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

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

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

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

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

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

istraživači ispituju lijek koji se primjenjuje na dotad neizlječivim bolesnicima. U zavisnosti od toga koje statističke procedure su nam potrebne.. S druge strane. U stvarnosti. a sve navedeno o čemu budemo govorili može se upotrijebiti za sve verzije programa. Greška tipa I.05. ali to je rizik koji prihvatamo u statistici. a takođe i da bi se istraživačima olakšalo donošenje statističkih odluka. p=0. na primjer.05 (ili 5% nivo) i p=0.10). " Isto važi i za nivo značajnosti p=0.. nastaje kad donosimo zaključak o statističkoj značajnosti pojave (npr. koja se naziva i "greška alfa tipa". obično se koristimo terminom "nivo značajnosti" kad govorimo o nekim granicama statističke značajnosti. odredićemo i koje module ćemo moći priuštiti.o postojanju značajne razlike između pojava.. a ona u stvari ne postoji.. nivo značajnosti postavljamo u zavisnosti od toga kakva je priroda pojave koju ispitujemo i značajnosti zaključka koji donosimo. kad se ispituju lijekovi koji imaju potencijalno opasne prateće pojave. kriterijumi sigurnosti se moraju povećati na najviši nivo. p=0. jer podrazumijeva veću sigurnost kod određenih tvrdnji.SPSS za psihologe i pedagoge 9 Prilikom primjene statističkih testova. oni se odlučuju za blaže kriterijume značajnosti. kad odbacujemo tvrdnju o značajnosti pojave a ona u stvari postoji. ili značajne korelacije). Treba reći da su ova dva nivoa značajnosti sasvim arbitrarno prihvaćena. Šematski prikazano.. 9 . odnosno ". i da nas ništa ne sprečava da se služimo blažim kriterijumima (npr.. ". budući da se svaki modul zasebno kupuje. U skladu sa prethodnom pričom o nivoima značajnosti. pri donošenju statističkih zaključaka. Greška tipa II (greška beta tipa). součavamo se sa mogućnošću da načinimo neku od navedenih grešaka..01 (1% nivo značajnosti). Kad.to tvrdimo sa 95% sigurnosti.01.001).01 je strožiji od nivoa p=0.postoji 5% vjerovatnoće da pogriješimo kad tvrdimo da . SPSS programski paket Programski paket SPSS čini više zasebnih modula (dijelova programa).. Ove granice su ustanovljene da bi se ujednačili kriterijumi prilikom donošenja odluka. Ti nivoi značajnosti se interpretiraju kao: ". ili strožijim (npr. Nivo značajnosti od p=0. Pri tom se uglavnom koristimo nivoima značajnosti p=0. Mi ćemo se ovdje dotaći upotrebe svakog od modula programskog paketa SPSS 11. nastaje u obrnutom slučaju. tipovi grešaka izgledaju ovako: Donesena odluka Prihvaćena afirmativna hipoteza Prihvaćena nulta hipoteza Stanje u populaciji Nulta hipoteza ispravna Greška tipa I (alfa) Ispravna odluka Afirmativna hipoteza ispravna Ispravna odluka Greška tipa II (beta) Svaki put kad donosimo odluku na osnovu nekog od postavljenih kriterijuma značajnosti. govori se o dva tipa grešaka pri generalizaciji statističkih zaključaka sa uzorka na populaciju.5. jer u takvim situacijama čak i 50% vjerovatnoće dejstva takvog lijeka govori o vjerovatnoći da se spasi 50% ljudskih života koji su bili suočeni sa izvjesnom skorom smrti. jer u slučaju pogreške u zaključivanju mogu dovesti do fatalnih posljedica.

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

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

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

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

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

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

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

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

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

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

možemo otići na Variable View.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. i potvrdimo sa Finish. Po završetku imamo podatke u SPSS-u: Budući da vidimo kako imena varijabli nisu definisana. i treba da sve ostavimo kako jeste.

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

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

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

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

čitljiv u većini programa i na većini kompjutera. ali sadrži samo tekst . Open . Takođe.snimanje novih podataka sa odredjivanjem imena i tipa fajla. Za kraj pritisnemo dugme "Save". Sve te operacije obavljamo u glavnom meniju File. Access.koristimo za otvaranje ranije snimljenih fajlova (baza podataka. ispisa rezultata. "All Visible Objects" ako želimo da eksportujemo samo vidljive sadržaje. Pod "Export What" možemo izabrati "All Objects" ukoliko želimo da se sve eksportuje u fajl.snimanje podataka. . Statistica itd). Pod "File Type" biramo tip fajla pod kojim će se snimiti naša datoteka: htm . i "Selected Objects" ako želimo da eksportujemo samo selektovane objekte. čitljiv u internet čitačima.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.SPSS za psihologe i pedagoge 25 Snimanje podataka U SPSS-u imamo više vrsta snimanja i izvoza podataka i rezultata naših statističkih obrada. Što 25 .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. Save .sve sem grafikona se eksportuje Charts Only . ili nekog drugog programa (Excel. Export .. ali i u većini novih programa za obradu teksta (Word 97 i noviji) txt .snimanje tabela. a pod "Files of type" odredićemo tip fajla.tekstualni fajl. možemo otvarati i rezultate ranije napravljenih ispisa ili komandnih procedura.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". pod "File Name" upisaćemo naziv fajla. Kad izaberemo ovu opciju dobićemo prozor gotovo identičan onom sa Open opcijom: pod "Save in" odredićemo direktorijum u koji snimamo. Ovu opciju imamo na raspolaganju kad je aktivan prozor Output. komandnih programa). koristićemo Save As. tako da ih možemo otvoriti u drugim programima. Koristimo ako smo već ranije dali ime fajlu. Ukoliko nismo ranije odredili ime i tip fajla. grafikona i rezultata obrade u drugim formatima. a druge neće.samo grafikoni se eksportuju Pod "File Name" odredjujemo ime fajla i putanju do direktorijuma gdje će biti snimljen. Pod opcijom "Export" biramo šta će sve biti u eksportovanom fajlu: Output Document .

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

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

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

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

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

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

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

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

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

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

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

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

SPSS za psihologe i pedagoge 39 39 .

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

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

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

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

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

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

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

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

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

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

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

325 što znači da je naša distribucija negativno asimetrična (skreće na lijevu stranu). da bismo vidjeli da li značajno odstupa od normalne raspodjele mjera. Vrijednost aritmetičke sredine je 47. dobićemo sljedeći ispis: Descriptives Descriptive Statistics N Range Minimum Statistic 50 18 Maximum Statistic 68 Statistic 47. Ukoliko želimo da vidimo zakrivljenost naše distribucije možemo uključiti i mjere zakrivljenja (Kurtosis i Skewness). leptokurtična.389 Std.AUT Valid N (listwise) 495 495 Iz tabele možemo vidjeti da imamo 495 ispitanika čiji su rezultati uzeti u obradu. 53 . Raspon rezultata iznosi 50. standardna greška aritmetičke sredine (S.663 Skewness Statistic -0. a maksimalnog 68.66.E. minimum i maksimum. standardna devijacija. tj.991 Mean Std. kliknemo na dugme Options i dolazimo do izbora mjera. dok standardna devijacija iznosi 8.0193 Statistic Statistic SKOR. Error 0. vrijednost minimalnog skora je 18. a njena standardne greške 0.325 Kurtosis Statistic -0. Kad na kraju potvrdimo sa OK.263 na onsnovu čega zaključujemo da je kriva empirijske distribucije izdužena u odnosu na normalnu.389. Kurtosis je manji od 0. raspon Range). Deviation Statistic 8. Za početak su označene aritmetička sredina (Mean).SPSS za psihologe i pedagoge 53 Da bi vidjeli koje statističke mjere su nam na raspolaganju. mean).98. Skewness iznosi –0.

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

49061 7.00 14. i koliko ispitanika je imalo valjane podatke.5112 N 85 177 37 71 31 401 Std.0323 22.57532 Median 26.00 41.00 Prva tabela (Case Processing Summary) nas. U koloni Means vidimo da je stepen poznavanja 55 .0000 21. izvještava o tome koje varijable se ukrštaju (u našem slučaju to su znanje iz informatike i starost).49 godina preko 50 godina Total Mean 26.97217 7.SPSS za psihologe i pedagoge 55 Kao rezultat dobijamo sljedeći ispis: Means Case Processing Summary Cases Included N znanje iz informatike * STAROST 401 Percent 98.1882 24.1127 15. Pošto vidimo da su sve na broju (AS.43117 6.0000 14.00 41.00 14.62201 6.7458 20.00 39.0% Report znanje iz informatike STAROST 18 . Deviation 5.00 41. σ .00 14. N.00 14.63443 4.00 Maximum 38.00 14.0000 24.2% N 406 Total Percent 100.0000 14. min i max).0000 15.0000 17. odnosno koliko je ispitanika uzeto u obradu.29 godina 30 . Druga tabela (Report) daje prikaz deskriptivnih statističkih mjera koje smo tražili.0000 Minimum 14. možemo obaviti i uvid u dobijene rezultate.20 godina 21 . medijana.39 godina 40 . već uobičajeno.00 38.8% N 5 Excluded Percent 1.

kolona N pokazuje broj ispitanika po kategorijama. Dalje se.58 SE Ku i Sk  .58. u kategoriji starosti od 30 do 39 148 ispitanika i u u kategoriji starosti od 40 do 49 njih 17).96 skjunis standardna greška skjunisa kurtozis standardna greška kurtozis a oznaka za statističku značajnost vrijednost sa kojom se poređenje vrši na nivou značajnosti p<. skjunis i kurtozis podijele sa njihovim standardnim greškama.05. Testiranje normalnosti distribucije podataka Već smo vidjeli da je za veliki broj statističkih analiza neophodno ustanoviti da li distribucija dobijenih podataka zadovoljava uslov normalnosti.05 56 .01. da li u dovoljnoj mjeri podražava normalnu raspodjelu (npr. Jedan od načina je da se (već predstavljene) deskriptivne mjere odstupanja. može zaključiti da je najveće prosječno odstupanje rezultata prisutno u grupi ispitanika starosti između 30 i 39 godina.96 ili 2.58 1. Ukoliko bilo koja od dobijenih vrijednosti bude veća od 1. najmanji dobijeni skor je jednak u svim grupama. prate vrijednosti aritmetičkih sredina po kategorijama ispitanika. Sk  2.58 SESk Ku  2.96 SE Ku gdje je Sk SESk Ku SEKu p 2.01) odstupa od normalne krive. Poređenje se dalje može vršiti i na osnovu drugih dobivenih statističkih mjera.96 1 SESk ∨ Ku  1. dok su najveći skorovi dobijeni u grupama ispitanika starosti od 21 do 29 i od 40 do 49 godina. Na kraju (samo po redoslijedu navođenja. odnosno 0. Znači. naravno. za odluku da li će se u razmatranju određenih podataka primijeniti neki parametrijski ili neparametrijski test).05 vrijednost sa kojom se poređenje vrši na nivou značajnosti p<. recimo. Tako vrijednosti medijane. Provjera eventualnog odstupanja empirijske od normalne distribucije se može izvršiti na više načina. već prije svega ukazuje na to da li je smisleno porediti grupe (ako su razlike u broju članova poduzoraka velike. zaključuje se da empirijska distribucija značajno (na nivou 0.SPSS za psihologe i pedagoge 56 oblasti informatike veći kod mlađih ispitanika i da progresivno opada sa porastom starosne dobi ispitanika.01 ⇒ p  . npr. ∨ ⇒ p  . nikako i važnosti podataka koje sadrži). što je vrlo važno ne samo jer pruža informaciju o brojnosti kategorija. tj.

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

0000 75. .AUT .0% 5% Trimmed Mean Median Variance Std.2268 48.00 68.110 .048 a Lilliefors Significance Correction df 495 Sig. Error .991 Shapiro-Wilk df 495 Sig.008 Statistic .AUT 495 Percent 97. .005 .6% Descriptives Statistic SKOR.7570 48.00 12.00 50.9919 47. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis 58 .219 Std.4% N 507 Total Percent 100.326 -.38942 N 12 Missing Percent 2.1768 48.SPSS za psihologe i pedagoge 58 Dobićemo sljedeći ispis: Explore Case Processing Summary Cases Valid N SKOR.065 8.019 Tests of Normality Kolmogorov-Smirnov(a) Statistic SKOR.AUT Mean 95% Confidence Interval for Mean Lower Bound Upper Bound 47.0000 -.66399 18.

048). Vidimo da se veći broj ispitanika gomila na gornjem dijelu naše skale. Kolona Statistic kaže kolika je izračunata mjera odstupanja naše distribucije od normalne (u našem slučaju 0. Dev = 8. No.SPSS za psihologe i pedagoge 59 Histogram 120 100 80 60 40 Frequency 20 0 20. prve tri kolone predstavljaju izvještaj o obavljenom Kolmogorov-Smirnov testu. a druga o generalnim deskriptivnim podacima za našu skalu. što znači da su rezultati za našu ispitivanu populaciju negativno asimetrični.0 35.0 55.0 65.96.0 70. odbacujemo postavljenu hipotezu.0 Std. 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).01.AUT Prva tabela nam govori o broju valjanih podataka uzetih u obradu.0 N = 495. ukoliko skewness podijelimo sa njegovom standardnom greškom dobijamo: -0.110 = -2.326/0. on nam zasad nije potreban. Takođe.66 Mean = 48. Budući da je p (odnosno Sig. u SPSS-u) manje od 0. nam govori o značajnosti utvrđenog odstupanja (u našem slučaju 0. a kolona Sig.00 SKOR.0 40. 59 . i donosimo zaključak da naša distribucija statistički značajno (na nivou značajnosti od 0. Histogram koji smo dobili nam može ponešto reći o dobijenim podacima. gdje takođe potvrđujemo značajno odstupanje dobijene od normalne raspodjele. pod nazivom Test of Normality. budući da je on predviđen za uzorke od 50 ili manje ispitanika (u našem slučaju ih ima 495). u trećoj (onoj koja nas najviše zanima) dobijamo izvještaj o distribuciji koju testiramo. odnosno varijabilnost negativne strane je povećana.0 60. a hipoteza je bila da naša distribucija ne odstupa značajno od normalne. U okviru te tabele. Dok se u drugoj tabeli nalaze deskriptivne statističke mjere razmatrane distribucije koje smo odabrali o okviru opcije Statistics.0 50.008).0 25.0 30.01) odstupa od normalne.0 45.

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

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

Deviation).0490 -.763 205. dobijamo sljedeći ispis kao rezultat našeg testiranja: T-Test Group Statistics POL muski zenski N 88 128 Mean 22.000 -1. u obzir se uzima apsolutna veličina) i 62 .6400 Prva tabela (Group Statistics) koju smo dobili daje nam deskriptivne mjere za naša dva uzorka. te vrijednosti ćemo upisati u kućice.2542 .582 . Vidimo da ukupno ima 88 muških i 128 ženskih ispitanika. Druga tabela (Independent Samples Test) je nešto složenija.648 23. Kad je vjerovatnoća veća od . Kad smo definisali grupe i potvrdili sve. Error Difference 95% Confidence Interval of the Difference Lower Upper -.05 (u našem slučaju to je 0. Već smo vidjeli iz prve tabele da djevojke postižu nešto bolje rezultate od mladića (za 1.106).8416 Std.3691 -2.2512 Rezultat testa iz engleskog Independent Samples Test Levene's Test for Equality of Variances F Sig.643 214 .3843 2. a 2 muški pol.0719 -3.SPSS za psihologe i pedagoge 62 Pošto smo mi definisali modalitete naše varijable tako da 1 označava ženski. ali da li je ta razlika statistički značajna? Veličina statistika t od –3. Error Mean . Takođe vidimo da je prosječni rezultat na testu iz engleskog manji kod muških nego kod ženskih ispitanika (kolona Mean).6170 Rezultat testa iz engleskog Equal variances assumed Equal variances not assumed 2. onda zaključujemo da se pretpostavljaju jednake varijanse u okviru naših subpopulacija i očitavamo rezultate iz prvog reda (Equal variances assumed). t df t-test for Equality of Means Sig.641 . Da je značajnost Levenovog testa bila manja od .106 -3.000 -1.05.3573 -2.992 Std. (2tailed) Mean Difference Std.344 . ali i da je varijabilnost rezultata veća kod ženskih ispitanika (kolona Std. rezultate bismo očitavali iz drugog reda (Equal variances not assumed). Potvrdimo sa Continue.344 . Deviation 2.643 (predznak nam nije bitan. Prvo treba da pogledamo rezultate Levenovog testa jednakosti varijansi.344 poena u prosjeku).

36 Sum of Ranks 55562.00 67198. nam govori da su razlike između aritmetičkih sredina statistički značajne.AUT 63 . Moramo definisati grupe u okviru nezavisne varijable na isti način kao što smo to opisali kod t testa.SPSS za psihologe i pedagoge 63 njegova značajnost od .05 i od . Mann – Whitneyjev U-test U slučaju kad imamo dva nezavisna uzorka koji ne zadovoljavaju uslove za primjenu parametrijskog t testa. Idemo na meni Analyze/Nonparametric Tests/2 Independent Samples.01).55 244.00 SKOR. Potrebno je da imamo podatke koji potiču bar sa ordinalne skale. i dobijamo sljedeći ispis: NPar Tests Mann-Whitney Test Ranks pol muski zenski Total N 220 275 495 Mean Rank 252. za testiranje značajnosti razlike koristimo neparametrijski ekvivalent. i ubacimo zavisnu varijablu u okvir gdje piše Test Variable List.000 (znači manje od . a nezavisnu varijablu u okvir Grouping Variable. pokazalo se ranije. ne zadovoljava uslov normalnosti za primjenu parametrijskih testova). Testiranje t-testom možemo obaviti na više načina u SPSS-u. ali za sad ćemo ostati kod ovoga. potvrdimo sa OK. Mi ćemo za primjer uzeti polne razlike u osobini autoritarnosti (ta varijabla. a to je Mann-Whitneyjev test. Kad smo sve uradili.

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

444 25. 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.96 i 2. znači.razlika aritmetičkih sredina.7402 2.19323 Paired Samples Correlations 65 . prije i poslije kursa. i mi treba da uporedimo te rezultate i zaključimo da li je nastava iz jezika doprinijela boljem znanju. selektujemo dvije varijable čije rezultate želimo da poredimo.3194 N 216 216 Std. Error Mean .SPSS za psihologe i pedagoge DM .58. dobijamo sljedeći ispis: T-Test Paired Samples Statistics Mean Pair 1 Rezultat testa iz engleskog prije kursa Rezultat testa iz engleskog poslije kursa 23. U našem slučaju to su rezultati na testu prije (skor. σ DM 65 t= gdje je t – t-test . pri čemu broj stepeni slobode dobija po obrascu: df = N-1.standardna greška razlika između aritmetičkih sredina Ukoliko se istraživač susreće sa velikim grupama.eng) i poslije kursa (sk. Deviation 2. .83988 Std. Ista grupa od 216 studenata . dobijeni rezultat se poredi sa granicama 1. a ukoliko su grupe manje – onda se granice intervala pouzdanosti očitavaju iz odgovarajućih tablica.eng2). Kad smo na kraju potvrdili svoj izbor. i unesemo ih u okvir gdje piše Paired Variables. radila je dva puta isti test. Treba da idemo na meni Analyze/Compare Means/Paired-Samples T Test.1864 .

kao i druge podatke (broj ispitanika. Error 95% Confidence Interval Deviation Mean of the Difference Lower Pair 1 Rezultat testa iz engleskog prije kursa .982. Vidimo da su na prvom testu ispitanici postizali u prosjeku 23. 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.8032 -51. odnosno da su studenti (najvjerovatnije) zbog pohađanja kursa engleskog jezika. . Znači.9468 Upper -1.Rezultat testa iz engleskog poslije kursa -1. unaprijedili svoje znanje. Možemo vidjeti da u našem slučaju veličina t iznosi -51.SPSS za psihologe i pedagoge N Pair 1 Rezultat testa iz engleskog prije kursa & Rezultat testa iz engleskog poslije kursa 216 Correlation .000.472 (opet nam predznak nije bitan). Std. Iz nje možemo vidjeti kolika su prosječna postignuća na testu prije i poslije kursa (Mean). ali. 66 . standardnu devijaciju). (2tailed) Mean Prva tabela (Paired Samples Statistics) nam daje deskriptivne statističke mjere za naše zavisne uzorke. što bi značilo da je gotovo svaki ispitanik popravio svoje znanje iz engleskog za istu količinu.).982 Sig.472 215 .000 t df Sig.53538 . U realnosti gotovo nikad nećete naići na povezanosti ovoe veličine. U našem slučaju ta korelacija iznosi veoma visokih 0.319.03643 -1.87 poena u prosjeku. možemo reći da se prosječni rezultati značajno razlikuju.000 66 Paired Samples Test Paired Differences Std. budući da su naši rezultati izmišljeni – to je prihvatljivo :-) U trećoj tabeli (Paired SamplesTest) nas zanima prvenstveno statistik t i njegova vjerovatnoća (Sig. Druga tabela (Paired Samples Correlations) nam govori kolika je povezanost između rezultata na prvom i drugom testu.8750 .

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

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

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

ili nekim od SPSS-ovih post-hoc testova za detekciju razlika između pojedinačnih parova poduzoraka. Na kraju izračunavamo F kroz formulu: F = 70 .898 Na osnovu odgovarajuće tabele.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. onda trebamo utvrditi između kojih grupa postoje značajne razlike. ili samo između nekih? Tada se koristimo t-testom.503 6. a sve to ćemo dobiti preko suma kvadrata odstupanja rezultata od aritmetičkih sredina: SS T = SS w + SS b gdje su: SST – ukupna suma kvadrata odstupanja SSw .503 = 10. da li između svih mogućih parova. očitavamo granice značajnosti i donosimo zaključak o statističkoj značajnosti razlika.SPSS za psihologe i pedagoge 70 Varijansa između grupa F= Varijansa unutar grupa Analizu varijanse radimo uz pomoć razlaganja ukupne varijanse na komponente.007 1469.51 6. U slučaju da ustanovimo da je F statistik značajan. koju možemo naći u osnovnim udžbenicima iz statistike.suma kvadrata odstupanja unutar grupa SSb .333 Varijansa (v = SS/df) 72.898 72.326 1614.

812 16. . Mi ćemo za primjer uzeti opet naš test iz engleskog.6071 2. 71 Specifičnost analize varijanse jeste to da će nam ona za rezultat pokazati postoji li između nekih grupa statistički značajna razlika.5 Minimum Maximum ANOVA Rezultat testa iz engleskog Sum of Squares Between Groups Within Groups 145. i može pojaviti do tri razlika (tri su moguća poređenja).181 23. ići ćemo korak po korak pa ćemo vidjeti šta ćemo dobiti.007 1469. Deviation Std.5 17.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.604 24.931 23.218 25.174 22. a pod Factorunesemo nezavisnu varijablu (fakultet u našem slučaju). ali nam ne može reći između koji grupa. 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). medicinski i tehnološki).0 19. U našem primjeru varijabla fakultet ima 3 modaliteta (filozofski.0 16.6598 2.444 2.503 6.077 Upper Bound 23.561 21. Kao ispis naše analize varijanse dobijamo: Oneway Descriptives Rezultat testa iz engleskog N Mean Std.3072 .6122 2. Error 95% Confidence Interval for Mean Lower Bound tehnoloski medicinski filozofski Total 72 72 72 216 23.990 23.000 71 . i drugu varijablu intervalnog nivoa i normalne raspodjele rezultata. poredićemo postignuće na testu iz engleskog jezika studenata različitih fakulteta.3135 .1864 22.3078 .5 28. No.510 Sig.5 27.898 F 10.5 29. Sada ćemo vidjeti kako ćemo statističko testiranje obaviti uz pomoć SPSS-a.326 df 2 215 Mean Square 72.556 23.7402 .786 23.0 29.

U našem slučaju F=10.01). a Std. U našem primjeru možemo vidjeti da su studenti filozofskog fakulteta postigli najviše. Ovde se nalazi grupa posthok testova za ispitivanje međugrupnih razlika. N je broj ispitanika. studenti tehnološkog fakulteta nešto manje. filozofski-tehnološki i medicinski-tehnološki.Deviation standardna devijacija. većina će nam dati slične rezultate.510.000 (znači statistički značajno na nivou 0. a studenti medicinskog fakulteta najmanje rezultate na testu iz engleskog jezika. čije modalitete upisujemo pod Define Groups. Mi ćemo izabrati LSD test i potvrditi naš izbor sa Continue. 72 . Imaćemo tri moguća poređenja: filozofski-medicinski. Trebali bi se vratiti na poglavlje T-test za nezavisne uzorke i uraditi sve kako je tamo opisano.SPSS za psihologe i pedagoge Total 1614. prva tabela (Descriptives) nam daje deskriptivne podatke o našim poduzorcima. s tim da nam je nezavisna varijabla ovaj put fakultet. to možemo učiniti uz pomoć t-testa. Iako se zasnivaju na različitim matematičkim procedurama. Možemo reći da se statistički značajno razlikuju studenti ova tri fakulteta po postignuću na testu iz engleskog jezika. a značajnost je 0. Mean je aritmetička sredina. Druga tabela (ANOVA) nam daje rezultate testa: očitavamo vrijednost mjere F i njenu značajnost. za brzi uvid u te razlike poslužićemo se opcijom Post Hoc kad radimo analizu varijanse (dugme pod tim nazivom u donjem dijelu prozora).333 216 72 Kao što smo navikli. Ako želimo da znamo između kojih fakulteta konkretno postoje razlike. Ipak.

SPSS za psihologe i pedagoge 73 Kao rezultat ćemo dobiti iste dve tabele kao što je prethodno opisano za analizu varijanse. a zavisna varijabla će nam biti broj prihvaćenih odnosa sa Italijanima (ponuđeno je 7). ali mi biramo Kruskal-Wallis H test. U našem slučaju. Error .). Ova tabela će nam pokazati koji parovi fakulteta se porede (kolona Fakultet).000 . Potrebno je da imamo jednu kategoričku varijablu sa dva ili više modaliteta. Razlika između medicinskog i tehnološkog fakulteta nije statistički značajna. i drugu varijablu bar ordinalnog tipa. kolika je razlika u prosječnom postignuću na testu (Mean Difference).245 -1. Nezavisna varijabla će nam biti stepen obrazovanja majke sa tri modaliteta (završena osnovna škola.519 . filozofskog i medicinskog fakulteta.569 -1. srednja škola i viša/visoka škola).4377 Sig.000 Lower Bound -.089 2. Idemo na meni Analyze/Nonparametric Tests/K Independent Samples. 73 .519 1.4377 . i značajnosti tih razlika (Sig. kad podaci ne zadovoljavaju uslove za primjenu analize varijanse.002 .569 -1.4377 .05 level.245 2.089 Upper Bound 1.432 -. i to obe razlike značajne na nivou 0.951(*) 1. Kruskal Wallis test Ovaj test nam služi za utvrđivanje značajnosti razlika između dve ili više mjerenih osobina.382(*) -.293 -1.951(*) Std. Pod okvirom Test Typeimamo ponuđena tri testa.195 . . Nakon toga je potrebno kliknuti na dugme Define Range i definisati koji je raspon vrijednosti nezavisne varijable.4377 . vidimo da postoje značajne razlike između filozofskog i tehnološkog.195 .4377 . U našem slučaju to je od 1 do 3. a pod Grouping Variable unesemo nezavisnu varijablu.002 . 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) .05.4377 . Mi ćemo kao primjer istraživanje u kojem je ispitivano prihvatanje socijalnih odnosa sa Italijanima u vezi sa različitim socio-demografskim varijablama.814 . i pod Test Variable List unesemo zavisnu varijablu.293 -2.382(*) 1.814 * The mean difference is significant at the .432 -2.

657 a Kruskal Wallis Test b Grouping Variable: strucna sprema majke Prva tabela (Ranks) nas izvještava o broju ispitanika u pojedinim grupama našeg uzorka.). Sig.44 208. 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. i jednu zavisnu kvantitativnu varijablu. a za zavisne su uzeti pol i zaposlenost. Sig. Druga tabela (Test Statistics) nam daje mjeru χ2 (hi na kvadrat. Znači.82 198.839 2 . i prosječnim rangovima zavisne varijable.73 Prihvatanje odnosa sa Italijanima Test Statistics(a.b) Prihvatanje odnosa sa Italijanima Chi-Square df Asymp. . Mi ćemo kao primjer uzeti fiktivno istraživanje u kojem je za zavisnu varijablu uzeta izraženost osobine depresivnosti. U našem slučaju vidimo da je χ2 =0. pitanja su: da li izraženost depresivnost zavisi od pola.839 i da nije statistički značajno (vjerovatnoća veća od 0.SPSS za psihologe i pedagoge 74 Nakon što smo sve obavili.05 i 0. Chi-Square) i njenu značajnost (Asymp.01). zaposlenja ili od kombinacije ova dva 74 . Dvofaktorska univarijantna analiza varijanse Dvofaktorsku univarijantnu analizu varijanse primjenjujemo kad za nezavisne varijable imamo dve kategoričke varijable. što bi značilo da ne postoje značajne razlike u pogledu prihvatanja socijalnih odnosa sa Italijanima između grupa ispitanika čiji očevi su različito obrazovani.

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

72535 2.16340 2. Dolazimo do prozora gdje trebamo odrediti varijable koje će odrediti naš grafikon.2473 23.74017 N 64 24 88 35 93 128 99 117 216 Tests of Between-Subjects Effects 76 .SPSS za psihologe i pedagoge Dalje.38896 2. To ćemo uraditi kroz dugme Plots. Ukoliko imamo dve varijable.84161 2. Na kraju je neophodno da pritisnemo dugme Add (nakon toga bi se trebale pojaviti ove varijable u donjem okviru Plots) inače SPSS neće upamtiti naš izbor. Deviation 2.96595 2.2969 23.9922 22. 76 Nakon što smo obavili sve.6566 24.38429 2.00 2.1111 23.5833 22.91925 2.6477 23.28644 2. jer će nam to pomoći pri tumačenju. zgodno je da imamo i nekakav grafički prikaz naših rezultata.3143 24. dobijamo sljedeći ispis: Univariate Analysis of Variance Between-Subjects Factors Value Label POL ZAPOSLEN 1 2 1. upisujemo ih u okvire Horizontal Axis i Separate Lines (gdje će ići koja varijabla zavisi od istraživačkih potreba).4444 Std.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.

261 50.261 50. i nezaposleni su depresivniji.223 7. Red ispod njih je interakcija pola i zaposlenosti (POL*ZAPOSLEN) i F je 0.077) Profile Plots Estimated Marginal Means of depresivnost 24.041 . kao što vidimo.047 120337.098 29.000 . u koloni N možemo vidjeti i da je u okviru muških veći procenat ispitanika zaposlen. i kolone F i Sig.098 29. a u okviru ženskih veći procenat je nezaposlen. U okviru reda POL vidimo da je mjera F=4.706 4. Grafikon na kraju (Estimated Marginal Means of depresivnost) nam daje grafički prikaz onoga što smo imali u tabeli Descriptive Statistics.333 df 3 1 1 1 1 212 216 215 Mean Square 48.293 6. Ovo su glavni efekti pola i zaposlenja na depresivnost i.000 . što bi za nas značilo da nema interakcije između pola i zaposlenosti u pogledu uticaja na depresivnost.987 1.187 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. oba su značajna: u našem uzorku žene su depresivnije.000 1614. Iz nje već vidimo da (kolona Means) muški nezaposleni imaju više izraženu depresivnost od muških zaposlenih.929 F 6.5 23. da ženski nezaposleni imaju više izraženu depresivnost od ženskih zaposlenih. Sa vremenom.358 .987 1. ZAPOSLEN i POL*ZAPOSLEN.358 i da je značajno na nivou 0.0 muski zenski nezaposlen POL Iz prve tabele (Between-Subjects Factors) vidimo kako se raspoređuju ispitanici po kategorijama pojedinih varijabli. vidjećemo da nam paralelnost linija govori o 77 . da žene imaju imaju višu depresivnost od muških.293 1469.429 90372.05. Sljedeća tabela (Descriptive Statistics) nam več daje bitnije podatke. Nas zanimaju redovi u kojima piše POL.01.05.5 zaposlen 22.0 Estimated Marginal Means 23. Takođe. a nezaposleni veću od zaposlenih.187 a njegova značajnost veća od 0. Sljedeća tabela (Tests of Between-Subjects Effects) nam daje podatke o statističkim značajnostima.007 .090 (Adjusted R Squared = .0 ZAPOSLEN 22. .989 13041.5 24. a u redu ZAPOSLEN da je F=7. kako budemo primjenjivali analize varijanse.223 i da je statistički značajno na nivou 0.286(a) 90372.666 77 a R Squared = .

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

kad imamo jednu varijablu sa više modaliteta.99 (p=0. Pretpostavka o normalnoj raspodjeli mjera). gdje fo predstavlja dobijene frekvencije (o skraćeno od observed na engleskom). a i razni anketni podaci. fo Da Nisam siguran Ne 30 15 15 20 20 20 fe 10 -5 -5 (fo.fe)2 /fe 5 1. Na osnovu datih granica i veličine dobijenog hi-kvadrata možemo zaključiti da dobijene frekvencije odstupaju značajno od očekivanih na nivou 0. Mi smo pretpostavili da će se odgovori ispitanika podjednako raspodijeliti u sve tri kategorije.05. Najraširenija je upotreba mjere χ2 (grčko slovo hi. a ponuđeni su odgovori: da. ili o bilo kakvoj drugačijoj raspodjeli frekvencija. dok fe predstavlja teorijski pretpostavljene. prihvatamo 79 . na engleskom Chi Square). Ukoliko se pokaže da je količina odstupanja dovoljno velika. Iz tablica očitavamo granične vrijednosti odgovarajućih intervala sigurnosti: 5. Vidjećemo kako to izgleda na primjeru analize jednog zamišljenog anketnog rezultata.fe)2 100 25 25 (fo.21 (p=0. onda moramo dati neku pretpostavku o tome kako mislimo da će se raspoređivati frekvencije po modalitetima varijable. na osnovu rezultata hi-kvadrat testa. odnosno očekivane frekvencije (e skraćeno od expected na engleskom). nisam siguran i ne. Tako većina podataka koje skupimo u istraživanju sačinjavaju upravo takvi podaci: sociodemografski podaci kao što su pol. Te očekivane vrijednosti mogu biti zadate po nekom ranije zamišljenom modelu. zaključiti da li opažene frekvencije odstupaju od očekivanih. većina pojava koje pokušavamo da registrujemo ima diskretni (isprekidani.25 χ2=7. fe Ovo je matematički izraz za izračunavanje hi-kvadrata.05) i 9.5 χ =∑ 2 ( fo − fe ) 2 Broj stepeni slobode se računa po obrascu: df = (broj kolona – 1) x (broj redova –1). odnosno da li je ispravna naša hipoteza. uzrasne ili obrazovne skupine.SPSS za psihologe i pedagoge 79 Analize kategoričkih varijabli U psihologiji. kao i ostalim društvenim naukama. gdje 60 ispitanika odgovaralo na pitanje: “Da li se zalažete za civilno služenje vojnog roka?”. Znači.25 1. Na kraju ćemo. Hi-kvadrat test Za podatke koji potiču sa nominalne skale postoje posebne statističke procedure oslobođene od striktnih pretpostavki o distribuciji mjera (kao npr. kategorijalni) karakter. i u našem slučaju to je: (2-1)x(3-1) = 2. ili o normalnoj raspodjeli. χ2 nam služi da testiramo odstupanje dobijenih frekvencija od nekih očekivanih (teorijskih) vrijednosti.01).fe) (fo. 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. što može biti pretpostavka o jednakoj raspodjeli podataka u ćelijama tabele.

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

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

000 . u našem primjeru. Sig 2-sided) nam kazuje da je značajan na nivou 0. U našem primjeru.01. Tu očitavamo veličinu Phi i vidimo da iznosi 0.0% 128 100. Prva tabela (POL * ZAPOSLEN Crosstabulation) nas izvještava o distribuciji frekvencija u pojedinim ćelijama tabele.3% 93 72.000 43.448 216 Approx. . 82 .01. već na prvi podgled vidimo da se zaposlenost distribuira nejednako po kategorijama pola: kod žena je više nezaposlenih.0% 82 zenski Total Chi-Square Tests Asymp. (1sided) Value Pearson Chi-Square Continuity Correction(a) Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases 43. ali statistički značajno na nivou 0.264(b) 41.000 a Not assuming the null hypothesis.33.000 .3% 99 45.000 . The minimum expected count is 40.448 i da je značajno na nivou 0.8% 27. a kod muškaraca više zaposlenih.2% 100.000 . Sig. tu su i procentualni podaci dati za redove tabele.063 216 .000 Exact Sig. koreliraju u srednjoj mjeri.SPSS za psihologe i pedagoge % within POL Count % within POL Count % within POL 72.7% 117 54.264.0%) have expected count less than 5. Znači na osnovu veličine hi kvadrata zaključujemo da su odstupanja dobijenih podataka značajna na nivou 0.628 df a Computed only for a 2x2 table b 0 cells (.455 44.7% 35 27.01. To je mjera povezanosti vrijednosti ove dvije varijable (pola i zaposlenosti) i za nju možemo reći da je srednjeg intenziteta. a da bismo vidjeli da li postoji neka pravilnost u tim odstupanjima – pogledaćemo brojke u sljedećoj tabeli (Symmetric Measures). b Using the asymptotic standard error assuming the null hypothesis. (2sided) 1 1 1 1 .01.0% 216 100. Symmetric Measures Value Nominal by Nominal N of Valid Cases Phi Cramer's V . Takođe. Sig. Pol i zaposlenost. Možemo da pogledamo sljedeću tabelu (Chi-Square Tests) i očitamo veličinu hi kvadrata (Pearson Chi-square): 43. Njegova značajnost (Asymp. (2sided) Exact Sig.448 .000 .

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

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

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

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

U oba slučaja.759(**) .967 35 . Takođe.000 35 1. (2-tailed) N ISTORIJA Correlation Coefficient Sig.113 .000 . 35 .007). (2-tailed) N FIZIKA Correlation Coefficient Sig.01. a druga je prirodno podijeljena u dvije kategorije (npr. 35 Sve važi kao i u slučaju linearne korelacije: program nam je dao sve moguće korelacije.007 . ali da nije statistički značajna.517 35 1. 35 . pol).SPSS za psihologe i pedagoge 87 Correlations MATEMATI Spearman's rho MATEMATI Correlation Coefficient Sig. 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.967 35 FIZIKA . i da je statistički značajna na nivou 0.000 . Sposobnosti smo mjerili jednim 87 . Iz tabele vidimo da korelacija između uspjeha u matematici i fizici iznosi 0. Za primjer smo uzeli slučaj korelacije između opštih sposobnosti i prolaznosti na ispitu iz matematike.000 .759.759(**) . Biserijska i point-biserijska korelacija Biserijsku korelaciju računamo kad imamo dvije varijable od kojih je jedna kvantitativnog tipa (intervalni nivo podataka).113).113 . najlakše je da u okviru SPSS-a ovu proceduru radimo kao i koeficijent linearne korelacije. a mi gledamo one tri koje nas zanimaju.517 35 ISTORIJA -. 1. (2-tailed) N ** Correlation is significant at the 0. ali ovaj put jedna varijabla je intervalnog nivoa. a da izvjesne pozitivne korelacije između uspjeha u fizici i istoriji ima (iznosi 0.000 35 -. Point-biserijska korelacija je vrlo sličan slučaj. a druga je vještački dihotomizirana u varijablu sa samo dva modaliteta.007 . vidimo da korelacije između uspjeha iz matematike i istorije gotovo da nema (iznosi –0.01 level (2-tailed).

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

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

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

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

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

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

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