličina MannWhitney U statistika (u našem slučaju 29248. 2 * σ M1 * σ M 2 .526 Ono što nas zanima je u drugoj tabeli (Test statistics). (2-tailed) a Grouping Variable: pol 29248. r1. gdje je . Prvi slučaj takvog nacrta se naziva metodom iste grupe". bilo zato što su različite grupe ispitanika ujednačene po nekom (za mjerenu varijablu) relevantnom kriterijumu.SPSS za psihologe i pedagoge 64 Test Statistics(a) SKOR. Drugi slučaj se naziva "metodom ekvivalentnih grupa".standardna greška aritmetičke sredine prvog uzorka (može se još o označaiti i sa SE1) Statistik t se računa na isti način kao i kod nezavisnih uzoraka: 64 . ali te podatke možemo dobiti na način kako je to opisano u poglavlju Deskriptivne mjere za dva ili više uzoraka. relevantnim kriterijumima (npr. za to istraživanje.standardna greška razlika između aritmetičkih sredina. mjere raspršenja i centralnih tendencija. Dejstvo nezavisne varijable uvodi se u jednu grupu.AUT Mann-Whitney U Wilcoxon W Z Asymp. . gdje se ispitivanje pojave obavlja na istoj grupi ispitanika prije i poslije uvođenja dejstva nezavisne varijable. Znači ustanovili smo da kod naših ispitanika ne postoje statistički značajne razlike u autoritarnosti između muškaraca i žena. bilo zato što su u pitanju isti ispitanici. dok u drugoj. školske ocjene.00) i njegova značajnost (u našem slučaju 0.2 . da limaju brace i sestara. T – test za zavisne uzorke Zavisnim uzorcima smatramo one uzorke čije mjere su na neki način u korelaciji..000 -. gdje se formiraju dvije grupe ispitanika koje se ujednačavaju po nekim.

Recimo da smo imali slučaj da trebamo provjeriti znanje iz engleskog jezika prije i poslije kursa iz engleskog jezika koga su studenti slušali na fakultetima. pri čemu broj stepeni slobode dobija po obrascu: df = N-1. prije i poslije kursa.eng2). Kad smo na kraju potvrdili svoj izbor.444 25.19323 Paired Samples Correlations 65 . i mi treba da uporedimo te rezultate i zaključimo da li je nastava iz jezika doprinijela boljem znanju.58. a ukoliko su grupe manje – onda se granice intervala pouzdanosti očitavaju iz odgovarajućih tablica.83988 Std.SPSS za psihologe i pedagoge DM . i unesemo ih u okvir gdje piše Paired Variables.96 i 2.1864 . Treba da idemo na meni Analyze/Compare Means/Paired-Samples T Test. .standardna greška razlika između aritmetičkih sredina Ukoliko se istraživač susreće sa velikim grupama. znači.3194 N 216 216 Std. σ DM 65 t= gdje je t – t-test . Ista grupa od 216 studenata . U našem slučaju to su rezultati na testu prije (skor. dobijamo sljedeći ispis: T-Test Paired Samples Statistics Mean Pair 1 Rezultat testa iz engleskog prije kursa Rezultat testa iz engleskog poslije kursa 23.7402 2. Deviation 2. dobijeni rezultat se poredi sa granicama 1. selektujemo dvije varijable čije rezultate želimo da poredimo.eng) i poslije kursa (sk. radila je dva puta isti test. Error Mean .razlika aritmetičkih sredina.

03643 -1.472 215 .982.).87 poena u prosjeku.319. kao i druge podatke (broj ispitanika. Std.SPSS za psihologe i pedagoge N Pair 1 Rezultat testa iz engleskog prije kursa & Rezultat testa iz engleskog poslije kursa 216 Correlation . standardnu devijaciju). Druga tabela (Paired Samples Correlations) nam govori kolika je povezanost između rezultata na prvom i drugom testu. Znači. Error 95% Confidence Interval Deviation Mean of the Difference Lower Pair 1 Rezultat testa iz engleskog prije kursa . 66 .53538 . ali. (2tailed) Mean Prva tabela (Paired Samples Statistics) nam daje deskriptivne statističke mjere za naše zavisne uzorke.9468 Upper -1. U našem slučaju ta korelacija iznosi veoma visokih 0.Rezultat testa iz engleskog poslije kursa -1.444 bodova. unaprijedili svoje znanje. Vidimo da su na prvom testu ispitanici postizali u prosjeku 23. što znači da su ostvarili napredak od 1. možemo reći da se prosječni rezultati značajno razlikuju. U realnosti gotovo nikad nećete naići na povezanosti ovoe veličine. a na drugom testu (poslije kursa) u prosjeku 25.982 Sig. . što bi značilo da je gotovo svaki ispitanik popravio svoje znanje iz engleskog za istu količinu.000 66 Paired Samples Test Paired Differences Std. Možemo vidjeti da u našem slučaju veličina t iznosi -51.000 t df Sig.8032 -51. Iz nje možemo vidjeti kolika su prosječna postignuća na testu prije i poslije kursa (Mean).472 (opet nam predznak nije bitan).8750 .000. budući da su naši rezultati izmišljeni – to je prihvatljivo :-) U trećoj tabeli (Paired SamplesTest) nas zanima prvenstveno statistik t i njegova vjerovatnoća (Sig. odnosno da su studenti (najvjerovatnije) zbog pohađanja kursa engleskog jezika. a da je njegova vjerovatnoća 0.

dobijamo sljedeći ispis: NPar Tests Sign Test Frequencies N Rezultat testa iz engleskog poslije kursa . Ovaj test ne postavlja uslove u pogledu normalnosti distribucije.000 67 .776 . Izabraćemo opciju Analyze/Nonparametric Tests/2 Related Samples. znači testiranje razlika u postignuću na testu engleskog prije i poslije kursa engleskog jezika na fakultetu. i to činimo tako što u donjem dijelu prozora izaberemo opciju Sign.eng2).Rezultat testa iz engleskog prije kursa Z Asymp. Sig. a to je test predznaka (Sign Test). (2-tailed) -13. a isključimo ostale opcije. Sljedeći korak je da odaberemo odgovarajući test.Rezultat testa iz engleskog prije kursa Negative Differences(a) Positive Differences(b) Ties(c) Total 6 209 1 216 a Rezultat testa iz engleskog poslije kursa < Rezultat testa iz engleskog prije kursa b Rezultat testa iz engleskog poslije kursa > Rezultat testa iz engleskog prije kursa c Rezultat testa iz engleskog poslije kursa = Rezultat testa iz engleskog prije kursa Test Statistics(a) Rezultat testa iz engleskog poslije kursa .eng i sk. Nakon što potvrdimo svoj izbor sa OK. a koji ne zadovoljavaju uslove za primjenu parametrijskog testa za testiranje značajnosti razlike.SPSS za psihologe i pedagoge Test predznaka 67 Kad imamo dva zavisna uzorka. koristimo neparametrijski ekvivalent. i u okvir Test Pair List unijećemo par varijabli čije vrijednosti poredimo (u našem slučaju to su skor. a mi ćemo za primjer uzeti isto ispitivanje kao i u poglavlju T test za zavisne uzorke.

Znači. (u našem slučaju –13.000). i sabiranju broja pozitivnih i negativnih razlika. 68 .jednakih vrijednosti obe varijable (Ties) ima 1 Druga Tabela nam govori o veličini statistika Z.776) i njegovu vjerovatnoću (u našem slučaju 0. u našem primjeru tabela nam govori sljedeće: .slučajeva kad druga varijabla ima veću vrijednost (Positive Differences) ima 209 .slučajeva kad druga varijabla (u našem slučaju to su rezultati na testu poslije kursa) ima manju vrijednost (Negative Differences) ima 6 . možemo reći da su rezultati na testu iz engleskog kod naših ispitanika poslije kursa značajno veći nego prije kursa.SPSS za psihologe i pedagoge a Sign Test 68 Prva tabela (Frequencies) nas izvještava o detaljima naših podataka. Pošto se ovaj test bazira na poređenju veličina dvije varijable kod ispitanika. koji uzima u obzir zbir razlika predznaka.

Kao primjer možemo uzeti slučaj kada želimo da poredimo postignuća na nekom testu kod više nezavisnih grupa ispitanika. mogli bismo zaključiti da testiranje možemo obaviti i na taj način. koju dobijamo kad kvadriramo standardnu devijaciju: v =σ2 Primjer slučaja kad je varijansa između grupa veća od unutargrupne varijanse. za četiri grupe tu je šest parova za poređenje. što u našem slučaju može biti postignuće na testu iz engleskog jezika kod studenata tri različita fakulteta. i tako dalje. što bi značilo da grupe ne pripadaju istoj populaciji: Primjer slučaja kad je varijansa između grupa manja od unutargrupne varijanse. kojim utvrđujemo odnos između dviju varijansi: 69 . ali u slučaju kad imamo više nezavisnih grupa – broj poređenja ttestom može biti veliki: ako imamo tri grupe. dobijamo tri para za poređenje. Rečenica kojom bismo saželi ideju analize varijanse glasi: da li su varijacije između grupa veće od varijacija unutar grupa koje poredimo? Statistička mjera variranja koju ćemo upotrijebiti u ovom slučaju je varijansa. što bi značilo da grupe pripadaju istoj populaciji: Značajnost razlika između aritmetičkih razlika utvrđujemo uz pomoć F-testa. Ukoliko smo već upoznati sa t-testom kao statističkom mjerom za poređenje aritmetičkih sredina.SPSS za psihologe i pedagoge Značajnosti razlika između više uzoraka Analiza varijanse 69 Analiza varijanse je statistička procedura koja nam omogućava da testiramo razlike između aritmetičkih sredina dvaju ili više uzoraka.

51 6. Na kraju izračunavamo F kroz formulu: F = 70 . ili samo između nekih? Tada se koristimo t-testom. ili nekim od SPSS-ovih post-hoc testova za detekciju razlika između pojedinačnih parova poduzoraka.898 Na osnovu odgovarajuće tabele. a sve to ćemo dobiti preko suma kvadrata odstupanja rezultata od aritmetičkih sredina: SS T = SS w + SS b gdje su: SST – ukupna suma kvadrata odstupanja SSw .503 = 10.SPSS za psihologe i pedagoge 70 Varijansa između grupa F= Varijansa unutar grupa Analizu varijanse radimo uz pomoć razlaganja ukupne varijanse na komponente. da li između svih mogućih parova.898 72.suma kvadrata odstupanja unutar grupa SSb . onda trebamo utvrditi između kojih grupa postoje značajne razlike.333 Varijansa (v = SS/df) 72.503 6. U slučaju da ustanovimo da je F statistik značajan.007 1469.suma kvadrata odstupanja između grupa Ako za primjer uzmemo slučaj testiranja razlika u postignuću na testu iz engleskog jezika između 216 studenata tri fakulteta (naknadno ćemo isti ovaj primjer uraditi uz pomoć SPSS-a): df Između grupa (b) Unutar grupa (w) Ukupno (T) 2 (df =broj grupa – 1) 215 (broj ispitanika – 1) 217 Sume kvadrata odstupanja (SS) 145. očitavamo granice značajnosti i donosimo zaključak o statističkoj značajnosti razlika. koju možemo naći u osnovnim udžbenicima iz statistike.326 1614.

poredićemo postignuće na testu iz engleskog jezika studenata različitih fakulteta. Kao ispis naše analize varijanse dobijamo: Oneway Descriptives Rezultat testa iz engleskog N Mean Std. i može pojaviti do tri razlika (tri su moguća poređenja).174 22.000 71 . 71 Specifičnost analize varijanse jeste to da će nam ona za rezultat pokazati postoji li između nekih grupa statistički značajna razlika. U našem primjeru varijabla fakultet ima 3 modaliteta (filozofski.898 F 10.0 29.5 27.6122 2.812 16.3078 .503 6.1864 22.077 Upper Bound 23.3072 .5 28.561 21. ali nam ne može reći između koji grupa.5 17.931 23. Najjednostavniji način da to učinimo jeste na sljedeći način: Idemo na Analyze/Compare Means/One Way ANOVA i u Dependent List unesemo našu zavisnu varijablu (skor na testu engleskog u našem slučaju).SPSS za psihologe i pedagoge Jednofaktorska univarijantna analiza varijanse za nezavisne uzorke Jednofaktorsku univarijantnu analizu varijanse radimo kad imamo jednu kategoričku varijablu (faktor) sa dva ili više modaliteta.0 19. Sada ćemo vidjeti kako ćemo statističko testiranje obaviti uz pomoć SPSS-a. ići ćemo korak po korak pa ćemo vidjeti šta ćemo dobiti. medicinski i tehnološki). Deviation Std.604 24.007 1469.6598 2.181 23.0 16. .556 23. Error 95% Confidence Interval for Mean Lower Bound tehnoloski medicinski filozofski Total 72 72 72 216 23.5 Minimum Maximum ANOVA Rezultat testa iz engleskog Sum of Squares Between Groups Within Groups 145.510 Sig.6071 2. a pod Factorunesemo nezavisnu varijablu (fakultet u našem slučaju).326 df 2 215 Mean Square 72. i drugu varijablu intervalnog nivoa i normalne raspodjele rezultata.990 23.786 23.3135 . No.5 29. Mi ćemo za primjer uzeti opet naš test iz engleskog.7402 .218 25.444 2.

prva tabela (Descriptives) nam daje deskriptivne podatke o našim poduzorcima.SPSS za psihologe i pedagoge Total 1614. Ipak. Mi ćemo izabrati LSD test i potvrditi naš izbor sa Continue. Ovde se nalazi grupa posthok testova za ispitivanje međugrupnih razlika. a studenti medicinskog fakulteta najmanje rezultate na testu iz engleskog jezika.Deviation standardna devijacija. 72 . Trebali bi se vratiti na poglavlje T-test za nezavisne uzorke i uraditi sve kako je tamo opisano. studenti tehnološkog fakulteta nešto manje. za brzi uvid u te razlike poslužićemo se opcijom Post Hoc kad radimo analizu varijanse (dugme pod tim nazivom u donjem dijelu prozora). Mean je aritmetička sredina.000 (znači statistički značajno na nivou 0. U našem slučaju F=10. U našem primjeru možemo vidjeti da su studenti filozofskog fakulteta postigli najviše. Ako želimo da znamo između kojih fakulteta konkretno postoje razlike. s tim da nam je nezavisna varijabla ovaj put fakultet.510. Druga tabela (ANOVA) nam daje rezultate testa: očitavamo vrijednost mjere F i njenu značajnost. čije modalitete upisujemo pod Define Groups. to možemo učiniti uz pomoć t-testa. filozofski-tehnološki i medicinski-tehnološki. većina će nam dati slične rezultate. Imaćemo tri moguća poređenja: filozofski-medicinski. a značajnost je 0. N je broj ispitanika.333 216 72 Kao što smo navikli. Iako se zasnivaju na različitim matematičkim procedurama. a Std. Možemo reći da se statistički značajno razlikuju studenti ova tri fakulteta po postignuću na testu iz engleskog jezika.01).

ali mi biramo Kruskal-Wallis H test.432 -2. Error .293 -1.245 -1. Mi ćemo kao primjer istraživanje u kojem je ispitivano prihvatanje socijalnih odnosa sa Italijanima u vezi sa različitim socio-demografskim varijablama.4377 .195 . . i značajnosti tih razlika (Sig. srednja škola i viša/visoka škola).195 . U našem slučaju to je od 1 do 3.4377 .293 -2.4377 Sig. Ova tabela će nam pokazati koji parovi fakulteta se porede (kolona Fakultet). vidimo da postoje značajne razlike između filozofskog i tehnološkog.814 .05.4377 .569 -1.002 .000 Lower Bound -.814 * The mean difference is significant at the . ali dobićemo i jednu dodatnu: Post Hoc Tests Multiple Comparisons Dependent Variable: Rezultat testa iz engleskog LSD 95% Confidence Interval (I) FAKULTET tehnoloski medicinski filozofski (J) FAKULTET medicinski filozofski tehnoloski filozofski tehnoloski medicinski Mean Difference (I-J) .002 . i drugu varijablu bar ordinalnog tipa.951(*) Std. U našem slučaju.4377 .SPSS za psihologe i pedagoge 73 Kao rezultat ćemo dobiti iste dve tabele kao što je prethodno opisano za analizu varijanse. Potrebno je da imamo jednu kategoričku varijablu sa dva ili više modaliteta. Razlika između medicinskog i tehnološkog fakulteta nije statistički značajna. Idemo na meni Analyze/Nonparametric Tests/K Independent Samples.245 2.382(*) 1.). a zavisna varijabla će nam biti broj prihvaćenih odnosa sa Italijanima (ponuđeno je 7).432 -.089 Upper Bound 1.951(*) 1. a pod Grouping Variable unesemo nezavisnu varijablu. i to obe razlike značajne na nivou 0. i pod Test Variable List unesemo zavisnu varijablu.089 2. 73 .519 . Kruskal Wallis test Ovaj test nam služi za utvrđivanje značajnosti razlika između dve ili više mjerenih osobina.519 1. kad podaci ne zadovoljavaju uslove za primjenu analize varijanse.569 -1. Nezavisna varijabla će nam biti stepen obrazovanja majke sa tri modaliteta (završena osnovna škola. filozofskog i medicinskog fakulteta.382(*) -.000 . Nakon toga je potrebno kliknuti na dugme Define Range i definisati koji je raspon vrijednosti nezavisne varijable. kolika je razlika u prosječnom postignuću na testu (Mean Difference). Pod okvirom Test Typeimamo ponuđena tri testa.05 level.4377 .

pitanja su: da li izraženost depresivnost zavisi od pola.73 Prihvatanje odnosa sa Italijanima Test Statistics(a. . Sig. dobijamo sljedeći ispis u Output prozoru: NPar Tests Kruskal-Wallis Test Ranks strucna sprema majke OS SS VS ili VSS Total N 51 231 123 405 Mean Rank 209.b) Prihvatanje odnosa sa Italijanima Chi-Square df Asymp. Sig.839 i da nije statistički značajno (vjerovatnoća veća od 0. Chi-Square) i njenu značajnost (Asymp. što bi značilo da ne postoje značajne razlike u pogledu prihvatanja socijalnih odnosa sa Italijanima između grupa ispitanika čiji očevi su različito obrazovani. zaposlenja ili od kombinacije ova dva 74 .05 i 0. U našem slučaju vidimo da je χ2 =0.SPSS za psihologe i pedagoge 74 Nakon što smo sve obavili. a za zavisne su uzeti pol i zaposlenost. Znači. Mi ćemo kao primjer uzeti fiktivno istraživanje u kojem je za zavisnu varijablu uzeta izraženost osobine depresivnosti.82 198.44 208.). i prosječnim rangovima zavisne varijable.839 2 . Dvofaktorska univarijantna analiza varijanse Dvofaktorsku univarijantnu analizu varijanse primjenjujemo kad za nezavisne varijable imamo dve kategoričke varijable. Druga tabela (Test Statistics) nam daje mjeru χ2 (hi na kvadrat.657 a Kruskal Wallis Test b Grouping Variable: strucna sprema majke Prva tabela (Ranks) nas izvještava o broju ispitanika u pojedinim grupama našeg uzorka. i jednu zavisnu kvantitativnu varijablu.01).

Sljedeći korak nam da idemo na dugme Options s desne strane prozora. Idemo na meni Analyze/General Linear Model/Univariate. Time ćemo dobiti osnovne deskriptivne mjere za podgrupe našeg uzorka. Potrebno je reći da su naši faktori neponovljeni.SPSS za psihologe i pedagoge 75 faktora? Kombinacija faktora u analizi varijanse naziva se interakcija faktora. što znači da svaki ispitanik ima kombinaciju ove dvije odlike: određenog je pola i ima određeno radno stanje (zaposlen ili nezaposlen) Vidjećemo da postoji i analiza varijanse za ponovljene faktore. i tu treba da među opcijama u okviru Display odaberemo descriptives. a pod Fixed Factor(s) unosimo nezavisne varijable. 75 .. i pod Dependent Variable unosimo zavisnu varijablu (depresivnost u našem slučaju).

84161 2.00 2. Deviation 2. Na kraju je neophodno da pritisnemo dugme Add (nakon toga bi se trebale pojaviti ove varijable u donjem okviru Plots) inače SPSS neće upamtiti naš izbor. zgodno je da imamo i nekakav grafički prikaz naših rezultata.16340 2. dobijamo sljedeći ispis: Univariate Analysis of Variance Between-Subjects Factors Value Label POL ZAPOSLEN 1 2 1.2969 23.3143 24. Dolazimo do prozora gdje trebamo odrediti varijable koje će odrediti naš grafikon.1111 23. Ukoliko imamo dve varijable.96595 2.28644 2.00 muski zenski zaposlen nezaposlen N 88 128 99 117 Descriptive Statistics Dependent Variable: depresivnost POL muski ZAPOSLEN zaposlen nezaposlen Total zenski zaposlen nezaposlen Total Total zaposlen nezaposlen Total Mean 22.72535 2. To ćemo uraditi kroz dugme Plots.74017 N 64 24 88 35 93 128 99 117 216 Tests of Between-Subjects Effects 76 .6477 23.5833 22.6566 24. 76 Nakon što smo obavili sve.38896 2.9922 22.SPSS za psihologe i pedagoge Dalje. upisujemo ih u okvire Horizontal Axis i Separate Lines (gdje će ići koja varijabla zavisi od istraživačkih potreba).91925 2. jer će nam to pomoći pri tumačenju.2473 23.38429 2.4444 Std.

oba su značajna: u našem uzorku žene su depresivnije.261 50.000 . da žene imaju imaju višu depresivnost od muških. kako budemo primjenjivali analize varijanse.666 77 a R Squared = . u koloni N možemo vidjeti i da je u okviru muških veći procenat ispitanika zaposlen.706 4.5 zaposlen 22.187 Sig.098 29.0 ZAPOSLEN 22.5 24.929 F 6.0 muski zenski nezaposlen POL Iz prve tabele (Between-Subjects Factors) vidimo kako se raspoređuju ispitanici po kategorijama pojedinih varijabli.333 df 3 1 1 1 1 212 216 215 Mean Square 48. Sljedeća tabela (Descriptive Statistics) nam več daje bitnije podatke. a u okviru ženskih veći procenat je nezaposlen.077) Profile Plots Estimated Marginal Means of depresivnost 24.007 . što bi za nas značilo da nema interakcije između pola i zaposlenosti u pogledu uticaja na depresivnost.987 1. da ženski nezaposleni imaju više izraženu depresivnost od ženskih zaposlenih. Iz nje već vidimo da (kolona Means) muški nezaposleni imaju više izraženu depresivnost od muških zaposlenih.000 . Ovo su glavni efekti pola i zaposlenja na depresivnost i. .187 a njegova značajnost veća od 0.286(a) 90372.261 50.5 23. i kolone F i Sig.041 .090 (Adjusted R Squared = . Red ispod njih je interakcija pola i zaposlenosti (POL*ZAPOSLEN) i F je 0.429 90372.05. Sljedeća tabela (Tests of Between-Subjects Effects) nam daje podatke o statističkim značajnostima. Nas zanimaju redovi u kojima piše POL.358 i da je značajno na nivou 0. a u redu ZAPOSLEN da je F=7. U okviru reda POL vidimo da je mjera F=4.989 13041.000 1614.01. i nezaposleni su depresivniji.SPSS za psihologe i pedagoge Dependent Variable: depresivnost Source Corrected Model Intercept POL ZAPOSLEN POL * ZAPOSLEN Error Total Corrected Total Type III Sum of Squares 145.047 120337.098 29.223 7.223 i da je statistički značajno na nivou 0.358 . Sa vremenom.987 1. kao što vidimo. Takođe.293 6.0 Estimated Marginal Means 23. ZAPOSLEN i POL*ZAPOSLEN. Grafikon na kraju (Estimated Marginal Means of depresivnost) nam daje grafički prikaz onoga što smo imali u tabeli Descriptive Statistics.05. a nezaposleni veću od zaposlenih. vidjećemo da nam paralelnost linija govori o 77 .293 1469.

SPSS za psihologe i pedagoge 78 tome da ne postoji interakcija faktora (kad su ukrštene postoji). 78 . dok nam razmaknutost i nagib linija govore o glavnim efektima (uticaju pojedinih nezavisnih varijabli).

05.fe)2 100 25 25 (fo.01).fe)2 /fe 5 1. na osnovu rezultata hi-kvadrat testa. gdje fo predstavlja dobijene frekvencije (o skraćeno od observed na engleskom). kad imamo jednu varijablu sa više modaliteta. fe Ovo je matematički izraz za izračunavanje hi-kvadrata. prihvatamo 79 . odnosno očekivane frekvencije (e skraćeno od expected na engleskom). kategorijalni) karakter. odnosno da li je ispravna naša hipoteza.05) i 9. većina pojava koje pokušavamo da registrujemo ima diskretni (isprekidani. Znači. U tabelama ukrštanja više varijabli (u daljem tekstu ćemo tabele podataka nastale ukrštanjem kategoričkih varijabli nazivati kontingencijskim tabelama) očekivane vrijednosti se obično računaju putem kalkulisanja sa zbirovima redova i kolona. nisam siguran i ne. što može biti pretpostavka o jednakoj raspodjeli podataka u ćelijama tabele. Na osnovu datih granica i veličine dobijenog hi-kvadrata možemo zaključiti da dobijene frekvencije odstupaju značajno od očekivanih na nivou 0. fo Da Nisam siguran Ne 30 15 15 20 20 20 fe 10 -5 -5 (fo. i u našem slučaju to je: (2-1)x(3-1) = 2. na engleskom Chi Square). Te očekivane vrijednosti mogu biti zadate po nekom ranije zamišljenom modelu. zaključiti da li opažene frekvencije odstupaju od očekivanih. Na kraju ćemo.25 χ2=7. kao i ostalim društvenim naukama. a ponuđeni su odgovori: da.fe) (fo.5 χ =∑ 2 ( fo − fe ) 2 Broj stepeni slobode se računa po obrascu: df = (broj kolona – 1) x (broj redova –1). ili o bilo kakvoj drugačijoj raspodjeli frekvencija. a i razni anketni podaci. Pretpostavka o normalnoj raspodjeli mjera). Ukoliko se pokaže da je količina odstupanja dovoljno velika. Iz tablica očitavamo granične vrijednosti odgovarajućih intervala sigurnosti: 5. Najraširenija je upotreba mjere χ2 (grčko slovo hi. Tako većina podataka koje skupimo u istraživanju sačinjavaju upravo takvi podaci: sociodemografski podaci kao što su pol. uzrasne ili obrazovne skupine.99 (p=0. dok fe predstavlja teorijski pretpostavljene. χ2 nam služi da testiramo odstupanje dobijenih frekvencija od nekih očekivanih (teorijskih) vrijednosti. Hi-kvadrat test Za podatke koji potiču sa nominalne skale postoje posebne statističke procedure oslobođene od striktnih pretpostavki o distribuciji mjera (kao npr. ili o normalnoj raspodjeli.21 (p=0.25 1. gdje 60 ispitanika odgovaralo na pitanje: “Da li se zalažete za civilno služenje vojnog roka?”. Vidjećemo kako to izgleda na primjeru analize jednog zamišljenog anketnog rezultata.SPSS za psihologe i pedagoge 79 Analize kategoričkih varijabli U psihologiji. Mi smo pretpostavili da će se odgovori ispitanika podjednako raspodijeliti u sve tri kategorije. onda moramo dati neku pretpostavku o tome kako mislimo da će se raspoređivati frekvencije po modalitetima varijable.

Postoje situacije kad primjena hi kvadrata ne daje pouzdane rezultate. a to je slučaj kad u kontingencijskoj tabeli postoji preko 20% ćelija sa očekivanim frekvencijama 5 ili manje. ne može se više smanjivati). 80 . Poniđene su nam i opcije za grafički prikaz (Display clustered bar charts) i opcija za eliminisanje frekvencijskih tabela iz prikaza (Suppress tables) tako da vidimo samo statističke mjere i grafikone. Obe varijable imaju po dva modaliteta: muško-žensko i zaposlen-nezaposlen. i to po sljedećim formulama: φ= χ2 N χ2 N + χ2 C= Kao primjer kojim ćemo sve ovo ilustrovati u SPSS-u. Za nas će biti značajna dva dugmeta u donjem dijelu prozora: Statistics i Cells. Obe ove mjere korelacije se izračunavaju na osnovu hikvadrata. Idemo na Analyze/Descriptive Statistics/Crosstabs i u okvire Row(s) i Column(s) unesemo naše varijable. U tim slučajevima se obično radi sažimanje većeg broja kategorija varijable na manji broj. ili kad je jedna od očekivanih frekvencija manja od 1. ali da bismo vidjeli kolika je povezanost između dvije kategoričke varijable poslužićemo se Φ koeficijentom korelacije za tabele veličine 2x2. možemo uzeti vezu između pola i radnog statusa (posjedovanja zaposlenja) u nekom fiktivnom ispitivanju. χ2 nam može poslužiti za testiranje značajnosti odstupanja. Korelacije kategoričkih varijabli Kao što smo vidjeli. ili ako je u pitanju tabela 2x2 (znači. i C koeficijentom kontingencije za veće tabele.SPSS za psihologe i pedagoge 80 hipotezu o značajnom odstupanju od očekivanih vrijednosti. onda se radi statistički postupak nazvan Yates-ova korekcija. Treći okvir Layer nam služi za prikaze ukrštanja više od dvije varijable.

Tu su razne vrste statističkih mjera za nominalne i ordinalne mjere. kao mjeru korelacije uzimamo C koeficijent (Contingency coefficient). kolonu (Column). a ponuđen je i prikaz očekivanih frekvencija (Expected). Dugme Cells nas vodi do prozora za izbor onoga što će biti prikazano u kontingencijskim tabelama. Kad imamo veću tabelu. Na početku nije odabrana ni jedna.SPSS za psihologe i pedagoge 81 Pritisnuvši dugme Statistics dolazimo do prozora za izbor statističkih mjera koje želi. U našem primjeru odlučili smo se za procentualni prikaz po redovima. ili ukupan broj (Total). Biramo Chisquare i Phi and Cramer's V jer imamo tabelu tipa 2x2. U okviru Percentages možemo da biramo da li ćemo vidjeti prikaz procenata. U okviru Counts biramo Observed (dobijene frekvencije). i koji tip prikaza: u odnosu na red (Row). pa treba da se odlučimo. Kad smo sve potvrdili sa Continue i OK i dobijamo sljedeći ispis: Crosstabs POL * ZAPOSLEN Crosstabulation ZAPOSLEN zaposlen POL muski Count 64 nezaposlen 24 Total 88 81 . rekli smo.

The minimum expected count is 40.01.000 Exact Sig. tu su i procentualni podaci dati za redove tabele.000 .000 . (1sided) Value Pearson Chi-Square Continuity Correction(a) Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases 43.448 i da je značajno na nivou 0.2% 100.3% 99 45.264. koreliraju u srednjoj mjeri. .0% 82 zenski Total Chi-Square Tests Asymp.000 .7% 117 54. Symmetric Measures Value Nominal by Nominal N of Valid Cases Phi Cramer's V .264(b) 41. a kod muškaraca više zaposlenih.33. U našem primjeru. a da bismo vidjeli da li postoji neka pravilnost u tim odstupanjima – pogledaćemo brojke u sljedećoj tabeli (Symmetric Measures).01.063 216 .0% 216 100. ali statistički značajno na nivou 0.448 . Takođe.000 a Not assuming the null hypothesis.7% 35 27. (2sided) 1 1 1 1 . Tu očitavamo veličinu Phi i vidimo da iznosi 0.628 df a Computed only for a 2x2 table b 0 cells (. Sig.01.8% 27. Prva tabela (POL * ZAPOSLEN Crosstabulation) nas izvještava o distribuciji frekvencija u pojedinim ćelijama tabele. Njegova značajnost (Asymp. Pol i zaposlenost.000 . Sig.455 44. već na prvi podgled vidimo da se zaposlenost distribuira nejednako po kategorijama pola: kod žena je više nezaposlenih. u našem primjeru.3% 93 72.SPSS za psihologe i pedagoge % within POL Count % within POL Count % within POL 72. (2sided) Exact Sig. To je mjera povezanosti vrijednosti ove dvije varijable (pola i zaposlenosti) i za nju možemo reći da je srednjeg intenziteta. Znači na osnovu veličine hi kvadrata zaključujemo da su odstupanja dobijenih podataka značajna na nivou 0.000 . Možemo da pogledamo sljedeću tabelu (Chi-Square Tests) i očitamo veličinu hi kvadrata (Pearson Chi-square): 43.000 43. Sig 2-sided) nam kazuje da je značajan na nivou 0.01. 82 .0% 128 100. b Using the asymptotic standard error assuming the null hypothesis.448 216 Approx.0%) have expected count less than 5.

i statistička značajnost. i stoga mora da zadovolji uslove intervalnosti podataka. Linearnost veze između varijabli do sada nismo sretali.20 do ± 0.20 → nikakva do neznatna povezanost r od ± 0. 83 . Karakteristike korelacije koje treba poznavati su visina ili jačina (od 0 do 1).60 do ± 0. to nikako ne znači da promjene jedne varijabla uzrokuju promjene druge varijable. Već smo imali priliku da se u poglavlju sa opisom analize kategoričkih varijabli sretnemo sa koeficijentima korelacije između kategoričkih varijabli: bili su to Φ i C koeficijenti korelacija. i nisu nam potrebne standardne devijacije.40 do ± 0. a najlakše ga utvrđujemo uvidom u grafički prikaz raspršenja parova tačaka (skater grafikon). Visine korelacije aproksimativno ocjenjujemo kao: r od 0 do ± 0. takozvane “mašinske formule”: rXY = [N ∑ X N ∑ XY − ( ∑ X )( ∑ Y ) 2 2 − (∑ X ) N ∑Y 2 − (∑Y ) ][ 2 ] Prednost ove formule je u tome što je jedino potrebno da znamo sirove skorove X i Y.40 → niska povezanost r od ± 0. Vidjećemo još kako možemo dobiti Pearsonov koeficijent linearne korelacije. onda je bolje da ne koristimo koeficijent linearne korelacije. Osnovna formula za izračunavanje Pearsonovog koeficijenta je: rXY = ∑σ    x X + y σY N −1    . mada je to najčešća greška koja se sreće u interpretacijama rezultata istraživanja: ukoliko su dvije varijable u korelaciji. Koeficijent linearne korelacije Pearsonov koeficijent linearne korelacije predstavlja parametrijski test.SPSS za psihologe i pedagoge 83 Mjere korelacije Korelacija predstavlja mjeru povezanosti između varijabli. gdje su: x = X – MX i y = Y – MY (odstupanja od AS)  Određenim transformacijama osnovne formule dolazimo do sljedeće formule za izračunavanje korelacije iz sirovih skorova. Spearmanov koeficijent rang korelacije. smijer (+ ili -).80 do ± 1 → veoma visoka do apsolutna povezanost Svakako treba imati na umu da korelaciju ne treba miješati sa uzročno posljedičnom vezom.80 → visoka povezanost r od ± 0. normalnosti raspodjele. i koeficijent biserijske korelacije. i linearnosti odnosa između varijabli.60 → povezanost srednjeg intenziteta r od ± 0. Ukoliko vidimo da se odnos između varijabli ne može približno predstaviti pravom linijom.

eng2 i sk. Dobijamo grafikon na kojem vidimo kako se distribuiraju rezultati na dva testa koje analiziramo. da bismo grafički ustanovili linearnost odnosa.  . i sve što treba da uradimo je da potvrdimo sa OK. ili na druge načine različito od ravne linije. 84 . što nam govori da ima smisla da računamo koeficijent linearne korelacije.eng).  . Primjeri odstupanja od linearnosti bi bile krive koje izgledaju kao ∩. idemo na meni Graphs/Scatter. Vidimo da nema velikih odstupanja. ∪.  . izaberemo opciju Simple i kliknemo na dugme Define. 84 Tako smo došli do dijalog prozora u kojem treba da odredimo dvije varijable čiji grafikon ćemo vidjeti.SPSS za psihologe i pedagoge Ako za primjer uzmemo naše podatke o rezultatima testa znanja iz engleskog jezika (za koje smo već vidjeli da ispunjavaju uslov normalnosti raspodjele). i da rezultati čine približno ravnu liniju. Naše varijable ubacujemo u polja Y Axis i X Axis (u našem slučaju to su varijable sk.

ENG Rezultat testa iz engleskog prije kursa 1 .ENG2 Rezultat testa iz engleskog poslije kursa Pearson Correlation Sig.eng).SPSS za psihologe i pedagoge 40 85 Rezultat testa iz engleskog poslije kursa 30 20 10 16 18 20 22 24 26 28 30 Rezultat testa iz engleskog prije kursa Da bismo izračunali Pearsonov koeficijent. 216 . 216 SKOR. Za ispis dobijamo sljedeću tabelu: Correlations SKOR. Za početak je već označena kućica Pearson i Two-tailed significance. i tako treba i da ostavimo.914(**) .914(**) . idemo na Analyze/Correlate/Bivariate.01 level (2-tailed). i potvrdimo sa OK.000 216 SK. Varijable čije korelacije želimo da vidimo ubacujemo u desni okvir (u našem slučaju to su varijable sk. (2-tailed) N ** Correlation is significant at the 0.ENG2 Rezultat testa iz engleskog poslije kursa .ENG Rezultat testa iz engleskog prije kursa SK. (2-tailed) N Pearson Correlation Sig. 85 .eng2 i sk.000 216 1 .

(2-tailed). ali ovaj put označimo kućicu Spearman. Fizika i Istorija. imamo to da je ova mjera korelacije nepreciznija od r koeficijenta korelacije. a i oni koji su bili srednji i lošiji takođe su napredovali. i to tako da su oni koji su bili bolji na prvom testu bivali bolji i na drugom. program nam daje ispis tabele sa svim mogućim korelacijama. naravno. pa tako i svake varijable sa samom sobom. jedna zvjezdica znači da je korelacija značajna na nivou 0. Mi smo ubacili tri varijable. Pored visine korelacije date u redu Pearson Correlation. On je učenike rangirao po uspjesima iz ova tri predmeta i poredio ih međusobno. čita se: ro) je neparametrijski test i ne postavlja zahtjeve u pogledu distribucije. i broj ispitanika uzetih u obradu N. što bi govorilo o sličnim rezultatima na oba testa. rangovani podaci. 86 . zaključujemo da su studenti linearno napredovali. jedino što treba da imamo jesu podaci koji potiču bar sa ordinalne skale. a formula po kojoj se računa je: ρ = 1− N N 2 −1 6∑ D 2 ( ) gdje je: D – razlika između rangova na prvoj i drugoj varijabli N – ukupan broj slučajeva Za primjer ćemo uzeti situaciju kad je nastavnik jednog razreda srednje škole želio da vidi da li postoje povezanosti između uspjeha iz predmeta Matemetika. potvrditi sa OK. a mi ćemo to uraditi u SPSS-u na sljedeći način: Kao i kod slučaja linearne korelacije idemo na Analyze/Correlate/Bivariate. Značajnost korelacije nam je prikazana i u formi zvjezdica pored same korelacije. što nam daje korelaciju 1. ali ne zadovoljavaju uslove normalne raspodjele. dobijamo i značajnost korelacije u redu Sig. U našem primjeru vidimo da je korelacija pozitivna i veoma visoka. tako da dijagonalu tabele možemo da ignorišemo. Znajući da su u pitanju rezultati testa iz engleskog jezika prije i poslije kursa.SPSS za psihologe i pedagoge 86 Pošto možemo odjednom da ubacimo u obradu više od dvije varijable. jer u slučaju da napretka nema. Na kraju ćemo. čitavih 0. skater (tačkasti prikaz korelacije) bi kretao iz nule i išao po dijagonali dijagrama.05.914. u desni okvir ubacimo varijable. Znači. i idemo ka analizi ispisa. Po običaju. a dvije zvjezdice govore o značajnosti na nivou 0. Koeficijent rang korelacije Spearmanov koeficijent rang korelacije (ρ. ali to možemo vidjeti iz grafikona. tj. ovaj test možemo upotrebljavati kad u početku imamo rangovane podatke.01. Sam koeficijent korelacije i njegova značajnost nam ne govore da postoji bilo kakav napredak. Računanje ρ koeficijenta se zasniva na razlikama u rangovima rezultata dva niza brojeva. Kao posljedicu nižeg mjernog nivoa. a tako i kada imamo podatke koji nisu rangovani. što znači da ćemo imati tri moguća poređenja.

Point-biserijska korelacija je vrlo sličan slučaj. Kao primjer nam može poslužiti imaginarni slučaj kad želimo da vidimo da li postoji veza između opštih intelektualnih sposobnosti (inteligencije) i prolaznosti na ispitu iz matematike. a druga je vještački dihotomizirana u varijablu sa samo dva modaliteta.967 35 . a druga je prirodno podijeljena u dvije kategorije (npr.SPSS za psihologe i pedagoge 87 Correlations MATEMATI Spearman's rho MATEMATI Correlation Coefficient Sig.000 35 1. 35 . najlakše je da u okviru SPSS-a ovu proceduru radimo kao i koeficijent linearne korelacije. ali ovaj put jedna varijabla je intervalnog nivoa. i da je statistički značajna na nivou 0.759.007).000 . a da izvjesne pozitivne korelacije između uspjeha u fizici i istoriji ima (iznosi 0.000 35 -. (2-tailed) N ISTORIJA Correlation Coefficient Sig.517 35 ISTORIJA -. vidimo da korelacije između uspjeha iz matematike i istorije gotovo da nema (iznosi –0.01 level (2-tailed). (2-tailed) N FIZIKA Correlation Coefficient Sig. Sposobnosti smo mjerili jednim 87 .113). 1.000 . a mi gledamo one tri koje nas zanimaju.000 .113 . pol).01. U oba slučaja.113 . ali da nije statistički značajna. 35 . Iz tabele vidimo da korelacija između uspjeha u matematici i fizici iznosi 0.759(**) .007 .967 35 FIZIKA .517 35 1. (2-tailed) N ** Correlation is significant at the 0.759(**) . 35 Sve važi kao i u slučaju linearne korelacije: program nam je dao sve moguće korelacije. Za primjer smo uzeli slučaj korelacije između opštih sposobnosti i prolaznosti na ispitu iz matematike. Takođe. Biserijska i point-biserijska korelacija Biserijsku korelaciju računamo kad imamo dvije varijable od kojih je jedna kvantitativnog tipa (intervalni nivo podataka).007 .

SPSS za psihologe i pedagoge

88

standardizovanim testom inteligencije, a onda smo na ispitu iz matematike registrovali ko je prošao a ko nije. Kao i u slučajevima prethodne dvije korelacije, idemo na Analyze/Correlate/Bivariate, i možemo da ostavimo označenu kućicu Pearson. Unesemo u desni okvir naše dvije varijable i potvrdimo sa OK.

Nakon toga dobijamo sljedeću tabelu sa rezultatima:
Correlations MATEMAT MATEMAT Pearson Correlation Sig. (2-tailed) N SPOSOBNO Pearson Correlation Sig. (2-tailed) N 1 . 100 .416(**) .000 SPOSOBNO .416(**) .000 100 1 . 100

100 ** Correlation is significant at the 0.01 level (2-tailed).

U našem fiktivnom primjeru, na uzorku od 100 studenata tražili smo vezu između opštih sposobnosti i prolaznosti na ispitu iz matematike. Iz tabele možemo vidjeti da korelacija iznosi 0.416, pozitivna je i statistički značajna na nivou 0.01. Znači, mogli bismo reći da postoji srednja pozitivna i statistički značajna korelacija između opštih sposobnosti i prolaznosti na ispitu iz matematike.

***********************************************************

88

SPSS za psihologe i pedagoge

89

Kratak pregled opcija programa
U menijima koji su prikazani, trenutno dostupne opcije su ispisane crnom bojom, dok su zasivljene opcije koje trenutno nisu dostupne. Znači, kad nemamo otvorene podatke - nemamo na raspolaganju opcije Save ili Save As, tj nemamo šta da snimimo.

File meni
U file meniju se nalazi skup naredbi za otvaranje i čuvanje fajlova sa podacima. Opcije koje postoje su: New, sa podopcijama Data, Syntax, Output i Script - služi nam za otvaranje novog prozora za razne tipove podataka. Data - sirovi podaci koje unosimo u matricu podataka Syntax - komandni režim u kojem unosimo niz naredbi za manipulaciju podacima - znači, SPSS ima i poseban komandni jezik Output - prozor za prikaz rezultata obrade podataka Script - slično Syntax režimu, ali ovaj put je u pitanju skript za automatizaciju niza nekih procesa koje često redom obavljamo Open - koristimo za otvaranje ranije snimljenih fajlova (baza podataka, ispisa rezultata, komandnih programa). Read ASCII Data - otvaranje fajlova sa sirovim podacima koji su snimljeni u tekstualnom obliku. Close - zatvaranje prozora. Save - snimanje podataka. Koristimo ako smo već ranije dali ime fajlu. Save As... - snimanje novih podataka sa odredjivanjem imena i tipa fajla. Export - snimanje tabela, grafikona i rezultata obrade u drugim formatima, tako da ih možemo otvoriti u drugim programima. Display Data Info... - prikazuje informacije o fajlu koji izaberemo. Apply Data Dictionary - prebacuje već postojeće definicije podataka (varijable, kategorije...) na nove datoteke. Print - štampanje. Kad izaberemo ovu opciju moći ćemo da biramo izmedju štampanja svega (All) ili samo onog što selektujemo (Selection). Ovde, takodje, odredjujemo i broj kopija koje štampamo.

89

SPSS za psihologe i pedagoge

90

Stop SPSS Processor - prekida proces obrade koji je aktivan, koji se u tom trenutku odvija. Exit SPSS - izlazak iz programa.

Edit meni
U ovom meniju se nalaze opcije za operacije sa tekstom i podešavanje programa našim potrebama. Undo - poništava zadnju obavljenu operaciju. Cut, Copy, Paste, Clear - standardne Windows operacije za isjecanje, kopiranje, lijepljenje i brisanje selektovanih sadržaja. Find... - pronalaženje podataka ili teksta. Options... (u nekim verzijama programa "Preferences") - podešavanje opcija programa.

Za nas će u ovom trenutku biti zanimljivo jedino da se pod opcijom General, pa u okviru nje pod "Display Order for Variable Names" može podesiti redoslijed varijabli koje smo unosili (alfabetski ili onako kako smo ih unosili), i da se pod opcijom Pivot Tables podešava tip tabela u kojima se prikazuju rezultati (uvijek je korisno smanjiti veličinu tabela, jer su često prevelike da bi stale na jedan ekran). Kad radimo u prozoru Output, imamo još neke opcije u meniju Edit (Copy Objects, Paste After, Paste Special...), ali to su neke naprednije opcije, te ih ovde nećemo detaljnije razmatrati.

View meni
Pod ovim menijem biramo opcije za ono šta ćemo vidjeti na ekranu. Status Bar - odredjuje da li ćemo u dnu ekrana imati ispisan trenutni status programa. Kad ništa ne radimo od operacija, tu obično piše "SPSS Processor is ready", a kad je neka operacija aktivna obično piše "Running..." i vrsta operacije. Toolbars - pod ovom opcijom definišemo šta će od brojnih mogućnosti programa biti dostupno u vidu dugmića ispod menija. Fonts, Grid Lines i Value Labels - odredjuju izgled matrice podataka.

90

umeće novi red (slučaj.) iznad trenutno selektovanog.spajanje podataka tako da grupe ispitanika čine jedan zbirni slučaj u okviru nove datoteke. 91 . Define Dates .. Transpose . Templates . Aggregate . U odjeljku Unos podataka će biti detaljnije obradjene podopcije. Split File . oni koji nisu selektovani izbačeni su iz dalje analize. Go to Case . Display . Insert Variable .odvodi nas na traženi slučaj.pravi podjelu u okviru datoteke (grupiše ispitanike) po vrijednostima varijable koju odredimo.selektuje ispitanike prema vrijednostima neke varijable. Merge Files . ovde ih biramo. Sort Cases . Collapse.definisanje varijabli.pravi novu matricu podataka tako što redove pretvara u kolone.ukoliko imamo ranije napravljene šablone za definisanje varijabli.SPSS za psihologe i pedagoge 91 Kad je aktiviran prozor Output.pravi novu datoteku koja sadrži dizajn ortogonalnih glavnih efekata koji dozvoljava statističko testiranje nekoliko faktora bez testiranja svih kombinacija faktorskih nivoa.sortira redove (uzlazno ili silazno) po vrijednostima neke varijable.definišemo format datuma (ukoliko unosimo podatke vezane za vrijeme). ili bilo koji drugi nacrt u okviru radne datoteke. slučajeve) i "Add Variables" (dodaje varijable). Show i Hide koje se odnose na vidljivost objekata u Output prozoru (takodje i Outline Size i Outline Font). imamo još opcije Expand.umeće novu varijablu ispred one koja je trenutno selektovana.(tiče se faktorske analize i spada u napredne statističke operacije) Generate . Insert Case . Podopcije su "Add Cases" (dodaje ispitanike. Select Cases . Data meni U Data meniju imamo niz opcija za definisanje varijabli i manipulaciju podacima. Orthogonal Design .spajanje datoteka.. ispitanik. Define Variable .prikazuje eksperimentalni nacrt koji je napravljen uz pomoć Generate.

negativnu vrijednost ili nedostajući podatak. a u zavisnosti od toga biće dostupan različit broj statističkih procedura). iskoristićemo Count. a 0 ne).kreira novu varijablu koja sadrži rangovane vrijednosti izabrane varijable. pa na kraju želimo da znamo koliko ispitanik ukupno gleda TV stanica. Random Number Seed .prikazuje frekvencije. Iz dalje obrade se izbacuju ispitanici koji imaju 0.podešavanje generatora slučajnih brojeva. ukoliko imamo nekoliko varijabli koje govore o tome da li ispitanici gledaju ili ne gledaju neke TV stanice (npr.kreira varijablu u okviru koje se nalaze prebrojane iste vrijednosti koje se nalaze u okviru raznih varijabli. Vrijednosti ponder varijable govore o navodnom broju opservacija. Transform meni Ovaj meni nam omogućava razne transformacije podataka. Recode . Count .rekodiranje (ponovno kodiranje na drugačiji način) vrijednosti varijable.popunjava ćelije kod kojih postoji nedostajući podatak. Ja ću u ovom trenutku samo nabrojati koje su to operacije dostupne kad su instalirani svi moduli: Summarize . Simulira se replikacija ispitivanja. procente i osnovne mjere devijacija i centralnih tendencija 92 . Analyze meni Budući da je SPSS modularno organizovan program (sastavljen je iz više dijelova koje možete instalirati .prema vašim potrebama. Npr. 1 znači da.ponderisanje (operećivanje) ispitanika.kreira novu varijablu različitim oblicima izračunavanja na osnovu vrijednosti već postojećih varijabli. Rank Cases . Automatic Recode . Replace Missing Values .SPSS za psihologe i pedagoge 92 Weight Cases . Compute .sumarne procedure Frequences . i to u zavisnosti od vrijednosti izabrane varijable. broj statističkih operacija koje možete vidjeti u Statistics meniju može da varira.kreira novu varijablu i automatski rekodira sadržaj neke string (slovne) ili brojčane varijable u sekvencijalne vrijednosti.

regresiona analiza i analiza varijanse GLM-Multivariate . One-Sample T Test .t test za zavisne uzorke (testira značajnost razlika izmedju aritmetičkih sredina dvaju zavisnih uzoraka .analiza varijanse za faktorijalni dizajn GLM-General Factorial . Spirmanov i Kendalov koeficijent korelacije Partial .računa aritmetičke sredine (i druge statističke mjere) za zavisne varijable unutar grupa koje odredimo kategorijama nezavisne varijable. poznavajući vrijednosti jedne ili više nezavisnih varijabli 93 .računa koeficijent linearne regresije koji najbolje predvidja vrijednost zavisne varijable. tabelarni prikazi ukrštanja varijabli .regresiona analiza i analiza varijanse više zavisnih varijabli GLM-Repeated Measures .analiza grupe zavisnih varijabli koje sadrže različita mjerenja istog atributa Variance Components Correlate .daje regresione koeficijente Linear .krostabulacije.statističke mjere za podgrupe ispitanika grupisanih po kategorijama neke varijable Report Summaries in Rows .korelacije Bivariate .SPSS za psihologe i pedagoge 93 Descriptives .razne zbirne mjere i grafički prikazi. Opciono možemo da dobijemo i univarijantnu analizu varijanse.poredjenje aritmetičkih sredina Means .analiza varijanse (ANOVA) i analiza kovarijanse (ANCOVA) Simple Factorial . za sve ispitanike ili za podgrupe ispitanika Crosstabs .testira da li aritmetička sredina jedne varijable značajno odstupa od konstante koju odredimo Independent-Samples T Test .krostabelarni prikazi frekvencija i procenata Compare Means .razne vrste tabelarnih prikaza rezultata Basic Tables .prikazuje deskriptivne mjere (minimalnu i maksimalnu vrijednost. neke od mjera devijacija i aritmetičku sredinu) Explore .prikazuje ispis gdje se sumarne mjere pojavljuju u redovima Report Summaries in Columns .daje koeficijent korelacije uz kontrolu jedne ili više dodatnih varijabli Distances .univarijanta analiza varijanse (testira značajnost razlika izmedju aritmetičkih sredina dvaju ili više uzoraka) General Linear Model .računa Pirsonov.daje statističke mjere mjereći sličnosti ili razlike parova varijabli ili ispitanika Regression .krostabelarni prikazi i statističke mjere Tables of Frequencies .usti uzorak u dva mjerenja ili upareni ispitanici) One-Way ANOVA .prikazuje ispis gdje se sumarne mjere pojavljuju u kolonama Custom Tables .t test za nezavisne uzorke (testira značajnost razlika izmedju aritmetičkih sredina dvaju nezavisnih uzoraka) Paired-Samples T Test .uz to idu i brojne deskriptivne i statističke procedure Case Summaries .krostabelarni prikazi i statističke mjere General Tables .

faktorska analiza za grupu kvantitativnih varijabli Correspondence Analysis .identifikuje homogene grupe na bazi izabranih karakteristika.χ2 test Binomial .višestruke frekvencijske analize General .opšta višestruka frekvencijska analiza Logit .poredi distribucije dve varijable K Related Samples .analiza pouzdanosti mjerne skale Multidimensional Scaling .analiza povezanosti dve kategoričke varijable grafički Optimal Scaling .kad jednu od kategoričkih varijabli smatramo za zavisnu.analiza distanci izmedju objekata ili slučajeva Nonparametric Tests . koristeći algoritam za baratanje velikim brojem slučajeva Hierarchical Cluster .neparametrijski testovi Chi Square .identifikuje homogene grupe na bazi izabranih karakteristika.koristimo kad hoćemo da predvidimo prisustvo ili odsustvo neke karakteristike na osnovu grupe prediktorskih varijabli Probit . koristeći algoritam koji započinje sa svakim slučajem u odvojenom klasteru i kombinuje klastere sve dok ne ostane samo jedan Discriminant .testira binomnu raspodjelu jedne dihotomne varijable Runs .kad se pretpostavlja da greške unutar zavisne varijable koreliraju sa nezavisnim varijablama Loglinear .nalazi nelinearni model povezanosti izmedju zavisne i nezavisnih varijabli Weight Estimation .ova procedura daje procjene regresijskih mjera za 11 različitih modela procjene regresionih funkcija Logistic .analizira višestruke kontingencijske tabele i pomaže u pronalaženju povezanosti izmedju kategoričkih varijabli Classify .redukcija podataka Factor .poredi dve grupe ispitanika K Independent Samples . ordinalnim ili nominalnim Scale .pronalazi grupisanja u okviru podataka K-Means Cluster .analize mjernih skala Reliability Analysis .poredi distribucije dve ili više varijabli 94 .slično faktorskoj analizi.SPSS za psihologe i pedagoge 94 Curve Estimation .predvidja pripadnost odredjenoj grupi na osnovu grupe varijabli (karakteristika) Data Reduction . a ostale za nezavisne Model Selection .poredi dve ili više grupa ispitanika 2 Related Samples .Kolmogorov-Smirnov test odstupanja raspodjele od zadate teorijske raspodjele vrijednosti 2 Independent Samples .kad se ne pretpostavlja konstantna veličina varijanse unutar populacije koju tretiramo 2-Stage Least Squares . ali možemo da radimo sa različitim tipovima varijabli: kvantitativnim.da li je redoslijed pojavljivanja dve vrijednosti jedne varijable slučajan 1-Sample K-S .mjeri povezanost izmedju jačine stimulusa i proporcije slučajeva istovjetnih odgovora na stimulus Nonlinear .

grafikoni sa kontrolnim linijama Boxplot .histogrami P-P . Graphs meni U okviru Graphs menija možemo da pravimo razne vrste grafičkih reprezentacija podataka koje imamo.Koksov regresioni model sa računanjem vrmenski zavisne kovarijanse Multiple Response .Kaplan-Majerov model rada sa vremenskim periodima koji još nisu okončani Cox Regression .SPSS za psihologe i pedagoge 95 Time Series .grafikoni sa reprezentacijom koja se zasniva na vertikalnim visinskim razlikama ("visoko-nisko" grafikon) Pareto .analiza podataka u vremenskim serijama Exponential Smoothing .linijski dijagrami Area . dužina zaposlenja u nekoj firmi za ljude koji još uvijek rade).predvidjanje dužine vremenskih perioda na osnovu podataka (takodje uključuje rad sa vremenskim periodima koji još nisu okončani) Cox w/ Time-Dep Cov .grafikoni u obliku kutije Error Bar . Bar .stupčasti grafikoni Line . Tek kad definišemo setove varijabli možemo da pristupimo opcijama Frequencies i Crosstabs. dijeljenjem na manje vremenske periode Kaplan-Meier .grafikoni za prikaz mjera disperzije Scatter .kružni ("pita") dijagram High-Low .ispravlja neregularne komponente podataka u vremenskim serijama Autoregression ARIMA X11 ARIMA Seasonal Decomposition Survival Life Tables .rad sa spojenim varijablama Define Sets .grafikoni podataka u vremenskim serijama 95 .grafikoni kumulativnih proporcija Q-Q .grafikoni centila Sequence .grafikoni sekvencijalnih slučajeva Time Series .tačkasti prikaz raspodjela dve ili tri varijable u dvodimenzionalnom ili trodimenzionalnom prostoru Histogram .spajanje više osnovnih varijabli u jednu varijablu sa više kategorija.kombinovani histogramski i kumulativni linijski prikaz Control .dijagrami sa popunjenim površinama Pie .poseban način rada sa vremenskim periodima koji još nisu okončani (npr.

1983 G. 1997. Mason at al.Knežević i K. ubacujemo nove ili izbacujemo opcije koje ne koristimo Windows i Help meniji su standardni meniji za sve windows programe. 1994. 1999 Todorović (1995 Campbell (1953 Ristić.startuje skriptni program koji smo ranije snimili Menu Editor . 1986.prikazuje nam podatke o varijablama koje odaberemo File Info . te nećemo ulaziti u njihovo opisivanje.podešavamo menije koje koristimo. Literatura Dragičević.SPSS za psihologe i pedagoge 96 Utilities meni Ovaj meni sačinjavaju razni alati. Baker.daje podatke o svim varijablama Define Sets . 1997 Halmi.definišemo zajedničke skupove varijabli Use Sets .Momirović Campbell (1953 96 . Bukvić. tako da samo njih vidimo pri izboru Run Script . Variables . Levin & Fox.definišemo koje skupove varijabli ćemo koristiti u obradama.

Sign up to vote on this title
UsefulNot useful