P. 1
SPSS Najnovije Izdanje II

SPSS Najnovije Izdanje II

|Views: 4,597|Likes:
Published by drbrajovic

More info:

Published by: drbrajovic on May 13, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

03/10/2014

pdf

text

original

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

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

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

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

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

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

Nivo značajnosti od p=0. jer podrazumijeva veću sigurnost kod određenih tvrdnji. ili strožijim (npr. S druge strane. nivo značajnosti postavljamo u zavisnosti od toga kakva je priroda pojave koju ispitujemo i značajnosti zaključka koji donosimo. govori se o dva tipa grešaka pri generalizaciji statističkih zaključaka sa uzorka na populaciju.05 (ili 5% nivo) i p=0.5.05. kriterijumi sigurnosti se moraju povećati na najviši nivo. Mi ćemo se ovdje dotaći upotrebe svakog od modula programskog paketa SPSS 11. 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.o postojanju značajne razlike između pojava. ali to je rizik koji prihvatamo u statistici. " Isto važi i za nivo značajnosti p=0.. SPSS programski paket Programski paket SPSS čini više zasebnih modula (dijelova programa). U skladu sa prethodnom pričom o nivoima značajnosti.. istraživači ispituju lijek koji se primjenjuje na dotad neizlječivim bolesnicima. a ona u stvari ne postoji. nastaje u obrnutom slučaju.01 (1% nivo značajnosti).10). odnosno ". p=0. koja se naziva i "greška alfa tipa".postoji 5% vjerovatnoće da pogriješimo kad tvrdimo da . i da nas ništa ne sprečava da se služimo blažim kriterijumima (npr.. a sve navedeno o čemu budemo govorili može se upotrijebiti za sve verzije programa. Pri tom se uglavnom koristimo nivoima značajnosti p=0. Kad.001).01 je strožiji od nivoa p=0. U zavisnosti od toga koje statističke procedure su nam potrebne. Ti nivoi značajnosti se interpretiraju kao: ". odredićemo i koje module ćemo moći priuštiti. pri donošenju statističkih zaključaka.01. na primjer. Ove granice su ustanovljene da bi se ujednačili kriterijumi prilikom donošenja odluka. Greška tipa II (greška beta tipa). budući da se svaki modul zasebno kupuje. součavamo se sa mogućnošću da načinimo neku od navedenih grešaka. "..SPSS za psihologe i pedagoge 9 Prilikom primjene statističkih testova. p=0. Treba reći da su ova dva nivoa značajnosti sasvim arbitrarno prihvaćena.to tvrdimo sa 95% sigurnosti. kad se ispituju lijekovi koji imaju potencijalno opasne prateće pojave. ili značajne korelacije). Šematski prikazano. kad odbacujemo tvrdnju o značajnosti pojave a ona u stvari postoji.. nastaje kad donosimo zaključak o statističkoj značajnosti pojave (npr. a takođe i da bi se istraživačima olakšalo donošenje statističkih odluka.. oni se odlučuju za blaže kriterijume značajnosti. 9 . 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. obično se koristimo terminom "nivo značajnosti" kad govorimo o nekim granicama statističke značajnosti. U stvarnosti.. Greška tipa I. jer u slučaju pogreške u zaključivanju mogu dovesti do fatalnih posljedica..

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

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

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

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

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

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

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

txt) tip. i dolazimo do sljedećeg koraka: 17 .SPSS za psihologe i pedagoge 17 Pod Look in: odaberemo direktorijum gdje smo snimili datoteku. 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 (*.

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

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

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

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

22 . i u našim uslovima se nalazi instaliran na skoro svim kompjuterima u okviru paketa Microsoft Office. 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 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. Prva kolona (A) će nam biti varijabla sa rednim brojem ispitanika. Nakon što otvorimo Excel. Druga kolona (B) će biti varijabla u kojoj će se nalaziti ocjena iz prvog predmeta na prvom polugodištu (nazvaćemo je oc1t1). Ako za primjer uzmemo isti slučaj upisivanja ocjena kod učenika na prvom i drugom tromjesečju. i tako dalje. a slova kolone: Sve podatke možemo upisivati u tabelu počevši sa prvom ćelijom tabele koja je označena sa podebljanim kvadratom (A1). Excel je sposoban i za brojne matematičke i statističke procedure. Zbog toga ćemo opisati postupak unošenja podataka i pomoću ovog programa.

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

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

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

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

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

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

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

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

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

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

SPSS za psihologe i pedagoge 33 33 .

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). Na mjesto gdje piše Target Variable upisujemo ime nove varijable koju kreiramo. Tamo gdje stoji Numeric Expression upisujemo formulu na osnovu koje računamo vrijednosti nove varijable. Opet imamo na raspolaganju sve računske operacije. imamo i dugme If. kao i mnogo matematičkih i statističkih funkcija.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. 34 .

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

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

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). Kreiranje vremenskih serija Create Time Series . Varijablu čije vrijednosti želimo da rangujemo ubacimo u okvir Variable(s). 37 . na osnovu imena 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). a pod Ties metod dodjeljivanja rangova istovjetnim vrijednostima. Pod Rank Types možemo izabrati višestruke metode rangovanja. Možemo da definišemo rangove u uzlaznom ili silaznom rasporedu (Assign Rank 1 to). 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.

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

SPSS za psihologe i pedagoge 39 39 .

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

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

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

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

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

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

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

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

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

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

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

53 . Deviation Statistic 8. standardna devijacija.SPSS za psihologe i pedagoge 53 Da bi vidjeli koje statističke mjere su nam na raspolaganju. tj. leptokurtična. kliknemo na dugme Options i dolazimo do izbora mjera. Raspon rezultata iznosi 50. a njena standardne greške 0. Ukoliko želimo da vidimo zakrivljenost naše distribucije možemo uključiti i mjere zakrivljenja (Kurtosis i Skewness). minimum i maksimum. vrijednost minimalnog skora je 18. dobićemo sljedeći ispis: Descriptives Descriptive Statistics N Range Minimum Statistic 50 18 Maximum Statistic 68 Statistic 47.389 Std.66. mean).AUT Valid N (listwise) 495 495 Iz tabele možemo vidjeti da imamo 495 ispitanika čiji su rezultati uzeti u obradu. Za početak su označene aritmetička sredina (Mean). raspon Range). Skewness iznosi –0.263 na onsnovu čega zaključujemo da je kriva empirijske distribucije izdužena u odnosu na normalnu. standardna greška aritmetičke sredine (S.325 Kurtosis Statistic -0.98. Error 0.325 što znači da je naša distribucija negativno asimetrična (skreće na lijevu stranu). a maksimalnog 68. Vrijednost aritmetičke sredine je 47. dok standardna devijacija iznosi 8. Kad na kraju potvrdimo sa OK.389.991 Mean Std.E. da bismo vidjeli da li značajno odstupa od normalne raspodjele mjera.663 Skewness Statistic -0.0193 Statistic Statistic SKOR. Kurtosis je manji od 0.

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

49 godina preko 50 godina Total Mean 26.62201 6.7458 20. Pošto vidimo da su sve na broju (AS.43117 6. N.97217 7.0000 Minimum 14. Druga tabela (Report) daje prikaz deskriptivnih statističkih mjera koje smo tražili.00 Prva tabela (Case Processing Summary) nas. σ .00 14.00 Maximum 38.0000 21.5112 N 85 177 37 71 31 401 Std.0000 14.0000 14. izvještava o tome koje varijable se ukrštaju (u našem slučaju to su znanje iz informatike i starost).00 41.0000 24.00 14.0000 17.29 godina 30 . već uobičajeno.20 godina 21 .00 14.63443 4.57532 Median 26. odnosno koliko je ispitanika uzeto u obradu.1882 24. možemo obaviti i uvid u dobijene rezultate.0000 15. U koloni Means vidimo da je stepen poznavanja 55 .00 14.0323 22.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. medijana.00 38.00 41.00 41. i koliko ispitanika je imalo valjane podatke.39 godina 40 . min i max).49061 7.1127 15.00 39.8% N 5 Excluded Percent 1.2% N 406 Total Percent 100. Deviation 5.00 14.0% Report znanje iz informatike STAROST 18 .

Sk  2.01) odstupa od normalne krive.58. Dalje se. Jedan od načina je da se (već predstavljene) deskriptivne mjere odstupanja.SPSS za psihologe i pedagoge 56 oblasti informatike veći kod mlađih ispitanika i da progresivno opada sa porastom starosne dobi ispitanika.58 1. što je vrlo važno ne samo jer pruža informaciju o brojnosti kategorija. Tako vrijednosti medijane. ∨ ⇒ p  . prate vrijednosti aritmetičkih sredina po kategorijama ispitanika.01 ⇒ p  . zaključuje se da empirijska distribucija značajno (na nivou 0. recimo. 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.58 SE Ku i Sk  .05.96 1 SESk ∨ Ku  1.05 vrijednost sa kojom se poređenje vrši na nivou značajnosti p<. u kategoriji starosti od 30 do 39 148 ispitanika i u u kategoriji starosti od 40 do 49 njih 17).96 SE Ku gdje je Sk SESk Ku SEKu p 2. npr. da li u dovoljnoj mjeri podražava normalnu raspodjelu (npr. najmanji dobijeni skor je jednak u svim grupama. skjunis i kurtozis podijele sa njihovim standardnim greškama. može zaključiti da je najveće prosječno odstupanje rezultata prisutno u grupi ispitanika starosti između 30 i 39 godina. već prije svega ukazuje na to da li je smisleno porediti grupe (ako su razlike u broju članova poduzoraka velike. dok su najveći skorovi dobijeni u grupama ispitanika starosti od 21 do 29 i od 40 do 49 godina. nikako i važnosti podataka koje sadrži).58 SESk Ku  2. naravno. Ukoliko bilo koja od dobijenih vrijednosti bude veća od 1. Znači. kolona N pokazuje broj ispitanika po kategorijama. tj.01.96 skjunis standardna greška skjunisa kurtozis standardna greška kurtozis a oznaka za statističku značajnost vrijednost sa kojom se poređenje vrši na nivou značajnosti p<.05 56 . za odluku da li će se u razmatranju određenih podataka primijeniti neki parametrijski ili neparametrijski test). Poređenje se dalje može vršiti i na osnovu drugih dobivenih statističkih mjera. odnosno 0.96 ili 2. Provjera eventualnog odstupanja empirijske od normalne distribucije se može izvršiti na više načina.

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

008 Statistic .4% N 507 Total Percent 100.66399 18.219 Std. .048 a Lilliefors Significance Correction df 495 Sig.005 .065 8.6% Descriptives Statistic SKOR.38942 N 12 Missing Percent 2.991 Shapiro-Wilk df 495 Sig. Error .9919 47. .00 12.0000 75.AUT 495 Percent 97.326 -.AUT .019 Tests of Normality Kolmogorov-Smirnov(a) Statistic SKOR.1768 48.00 50.00 68.0% 5% Trimmed Mean Median Variance Std.SPSS za psihologe i pedagoge 58 Dobićemo sljedeći ispis: Explore Case Processing Summary Cases Valid N SKOR.AUT Mean 95% Confidence Interval for Mean Lower Bound Upper Bound 47. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis 58 .7570 48.110 .0000 -.2268 48.

ukoliko skewness podijelimo sa njegovom standardnom greškom dobijamo: -0. što znači da su rezultati za našu ispitivanu populaciju negativno asimetrični. No. 59 . prve tri kolone predstavljaju izvještaj o obavljenom Kolmogorov-Smirnov testu.0 35. pod nazivom Test of Normality. Histogram koji smo dobili nam može ponešto reći o dobijenim podacima. gdje takođe potvrđujemo značajno odstupanje dobijene od normalne raspodjele.96. a kolona Sig. a druga o generalnim deskriptivnim podacima za našu skalu. odnosno varijabilnost negativne strane je povećana. U okviru te tabele. nam govori o značajnosti utvrđenog odstupanja (u našem slučaju 0. Kolona Statistic kaže kolika je izračunata mjera odstupanja naše distribucije od normalne (u našem slučaju 0. i donosimo zaključak da naša distribucija statistički značajno (na nivou značajnosti od 0. on nam zasad nije potreban. Dev = 8.0 45.008).326/0.0 30.AUT Prva tabela nam govori o broju valjanih podataka uzetih u obradu. odbacujemo postavljenu hipotezu.66 Mean = 48.048).0 65. Takođe.00 SKOR.0 60.0 55.110 = -2.01.01) odstupa od normalne.0 Std.SPSS za psihologe i pedagoge 59 Histogram 120 100 80 60 40 Frequency 20 0 20. Budući da je p (odnosno Sig. 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).0 25.0 40. Vidimo da se veći broj ispitanika gomila na gornjem dijelu naše skale. a hipoteza je bila da naša distribucija ne odstupa značajno od normalne. budući da je on predviđen za uzorke od 50 ili manje ispitanika (u našem slučaju ih ima 495).0 70. u SPSS-u) manje od 0. Dok se u drugoj tabeli nalaze deskriptivne statističke mjere razmatrane distribucije koje smo odabrali o okviru opcije Statistics.0 N = 495. u trećoj (onoj koja nas najviše zanima) dobijamo izvještaj o distribuciji koju testiramo.0 50.

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

standardna greška razlike između AS. Imaćemo jednu kategoričku varijablu – pol. skor na testu znanja iz engleskog jezika.96 i 2.SPSS za psihologe i pedagoge DM . gdje je σ DM = σ M 1 2 + σ M 2 2 .58 za velike uzorke. pri čemu je σ M1 = σ1 N1 i σM2 = σ2 N2 Dobijenu vrijednost t-testa se mogu porediti sa vrijednostima intervala pouzdanosti . i drugu numeričku (intervalnog nivoa). može imati više od dva modaliteta. Test Varijable je naša zavisna varijabla (skor na testu iz engleskog jezika u našem slučaju).01.t-test DM = M 1 − M 2 . a Grouping Variable je nezavisna varijabla (u našem slučaju to je pol). jer SPSS podrazumijeva da nezavisna varijabla koja je kategorička. σ DM 61 t= gdje je: t . Za primjer ćemo uzeti testiranja značajnosti polnih razlika u postignuću na testu iz engleskog jezika na više raznih fakulteta. Kliknemo na dugme Define i moći ćemo da nastavimo. i ukoliko izlazi izvan okvira neke od ovih vrijednosti.(apsolutna razlika između AS) σ DM .05 i . Moraćemo da definišemo koje grupe poredimo. 61 . prihvata se hipoteza o postojanju značajnih razlika između uzoraka. Potrebno je da idemo na opciju Analyze/Compare Means/IndependentSamples T Test. koje iznose 1.

643 214 . u obzir se uzima apsolutna veličina) i 62 .648 23.3843 2.SPSS za psihologe i pedagoge 62 Pošto smo mi definisali modalitete naše varijable tako da 1 označava ženski.344 . rezultate bismo očitavali iz drugog reda (Equal variances not assumed).3691 -2. Vidimo da ukupno ima 88 muških i 128 ženskih ispitanika.344 poena u prosjeku). Deviation 2. Error Mean . dobijamo sljedeći ispis kao rezultat našeg testiranja: T-Test Group Statistics POL muski zenski N 88 128 Mean 22.643 (predznak nam nije bitan.05. te vrijednosti ćemo upisati u kućice.2542 . Takođe vidimo da je prosječni rezultat na testu iz engleskog manji kod muških nego kod ženskih ispitanika (kolona Mean).344 . Već smo vidjeli iz prve tabele da djevojke postižu nešto bolje rezultate od mladića (za 1. (2tailed) Mean Difference Std.0490 -.763 205. Da je značajnost Levenovog testa bila manja od . Kad smo definisali grupe i potvrdili sve.106). Druga tabela (Independent Samples Test) je nešto složenija. Kad je vjerovatnoća veća od .6170 Rezultat testa iz engleskog Equal variances assumed Equal variances not assumed 2.6400 Prva tabela (Group Statistics) koju smo dobili daje nam deskriptivne mjere za naša dva uzorka. Potvrdimo sa Continue. a 2 muški pol.641 . Error Difference 95% Confidence Interval of the Difference Lower Upper -.582 .992 Std.106 -3.3573 -2. t df t-test for Equality of Means Sig. Prvo treba da pogledamo rezultate Levenovog testa jednakosti varijansi. ali i da je varijabilnost rezultata veća kod ženskih ispitanika (kolona Std.0719 -3. Deviation). ali da li je ta razlika statistički značajna? Veličina statistika t od –3.2512 Rezultat testa iz engleskog Independent Samples Test Levene's Test for Equality of Variances F Sig.000 -1.05 (u našem slučaju to je 0. onda zaključujemo da se pretpostavljaju jednake varijanse u okviru naših subpopulacija i očitavamo rezultate iz prvog reda (Equal variances assumed).8416 Std.000 -1.

ne zadovoljava uslov normalnosti za primjenu parametrijskih testova). a to je Mann-Whitneyjev test.01). i dobijamo sljedeći ispis: NPar Tests Mann-Whitney Test Ranks pol muski zenski Total N 220 275 495 Mean Rank 252. pokazalo se ranije. Potrebno je da imamo podatke koji potiču bar sa ordinalne skale.SPSS za psihologe i pedagoge 63 njegova značajnost od . a nezavisnu varijablu u okvir Grouping Variable. za testiranje značajnosti razlike koristimo neparametrijski ekvivalent.05 i od .00 SKOR. Mi ćemo za primjer uzeti polne razlike u osobini autoritarnosti (ta varijabla. Kad smo sve uradili. Testiranje t-testom možemo obaviti na više načina u SPSS-u. Moramo definisati grupe u okviru nezavisne varijable na isti način kao što smo to opisali kod t testa. potvrdimo sa OK.000 (znači manje od .55 244. ali za sad ćemo ostati kod ovoga.AUT 63 .00 67198.36 Sum of Ranks 55562. Idemo na meni Analyze/Nonparametric Tests/2 Independent Samples. i ubacimo zavisnu varijablu u okvir gdje piše Test Variable List. Mann – Whitneyjev U-test U slučaju kad imamo dva nezavisna uzorka koji ne zadovoljavaju uslove za primjenu parametrijskog t testa. nam govori da su razlike između aritmetičkih sredina statistički značajne.

kontrolnoj grupi izostaje djelovanje nezavisne varijable. Prvi slučaj takvog nacrta se naziva metodom iste grupe".standardna greška aritmetičke sredine prvog uzorka (može se još označaiti i sa SE1) .mjera linearne korelacije između dva uzorka.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 . za to istraživanje. U oba slučaja rezultati mjerenja su u korelaciji.. koju nazivamo eksperimentalnom grupom.526). uzrast. (2-tailed) a Grouping Variable: pol 29248.. U praksi se sa ovakvim uzorcima najčešće srećemo kad projektujemo neku od dvije osnovne vrste eksperimentalnih nacrta. školske ocjene. .634 . r1. 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. Sig.526 Ono što nas zanima je u drugoj tabeli (Test statistics). da limaju brace i sestara. gdje se ispitivanje pojave obavlja na istoj grupi ispitanika prije i poslije uvođenja dejstva nezavisne varijable.standardna greška razlika između aritmetičkih sredina. mjere raspršenja i centralnih tendencija. i to je veličina MannWhitney U statistika (u našem slučaju 29248.SPSS za psihologe i pedagoge 64 Test Statistics(a) SKOR.2 . dok u drugoj. bilo zato što su u pitanju isti ispitanici.00) i njegova značajnost (u našem slučaju 0. Znači ustanovili smo da kod naših ispitanika ne postoje statistički značajne razlike u autoritarnosti između muškaraca i žena. Drugi slučaj se naziva "metodom ekvivalentnih grupa".000 -. 2 * σ M1 * σ M 2 . T – test za zavisne uzorke Zavisnim uzorcima smatramo one uzorke čije mjere su na neki način u korelaciji. gdje se formiraju dvije grupe ispitanika koje se ujednačavaju po nekim.AUT Mann-Whitney U Wilcoxon W Z Asymp. bilo zato što su različite grupe ispitanika ujednačene po nekom (za mjerenu varijablu) relevantnom kriterijumu.).. ali te podatke možemo dobiti na način kako je to opisano u poglavlju Deskriptivne mjere za dva ili više uzoraka. Dejstvo nezavisne varijable uvodi se u jednu grupu. relevantnim kriterijumima (npr. Ovaj test nam nije prikazao deskriptivne mjere koje nas zanimaju.000 67198. Nakon toga se vrši mjerenje pojave. gdje je .

Deviation 2.58. radila je dva puta isti test.19323 Paired Samples Correlations 65 . i mi treba da uporedimo te rezultate i zaključimo da li je nastava iz jezika doprinijela boljem znanju.444 25.eng2).standardna greška razlika između aritmetičkih sredina Ukoliko se istraživač susreće sa velikim grupama. dobijeni rezultat se poredi sa granicama 1.razlika aritmetičkih sredina. znači. 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.7402 2. a ukoliko su grupe manje – onda se granice intervala pouzdanosti očitavaju iz odgovarajućih tablica. Treba da idemo na meni Analyze/Compare Means/Paired-Samples T Test.1864 . pri čemu broj stepeni slobode dobija po obrascu: df = N-1. U našem slučaju to su rezultati na testu prije (skor. Kad smo na kraju potvrdili svoj izbor. prije i poslije kursa.96 i 2.83988 Std. . selektujemo dvije varijable čije rezultate želimo da poredimo.3194 N 216 216 Std.SPSS za psihologe i pedagoge DM .eng) i poslije kursa (sk. i unesemo ih u okvir gdje piše Paired Variables. Ista grupa od 216 studenata . Error Mean . dobijamo sljedeći ispis: T-Test Paired Samples Statistics Mean Pair 1 Rezultat testa iz engleskog prije kursa Rezultat testa iz engleskog poslije kursa 23. σ DM 65 t= gdje je t – t-test .

000. Error 95% Confidence Interval Deviation Mean of the Difference Lower Pair 1 Rezultat testa iz engleskog prije kursa .9468 Upper -1. što bi značilo da je gotovo svaki ispitanik popravio svoje znanje iz engleskog za istu količinu. . standardnu devijaciju). ali.). U realnosti gotovo nikad nećete naići na povezanosti ovoe veličine.53538 .000 t df Sig. Vidimo da su na prvom testu ispitanici postizali u prosjeku 23.472 215 .8750 .982. 66 . budući da su naši rezultati izmišljeni – to je prihvatljivo :-) U trećoj tabeli (Paired SamplesTest) nas zanima prvenstveno statistik t i njegova vjerovatnoća (Sig. Iz nje možemo vidjeti kolika su prosječna postignuća na testu prije i poslije kursa (Mean). Druga tabela (Paired Samples Correlations) nam govori kolika je povezanost između rezultata na prvom i drugom testu. a da je njegova vjerovatnoća 0.472 (opet nam predznak nije bitan). Možemo vidjeti da u našem slučaju veličina t iznosi -51.87 poena u prosjeku. Znači. U našem slučaju ta korelacija iznosi veoma visokih 0.8032 -51. odnosno da su studenti (najvjerovatnije) zbog pohađanja kursa engleskog jezika. kao i druge podatke (broj ispitanika. Std.982 Sig.Rezultat testa iz engleskog poslije kursa -1.03643 -1. što znači da su ostvarili napredak od 1.000 66 Paired Samples Test Paired Differences Std. unaprijedili svoje znanje. (2tailed) Mean Prva tabela (Paired Samples Statistics) nam daje deskriptivne statističke mjere za naše zavisne uzorke.444 bodova.SPSS za psihologe i pedagoge N Pair 1 Rezultat testa iz engleskog prije kursa & Rezultat testa iz engleskog poslije kursa 216 Correlation . možemo reći da se prosječni rezultati značajno razlikuju. a na drugom testu (poslije kursa) u prosjeku 25.319.

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

u našem primjeru tabela nam govori sljedeće: .slučajeva kad druga varijabla ima veću vrijednost (Positive Differences) ima 209 . (u našem slučaju –13. koji uzima u obzir zbir razlika predznaka.776) i njegovu vjerovatnoću (u našem slučaju 0.000). možemo reći da su rezultati na testu iz engleskog kod naših ispitanika poslije kursa značajno veći nego prije kursa.jednakih vrijednosti obe varijable (Ties) ima 1 Druga Tabela nam govori o veličini statistika Z. i sabiranju broja pozitivnih i negativnih razlika. 68 . Pošto se ovaj test bazira na poređenju veličina dvije varijable kod ispitanika. Znači.SPSS za psihologe i pedagoge a Sign Test 68 Prva tabela (Frequencies) nas izvještava o detaljima naših podataka.slučajeva kad druga varijabla (u našem slučaju to su rezultati na testu poslije kursa) ima manju vrijednost (Negative Differences) ima 6 .

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. 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. za četiri grupe tu je šest parova za poređenje.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. ali u slučaju kad imamo više nezavisnih grupa – broj poređenja ttestom može biti veliki: ako imamo tri grupe. dobijamo tri para za poređenje. kojim utvrđujemo odnos između dviju varijansi: 69 . Kao primjer možemo uzeti slučaj kada želimo da poredimo postignuća na nekom testu kod više nezavisnih grupa ispitanika. što u našem slučaju može biti postignuće na testu iz engleskog jezika kod studenata tri različita fakulteta. Ukoliko smo već upoznati sa t-testom kao statističkom mjerom za poređenje aritmetičkih sredina. mogli bismo zaključiti da testiranje možemo obaviti i na taj način. koju dobijamo kad kvadriramo standardnu devijaciju: v =σ2 Primjer slučaja kad je varijansa između grupa veća od unutargrupne varijanse. i tako dalje.

ili samo između nekih? Tada se koristimo t-testom.503 = 10.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. ili nekim od SPSS-ovih post-hoc testova za detekciju razlika između pojedinačnih parova poduzoraka. onda trebamo utvrditi između kojih grupa postoje značajne razlike.326 1614.SPSS za psihologe i pedagoge 70 Varijansa između grupa F= Varijansa unutar grupa Analizu varijanse radimo uz pomoć razlaganja ukupne varijanse na komponente. Na kraju izračunavamo F kroz formulu: F = 70 . koju možemo naći u osnovnim udžbenicima iz statistike.898 Na osnovu odgovarajuće tabele. U slučaju da ustanovimo da je F statistik značajan. očitavamo granice značajnosti i donosimo zaključak o statističkoj značajnosti razlika.51 6.333 Varijansa (v = SS/df) 72.007 1469.503 6. 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 .898 72. da li između svih mogućih parova.suma kvadrata odstupanja unutar grupa SSb .

6122 2.0 16.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.7402 .510 Sig.604 24.5 17.812 16.6071 2.3072 . No.5 29.5 28.931 23.3078 .6598 2. medicinski i tehnološki).561 21.990 23. poredićemo postignuće na testu iz engleskog jezika studenata različitih fakulteta. a pod Factorunesemo nezavisnu varijablu (fakultet u našem slučaju).556 23. Sada ćemo vidjeti kako ćemo statističko testiranje obaviti uz pomoć SPSS-a. Mi ćemo za primjer uzeti opet naš test iz engleskog.174 22. 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).503 6.0 19.077 Upper Bound 23.786 23.5 27.898 F 10.5 Minimum Maximum ANOVA Rezultat testa iz engleskog Sum of Squares Between Groups Within Groups 145.000 71 . Kao ispis naše analize varijanse dobijamo: Oneway Descriptives Rezultat testa iz engleskog N Mean Std. i drugu varijablu intervalnog nivoa i normalne raspodjele rezultata. 71 Specifičnost analize varijanse jeste to da će nam ona za rezultat pokazati postoji li između nekih grupa statistički značajna razlika. i može pojaviti do tri razlika (tri su moguća poređenja). U našem primjeru varijabla fakultet ima 3 modaliteta (filozofski.218 25. Error 95% Confidence Interval for Mean Lower Bound tehnoloski medicinski filozofski Total 72 72 72 216 23.007 1469.3135 .444 2. . ići ćemo korak po korak pa ćemo vidjeti šta ćemo dobiti. Deviation Std.181 23.1864 22.0 29.326 df 2 215 Mean Square 72. ali nam ne može reći između koji grupa.

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

Pod okvirom Test Typeimamo ponuđena tri testa.951(*) Std. U našem slučaju. Kruskal Wallis test Ovaj test nam služi za utvrđivanje značajnosti razlika između dve ili više mjerenih osobina. kolika je razlika u prosječnom postignuću na testu (Mean Difference). .05 level.SPSS za psihologe i pedagoge 73 Kao rezultat ćemo dobiti iste dve tabele kao što je prethodno opisano za analizu varijanse. Nakon toga je potrebno kliknuti na dugme Define Range i definisati koji je raspon vrijednosti nezavisne varijable. Idemo na meni Analyze/Nonparametric Tests/K Independent Samples. i to obe razlike značajne na nivou 0.4377 . srednja škola i viša/visoka škola). ali mi biramo Kruskal-Wallis H test.002 . Mi ćemo kao primjer istraživanje u kojem je ispitivano prihvatanje socijalnih odnosa sa Italijanima u vezi sa različitim socio-demografskim varijablama. i pod Test Variable List unesemo zavisnu varijablu.951(*) 1. i drugu varijablu bar ordinalnog tipa. Razlika između medicinskog i tehnološkog fakulteta nije statistički značajna.). Nezavisna varijabla će nam biti stepen obrazovanja majke sa tri modaliteta (završena osnovna škola.4377 Sig. vidimo da postoje značajne razlike između filozofskog i tehnološkog.4377 . 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) . Ova tabela će nam pokazati koji parovi fakulteta se porede (kolona Fakultet).4377 .245 2.195 .569 -1.4377 .814 . kad podaci ne zadovoljavaju uslove za primjenu analize varijanse.000 Lower Bound -. U našem slučaju to je od 1 do 3.382(*) 1.382(*) -.195 .05.293 -2. a zavisna varijabla će nam biti broj prihvaćenih odnosa sa Italijanima (ponuđeno je 7). filozofskog i medicinskog fakulteta.569 -1.293 -1.814 * The mean difference is significant at the . Error .519 .000 . i značajnosti tih razlika (Sig. Potrebno je da imamo jednu kategoričku varijablu sa dva ili više modaliteta.432 -.519 1.4377 . 73 .432 -2.089 2.002 . a pod Grouping Variable unesemo nezavisnu varijablu.245 -1.089 Upper Bound 1.

Sig. dobijamo sljedeći ispis u Output prozoru: NPar Tests Kruskal-Wallis Test Ranks strucna sprema majke OS SS VS ili VSS Total N 51 231 123 405 Mean Rank 209. Druga tabela (Test Statistics) nam daje mjeru χ2 (hi na kvadrat.839 2 . Sig. .SPSS za psihologe i pedagoge 74 Nakon što smo sve obavili. i jednu zavisnu kvantitativnu varijablu.73 Prihvatanje odnosa sa Italijanima Test Statistics(a. Dvofaktorska univarijantna analiza varijanse Dvofaktorsku univarijantnu analizu varijanse primjenjujemo kad za nezavisne varijable imamo dve kategoričke varijable. i prosječnim rangovima zavisne varijable. Mi ćemo kao primjer uzeti fiktivno istraživanje u kojem je za zavisnu varijablu uzeta izraženost osobine depresivnosti. Znači.44 208.839 i da nije statistički značajno (vjerovatnoća veća od 0.82 198.657 a Kruskal Wallis Test b Grouping Variable: strucna sprema majke Prva tabela (Ranks) nas izvještava o broju ispitanika u pojedinim grupama našeg uzorka. U našem slučaju vidimo da je χ2 =0. a za zavisne su uzeti pol i zaposlenost.05 i 0. pitanja su: da li izraženost depresivnost zavisi od pola.). što bi značilo da ne postoje značajne razlike u pogledu prihvatanja socijalnih odnosa sa Italijanima između grupa ispitanika čiji očevi su različito obrazovani. Chi-Square) i njenu značajnost (Asymp.01). zaposlenja ili od kombinacije ova dva 74 .b) Prihvatanje odnosa sa Italijanima Chi-Square df Asymp.

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

Deviation 2.96595 2.16340 2.2969 23.74017 N 64 24 88 35 93 128 99 117 216 Tests of Between-Subjects Effects 76 . jer će nam to pomoći pri tumačenju.38429 2. Dolazimo do prozora gdje trebamo odrediti varijable koje će odrediti naš grafikon. Ukoliko imamo dve varijable. 76 Nakon što smo obavili sve. 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.72535 2.00 2.9922 22.6477 23.91925 2.1111 23.6566 24.2473 23.4444 Std. dobijamo sljedeći ispis: Univariate Analysis of Variance Between-Subjects Factors Value Label POL ZAPOSLEN 1 2 1.5833 22.3143 24.SPSS za psihologe i pedagoge Dalje. zgodno je da imamo i nekakav grafički prikaz naših rezultata. To ćemo uraditi kroz dugme Plots.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. upisujemo ih u okvire Horizontal Axis i Separate Lines (gdje će ići koja varijabla zavisi od istraživačkih potreba).84161 2.38896 2.28644 2.

0 ZAPOSLEN 22.5 23. Grafikon na kraju (Estimated Marginal Means of depresivnost) nam daje grafički prikaz onoga što smo imali u tabeli Descriptive Statistics. a u redu ZAPOSLEN da je F=7. da ženski nezaposleni imaju više izraženu depresivnost od ženskih zaposlenih.261 50.098 29.987 1. u koloni N možemo vidjeti i da je u okviru muških veći procenat ispitanika zaposlen. a nezaposleni veću od zaposlenih.5 24.187 Sig.000 . Sljedeća tabela (Tests of Between-Subjects Effects) nam daje podatke o statističkim značajnostima. i kolone F i Sig. Ovo su glavni efekti pola i zaposlenja na depresivnost i. što bi za nas značilo da nema interakcije između pola i zaposlenosti u pogledu uticaja na depresivnost.706 4.098 29. kao što vidimo.429 90372.047 120337.358 i da je značajno na nivou 0.000 .5 zaposlen 22.261 50.0 Estimated Marginal Means 23. a u okviru ženskih veći procenat je nezaposlen.293 6. Iz nje već vidimo da (kolona Means) muški nezaposleni imaju više izraženu depresivnost od muških zaposlenih. Sa vremenom.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. i nezaposleni su depresivniji.000 1614.090 (Adjusted R Squared = .077) Profile Plots Estimated Marginal Means of depresivnost 24. kako budemo primjenjivali analize varijanse. U okviru reda POL vidimo da je mjera F=4. Red ispod njih je interakcija pola i zaposlenosti (POL*ZAPOSLEN) i F je 0.007 .293 1469.0 muski zenski nezaposlen POL Iz prve tabele (Between-Subjects Factors) vidimo kako se raspoređuju ispitanici po kategorijama pojedinih varijabli.05.01.987 1.333 df 3 1 1 1 1 212 216 215 Mean Square 48.223 i da je statistički značajno na nivou 0.989 13041.286(a) 90372.187 a njegova značajnost veća od 0.041 . Sljedeća tabela (Descriptive Statistics) nam več daje bitnije podatke. .929 F 6. da žene imaju imaju višu depresivnost od muških. Takođe. vidjećemo da nam paralelnost linija govori o 77 .223 7.05.666 77 a R Squared = . ZAPOSLEN i POL*ZAPOSLEN.358 . Nas zanimaju redovi u kojima piše POL. oba su značajna: u našem uzorku žene su depresivnije.

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

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

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

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

tu su i procentualni podaci dati za redove tabele.8% 27. Sig.063 216 . u našem primjeru.0% 128 100.01.628 df a Computed only for a 2x2 table b 0 cells (. U našem primjeru. To je mjera povezanosti vrijednosti ove dvije varijable (pola i zaposlenosti) i za nju možemo reći da je srednjeg intenziteta. (2sided) 1 1 1 1 .455 44.0% 82 zenski Total Chi-Square Tests Asymp. Znači na osnovu veličine hi kvadrata zaključujemo da su odstupanja dobijenih podataka značajna na nivou 0. Možemo da pogledamo sljedeću tabelu (Chi-Square Tests) i očitamo veličinu hi kvadrata (Pearson Chi-square): 43. Symmetric Measures Value Nominal by Nominal N of Valid Cases Phi Cramer's V .7% 35 27.0%) have expected count less than 5. već na prvi podgled vidimo da se zaposlenost distribuira nejednako po kategorijama pola: kod žena je više nezaposlenih. 82 .01.7% 117 54.000 . Sig 2-sided) nam kazuje da je značajan na nivou 0. Tu očitavamo veličinu Phi i vidimo da iznosi 0.264(b) 41. (2sided) Exact Sig. The minimum expected count is 40.000 a Not assuming the null hypothesis.264. a da bismo vidjeli da li postoji neka pravilnost u tim odstupanjima – pogledaćemo brojke u sljedećoj tabeli (Symmetric Measures).000 .0% 216 100. Prva tabela (POL * ZAPOSLEN Crosstabulation) nas izvještava o distribuciji frekvencija u pojedinim ćelijama tabele.000 Exact Sig. ali statistički značajno na nivou 0.3% 93 72.000 43.448 216 Approx. koreliraju u srednjoj mjeri. Takođe.3% 99 45.SPSS za psihologe i pedagoge % within POL Count % within POL Count % within POL 72. (1sided) Value Pearson Chi-Square Continuity Correction(a) Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases 43.01.448 i da je značajno na nivou 0.000 .33.01. b Using the asymptotic standard error assuming the null hypothesis.000 .2% 100.000 . Sig. Pol i zaposlenost. a kod muškaraca više zaposlenih. .448 . Njegova značajnost (Asymp.

i statistička značajnost. to nikako ne znači da promjene jedne varijabla uzrokuju promjene druge varijable.80 do ± 1 → veoma visoka do apsolutna povezanost Svakako treba imati na umu da korelaciju ne treba miješati sa uzročno posljedičnom vezom. a najlakše ga utvrđujemo uvidom u grafički prikaz raspršenja parova tačaka (skater grafikon).SPSS za psihologe i pedagoge 83 Mjere korelacije Korelacija predstavlja mjeru povezanosti između varijabli. mada je to najčešća greška koja se sreće u interpretacijama rezultata istraživanja: ukoliko su dvije varijable u korelaciji. Osnovna formula za izračunavanje Pearsonovog koeficijenta je: rXY = ∑σ    x X + y σY N −1    . i koeficijent biserijske korelacije. Spearmanov koeficijent rang korelacije.60 → povezanost srednjeg intenziteta r od ± 0.20 do ± 0.80 → 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. Linearnost veze između varijabli do sada nismo sretali.60 do ± 0. normalnosti raspodjele. Karakteristike korelacije koje treba poznavati su visina ili jačina (od 0 do 1). smijer (+ ili -).20 → nikakva do neznatna povezanost r od ± 0. onda je bolje da ne koristimo koeficijent linearne korelacije. Vidjećemo još kako možemo dobiti Pearsonov koeficijent linearne korelacije.40 → niska povezanost r od ± 0. i stoga mora da zadovolji uslove intervalnosti podataka. Već smo imali priliku da se u poglavlju sa opisom analize kategoričkih varijabli sretnemo sa koeficijentima korelacije između kategoričkih varijabli: bili su to Φ i C koeficijenti korelacija. i nisu nam potrebne standardne devijacije. 83 . 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. i linearnosti odnosa između varijabli.40 do ± 0. Visine korelacije aproksimativno ocjenjujemo kao: r od 0 do ± 0. Koeficijent linearne korelacije Pearsonov koeficijent linearne korelacije predstavlja parametrijski test. Ukoliko vidimo da se odnos između varijabli ne može približno predstaviti pravom linijom.

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

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

i idemo ka analizi ispisa. a dvije zvjezdice govore o značajnosti na nivou 0.SPSS za psihologe i pedagoge 86 Pošto možemo odjednom da ubacimo u obradu više od dvije varijable. Znajući da su u pitanju rezultati testa iz engleskog jezika prije i poslije kursa. Kao posljedicu nižeg mjernog nivoa. 86 . što znači da ćemo imati tri moguća poređenja. jedna zvjezdica znači da je korelacija značajna na nivou 0. Sam koeficijent korelacije i njegova značajnost nam ne govore da postoji bilo kakav napredak. a i oni koji su bili srednji i lošiji takođe su napredovali. imamo to da je ova mjera korelacije nepreciznija od r koeficijenta korelacije.914. što bi govorilo o sličnim rezultatima na oba testa.01. i broj ispitanika uzetih u obradu N. čita se: ro) je neparametrijski test i ne postavlja zahtjeve u pogledu distribucije. dobijamo i značajnost korelacije u redu Sig. Pored visine korelacije date u redu Pearson Correlation. (2-tailed). a mi ćemo to uraditi u SPSS-u na sljedeći način: Kao i kod slučaja linearne korelacije idemo na Analyze/Correlate/Bivariate. tako da dijagonalu tabele možemo da ignorišemo. rangovani podaci. što nam daje korelaciju 1. Mi smo ubacili tri varijable. Na kraju ćemo. naravno. program nam daje ispis tabele sa svim mogućim korelacijama. Po običaju. zaključujemo da su studenti linearno napredovali. skater (tačkasti prikaz korelacije) bi kretao iz nule i išao po dijagonali dijagrama. ali ovaj put označimo kućicu Spearman.05. ali to možemo vidjeti iz grafikona. i to tako da su oni koji su bili bolji na prvom testu bivali bolji i na drugom. a tako i kada imamo podatke koji nisu rangovani. tj. Računanje ρ koeficijenta se zasniva na razlikama u rangovima rezultata dva niza brojeva. Koeficijent rang korelacije Spearmanov koeficijent rang korelacije (ρ. pa tako i svake varijable sa samom sobom. čitavih 0. jedino što treba da imamo jesu podaci koji potiču bar sa ordinalne skale. ali ne zadovoljavaju uslove normalne raspodjele. a formula po kojoj se računa je: ρ = 1− N N 2 −1 6∑ D 2 ( ) gdje je: D – razlika između rangova na prvoj i drugoj varijabli N – ukupan broj slučajeva Za primjer ćemo uzeti situaciju kad je nastavnik jednog razreda srednje škole želio da vidi da li postoje povezanosti između uspjeha iz predmeta Matemetika. potvrditi sa OK. On je učenike rangirao po uspjesima iz ova tri predmeta i poredio ih međusobno. u desni okvir ubacimo varijable. jer u slučaju da napretka nema. U našem primjeru vidimo da je korelacija pozitivna i veoma visoka. Fizika i Istorija. ovaj test možemo upotrebljavati kad u početku imamo rangovane podatke. Značajnost korelacije nam je prikazana i u formi zvjezdica pored same korelacije. Znači.

pol).517 35 ISTORIJA -.113 . a mi gledamo one tri koje nas zanimaju. 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.759(**) . ali da nije statistički značajna.759(**) .000 35 -. a da izvjesne pozitivne korelacije između uspjeha u fizici i istoriji ima (iznosi 0.517 35 1. Takođe.01. vidimo da korelacije između uspjeha iz matematike i istorije gotovo da nema (iznosi –0. 35 Sve važi kao i u slučaju linearne korelacije: program nam je dao sve moguće korelacije. Point-biserijska korelacija je vrlo sličan slučaj.967 35 . (2-tailed) N ISTORIJA Correlation Coefficient Sig.000 . Sposobnosti smo mjerili jednim 87 .113).000 35 1. Biserijska i point-biserijska korelacija Biserijsku korelaciju računamo kad imamo dvije varijable od kojih je jedna kvantitativnog tipa (intervalni nivo podataka). 35 . Za primjer smo uzeli slučaj korelacije između opštih sposobnosti i prolaznosti na ispitu iz matematike. 1. (2-tailed) N ** Correlation is significant at the 0. a druga je vještački dihotomizirana u varijablu sa samo dva modaliteta. najlakše je da u okviru SPSS-a ovu proceduru radimo kao i koeficijent linearne korelacije.000 . U oba slučaja. 35 .01 level (2-tailed). ali ovaj put jedna varijabla je intervalnog nivoa.759. i da je statistički značajna na nivou 0.113 .007 . a druga je prirodno podijeljena u dvije kategorije (npr.007 .000 .967 35 FIZIKA .007).SPSS za psihologe i pedagoge 87 Correlations MATEMATI Spearman's rho MATEMATI Correlation Coefficient Sig. (2-tailed) N FIZIKA Correlation Coefficient Sig. Iz tabele vidimo da korelacija između uspjeha u matematici i fizici iznosi 0.

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

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

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

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

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

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

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->