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

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

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

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

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

To su mjere poput frekvencija. To mogu biti hipoteze o povezanosti nekih pojava ili razlikama u izraženosti nekih pojava. U okviru procedura statistike zaključivanja. procenata. odstupanja. U okviru ovih procedura testiramo određene hipoteze koje smo postavili. Deskriptivna statistika – obuhvata procedure kojima opisujemo podatke. takođe. Pri izboru ovih mjera treba voditi računa o tipu podataka kojim raspolažemo (npr.SPSS za psihologe i pedagoge Ajtem (stavka. da donosimo zaključke u vezi sa dobijenim podacima. Nivoi značajnosti pri statističkom zaključivanju i tipovi statističkih grešaka Svaki put kad radimo statističke testove. mi u stvari testiramo istraživačke hipoteze. ili. gdje je n = redni broj hipoteze) i one govore o nekakvim potvrdnim pretpostavkama koje donosimo. prosjeka. Neparametrijski testovi se rade na podacima koji ne mogu da zadovolje ove kriterijume. da podaci budu normalno raspodijeljeni. Za vjerovatnoće manje od od ovih vrijednosti kažemo: “statistički značajno na nivou 0. 8 . Parametrijski testovi imaju veću “snagu” (precizniji su) u odnosu na neparametrijske. pak. ne možemo računati prosjek iz varijable “pol”). dok afirmativnih hipoteza može biti više (označavaju se sa Hn. Ovaj pokazatelj (rezultat statističkog testa) će nam to reći sa nekim stepenom statističke vjerovatnoće – uobičajeno su to nivoi 0.05” ili “0. Razlikujemo dvije grupe statističkih operacija: 1. zakrivljenja itd. čestica) Jedna tvrdnja ili pitanje u testu.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. 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. Uopšteno. Statistika zaključivanja – obuhvata procedure kojimja izvlačimo određene zaključke iz naših podataka. 2.05 i 0. i treba im dati prednost ukoliko nam podaci dozvoljavaju.01. ???????????????????vrste ajtema?????????????????????? razlike indikator . Parametrijski testovi se rade nad podacima koji zadovoljavaju sljedeće kriterijume: 1. a statistička operacija će nas dovesti do nekog pokazatelja koji će nam reći da li se naša hipoteza pokazala ispravnom ili ne.01” (što znači da su vjerovatnoće da pogriješimo kad tvrdimo da postoje statističke značajnosti 5% ili 1%). možemo razlikovati dvije vrste hipoteza: nulta hipoteza (označava se sa H0) sadrži tvrdnju o nepostojanju statističke značajnosti pojave nađene na uzorku. da podaci budu sa intervalne ili racio skale i 2. imamo dvije vrste statističkih testova.

9 ... ili strožijim (npr. nivo značajnosti postavljamo u zavisnosti od toga kakva je priroda pojave koju ispitujemo i značajnosti zaključka koji donosimo. ili značajne korelacije).01 (1% nivo značajnosti). a ona u stvari ne postoji. i da nas ništa ne sprečava da se služimo blažim kriterijumima (npr. Pri tom se uglavnom koristimo nivoima značajnosti p=0. U stvarnosti.05. Ti nivoi značajnosti se interpretiraju kao: ". Mi ćemo se ovdje dotaći upotrebe svakog od modula programskog paketa SPSS 11.001). jer u slučaju pogreške u zaključivanju mogu dovesti do fatalnih posljedica. p=0. Kad..5... kad odbacujemo tvrdnju o značajnosti pojave a ona u stvari postoji.to tvrdimo sa 95% sigurnosti.SPSS za psihologe i pedagoge 9 Prilikom primjene statističkih testova. S druge strane. oni se odlučuju za blaže kriterijume značajnosti. Greška tipa II (greška beta tipa)..05 (ili 5% nivo) i p=0. nastaje u obrnutom slučaju. obično se koristimo terminom "nivo značajnosti" kad govorimo o nekim granicama statističke značajnosti.01 je strožiji od nivoa p=0. kad se ispituju lijekovi koji imaju potencijalno opasne prateće pojave. Greška tipa I. U zavisnosti od toga koje statističke procedure su nam potrebne. jer podrazumijeva veću sigurnost kod određenih tvrdnji. kriterijumi sigurnosti se moraju povećati na najviši nivo. 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. odredićemo i koje module ćemo moći priuštiti.. 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. govori se o dva tipa grešaka pri generalizaciji statističkih zaključaka sa uzorka na populaciju. Šematski prikazano. a takođe i da bi se istraživačima olakšalo donošenje statističkih odluka. a sve navedeno o čemu budemo govorili može se upotrijebiti za sve verzije programa. p=0. SPSS programski paket Programski paket SPSS čini više zasebnih modula (dijelova programa).. Ove granice su ustanovljene da bi se ujednačili kriterijumi prilikom donošenja odluka. U skladu sa prethodnom pričom o nivoima značajnosti.o postojanju značajne razlike između pojava. ali to je rizik koji prihvatamo u statistici. součavamo se sa mogućnošću da načinimo neku od navedenih grešaka. ". Nivo značajnosti od p=0. budući da se svaki modul zasebno kupuje. odnosno ". nastaje kad donosimo zaključak o statističkoj značajnosti pojave (npr.01. pri donošenju statističkih zaključaka. istraživači ispituju lijek koji se primjenjuje na dotad neizlječivim bolesnicima.10). Treba reći da su ova dva nivoa značajnosti sasvim arbitrarno prihvaćena. " Isto važi i za nivo značajnosti p=0.postoji 5% vjerovatnoće da pogriješimo kad tvrdimo da . koja se naziva i "greška alfa tipa". na primjer.

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. ili “ručno” – korištenjem posebnog programskog jezika u okviru procedure koja se zove Syntax. 10 . Podešavanja svih opcija programa. do najsitnijih detalja. i to će nam biti više nego dovoljno. Slično tome. u našim objašnjenjima. u velikoj mjeri je obiman i komplikovan da to prevazilazi okvire naših zanimanja i zahtijeva zaseban udžbenik.Knežević i K. 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. ali s druge strane. pogotovo kad su u pitanju napredne statističke procedure1. 1 Tako na primjer. zadržati na predviđenim funkcijama. budući da se proceduralno vrlo malo razlikuju (više su u pitanju "kozmetičke" izmjene).sps”. praktično je moguće programiranjem u Syntaxu napraviti drugačije verzije gotovo svih statističkih operacija predviđenih u SPSS-u. Mi ćemo se. omogućava i programiranje novih statističkih procedura koje nisu predviđene u osnovnom paketu SPSS-a. Tim rješenjem nisu bili zadovoljni dvojica autora iz Beograda (psiholozi G.SPSS za psihologe i pedagoge 10 počevši od verzije 8 pa naviše.Momirović). Syntax omogućava mnogo veću fleksibilnost od korištenja već ponuđenih opcija. mogu se obaviti kroz meni Edit/Options.

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

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

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

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

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

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

i dolazimo do sljedećeg koraka: 17 .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. potvrdimo sa Next. a pod Files of type: odaberemo tip datote – u našem slučaju to je Text (*.SPSS za psihologe i pedagoge 17 Pod Look in: odaberemo direktorijum gdje smo snimili datoteku.

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

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

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

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

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

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

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

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

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

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

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

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

Kad je uključena opcija Split File. 30 . prva na spisku će biti primarna. i u okviru njenih kategorija će biti izvršena grupisanja za drugu varijablu. tj. Ako izaberemo više varijabli. Opcija Organize output by groups dovodi do zasebnog ispisa za svaku kategoriju varijable koja grupiše. Opcija Compare groups znači da će ispis biti zajednički. sav ispis će biti organizovan po ovim kategorijama. grupe će se nalaziti u istoj tabeli radi medjusobnih poredjenja.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).

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

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

SPSS za psihologe i pedagoge 33 33 .

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

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

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

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

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

SPSS za psihologe i pedagoge 39 39 .

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.razred. tako da postignuća ispitanika sumarno prikažemo u obliku broja slučajeva u okviru pojedinih kategorija (razreda distribuiranih rezultata). Sa druge strane frekvencijski prikaz sirovih rezultata dobijen mjernim instrumentom sa većim rasponom dobijenih rezultata je često vrlo nepregledan. kao što smo to već rekli u uvodu.). upitnik. To mogu biti najjednostavnija prebrojavanja. kako za razmatranje rezultata. numeričkoj varijabli dobijenoj na testu inteligencije VITI ispitanici se razvrstavaju u kategorije prema Vekslerovoj teoriji inteligencije (Biro. predstavljaju osnovne mjere kojima na osnovu dobijenih podataka opisujemo naš uzorak. r . opservacija itd. procentualni prikazi. brojna vrijednost koja pokazuje opseg jednog razreda.interval. 4 Za intervale se najčešće uzimaju neparni brojevi (u objašnjenju izbora neparnog broja bi najjednostavnijebilo reći da je to esnafski običaj). 1996). tako da tada frekvencijski prikaz ima više smisla. Tako koeficijentu inteligencije. Ukoliko želimo da eventualno postojanje značajne razlike ispitamo putem t-testa. Pojmovi kojima se barata pri razmatranju raspodjele ispitanika po kategorijama su: R . Frekvencije i procenti Prostim frekvencijskim prikazom se predstavlja frekvencija (broj) ispitanika koji su postigli određeni rezultat na nekom mjernom instrumentu koji smo zadali (test.raspon dobijenih skorova. 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. prvo je potrebno ispitanike razvrstati na osnovu ukupnog broja bodova postignutih na testu iz Psihometrije u dvije kategorije. i . koje nazivamo intervalnim razredima. Vrijednost intervala dodana na najnižu mjeru jednog razreda jednaka je najnižoj mjeri sljedećeg razreda. 3 Studentima psihologije najpoznatiji primjer raspodjele ispitanika u kategorije zasnovan na određenoj teorijskoj ideji je razvrstavanje ispitanika u kategorije prema postognutom koeficijentu inteligencije. odstupanja rezultata). anketa. položili i nisu položili ispit. 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. 40 . 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. prema uspjehu na testu informisanosti. čija je vrijednost razlika između najvišeg i najnižeg skora dobijenog pri jednom mjerenju. tako i za prikazivanje. Interval može biti bilo koji pozitivan cijeli broj4.SPSS za psihologe i pedagoge 40 Deskriptivne statističke mjere Deskriptivne statističke mjere. Međutim kada se radi o mjernim instrumentima koji imaju veliki raspon mogućih rezultata (npr. ili različite mjere centralne tendencije i mjere idsperzije (raspršenja. Zbog toga se onda distribucija rezultata dijeli u manji broj kategorija. Time dobijamo najbrži uvid u raspodjelu skorova ispitanika koje oni postižu pri datom mjerenju. 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.

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

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

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

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

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

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

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

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

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

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

AUT Valid N (listwise) 495 495 Iz tabele možemo vidjeti da imamo 495 ispitanika čiji su rezultati uzeti u obradu. dok standardna devijacija iznosi 8. a maksimalnog 68.263 na onsnovu čega zaključujemo da je kriva empirijske distribucije izdužena u odnosu na normalnu. 53 . vrijednost minimalnog skora je 18.325 što znači da je naša distribucija negativno asimetrična (skreće na lijevu stranu).0193 Statistic Statistic SKOR. tj.98. Za početak su označene aritmetička sredina (Mean).389 Std. standardna greška aritmetičke sredine (S.663 Skewness Statistic -0. Kad na kraju potvrdimo sa OK. leptokurtična.389.66. Kurtosis je manji od 0. kliknemo na dugme Options i dolazimo do izbora mjera. Skewness iznosi –0.991 Mean Std.E.325 Kurtosis Statistic -0. Raspon rezultata iznosi 50. standardna devijacija. Error 0.SPSS za psihologe i pedagoge 53 Da bi vidjeli koje statističke mjere su nam na raspolaganju. mean). da bismo vidjeli da li značajno odstupa od normalne raspodjele mjera. a njena standardne greške 0. Deviation Statistic 8. raspon Range). dobićemo sljedeći ispis: Descriptives Descriptive Statistics N Range Minimum Statistic 50 18 Maximum Statistic 68 Statistic 47. Vrijednost aritmetičke sredine je 47. Ukoliko želimo da vidimo zakrivljenost naše distribucije možemo uključiti i mjere zakrivljenja (Kurtosis i Skewness). minimum i maksimum.

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

1127 15. Pošto vidimo da su sve na broju (AS.7458 20.00 38. izvještava o tome koje varijable se ukrštaju (u našem slučaju to su znanje iz informatike i starost).49061 7. i koliko ispitanika je imalo valjane podatke.00 Maximum 38.00 41.0000 14.0000 21.63443 4.29 godina 30 .43117 6. odnosno koliko je ispitanika uzeto u obradu. N.49 godina preko 50 godina Total Mean 26.97217 7.0000 15.8% N 5 Excluded Percent 1.00 14. Deviation 5.20 godina 21 .0% Report znanje iz informatike STAROST 18 .57532 Median 26. Druga tabela (Report) daje prikaz deskriptivnih statističkih mjera koje smo tražili.00 Prva tabela (Case Processing Summary) nas.00 14.00 41.0000 14.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. možemo obaviti i uvid u dobijene rezultate.0000 Minimum 14.1882 24.0000 24.62201 6.00 41. σ .2% N 406 Total Percent 100.00 39. medijana.00 14.0000 17.0323 22. min i max). U koloni Means vidimo da je stepen poznavanja 55 .00 14.39 godina 40 .5112 N 85 177 37 71 31 401 Std.00 14. već uobičajeno.

Sk  2. tj. za odluku da li će se u razmatranju određenih podataka primijeniti neki parametrijski ili neparametrijski test). odnosno 0. Provjera eventualnog odstupanja empirijske od normalne distribucije se može izvršiti na više načina. Na kraju (samo po redoslijedu navođenja. Testiranje normalnosti distribucije podataka Već smo vidjeli da je za veliki broj statističkih analiza neophodno ustanoviti da li distribucija dobijenih podataka zadovoljava uslov normalnosti. naravno. u kategoriji starosti od 30 do 39 148 ispitanika i u u kategoriji starosti od 40 do 49 njih 17). prate vrijednosti aritmetičkih sredina po kategorijama ispitanika.01 ⇒ p  . kolona N pokazuje broj ispitanika po kategorijama.96 ili 2. može zaključiti da je najveće prosječno odstupanje rezultata prisutno u grupi ispitanika starosti između 30 i 39 godina. nikako i važnosti podataka koje sadrži). zaključuje se da empirijska distribucija značajno (na nivou 0. Dalje se. Poređenje se dalje može vršiti i na osnovu drugih dobivenih statističkih mjera. što je vrlo važno ne samo jer pruža informaciju o brojnosti kategorija.05 vrijednost sa kojom se poređenje vrši na nivou značajnosti p<.58.58 1. dok su najveći skorovi dobijeni u grupama ispitanika starosti od 21 do 29 i od 40 do 49 godina. već prije svega ukazuje na to da li je smisleno porediti grupe (ako su razlike u broju članova poduzoraka velike.96 1 SESk ∨ Ku  1. Jedan od načina je da se (već predstavljene) deskriptivne mjere odstupanja. najmanji dobijeni skor je jednak u svim grupama. Tako vrijednosti medijane. skjunis i kurtozis podijele sa njihovim standardnim greškama.96 SE Ku gdje je Sk SESk Ku SEKu p 2. ∨ ⇒ p  . Znači. recimo.01.01) odstupa od normalne krive. npr.05 56 . Ukoliko bilo koja od dobijenih vrijednosti bude veća od 1.58 SESk Ku  2.05.58 SE Ku i Sk  . da li u dovoljnoj mjeri podražava normalnu raspodjelu (npr.SPSS za psihologe i pedagoge 56 oblasti informatike veći kod mlađih ispitanika i da progresivno opada sa porastom starosne dobi ispitanika.96 skjunis standardna greška skjunisa kurtozis standardna greška kurtozis a oznaka za statističku značajnost vrijednost sa kojom se poređenje vrši na nivou značajnosti p<.

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

4% N 507 Total Percent 100.048 a Lilliefors Significance Correction df 495 Sig.110 .019 Tests of Normality Kolmogorov-Smirnov(a) Statistic SKOR.9919 47.0000 75.00 68.7570 48.005 .065 8.219 Std.38942 N 12 Missing Percent 2.AUT 495 Percent 97.0% 5% Trimmed Mean Median Variance Std.AUT .00 50. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis 58 .SPSS za psihologe i pedagoge 58 Dobićemo sljedeći ispis: Explore Case Processing Summary Cases Valid N SKOR.008 Statistic .1768 48.326 -. .0000 -.6% Descriptives Statistic SKOR. Error .AUT Mean 95% Confidence Interval for Mean Lower Bound Upper Bound 47.2268 48.991 Shapiro-Wilk df 495 Sig.00 12. .66399 18.

110 = -2.0 60. Takođe. Budući da je p (odnosno Sig.66 Mean = 48.96. budući da je on predviđen za uzorke od 50 ili manje ispitanika (u našem slučaju ih ima 495).0 55.0 35.0 50.008).01. 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). 59 .SPSS za psihologe i pedagoge 59 Histogram 120 100 80 60 40 Frequency 20 0 20. odnosno varijabilnost negativne strane je povećana. što znači da su rezultati za našu ispitivanu populaciju negativno asimetrični. Vidimo da se veći broj ispitanika gomila na gornjem dijelu naše skale. No.0 25. u trećoj (onoj koja nas najviše zanima) dobijamo izvještaj o distribuciji koju testiramo.0 Std.AUT Prva tabela nam govori o broju valjanih podataka uzetih u obradu. i donosimo zaključak da naša distribucija statistički značajno (na nivou značajnosti od 0.0 70. ukoliko skewness podijelimo sa njegovom standardnom greškom dobijamo: -0.326/0. gdje takođe potvrđujemo značajno odstupanje dobijene od normalne raspodjele.0 45. nam govori o značajnosti utvrđenog odstupanja (u našem slučaju 0. on nam zasad nije potreban.0 40. Histogram koji smo dobili nam može ponešto reći o dobijenim podacima.0 N = 495. a druga o generalnim deskriptivnim podacima za našu skalu.01) odstupa od normalne.0 65.0 30. Dev = 8. a kolona Sig. Kolona Statistic kaže kolika je izračunata mjera odstupanja naše distribucije od normalne (u našem slučaju 0.048). u SPSS-u) manje od 0. odbacujemo postavljenu hipotezu. Dok se u drugoj tabeli nalaze deskriptivne statističke mjere razmatrane distribucije koje smo odabrali o okviru opcije Statistics. prve tri kolone predstavljaju izvještaj o obavljenom Kolmogorov-Smirnov testu. pod nazivom Test of Normality. U okviru te tabele.00 SKOR. a hipoteza je bila da naša distribucija ne odstupa značajno od normalne.

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. Na osnovu rezultata testiranja razlika.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. a vidjećemo da ih ima mnogo. Ukoliko test ne pokaže statistički značajnu razliku između aritmetičkih sredina uzoraka. odnosno da su nastale razlike rezultat slučajnih faktora. odnosno da su nastale razlike rezultat dejstva nekog sistematskog faktora. odnosno nisu u korelaciji. 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 se žele uporediti aritmetičke sredine dobijene na dva uzorka iz iste populacije. zaključuje se sa mogućnosti greške manjom od 1% ili 5%. rezultat slučajnih činilaca. Da bi se utvrdio da li te razlike potiču od nekih sistematskih faktora. definisanja intervala pouzdanosti oko te razlike i procjene značajnosti te razlike. da su uzorci homogeni (pripadaju istoj populaciji). u zavisnosti od toga da li rezultat bude značajan ili ne. gotovo sigurno će njihove vrijednosti biti različite. leži procjenjivanje njene standardne greške. U pozadini ovog postupka testiranja značajnosti razlika između aritmetičkih sredina. pod uslovom da su zadovoljaeni uslovi za primjenu parametrijskih testova. Ukoliko test pokaže značajnu razliku između aritmetičkih sredina. poslužićemo se nekim od statističkih testova konstruisanih u tu svrhu. 2.da podaci sa kojima se barata potiču bar sa intervalne skale . ili su. onda koristimo t-test za nezavisne uzorke. pak. uz mogućnost prisustva greške manjom od 1% ili 5% donosi se zaključak da su uzorci heterogeni. 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? . Ukoliko postoji potreba da se izvrši testiranje razlika između aritmetičkih sredina dvaju nezavisnih uzoraka. Formula za njegovo izračunavanje je: 60 .

(apsolutna razlika između AS) σ DM . jer SPSS podrazumijeva da nezavisna varijabla koja je kategorička. može imati više od dva modaliteta. Za primjer ćemo uzeti testiranja značajnosti polnih razlika u postignuću na testu iz engleskog jezika na više raznih fakulteta.SPSS za psihologe i pedagoge DM . prihvata se hipoteza o postojanju značajnih razlika između uzoraka. Test Varijable je naša zavisna varijabla (skor na testu iz engleskog jezika u našem slučaju). i drugu numeričku (intervalnog nivoa). σ DM 61 t= gdje je: t .96 i 2.01.t-test DM = M 1 − M 2 . Moraćemo da definišemo koje grupe poredimo. gdje je σ DM = σ M 1 2 + σ M 2 2 .58 za velike uzorke. i ukoliko izlazi izvan okvira neke od ovih vrijednosti.standardna greška razlike između AS. pri čemu je σ M1 = σ1 N1 i σM2 = σ2 N2 Dobijenu vrijednost t-testa se mogu porediti sa vrijednostima intervala pouzdanosti . 61 . Imaćemo jednu kategoričku varijablu – pol.05 i . a Grouping Variable je nezavisna varijabla (u našem slučaju to je pol). skor na testu znanja iz engleskog jezika. Potrebno je da idemo na opciju Analyze/Compare Means/IndependentSamples T Test. Kliknemo na dugme Define i moći ćemo da nastavimo. koje iznose 1.

Da je značajnost Levenovog testa bila manja od .3691 -2. (2tailed) Mean Difference Std.641 .643 (predznak nam nije bitan. Već smo vidjeli iz prve tabele da djevojke postižu nešto bolje rezultate od mladića (za 1.344 .2512 Rezultat testa iz engleskog Independent Samples Test Levene's Test for Equality of Variances F Sig.SPSS za psihologe i pedagoge 62 Pošto smo mi definisali modalitete naše varijable tako da 1 označava ženski.8416 Std.05.000 -1.106 -3.0719 -3. u obzir se uzima apsolutna veličina) i 62 . a 2 muški pol. t df t-test for Equality of Means Sig.344 .0490 -. Takođe vidimo da je prosječni rezultat na testu iz engleskog manji kod muških nego kod ženskih ispitanika (kolona Mean). Deviation).2542 .000 -1.582 . Druga tabela (Independent Samples Test) je nešto složenija.05 (u našem slučaju to je 0.992 Std.106).3573 -2. rezultate bismo očitavali iz drugog reda (Equal variances not assumed). dobijamo sljedeći ispis kao rezultat našeg testiranja: T-Test Group Statistics POL muski zenski N 88 128 Mean 22.3843 2. ali da li je ta razlika statistički značajna? Veličina statistika t od –3. Vidimo da ukupno ima 88 muških i 128 ženskih ispitanika. Kad je vjerovatnoća veća od .6400 Prva tabela (Group Statistics) koju smo dobili daje nam deskriptivne mjere za naša dva uzorka.6170 Rezultat testa iz engleskog Equal variances assumed Equal variances not assumed 2.763 205.344 poena u prosjeku).648 23. onda zaključujemo da se pretpostavljaju jednake varijanse u okviru naših subpopulacija i očitavamo rezultate iz prvog reda (Equal variances assumed). Prvo treba da pogledamo rezultate Levenovog testa jednakosti varijansi. ali i da je varijabilnost rezultata veća kod ženskih ispitanika (kolona Std. te vrijednosti ćemo upisati u kućice. Kad smo definisali grupe i potvrdili sve. Deviation 2. Potvrdimo sa Continue. Error Mean . Error Difference 95% Confidence Interval of the Difference Lower Upper -.643 214 .

00 SKOR.01).36 Sum of Ranks 55562.SPSS za psihologe i pedagoge 63 njegova značajnost od . Testiranje t-testom možemo obaviti na više načina u SPSS-u. a to je Mann-Whitneyjev test. pokazalo se ranije. za testiranje značajnosti razlike koristimo neparametrijski ekvivalent. a nezavisnu varijablu u okvir Grouping Variable.AUT 63 .000 (znači manje od . nam govori da su razlike između aritmetičkih sredina statistički značajne. ne zadovoljava uslov normalnosti za primjenu parametrijskih testova). i dobijamo sljedeći ispis: NPar Tests Mann-Whitney Test Ranks pol muski zenski Total N 220 275 495 Mean Rank 252. ali za sad ćemo ostati kod ovoga.00 67198. Potrebno je da imamo podatke koji potiču bar sa ordinalne skale. Moramo definisati grupe u okviru nezavisne varijable na isti način kao što smo to opisali kod t testa.55 244. i ubacimo zavisnu varijablu u okvir gdje piše Test Variable List. Kad smo sve uradili. Mann – Whitneyjev U-test U slučaju kad imamo dva nezavisna uzorka koji ne zadovoljavaju uslove za primjenu parametrijskog t testa. Idemo na meni Analyze/Nonparametric Tests/2 Independent Samples.05 i od . Mi ćemo za primjer uzeti polne razlike u osobini autoritarnosti (ta varijabla. potvrdimo sa OK.

U praksi se sa ovakvim uzorcima najčešće srećemo kad projektujemo neku od dvije osnovne vrste eksperimentalnih nacrta. (2-tailed) a Grouping Variable: pol 29248. Prvi slučaj takvog nacrta se naziva metodom iste grupe".526). U oba slučaja rezultati mjerenja su u korelaciji. ali te podatke možemo dobiti na način kako je to opisano u poglavlju Deskriptivne mjere za dva ili više uzoraka. gdje se formiraju dvije grupe ispitanika koje se ujednačavaju po nekim.. gdje je .AUT Mann-Whitney U Wilcoxon W Z Asymp. koju nazivamo eksperimentalnom grupom.. bilo zato što su različite grupe ispitanika ujednačene po nekom (za mjerenu varijablu) relevantnom kriterijumu. 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.SPSS za psihologe i pedagoge 64 Test Statistics(a) SKOR.standardna greška aritmetičke sredine prvog uzorka (može se još označaiti i sa SE1) . r1. . da limaju brace i sestara. školske ocjene. Sig. gdje se ispitivanje pojave obavlja na istoj grupi ispitanika prije i poslije uvođenja dejstva nezavisne varijable.standardna greška razlika između aritmetičkih sredina. uzrast. dok u drugoj. i to je veličina MannWhitney U statistika (u našem slučaju 29248.).00) i njegova značajnost (u našem slučaju 0. 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 . mjere raspršenja i centralnih tendencija. kontrolnoj grupi izostaje djelovanje nezavisne varijable. Nakon toga se vrši mjerenje pojave.mjera linearne korelacije između dva uzorka.. 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.2 . relevantnim kriterijumima (npr.526 Ono što nas zanima je u drugoj tabeli (Test statistics).000 67198.000 -.634 . Ovaj test nam nije prikazao deskriptivne mjere koje nas zanimaju. 2 * σ M1 * σ M 2 . za to istraživanje. Dejstvo nezavisne varijable uvodi se u jednu grupu. T – test za zavisne uzorke Zavisnim uzorcima smatramo one uzorke čije mjere su na neki način u korelaciji.

58. 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. dobijeni rezultat se poredi sa granicama 1. dobijamo sljedeći ispis: T-Test Paired Samples Statistics Mean Pair 1 Rezultat testa iz engleskog prije kursa Rezultat testa iz engleskog poslije kursa 23.eng) i poslije kursa (sk. a ukoliko su grupe manje – onda se granice intervala pouzdanosti očitavaju iz odgovarajućih tablica.1864 . i unesemo ih u okvir gdje piše Paired Variables.eng2).7402 2.SPSS za psihologe i pedagoge DM . znači. i mi treba da uporedimo te rezultate i zaključimo da li je nastava iz jezika doprinijela boljem znanju.96 i 2.standardna greška razlika između aritmetičkih sredina Ukoliko se istraživač susreće sa velikim grupama.razlika aritmetičkih sredina. .19323 Paired Samples Correlations 65 .3194 N 216 216 Std.444 25. Treba da idemo na meni Analyze/Compare Means/Paired-Samples T Test. Kad smo na kraju potvrdili svoj izbor. Error Mean .83988 Std. Deviation 2. Ista grupa od 216 studenata . radila je dva puta isti test. σ DM 65 t= gdje je t – t-test . prije i poslije kursa. pri čemu broj stepeni slobode dobija po obrascu: df = N-1. selektujemo dvije varijable čije rezultate želimo da poredimo. U našem slučaju to su rezultati na testu prije (skor.

982 Sig.03643 -1. ali.8032 -51.000 66 Paired Samples Test Paired Differences Std.).9468 Upper -1.000 t df Sig. Error 95% Confidence Interval Deviation Mean of the Difference Lower Pair 1 Rezultat testa iz engleskog prije kursa .472 (opet nam predznak nije bitan).000.SPSS za psihologe i pedagoge N Pair 1 Rezultat testa iz engleskog prije kursa & Rezultat testa iz engleskog poslije kursa 216 Correlation .53538 . . kao i druge podatke (broj ispitanika. (2tailed) Mean Prva tabela (Paired Samples Statistics) nam daje deskriptivne statističke mjere za naše zavisne uzorke. Možemo vidjeti da u našem slučaju veličina t iznosi -51. standardnu devijaciju). a na drugom testu (poslije kursa) u prosjeku 25.982.Rezultat testa iz engleskog poslije kursa -1. što bi značilo da je gotovo svaki ispitanik popravio svoje znanje iz engleskog za istu količinu. možemo reći da se prosječni rezultati značajno razlikuju. Znači. U našem slučaju ta korelacija iznosi veoma visokih 0.87 poena u prosjeku.319. budući da su naši rezultati izmišljeni – to je prihvatljivo :-) U trećoj tabeli (Paired SamplesTest) nas zanima prvenstveno statistik t i njegova vjerovatnoća (Sig.8750 . a da je njegova vjerovatnoća 0.472 215 . 66 . Iz nje možemo vidjeti kolika su prosječna postignuća na testu prije i poslije kursa (Mean). što znači da su ostvarili napredak od 1. odnosno da su studenti (najvjerovatnije) zbog pohađanja kursa engleskog jezika. Vidimo da su na prvom testu ispitanici postizali u prosjeku 23. Std. Druga tabela (Paired Samples Correlations) nam govori kolika je povezanost između rezultata na prvom i drugom testu.444 bodova. unaprijedili svoje znanje. U realnosti gotovo nikad nećete naići na povezanosti ovoe veličine.

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

776) i njegovu vjerovatnoću (u našem slučaju 0. 68 .jednakih vrijednosti obe varijable (Ties) ima 1 Druga Tabela nam govori o veličini statistika Z. koji uzima u obzir zbir razlika predznaka.000). Pošto se ovaj test bazira na poređenju veličina dvije varijable kod ispitanika.SPSS za psihologe i pedagoge a Sign Test 68 Prva tabela (Frequencies) nas izvještava o detaljima naših podataka. Znači.slučajeva kad druga varijabla (u našem slučaju to su rezultati na testu poslije kursa) ima manju vrijednost (Negative Differences) ima 6 .slučajeva kad druga varijabla ima veću vrijednost (Positive Differences) ima 209 . (u našem slučaju –13. u našem primjeru tabela nam govori sljedeće: . i sabiranju broja pozitivnih i negativnih razlika. možemo reći da su rezultati na testu iz engleskog kod naših ispitanika poslije kursa značajno veći nego prije kursa.

Ukoliko smo već upoznati sa t-testom kao statističkom mjerom za poređenje aritmetičkih sredina. dobijamo tri para za poređenje. 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. što u našem slučaju može biti postignuće na testu iz engleskog jezika kod studenata tri različita fakulteta. i tako dalje. koju dobijamo kad kvadriramo standardnu devijaciju: v =σ2 Primjer slučaja kad je varijansa između grupa veća od unutargrupne varijanse. što bi značilo da grupe ne pripadaju istoj populaciji: Primjer slučaja kad je varijansa između grupa manja od unutargrupne varijanse. što bi značilo da grupe pripadaju istoj populaciji: Značajnost razlika između aritmetičkih razlika utvrđujemo uz pomoć F-testa. za četiri grupe tu je šest parova za poređenje. ali u slučaju kad imamo više nezavisnih grupa – broj poređenja ttestom može biti veliki: ako imamo tri grupe.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. kojim utvrđujemo odnos između dviju varijansi: 69 . 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.

ili nekim od SPSS-ovih post-hoc testova za detekciju razlika između pojedinačnih parova poduzoraka. onda trebamo utvrditi između kojih grupa postoje značajne razlike. U slučaju da ustanovimo da je F statistik značajan.898 Na osnovu odgovarajuće tabele.suma kvadrata odstupanja unutar grupa SSb . koju možemo naći u osnovnim udžbenicima iz statistike.333 Varijansa (v = SS/df) 72.898 72.326 1614.51 6.SPSS za psihologe i pedagoge 70 Varijansa između grupa F= Varijansa unutar grupa Analizu varijanse radimo uz pomoć razlaganja ukupne varijanse na komponente. ili samo između nekih? Tada se koristimo t-testom. očitavamo granice značajnosti i donosimo zaključak o statističkoj značajnosti razlika. da li između svih mogućih parova.503 = 10.007 1469. Na kraju izračunavamo F kroz formulu: F = 70 . 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 6.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.

0 19. i drugu varijablu intervalnog nivoa i normalne raspodjele rezultata.3078 . No. 71 Specifičnost analize varijanse jeste to da će nam ona za rezultat pokazati postoji li između nekih grupa statistički značajna razlika. Error 95% Confidence Interval for Mean Lower Bound tehnoloski medicinski filozofski Total 72 72 72 216 23.444 2.6071 2. medicinski i tehnološki).181 23.5 29. i može pojaviti do tri razlika (tri su moguća poređenja).503 6.604 24.0 29.5 Minimum Maximum ANOVA Rezultat testa iz engleskog Sum of Squares Between Groups Within Groups 145.5 17. Kao ispis naše analize varijanse dobijamo: Oneway Descriptives Rezultat testa iz engleskog N Mean Std.6598 2. ići ćemo korak po korak pa ćemo vidjeti šta ćemo dobiti.326 df 2 215 Mean Square 72.0 16.6122 2.7402 .812 16. U našem primjeru varijabla fakultet ima 3 modaliteta (filozofski. 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).1864 22.174 22.000 71 .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.007 1469.5 28.510 Sig.3072 . Sada ćemo vidjeti kako ćemo statističko testiranje obaviti uz pomoć SPSS-a.556 23.218 25.5 27.561 21. Mi ćemo za primjer uzeti opet naš test iz engleskog.786 23.990 23. ali nam ne može reći između koji grupa. .898 F 10. poredićemo postignuće na testu iz engleskog jezika studenata različitih fakulteta.077 Upper Bound 23. a pod Factorunesemo nezavisnu varijablu (fakultet u našem slučaju).931 23. Deviation Std.3135 .

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

Nakon toga je potrebno kliknuti na dugme Define Range i definisati koji je raspon vrijednosti nezavisne varijable. ali mi biramo Kruskal-Wallis H test.05.4377 .951(*) Std.SPSS za psihologe i pedagoge 73 Kao rezultat ćemo dobiti iste dve tabele kao što je prethodno opisano za analizu varijanse.382(*) -. Idemo na meni Analyze/Nonparametric Tests/K Independent Samples. i pod Test Variable List unesemo zavisnu varijablu. srednja škola i viša/visoka škola).).432 -2.245 2. i drugu varijablu bar ordinalnog tipa.382(*) 1. Ova tabela će nam pokazati koji parovi fakulteta se porede (kolona Fakultet).814 * The mean difference is significant at the .002 . . i značajnosti tih razlika (Sig. Razlika između medicinskog i tehnološkog fakulteta nije statistički značajna.000 Lower Bound -.089 2. filozofskog i medicinskog fakulteta.569 -1.002 .195 . Pod okvirom Test Typeimamo ponuđena tri testa. i to obe razlike značajne na nivou 0.05 level.4377 . kolika je razlika u prosječnom postignuću na testu (Mean Difference).4377 . U našem slučaju to je od 1 do 3.4377 Sig. Nezavisna varijabla će nam biti stepen obrazovanja majke sa tri modaliteta (završena osnovna škola.293 -1.814 .519 .089 Upper Bound 1. Mi ćemo kao primjer istraživanje u kojem je ispitivano prihvatanje socijalnih odnosa sa Italijanima u vezi sa različitim socio-demografskim varijablama.432 -. 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) . Potrebno je da imamo jednu kategoričku varijablu sa dva ili više modaliteta. vidimo da postoje značajne razlike između filozofskog i tehnološkog. a pod Grouping Variable unesemo nezavisnu varijablu. U našem slučaju. Kruskal Wallis test Ovaj test nam služi za utvrđivanje značajnosti razlika između dve ili više mjerenih osobina.569 -1. a zavisna varijabla će nam biti broj prihvaćenih odnosa sa Italijanima (ponuđeno je 7).4377 .519 1.195 . Error . kad podaci ne zadovoljavaju uslove za primjenu analize varijanse. 73 .293 -2.000 .245 -1.951(*) 1.4377 .

Druga tabela (Test Statistics) nam daje mjeru χ2 (hi na kvadrat. Sig.05 i 0. pitanja su: da li izraženost depresivnost zavisi od pola. 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. U našem slučaju vidimo da je χ2 =0.b) Prihvatanje odnosa sa Italijanima Chi-Square df Asymp. što bi značilo da ne postoje značajne razlike u pogledu prihvatanja socijalnih odnosa sa Italijanima između grupa ispitanika čiji očevi su različito obrazovani.). .SPSS za psihologe i pedagoge 74 Nakon što smo sve obavili.657 a Kruskal Wallis Test b Grouping Variable: strucna sprema majke Prva tabela (Ranks) nas izvještava o broju ispitanika u pojedinim grupama našeg uzorka. Dvofaktorska univarijantna analiza varijanse Dvofaktorsku univarijantnu analizu varijanse primjenjujemo kad za nezavisne varijable imamo dve kategoričke varijable.82 198. Sig. Chi-Square) i njenu značajnost (Asymp.73 Prihvatanje odnosa sa Italijanima Test Statistics(a. i jednu zavisnu kvantitativnu varijablu. zaposlenja ili od kombinacije ova dva 74 .44 208. Mi ćemo kao primjer uzeti fiktivno istraživanje u kojem je za zavisnu varijablu uzeta izraženost osobine depresivnosti. Znači.01). a za zavisne su uzeti pol i zaposlenost. i prosječnim rangovima zavisne varijable.839 i da nije statistički značajno (vjerovatnoća veća od 0.839 2 .

75 . Idemo na meni Analyze/General Linear Model/Univariate. 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. a pod Fixed Factor(s) unosimo nezavisne varijable. i tu treba da među opcijama u okviru Display odaberemo descriptives. Potrebno je reći da su naši faktori neponovljeni. i pod Dependent Variable unosimo zavisnu varijablu (depresivnost u našem slučaju).SPSS za psihologe i pedagoge 75 faktora? Kombinacija faktora u analizi varijanse naziva se interakcija faktora. Time ćemo dobiti osnovne deskriptivne mjere za podgrupe našeg uzorka.. Sljedeći korak nam da idemo na dugme Options s desne strane prozora.

00 2.6477 23.84161 2. Dolazimo do prozora gdje trebamo odrediti varijable koje će odrediti naš grafikon.91925 2.1111 23.72535 2.74017 N 64 24 88 35 93 128 99 117 216 Tests of Between-Subjects Effects 76 .SPSS za psihologe i pedagoge Dalje. To ćemo uraditi kroz dugme Plots.28644 2. upisujemo ih u okvire Horizontal Axis i Separate Lines (gdje će ići koja varijabla zavisi od istraživačkih potreba).38896 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 22.16340 2. jer će nam to pomoći pri tumačenju. dobijamo sljedeći ispis: Univariate Analysis of Variance Between-Subjects Factors Value Label POL ZAPOSLEN 1 2 1.38429 2.3143 24.2969 23. zgodno je da imamo i nekakav grafički prikaz naših rezultata. Ukoliko imamo dve varijable.4444 Std. 76 Nakon što smo obavili sve. Deviation 2.96595 2.6566 24.9922 22.5833 22.2473 23. 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.

Nas zanimaju redovi u kojima piše POL. Sa vremenom. da ženski nezaposleni imaju više izraženu depresivnost od ženskih zaposlenih.098 29.706 4.987 1.929 F 6. Sljedeća tabela (Tests of Between-Subjects Effects) nam daje podatke o statističkim značajnostima.05. vidjećemo da nam paralelnost linija govori o 77 . ZAPOSLEN i POL*ZAPOSLEN.223 i da je statistički značajno na nivou 0.261 50. u koloni N možemo vidjeti i da je u okviru muških veći procenat ispitanika zaposlen. a u redu ZAPOSLEN da je F=7. i kolone F i Sig.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 145.0 muski zenski nezaposlen POL Iz prve tabele (Between-Subjects Factors) vidimo kako se raspoređuju ispitanici po kategorijama pojedinih varijabli.0 Estimated Marginal Means 23.293 1469.090 (Adjusted R Squared = . Iz nje već vidimo da (kolona Means) muški nezaposleni imaju više izraženu depresivnost od muških zaposlenih.358 . Grafikon na kraju (Estimated Marginal Means of depresivnost) nam daje grafički prikaz onoga što smo imali u tabeli Descriptive Statistics.0 ZAPOSLEN 22. U okviru reda POL vidimo da je mjera F=4.187 Sig. . Sljedeća tabela (Descriptive Statistics) nam več daje bitnije podatke.286(a) 90372.041 .000 . da žene imaju imaju višu depresivnost od muških.223 7. a nezaposleni veću od zaposlenih. Red ispod njih je interakcija pola i zaposlenosti (POL*ZAPOSLEN) i F je 0.007 . što bi za nas značilo da nema interakcije između pola i zaposlenosti u pogledu uticaja na depresivnost.987 1.261 50.989 13041.333 df 3 1 1 1 1 212 216 215 Mean Square 48. a u okviru ženskih veći procenat je nezaposlen. i nezaposleni su depresivniji. kao što vidimo. Takođe.358 i da je značajno na nivou 0.000 .077) Profile Plots Estimated Marginal Means of depresivnost 24.5 24.5 zaposlen 22.5 23.05. kako budemo primjenjivali analize varijanse. Ovo su glavni efekti pola i zaposlenja na depresivnost i.187 a njegova značajnost veća od 0. oba su značajna: u našem uzorku žene su depresivnije.047 120337.429 90372.01.098 29.000 1614.293 6.666 77 a R Squared = .

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).

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

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

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

000 . b Using the asymptotic standard error assuming the null hypothesis.0% 216 100. 82 . tu su i procentualni podaci dati za redove tabele.0% 82 zenski Total Chi-Square Tests Asymp. U našem primjeru.01.33. The minimum expected count is 40. već na prvi podgled vidimo da se zaposlenost distribuira nejednako po kategorijama pola: kod žena je više nezaposlenih. a kod muškaraca više zaposlenih.2% 100.01.000 a Not assuming the null hypothesis. (1sided) Value Pearson Chi-Square Continuity Correction(a) Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases 43.000 .0% 128 100.7% 117 54. . ali statistički značajno na nivou 0. Takođe.01.0%) have expected count less than 5. Symmetric Measures Value Nominal by Nominal N of Valid Cases Phi Cramer's V .000 .3% 93 72. Znači na osnovu veličine hi kvadrata zaključujemo da su odstupanja dobijenih podataka značajna na nivou 0. Sig. u našem primjeru. a da bismo vidjeli da li postoji neka pravilnost u tim odstupanjima – pogledaćemo brojke u sljedećoj tabeli (Symmetric Measures).628 df a Computed only for a 2x2 table b 0 cells (.8% 27. Pol i zaposlenost. Prva tabela (POL * ZAPOSLEN Crosstabulation) nas izvještava o distribuciji frekvencija u pojedinim ćelijama tabele. Sig. To je mjera povezanosti vrijednosti ove dvije varijable (pola i zaposlenosti) i za nju možemo reći da je srednjeg intenziteta. (2sided) Exact Sig.7% 35 27. Njegova značajnost (Asymp.3% 99 45.01.448 216 Approx. Sig 2-sided) nam kazuje da je značajan na nivou 0.455 44.000 43.000 .448 i da je značajno na nivou 0. Tu očitavamo veličinu Phi i vidimo da iznosi 0.264. (2sided) 1 1 1 1 .SPSS za psihologe i pedagoge % within POL Count % within POL Count % within POL 72. koreliraju u srednjoj mjeri.000 .448 .264(b) 41. Možemo da pogledamo sljedeću tabelu (Chi-Square Tests) i očitamo veličinu hi kvadrata (Pearson Chi-square): 43.063 216 .000 Exact Sig.

mada je to najčešća greška koja se sreće u interpretacijama rezultata istraživanja: ukoliko su dvije varijable u korelaciji. Spearmanov koeficijent rang korelacije. Karakteristike korelacije koje treba poznavati su visina ili jačina (od 0 do 1).40 → niska povezanost r od ± 0. 83 . Vidjećemo još kako možemo dobiti Pearsonov koeficijent linearne korelacije. i stoga mora da zadovolji uslove intervalnosti podataka. i koeficijent biserijske korelacije.80 → visoka povezanost r od ± 0. 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.80 do ± 1 → veoma visoka do apsolutna povezanost Svakako treba imati na umu da korelaciju ne treba miješati sa uzročno posljedičnom vezom. Osnovna formula za izračunavanje Pearsonovog koeficijenta je: rXY = ∑σ    x X + y σY N −1    . i nisu nam potrebne standardne devijacije.SPSS za psihologe i pedagoge 83 Mjere korelacije Korelacija predstavlja mjeru povezanosti između varijabli. 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. Ukoliko vidimo da se odnos između varijabli ne može približno predstaviti pravom linijom. to nikako ne znači da promjene jedne varijabla uzrokuju promjene druge varijable. 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. Visine korelacije aproksimativno ocjenjujemo kao: r od 0 do ± 0. Linearnost veze između varijabli do sada nismo sretali. a najlakše ga utvrđujemo uvidom u grafički prikaz raspršenja parova tačaka (skater grafikon).60 → povezanost srednjeg intenziteta r od ± 0.60 do ± 0.20 do ± 0. smijer (+ ili -).20 → nikakva do neznatna povezanost r od ± 0. i linearnosti odnosa između varijabli. onda je bolje da ne koristimo koeficijent linearne korelacije.40 do ± 0. Koeficijent linearne korelacije Pearsonov koeficijent linearne korelacije predstavlja parametrijski test. i statistička značajnost. normalnosti raspodjele.

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

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

rangovani podaci. Na kraju ćemo. čita se: ro) je neparametrijski test i ne postavlja zahtjeve u pogledu distribucije. Znači. ali ne zadovoljavaju uslove normalne raspodjele. jer u slučaju da napretka nema. U našem primjeru vidimo da je korelacija pozitivna i veoma visoka. tj. naravno. Koeficijent rang korelacije Spearmanov koeficijent rang korelacije (ρ. a mi ćemo to uraditi u SPSS-u na sljedeći način: Kao i kod slučaja linearne korelacije idemo na Analyze/Correlate/Bivariate. ali to možemo vidjeti iz grafikona. Značajnost korelacije nam je prikazana i u formi zvjezdica pored same korelacije.01. pa tako i svake varijable sa samom sobom. Sam koeficijent korelacije i njegova značajnost nam ne govore da postoji bilo kakav napredak. čitavih 0. Fizika i Istorija. jedino što treba da imamo jesu podaci koji potiču bar sa ordinalne skale. u desni okvir ubacimo varijable. jedna zvjezdica znači da je korelacija značajna na nivou 0. i to tako da su oni koji su bili bolji na prvom testu bivali bolji i na drugom. zaključujemo da su studenti linearno napredovali. Pored visine korelacije date u redu Pearson Correlation. imamo to da je ova mjera korelacije nepreciznija od r koeficijenta korelacije. a tako i kada imamo podatke koji nisu rangovani. On je učenike rangirao po uspjesima iz ova tri predmeta i poredio ih međusobno. ovaj test možemo upotrebljavati kad u početku imamo rangovane podatke. što bi govorilo o sličnim rezultatima na oba testa. a dvije zvjezdice govore o značajnosti na nivou 0. skater (tačkasti prikaz korelacije) bi kretao iz nule i išao po dijagonali dijagrama. tako da dijagonalu tabele možemo da ignorišemo. potvrditi sa OK. 86 . dobijamo i značajnost korelacije u redu Sig. Znajući da su u pitanju rezultati testa iz engleskog jezika prije i poslije kursa. Računanje ρ koeficijenta se zasniva na razlikama u rangovima rezultata dva niza brojeva. Kao posljedicu nižeg mjernog nivoa.05. 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. i idemo ka analizi ispisa.914. program nam daje ispis tabele sa svim mogućim korelacijama. a i oni koji su bili srednji i lošiji takođe su napredovali. ali ovaj put označimo kućicu Spearman. Po običaju.SPSS za psihologe i pedagoge 86 Pošto možemo odjednom da ubacimo u obradu više od dvije varijable. (2-tailed). što nam daje korelaciju 1. i broj ispitanika uzetih u obradu N. Mi smo ubacili tri varijable. što znači da ćemo imati tri moguća poređenja.

SPSS za psihologe i pedagoge 87 Correlations MATEMATI Spearman's rho MATEMATI Correlation Coefficient Sig.967 35 FIZIKA .007 . vidimo da korelacije između uspjeha iz matematike i istorije gotovo da nema (iznosi –0. Biserijska i point-biserijska korelacija Biserijsku korelaciju računamo kad imamo dvije varijable od kojih je jedna kvantitativnog tipa (intervalni nivo podataka). 35 . a mi gledamo one tri koje nas zanimaju. 1.000 .007 . Za primjer smo uzeli slučaj korelacije između opštih sposobnosti i prolaznosti na ispitu iz matematike.517 35 ISTORIJA -.01. a da izvjesne pozitivne korelacije između uspjeha u fizici i istoriji ima (iznosi 0.000 .113). Point-biserijska korelacija je vrlo sličan slučaj.759(**) . ali ovaj put jedna varijabla je intervalnog nivoa.007). i da je statistički značajna na nivou 0. a druga je prirodno podijeljena u dvije kategorije (npr.517 35 1. Iz tabele vidimo da korelacija između uspjeha u matematici i fizici iznosi 0. Takođe.759(**) . a druga je vještački dihotomizirana u varijablu sa samo dva modaliteta. (2-tailed) N ** Correlation is significant at the 0. U oba slučaja.000 35 -. najlakše je da u okviru SPSS-a ovu proceduru radimo kao i koeficijent linearne korelacije.113 . (2-tailed) N FIZIKA Correlation Coefficient Sig. 35 Sve važi kao i u slučaju linearne korelacije: program nam je dao sve moguće korelacije.01 level (2-tailed). 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. 35 .000 . ali da nije statistički značajna.000 35 1. Sposobnosti smo mjerili jednim 87 . pol). (2-tailed) N ISTORIJA Correlation Coefficient Sig.967 35 .113 .759.

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful