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

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

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

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

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

Pri izboru ovih mjera treba voditi računa o tipu podataka kojim raspolažemo (npr. Razlikujemo dvije grupe statističkih operacija: 1. odstupanja.01. To su mjere poput frekvencija.05” ili “0.05 i 0. da podaci budu sa intervalne ili racio skale i 2.SPSS za psihologe i pedagoge Ajtem (stavka. Neparametrijski testovi se rade na podacima koji ne mogu da zadovolje ove kriterijume. To mogu biti hipoteze o povezanosti nekih pojava ili razlikama u izraženosti nekih pojava. pak. U okviru procedura statistike zaključivanja. i treba im dati prednost ukoliko nam podaci dozvoljavaju. prosjeka. 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. ne možemo računati prosjek iz varijable “pol”). Deskriptivna statistika – obuhvata procedure kojima opisujemo podatke. možemo razlikovati dvije vrste hipoteza: nulta hipoteza (označava se sa H0) sadrži tvrdnju o nepostojanju statističke značajnosti pojave nađene na uzorku. zakrivljenja itd. Uopšteno. Parametrijski testovi imaju veću “snagu” (precizniji su) u odnosu na neparametrijske. a statistička operacija će nas dovesti do nekog pokazatelja koji će nam reći da li se naša hipoteza pokazala ispravnom ili ne. čestica) Jedna tvrdnja ili pitanje u testu. gdje je n = redni broj hipoteze) i one govore o nekakvim potvrdnim pretpostavkama koje donosimo. Statistika zaključivanja – obuhvata procedure kojimja izvlačimo određene zaključke iz naših podataka. procenata. imamo dvije vrste statističkih testova. Za vjerovatnoće manje od od ovih vrijednosti kažemo: “statistički značajno na nivou 0. 8 .ajtem od varijable do ajtema 8 O vrstama statističkih analiza Često treba da rezimiramo velike količine podataka da bismo imali nekakav uvid u njihovu prirodu. U okviru ovih procedura testiramo određene hipoteze koje smo postavili. takođe. Ovaj pokazatelj (rezultat statističkog testa) će nam to reći sa nekim stepenom statističke vjerovatnoće – uobičajeno su to nivoi 0.01” (što znači da su vjerovatnoće da pogriješimo kad tvrdimo da postoje statističke značajnosti 5% ili 1%). 2. dok afirmativnih hipoteza može biti više (označavaju se sa Hn. mi u stvari testiramo istraživačke hipoteze. ili. Parametrijski testovi se rade nad podacima koji zadovoljavaju sljedeće kriterijume: 1. Nivoi značajnosti pri statističkom zaključivanju i tipovi statističkih grešaka Svaki put kad radimo statističke testove. da podaci budu normalno raspodijeljeni. ???????????????????vrste ajtema?????????????????????? razlike indikator . da donosimo zaključke u vezi sa dobijenim podacima.

i da nas ništa ne sprečava da se služimo blažim kriterijumima (npr. a takođe i da bi se istraživačima olakšalo donošenje statističkih odluka.05. Kad.10). U skladu sa prethodnom pričom o nivoima značajnosti.. ili značajne korelacije). Treba reći da su ova dva nivoa značajnosti sasvim arbitrarno prihvaćena. kad odbacujemo tvrdnju o značajnosti pojave a ona u stvari postoji. 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.. a ona u stvari ne postoji. oni se odlučuju za blaže kriterijume značajnosti. S druge strane.to tvrdimo sa 95% sigurnosti. p=0. součavamo se sa mogućnošću da načinimo neku od navedenih grešaka.5. Šematski prikazano.. istraživači ispituju lijek koji se primjenjuje na dotad neizlječivim bolesnicima..01 (1% nivo značajnosti). odredićemo i koje module ćemo moći priuštiti. Ti nivoi značajnosti se interpretiraju kao: ".SPSS za psihologe i pedagoge 9 Prilikom primjene statističkih testova. Pri tom se uglavnom koristimo nivoima značajnosti p=0.01 je strožiji od nivoa p=0. govori se o dva tipa grešaka pri generalizaciji statističkih zaključaka sa uzorka na populaciju. SPSS programski paket Programski paket SPSS čini više zasebnih modula (dijelova programa). kriterijumi sigurnosti se moraju povećati na najviši nivo. jer u slučaju pogreške u zaključivanju mogu dovesti do fatalnih posljedica.. obično se koristimo terminom "nivo značajnosti" kad govorimo o nekim granicama statističke značajnosti.001). ili strožijim (npr. ". Nivo značajnosti od p=0. a sve navedeno o čemu budemo govorili može se upotrijebiti za sve verzije programa. Greška tipa I.. U stvarnosti.01.. pri donošenju statističkih zaključaka. jer podrazumijeva veću sigurnost kod određenih tvrdnji. na primjer. koja se naziva i "greška alfa tipa". odnosno "..o postojanju značajne razlike između pojava. p=0. budući da se svaki modul zasebno kupuje. nivo značajnosti postavljamo u zavisnosti od toga kakva je priroda pojave koju ispitujemo i značajnosti zaključka koji donosimo. " Isto važi i za nivo značajnosti p=0. Ove granice su ustanovljene da bi se ujednačili kriterijumi prilikom donošenja odluka. nastaje u obrnutom slučaju. 9 . ali to je rizik koji prihvatamo u statistici.05 (ili 5% nivo) i p=0. kad se ispituju lijekovi koji imaju potencijalno opasne prateće pojave. 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. nastaje kad donosimo zaključak o statističkoj značajnosti pojave (npr. Greška tipa II (greška beta tipa). U zavisnosti od toga koje statističke procedure su nam potrebne.postoji 5% vjerovatnoće da pogriješimo kad tvrdimo da . Mi ćemo se ovdje dotaći upotrebe svakog od modula programskog paketa SPSS 11.

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

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

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

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

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

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

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

i dolazimo do sljedećeg koraka: 17 .txt) tip. potvrdimo sa Next.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. a pod Files of type: odaberemo tip datote – u našem slučaju to je Text (*.

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

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

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

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. i imamo gotovu bazu podataka u SPSS-u.sav). 21 .

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

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

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

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

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

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

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

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

30 . prva na spisku će biti primarna. grupe će se nalaziti u istoj tabeli radi medjusobnih poredjenja. Kad je uključena opcija Split File. 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). Opcija Compare groups znači da će ispis biti zajednički. Opcija Organize output by groups dovodi do zasebnog ispisa za svaku kategoriju varijable koja grupiše. tj. Ako izaberemo više varijabli.

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

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

SPSS za psihologe i pedagoge 33 33 .

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

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

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

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

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

SPSS za psihologe i pedagoge 39 39 .

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

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

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

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

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

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

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

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

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. spljoštena. tj.percentil 25. percentil 10 P75 − P25 . Formula za izračunavanje kurosisa je: Ku = Q Ku P90 P10 kvartilna devijacija. Vrijednost kurtozisa koja se izračunava je uvijek manja od jedan. izduženog oblika. 2 Q . onda je distribucija leptokurtična.263 koliko iznosi kurtosis za normalnu krivu. P90 − P10 Pri tome je: Q= gdje je Q .SPSS za psihologe i pedagoge 50 Kao što je već rečeno prilikom izračunavanja kurtozisa se utvrđuje eventualno vertikalno odstupanje dobijene distribucije od normalne.kvartilna devijacija P915 . te distribucije izgledaju kao na slici: 50 . tj.263 onda je distribucija platikurtična. Ukoliko je dobijena vrijednost kurtozisa veća od 0. precentil 90.263.precentil 15. P25 . kurtozis. Dobijenu vrijednost se uvijek poredi sa vrijednosti 0. Ako je dobijena vrijednost manja od 0. Šematski prikazano.

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

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

53 . dobićemo sljedeći ispis: Descriptives Descriptive Statistics N Range Minimum Statistic 50 18 Maximum Statistic 68 Statistic 47.663 Skewness Statistic -0. dok standardna devijacija iznosi 8. minimum i maksimum. standardna greška aritmetičke sredine (S. standardna devijacija. a maksimalnog 68. Za početak su označene aritmetička sredina (Mean). Deviation Statistic 8. mean). Kad na kraju potvrdimo sa OK. vrijednost minimalnog skora je 18.E.0193 Statistic Statistic SKOR. Error 0.263 na onsnovu čega zaključujemo da je kriva empirijske distribucije izdužena u odnosu na normalnu. tj.SPSS za psihologe i pedagoge 53 Da bi vidjeli koje statističke mjere su nam na raspolaganju.389.98. Raspon rezultata iznosi 50. Skewness iznosi –0. leptokurtična.325 što znači da je naša distribucija negativno asimetrična (skreće na lijevu stranu).991 Mean Std. Kurtosis je manji od 0. Vrijednost aritmetičke sredine je 47. raspon Range). a njena standardne greške 0.AUT Valid N (listwise) 495 495 Iz tabele možemo vidjeti da imamo 495 ispitanika čiji su rezultati uzeti u obradu.325 Kurtosis Statistic -0. kliknemo na dugme Options i dolazimo do izbora mjera.389 Std. da bismo vidjeli da li značajno odstupa od normalne raspodjele mjera. Ukoliko želimo da vidimo zakrivljenost naše distribucije možemo uključiti i mjere zakrivljenja (Kurtosis i Skewness).66.

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. 54 . a s desne strane je okvir u koji se unose parametri koje želimo da razmotrimo. ali nas ništa ne spriječava da izaberemo bilo koju drugu mjeru koja nas zanima. Najjednostavniji je sljedeći: Idemo na meni Analyze/Compare Means/Means. Za početak su odabrane aritmetičke sredine (Means). gdje je predmet interesovanja razlika u stepenu informatickih znanja kod ljudi različitih uzrasnih skupina. Time se dobija prozor na čijoj lijevoj strani se nalaze mjere koje su na raspolaganju. 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. ili da se uporede prosjeci učeničkih ocjena po razredima osnovne škole. Mi ćemo za primjer uzeti jedno ispitivanje koje se bavilo znanjem iz oblasti informatickih tehnologija. standardne devijacije (Standard Deviation) i broj slučajeva (Number of Cases) i. te smo mi odabrali još i medijanu (Median) i minimalan i maksimalan rezultat na testu. 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).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.

0000 14.00 14.8% N 5 Excluded Percent 1.49 godina preko 50 godina Total Mean 26. σ .00 14.00 14.0000 17.62201 6. N.00 38. izvještava o tome koje varijable se ukrštaju (u našem slučaju to su znanje iz informatike i starost). možemo obaviti i uvid u dobijene rezultate.7458 20.0000 15.00 41.97217 7.0000 24.0000 21.0000 14.63443 4. već uobičajeno.0000 Minimum 14. odnosno koliko je ispitanika uzeto u obradu.57532 Median 26.20 godina 21 .43117 6.1882 24.00 41.5112 N 85 177 37 71 31 401 Std. Pošto vidimo da su sve na broju (AS.00 14. U koloni Means vidimo da je stepen poznavanja 55 .2% N 406 Total Percent 100.1127 15.0% Report znanje iz informatike STAROST 18 . Deviation 5.00 Prva tabela (Case Processing Summary) nas.0323 22.39 godina 40 . medijana.00 39.29 godina 30 .SPSS za psihologe i pedagoge 55 Kao rezultat dobijamo sljedeći ispis: Means Case Processing Summary Cases Included N znanje iz informatike * STAROST 401 Percent 98.49061 7. Druga tabela (Report) daje prikaz deskriptivnih statističkih mjera koje smo tražili.00 Maximum 38.00 14. min i max).00 41. i koliko ispitanika je imalo valjane podatke.

Na kraju (samo po redoslijedu navođenja. Jedan od načina je da se (već predstavljene) deskriptivne mjere odstupanja. Ukoliko bilo koja od dobijenih vrijednosti bude veća od 1. kolona N pokazuje broj ispitanika po kategorijama. najmanji dobijeni skor je jednak u svim grupama.96 skjunis standardna greška skjunisa kurtozis standardna greška kurtozis a oznaka za statističku značajnost vrijednost sa kojom se poređenje vrši na nivou značajnosti p<.01. npr. skjunis i kurtozis podijele sa njihovim standardnim greškama. za odluku da li će se u razmatranju određenih podataka primijeniti neki parametrijski ili neparametrijski test). tj. naravno.05 56 . već prije svega ukazuje na to da li je smisleno porediti grupe (ako su razlike u broju članova poduzoraka velike.58 SE Ku i Sk  . Dalje se. ∨ ⇒ p  .SPSS za psihologe i pedagoge 56 oblasti informatike veći kod mlađih ispitanika i da progresivno opada sa porastom starosne dobi ispitanika. što je vrlo važno ne samo jer pruža informaciju o brojnosti kategorija.05.58 1. dok su najveći skorovi dobijeni u grupama ispitanika starosti od 21 do 29 i od 40 do 49 godina.01) odstupa od normalne krive. Poređenje se dalje može vršiti i na osnovu drugih dobivenih statističkih mjera. Sk  2. Znači. zaključuje se da empirijska distribucija značajno (na nivou 0.01 ⇒ p  . može zaključiti da je najveće prosječno odstupanje rezultata prisutno u grupi ispitanika starosti između 30 i 39 godina. Testiranje normalnosti distribucije podataka Već smo vidjeli da je za veliki broj statističkih analiza neophodno ustanoviti da li distribucija dobijenih podataka zadovoljava uslov normalnosti. recimo.96 ili 2. u kategoriji starosti od 30 do 39 148 ispitanika i u u kategoriji starosti od 40 do 49 njih 17).58 SESk Ku  2. da li u dovoljnoj mjeri podražava normalnu raspodjelu (npr.05 vrijednost sa kojom se poređenje vrši na nivou značajnosti p<. odnosno 0.96 1 SESk ∨ Ku  1. Provjera eventualnog odstupanja empirijske od normalne distribucije se može izvršiti na više načina. Tako vrijednosti medijane.96 SE Ku gdje je Sk SESk Ku SEKu p 2. nikako i važnosti podataka koje sadrži). prate vrijednosti aritmetičkih sredina po kategorijama ispitanika.58.

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

AUT 495 Percent 97.0000 -.38942 N 12 Missing Percent 2.048 a Lilliefors Significance Correction df 495 Sig.991 Shapiro-Wilk df 495 Sig.00 68.AUT . .1768 48.00 50. Error .019 Tests of Normality Kolmogorov-Smirnov(a) Statistic SKOR.005 .7570 48.4% N 507 Total Percent 100.00 12.2268 48.326 -.66399 18.065 8.0000 75.219 Std.6% Descriptives Statistic SKOR.008 Statistic .AUT Mean 95% Confidence Interval for Mean Lower Bound Upper Bound 47. .110 .9919 47.SPSS za psihologe i pedagoge 58 Dobićemo sljedeći ispis: Explore Case Processing Summary Cases Valid N SKOR. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis 58 .0% 5% Trimmed Mean Median Variance Std.

0 70. odnosno varijabilnost negativne strane je povećana.048). u trećoj (onoj koja nas najviše zanima) dobijamo izvještaj o distribuciji koju testiramo.AUT Prva tabela nam govori o broju valjanih podataka uzetih u obradu. gdje takođe potvrđujemo značajno odstupanje dobijene od normalne raspodjele.0 55.66 Mean = 48.96. Kolona Statistic kaže kolika je izračunata mjera odstupanja naše distribucije od normalne (u našem slučaju 0. u SPSS-u) manje od 0. Histogram koji smo dobili nam može ponešto reći o dobijenim podacima. ukoliko skewness podijelimo sa njegovom standardnom greškom dobijamo: -0.SPSS za psihologe i pedagoge 59 Histogram 120 100 80 60 40 Frequency 20 0 20. i donosimo zaključak da naša distribucija statistički značajno (na nivou značajnosti od 0. U okviru te tabele.0 40. odbacujemo postavljenu hipotezu. a kolona Sig. Budući da je p (odnosno Sig. on nam zasad nije potreban. Takođe.0 65. Dev = 8.01) odstupa od normalne.0 50. Vidimo da se veći broj ispitanika gomila na gornjem dijelu naše skale. Dok se u drugoj tabeli nalaze deskriptivne statističke mjere razmatrane distribucije koje smo odabrali o okviru opcije Statistics.110 = -2.0 30. a hipoteza je bila da naša distribucija ne odstupa značajno od normalne. a druga o generalnim deskriptivnim podacima za našu skalu.0 45. No.008).0 25.00 SKOR.0 60. 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). prve tri kolone predstavljaju izvještaj o obavljenom Kolmogorov-Smirnov testu. 59 .0 Std.0 N = 495. pod nazivom Test of Normality. budući da je on predviđen za uzorke od 50 ili manje ispitanika (u našem slučaju ih ima 495). što znači da su rezultati za našu ispitivanu populaciju negativno asimetrični.0 35. nam govori o značajnosti utvrđenog odstupanja (u našem slučaju 0.01.326/0.

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

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

643 (predznak nam nije bitan.763 205.2542 .3843 2. Da je značajnost Levenovog testa bila manja od . dobijamo sljedeći ispis kao rezultat našeg testiranja: T-Test Group Statistics POL muski zenski N 88 128 Mean 22. ali da li je ta razlika statistički značajna? Veličina statistika t od –3.106).3573 -2. t df t-test for Equality of Means Sig. Druga tabela (Independent Samples Test) je nešto složenija. Vidimo da ukupno ima 88 muških i 128 ženskih ispitanika.648 23. Prvo treba da pogledamo rezultate Levenovog testa jednakosti varijansi.106 -3.0490 -. Kad smo definisali grupe i potvrdili sve. Deviation 2.992 Std. onda zaključujemo da se pretpostavljaju jednake varijanse u okviru naših subpopulacija i očitavamo rezultate iz prvog reda (Equal variances assumed).000 -1. Takođe vidimo da je prosječni rezultat na testu iz engleskog manji kod muških nego kod ženskih ispitanika (kolona Mean). Error Mean .8416 Std. Već smo vidjeli iz prve tabele da djevojke postižu nešto bolje rezultate od mladića (za 1.05 (u našem slučaju to je 0. u obzir se uzima apsolutna veličina) i 62 . Error Difference 95% Confidence Interval of the Difference Lower Upper -.344 . te vrijednosti ćemo upisati u kućice. ali i da je varijabilnost rezultata veća kod ženskih ispitanika (kolona Std. (2tailed) Mean Difference Std. Deviation). a 2 muški pol.05.0719 -3.643 214 .344 .3691 -2.6400 Prva tabela (Group Statistics) koju smo dobili daje nam deskriptivne mjere za naša dva uzorka. Kad je vjerovatnoća veća od . Potvrdimo sa Continue.582 .2512 Rezultat testa iz engleskog Independent Samples Test Levene's Test for Equality of Variances F Sig.344 poena u prosjeku).6170 Rezultat testa iz engleskog Equal variances assumed Equal variances not assumed 2.641 .000 -1.SPSS za psihologe i pedagoge 62 Pošto smo mi definisali modalitete naše varijable tako da 1 označava ženski. rezultate bismo očitavali iz drugog reda (Equal variances not assumed).

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

. Drugi slučaj se naziva "metodom ekvivalentnih grupa". 2 * σ M1 * σ M 2 . Prvi slučaj takvog nacrta se naziva metodom iste grupe". Znači ustanovili smo da kod naših ispitanika ne postoje statistički značajne razlike u autoritarnosti između muškaraca i žena. T – test za zavisne uzorke Zavisnim uzorcima smatramo one uzorke čije mjere su na neki način u korelaciji.000 67198. i to je veličina MannWhitney U statistika (u našem slučaju 29248. U oba slučaja rezultati mjerenja su u korelaciji. ali te podatke možemo dobiti na način kako je to opisano u poglavlju Deskriptivne mjere za dva ili više uzoraka. koju nazivamo eksperimentalnom grupom. bilo zato što su različite grupe ispitanika ujednačene po nekom (za mjerenu varijablu) relevantnom kriterijumu. Dejstvo nezavisne varijable uvodi se u jednu grupu. 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. mjere raspršenja i centralnih tendencija. gdje se ispitivanje pojave obavlja na istoj grupi ispitanika prije i poslije uvođenja dejstva nezavisne varijable.000 -. (2-tailed) a Grouping Variable: pol 29248.526 Ono što nas zanima je u drugoj tabeli (Test statistics). da limaju brace i sestara.standardna greška razlika između aritmetičkih sredina.). Nakon toga se vrši mjerenje pojave. za to istraživanje. Sig.2 . uzrast. r1.526).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 . kontrolnoj grupi izostaje djelovanje nezavisne varijable.634 .00) i njegova značajnost (u našem slučaju 0. gdje se formiraju dvije grupe ispitanika koje se ujednačavaju po nekim. gdje je . relevantnim kriterijumima (npr. školske ocjene.standardna greška aritmetičke sredine prvog uzorka (može se još označaiti i sa SE1) .. Ovaj test nam nije prikazao deskriptivne mjere koje nas zanimaju. .AUT Mann-Whitney U Wilcoxon W Z Asymp. dok u drugoj.mjera linearne korelacije između dva uzorka. U praksi se sa ovakvim uzorcima najčešće srećemo kad projektujemo neku od dvije osnovne vrste eksperimentalnih nacrta.SPSS za psihologe i pedagoge 64 Test Statistics(a) SKOR.. bilo zato što su u pitanju isti ispitanici.

znači.3194 N 216 216 Std.SPSS za psihologe i pedagoge DM .83988 Std.standardna greška razlika između aritmetičkih sredina Ukoliko se istraživač susreće sa velikim grupama. i mi treba da uporedimo te rezultate i zaključimo da li je nastava iz jezika doprinijela boljem znanju.19323 Paired Samples Correlations 65 .7402 2.razlika aritmetičkih sredina. . i unesemo ih u okvir gdje piše Paired Variables. prije i poslije kursa. dobijeni rezultat se poredi sa granicama 1.58. U našem slučaju to su rezultati na testu prije (skor. Ista grupa od 216 studenata .96 i 2. radila je dva puta isti test.eng2).eng) i poslije kursa (sk. 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. selektujemo dvije varijable čije rezultate želimo da poredimo. Error Mean . pri čemu broj stepeni slobode dobija po obrascu: df = N-1. σ DM 65 t= gdje je t – t-test .1864 . Kad smo na kraju potvrdili svoj izbor. Deviation 2. dobijamo sljedeći ispis: T-Test Paired Samples Statistics Mean Pair 1 Rezultat testa iz engleskog prije kursa Rezultat testa iz engleskog poslije kursa 23. a ukoliko su grupe manje – onda se granice intervala pouzdanosti očitavaju iz odgovarajućih tablica.444 25. Treba da idemo na meni Analyze/Compare Means/Paired-Samples T Test.

možemo reći da se prosječni rezultati značajno razlikuju. Vidimo da su na prvom testu ispitanici postizali u prosjeku 23.8032 -51. Druga tabela (Paired Samples Correlations) nam govori kolika je povezanost između rezultata na prvom i drugom testu. U našem slučaju ta korelacija iznosi veoma visokih 0. budući da su naši rezultati izmišljeni – to je prihvatljivo :-) U trećoj tabeli (Paired SamplesTest) nas zanima prvenstveno statistik t i njegova vjerovatnoća (Sig.03643 -1.8750 . Znači.Rezultat testa iz engleskog poslije kursa -1. 66 . (2tailed) Mean Prva tabela (Paired Samples Statistics) nam daje deskriptivne statističke mjere za naše zavisne uzorke.87 poena u prosjeku.000. ali. U realnosti gotovo nikad nećete naići na povezanosti ovoe veličine. kao i druge podatke (broj ispitanika. što bi značilo da je gotovo svaki ispitanik popravio svoje znanje iz engleskog za istu količinu. . Iz nje možemo vidjeti kolika su prosječna postignuća na testu prije i poslije kursa (Mean). Možemo vidjeti da u našem slučaju veličina t iznosi -51. što znači da su ostvarili napredak od 1. a da je njegova vjerovatnoća 0. a na drugom testu (poslije kursa) u prosjeku 25.444 bodova. unaprijedili svoje znanje. odnosno da su studenti (najvjerovatnije) zbog pohađanja kursa engleskog jezika. Error 95% Confidence Interval Deviation Mean of the Difference Lower Pair 1 Rezultat testa iz engleskog prije kursa . standardnu devijaciju).982 Sig.472 215 .).000 66 Paired Samples Test Paired Differences Std.000 t df Sig.319.SPSS za psihologe i pedagoge N Pair 1 Rezultat testa iz engleskog prije kursa & Rezultat testa iz engleskog poslije kursa 216 Correlation . Std.9468 Upper -1.472 (opet nam predznak nije bitan).982.53538 .

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

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

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

onda trebamo utvrditi između kojih grupa postoje značajne razlike.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) 145.898 72. koju možemo naći u osnovnim udžbenicima iz statistike. da li između svih mogućih parova.503 6. ili nekim od SPSS-ovih post-hoc testova za detekciju razlika između pojedinačnih parova poduzoraka.51 6.898 Na osnovu odgovarajuće tabele.SPSS za psihologe i pedagoge 70 Varijansa između grupa F= Varijansa unutar grupa Analizu varijanse radimo uz pomoć razlaganja ukupne varijanse na komponente. očitavamo granice značajnosti i donosimo zaključak o statističkoj značajnosti razlika.333 Varijansa (v = SS/df) 72. ili samo između nekih? Tada se koristimo t-testom. U slučaju da ustanovimo da je F statistik značajan.503 = 10.007 1469. 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 .326 1614. Na kraju izračunavamo F kroz formulu: F = 70 .suma kvadrata odstupanja unutar grupa SSb .

0 19.898 F 10.503 6.5 29. No.5 28. i drugu varijablu intervalnog nivoa i normalne raspodjele rezultata.561 21.6598 2.326 df 2 215 Mean Square 72.1864 22. poredićemo postignuće na testu iz engleskog jezika studenata različitih fakulteta.077 Upper Bound 23.604 24.5 Minimum Maximum ANOVA Rezultat testa iz engleskog Sum of Squares Between Groups Within Groups 145. Error 95% Confidence Interval for Mean Lower Bound tehnoloski medicinski filozofski Total 72 72 72 216 23.5 17. i može pojaviti do tri razlika (tri su moguća poređenja).6122 2. 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).786 23.3135 . U našem primjeru varijabla fakultet ima 3 modaliteta (filozofski.444 2.000 71 .990 23.007 1469.6071 2. 71 Specifičnost analize varijanse jeste to da će nam ona za rezultat pokazati postoji li između nekih grupa statistički značajna razlika.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. ići ćemo korak po korak pa ćemo vidjeti šta ćemo dobiti.3078 .174 22.5 27.3072 .556 23. medicinski i tehnološki). Deviation Std. a pod Factorunesemo nezavisnu varijablu (fakultet u našem slučaju).218 25. Kao ispis naše analize varijanse dobijamo: Oneway Descriptives Rezultat testa iz engleskog N Mean Std. .181 23.510 Sig. Mi ćemo za primjer uzeti opet naš test iz engleskog.931 23. Sada ćemo vidjeti kako ćemo statističko testiranje obaviti uz pomoć SPSS-a.7402 .0 16.812 16.0 29. ali nam ne može reći između koji grupa.

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

Nakon toga je potrebno kliknuti na dugme Define Range i definisati koji je raspon vrijednosti nezavisne varijable. .05 level. i to obe razlike značajne na nivou 0. 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) . kad podaci ne zadovoljavaju uslove za primjenu analize varijanse.SPSS za psihologe i pedagoge 73 Kao rezultat ćemo dobiti iste dve tabele kao što je prethodno opisano za analizu varijanse. Nezavisna varijabla će nam biti stepen obrazovanja majke sa tri modaliteta (završena osnovna škola.4377 .195 . Idemo na meni Analyze/Nonparametric Tests/K Independent Samples. Potrebno je da imamo jednu kategoričku varijablu sa dva ili više modaliteta. kolika je razlika u prosječnom postignuću na testu (Mean Difference).089 Upper Bound 1.951(*) 1.382(*) -.432 -. 73 .814 * The mean difference is significant at the .293 -1.245 2.000 .569 -1.951(*) Std. vidimo da postoje značajne razlike između filozofskog i tehnološkog. a pod Grouping Variable unesemo nezavisnu varijablu. ali mi biramo Kruskal-Wallis H test. srednja škola i viša/visoka škola). U našem slučaju to je od 1 do 3.002 .195 .432 -2. Error .814 . i značajnosti tih razlika (Sig.4377 .05. a zavisna varijabla će nam biti broj prihvaćenih odnosa sa Italijanima (ponuđeno je 7).000 Lower Bound -.245 -1.4377 .569 -1. Ova tabela će nam pokazati koji parovi fakulteta se porede (kolona Fakultet).002 . Razlika između medicinskog i tehnološkog fakulteta nije statistički značajna.382(*) 1.4377 . U našem slučaju.4377 Sig. filozofskog i medicinskog fakulteta. i pod Test Variable List unesemo zavisnu varijablu. Kruskal Wallis test Ovaj test nam služi za utvrđivanje značajnosti razlika između dve ili više mjerenih osobina.089 2.).519 . Mi ćemo kao primjer istraživanje u kojem je ispitivano prihvatanje socijalnih odnosa sa Italijanima u vezi sa različitim socio-demografskim varijablama.293 -2. Pod okvirom Test Typeimamo ponuđena tri testa.4377 .519 1. i drugu varijablu bar ordinalnog tipa.

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

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

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.00 2.16340 2.00 muski zenski zaposlen nezaposlen N 88 128 99 117 Descriptive Statistics Dependent Variable: depresivnost POL muski ZAPOSLEN zaposlen nezaposlen Total zenski zaposlen nezaposlen Total Total zaposlen nezaposlen Total Mean 22. jer će nam to pomoći pri tumačenju.38896 2.1111 23.5833 22. Dolazimo do prozora gdje trebamo odrediti varijable koje će odrediti naš grafikon. Deviation 2.3143 24.4444 Std.72535 2.9922 22.28644 2. dobijamo sljedeći ispis: Univariate Analysis of Variance Between-Subjects Factors Value Label POL ZAPOSLEN 1 2 1.84161 2.6566 24. upisujemo ih u okvire Horizontal Axis i Separate Lines (gdje će ići koja varijabla zavisi od istraživačkih potreba).2473 23.38429 2. zgodno je da imamo i nekakav grafički prikaz naših rezultata. Ukoliko imamo dve varijable.96595 2.6477 23. To ćemo uraditi kroz dugme Plots. 76 Nakon što smo obavili sve.SPSS za psihologe i pedagoge Dalje.91925 2.2969 23.74017 N 64 24 88 35 93 128 99 117 216 Tests of Between-Subjects Effects 76 .

ZAPOSLEN i POL*ZAPOSLEN.223 i da je statistički značajno na nivou 0.05.187 Sig.SPSS za psihologe i pedagoge Dependent Variable: depresivnost Source Corrected Model Intercept POL ZAPOSLEN POL * ZAPOSLEN Error Total Corrected Total Type III Sum of Squares 145.989 13041. .429 90372.223 7.047 120337.090 (Adjusted R Squared = . Grafikon na kraju (Estimated Marginal Means of depresivnost) nam daje grafički prikaz onoga što smo imali u tabeli Descriptive Statistics.0 muski zenski nezaposlen POL Iz prve tabele (Between-Subjects Factors) vidimo kako se raspoređuju ispitanici po kategorijama pojedinih varijabli.261 50.187 a njegova značajnost veća od 0. kako budemo primjenjivali analize varijanse.286(a) 90372.0 Estimated Marginal Means 23. i nezaposleni su depresivniji.05. a u redu ZAPOSLEN da je F=7. Sljedeća tabela (Descriptive Statistics) nam več daje bitnije podatke.077) Profile Plots Estimated Marginal Means of depresivnost 24.098 29. Ovo su glavni efekti pola i zaposlenja na depresivnost i.5 zaposlen 22.706 4.666 77 a R Squared = . što bi za nas značilo da nema interakcije između pola i zaposlenosti u pogledu uticaja na depresivnost.987 1.041 .000 . da ženski nezaposleni imaju više izraženu depresivnost od ženskih zaposlenih.5 24.293 1469. a nezaposleni veću od zaposlenih. Takođe. vidjećemo da nam paralelnost linija govori o 77 . Sljedeća tabela (Tests of Between-Subjects Effects) nam daje podatke o statističkim značajnostima. da žene imaju imaju višu depresivnost od muških. U okviru reda POL vidimo da je mjera F=4.0 ZAPOSLEN 22. u koloni N možemo vidjeti i da je u okviru muških veći procenat ispitanika zaposlen. Sa vremenom. oba su značajna: u našem uzorku žene su depresivnije.333 df 3 1 1 1 1 212 216 215 Mean Square 48.000 1614. Iz nje već vidimo da (kolona Means) muški nezaposleni imaju više izraženu depresivnost od muških zaposlenih. kao što vidimo.358 i da je značajno na nivou 0.261 50. Nas zanimaju redovi u kojima piše POL.000 .098 29. a u okviru ženskih veći procenat je nezaposlen.358 .01.987 1.5 23.929 F 6.293 6. i kolone F i Sig. Red ispod njih je interakcija pola i zaposlenosti (POL*ZAPOSLEN) i F je 0.007 .

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

SPSS za psihologe i pedagoge 79 Analize kategoričkih varijabli U psihologiji. χ2 nam služi da testiramo odstupanje dobijenih frekvencija od nekih očekivanih (teorijskih) vrijednosti. a i razni anketni podaci. Na kraju ćemo.01). dok fe predstavlja teorijski pretpostavljene. Na osnovu datih granica i veličine dobijenog hi-kvadrata možemo zaključiti da dobijene frekvencije odstupaju značajno od očekivanih na nivou 0. gdje fo predstavlja dobijene frekvencije (o skraćeno od observed na engleskom). kategorijalni) karakter. fe Ovo je matematički izraz za izračunavanje hi-kvadrata. Najraširenija je upotreba mjere χ2 (grčko slovo hi.05. ili o normalnoj raspodjeli.05) i 9. zaključiti da li opažene frekvencije odstupaju od očekivanih. 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. Mi smo pretpostavili da će se odgovori ispitanika podjednako raspodijeliti u sve tri kategorije. prihvatamo 79 . Iz tablica očitavamo granične vrijednosti odgovarajućih intervala sigurnosti: 5. nisam siguran i ne. uzrasne ili obrazovne skupine. Te očekivane vrijednosti mogu biti zadate po nekom ranije zamišljenom modelu. a ponuđeni su odgovori: da.99 (p=0. gdje 60 ispitanika odgovaralo na pitanje: “Da li se zalažete za civilno služenje vojnog roka?”. odnosno očekivane frekvencije (e skraćeno od expected na engleskom).5 χ =∑ 2 ( fo − fe ) 2 Broj stepeni slobode se računa po obrascu: df = (broj kolona – 1) x (broj redova –1). na osnovu rezultata hi-kvadrat testa. fo Da Nisam siguran Ne 30 15 15 20 20 20 fe 10 -5 -5 (fo. Znači. Pretpostavka o normalnoj raspodjeli mjera). kao i ostalim društvenim naukama. ili o bilo kakvoj drugačijoj raspodjeli frekvencija.21 (p=0.fe) (fo.fe)2 100 25 25 (fo. što može biti pretpostavka o jednakoj raspodjeli podataka u ćelijama tabele. i u našem slučaju to je: (2-1)x(3-1) = 2. većina pojava koje pokušavamo da registrujemo ima diskretni (isprekidani. kad imamo jednu varijablu sa više modaliteta. Hi-kvadrat test Za podatke koji potiču sa nominalne skale postoje posebne statističke procedure oslobođene od striktnih pretpostavki o distribuciji mjera (kao npr. Tako većina podataka koje skupimo u istraživanju sačinjavaju upravo takvi podaci: sociodemografski podaci kao što su pol. onda moramo dati neku pretpostavku o tome kako mislimo da će se raspoređivati frekvencije po modalitetima varijable.fe)2 /fe 5 1. Vidjećemo kako to izgleda na primjeru analize jednog zamišljenog anketnog rezultata. odnosno da li je ispravna naša hipoteza. na engleskom Chi Square).25 χ2=7.25 1. Ukoliko se pokaže da je količina odstupanja dovoljno velika.

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

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

448 . Pol i zaposlenost. Možemo da pogledamo sljedeću tabelu (Chi-Square Tests) i očitamo veličinu hi kvadrata (Pearson Chi-square): 43.3% 93 72.000 . Tu očitavamo veličinu Phi i vidimo da iznosi 0.063 216 . b Using the asymptotic standard error assuming the null hypothesis.000 43. The minimum expected count is 40.7% 117 54. Sig 2-sided) nam kazuje da je značajan na nivou 0.2% 100.01. 82 . (2sided) Exact Sig.SPSS za psihologe i pedagoge % within POL Count % within POL Count % within POL 72. Znači na osnovu veličine hi kvadrata zaključujemo da su odstupanja dobijenih podataka značajna na nivou 0.000 . Njegova značajnost (Asymp. u našem primjeru.7% 35 27.455 44.01.0% 216 100.8% 27. koreliraju u srednjoj mjeri. a da bismo vidjeli da li postoji neka pravilnost u tim odstupanjima – pogledaćemo brojke u sljedećoj tabeli (Symmetric Measures).000 .000 . U našem primjeru. Takođe. a kod muškaraca više zaposlenih.0% 128 100. Symmetric Measures Value Nominal by Nominal N of Valid Cases Phi Cramer's V . (1sided) Value Pearson Chi-Square Continuity Correction(a) Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases 43.448 i da je značajno na nivou 0.264. (2sided) 1 1 1 1 . Prva tabela (POL * ZAPOSLEN Crosstabulation) nas izvještava o distribuciji frekvencija u pojedinim ćelijama tabele.01.0%) have expected count less than 5.3% 99 45.628 df a Computed only for a 2x2 table b 0 cells (.01. Sig.000 a Not assuming the null hypothesis. .000 . ali statistički značajno na nivou 0. To je mjera povezanosti vrijednosti ove dvije varijable (pola i zaposlenosti) i za nju možemo reći da je srednjeg intenziteta.264(b) 41. tu su i procentualni podaci dati za redove tabele. već na prvi podgled vidimo da se zaposlenost distribuira nejednako po kategorijama pola: kod žena je više nezaposlenih.000 Exact Sig.33.448 216 Approx. Sig.0% 82 zenski Total Chi-Square Tests Asymp.

i stoga mora da zadovolji uslove intervalnosti podataka. Visine korelacije aproksimativno ocjenjujemo kao: r od 0 do ± 0. Spearmanov koeficijent rang korelacije. 83 .40 do ± 0. i linearnosti odnosa između varijabli.20 → nikakva do neznatna povezanost r od ± 0. Koeficijent linearne korelacije Pearsonov koeficijent linearne korelacije predstavlja parametrijski test. Linearnost veze između varijabli do sada nismo sretali. a najlakše ga utvrđujemo uvidom u grafički prikaz raspršenja parova tačaka (skater grafikon). mada je to najčešća greška koja se sreće u interpretacijama rezultata istraživanja: ukoliko su dvije varijable u korelaciji. to nikako ne znači da promjene jedne varijabla uzrokuju promjene druge varijable. Karakteristike korelacije koje treba poznavati su visina ili jačina (od 0 do 1). smijer (+ ili -). 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.60 do ± 0. i statistička značajnost.80 → visoka povezanost r od ± 0.60 → povezanost srednjeg intenziteta r od ± 0. takozvane “mašinske formule”: rXY = [N ∑ X N ∑ XY − ( ∑ X )( ∑ Y ) 2 2 − (∑ X ) N ∑Y 2 − (∑Y ) ][ 2 ] Prednost ove formule je u tome što je jedino potrebno da znamo sirove skorove X i Y. Vidjećemo još kako možemo dobiti Pearsonov koeficijent linearne korelacije. i koeficijent biserijske korelacije. Ukoliko vidimo da se odnos između varijabli ne može približno predstaviti pravom linijom. 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.40 → niska povezanost r od ± 0. i nisu nam potrebne standardne devijacije.20 do ± 0. onda je bolje da ne koristimo koeficijent linearne korelacije.80 do ± 1 → veoma visoka do apsolutna povezanost Svakako treba imati na umu da korelaciju ne treba miješati sa uzročno posljedičnom vezom. normalnosti raspodjele. Osnovna formula za izračunavanje Pearsonovog koeficijenta je: rXY = ∑σ    x X + y σY N −1    .SPSS za psihologe i pedagoge 83 Mjere korelacije Korelacija predstavlja mjeru povezanosti između varijabli.

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

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

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

Takođe. (2-tailed) N ISTORIJA Correlation Coefficient Sig.759.967 35 FIZIKA . Sposobnosti smo mjerili jednim 87 .000 .007 . a druga je prirodno podijeljena u dvije kategorije (npr.007). 35 Sve važi kao i u slučaju linearne korelacije: program nam je dao sve moguće korelacije. 35 .517 35 1.000 . U oba slučaja.007 . (2-tailed) N ** Correlation is significant at the 0. ali da nije statistički značajna.517 35 ISTORIJA -.967 35 . vidimo da korelacije između uspjeha iz matematike i istorije gotovo da nema (iznosi –0. pol).01 level (2-tailed). Iz tabele vidimo da korelacija između uspjeha u matematici i fizici iznosi 0. 1. 35 .000 35 1.000 . Za primjer smo uzeli slučaj korelacije između opštih sposobnosti i prolaznosti na ispitu iz matematike. Point-biserijska korelacija je vrlo sličan slučaj. i da je statistički značajna na nivou 0.759(**) .000 35 -.01.113 . a da izvjesne pozitivne korelacije između uspjeha u fizici i istoriji ima (iznosi 0. 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.SPSS za psihologe i pedagoge 87 Correlations MATEMATI Spearman's rho MATEMATI Correlation Coefficient Sig.113 .113). (2-tailed) N FIZIKA Correlation Coefficient Sig. ali ovaj put jedna varijabla je intervalnog nivoa. najlakše je da u okviru SPSS-a ovu proceduru radimo kao i koeficijent linearne korelacije. a druga je vještački dihotomizirana u varijablu sa samo dva modaliteta. a mi gledamo one tri koje nas zanimaju.759(**) . Biserijska i point-biserijska korelacija Biserijsku korelaciju računamo kad imamo dvije varijable od kojih je jedna kvantitativnog tipa (intervalni nivo podataka).

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

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful