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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

i možemo da radimo sa podacima kao i sa drugim podacima unesenim u okviru SPSS-a. a automatski prepoznaje i količinu unesenih podataka. 24 .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. a to znači da program iščitava imena varijabli iz prvog reda. Potvrdimo sa OK.

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

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

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

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

Pod dugmetom Name&Label odredjujemo imena novih varijabli. 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). u suprotnom . 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 . 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.otvara se nova radna matrica (tabela) podataka. Znači. za sve ispitanike koji imaju zajedničku vrijednost na Break Variable program računa neku zbirnu funkciju (na primjer aritmetičku sredinu) na Aggregate Variable. Onda nam je pol Break. a varijabla čiji prosjek želimo je Aggregate.

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

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

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

SPSS za psihologe i pedagoge 33 33 .

Takodje. 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).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. Opet imamo na raspolaganju sve računske operacije. imamo i dugme If. U našem primjeru (na slici gore) kreiramo novu varijablu zbirsekc čije vrijednosti se dobijaju sabiranjem vrijednosti varijabli sekc1. Na mjesto gdje piše Target Variable upisujemo ime nove varijable koju kreiramo. sekc2 i sekc3. kao i mnogo matematičkih i statističkih funkcija.. 34 .

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

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

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

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

SPSS za psihologe i pedagoge 39 39 .

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

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

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

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

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

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

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

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

te distribucije izgledaju kao na slici: 50 .precentil 15. P90 − P10 Pri tome je: Q= gdje je Q . 2 Q . precentil 90.263 koliko iznosi kurtosis za normalnu krivu.percentil 25. Ako je dobijena vrijednost manja od 0.263 onda je distribucija platikurtična.kvartilna devijacija P915 . Ukoliko je dobijena vrijednost kurtozisa veća od 0. tj.263. Šematski prikazano. kurtozis. spljoštena.SPSS za psihologe i pedagoge 50 Kao što je već rečeno prilikom izračunavanja kurtozisa se utvrđuje eventualno vertikalno odstupanje dobijene distribucije od normalne. percentil 10 P75 − P25 . Formula za izračunavanje kurosisa je: Ku = Q Ku P90 P10 kvartilna devijacija. Vrijednost kurtozisa koja se izračunava je uvijek manja od jedan. P25 . tj. izduženog oblika. 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. Dobijenu vrijednost se uvijek poredi sa vrijednosti 0. onda je distribucija leptokurtična.

Ku = . 51 . medijana i aritmetička sredina. i možemo da isključimo kućicu Display frequency tables da na bismo gledali neželjeno velike frekvencijske tabele.. a od mjera odstupanja tu su standardna devijacija. zanimaju nas mod.SPSS za psihologe i pedagoge 51 Ku < .263 . Znači.263 .263 .leptokurtična kriva. 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. Za primjer ćemo uzeti rezultate sa skale autoritarnosti kao osobine ličnosti..normalna kriva. koja je primijenjena na uzorku od 496 ispitanika. Ukoliko radimo na podacima sa ordinalne skale.platikurtična kriva. kvartilna odstupanja i mjere zakrivljenosti dobijene distribucije podataka. Nije zgoreg napomenuti da aritmetičku sredinu i standardnu devijaciju koristimo ukoliko imamo podatke koji zadovoljavaju uslove intervalne ili racio skale. Ku > .

Ako želimo prikaz aritmetičke sredine i standardne devijacije za intervalne ili racio podatke. 52 .. 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). i zabraćemo neke od mjera koje želimo.a zatim ćemo pritisnuti dugme Statistics..SPSS za psihologe i pedagoge 52 .

325 Kurtosis Statistic -0. Deviation Statistic 8. Vrijednost aritmetičke sredine je 47.AUT Valid N (listwise) 495 495 Iz tabele možemo vidjeti da imamo 495 ispitanika čiji su rezultati uzeti u obradu.0193 Statistic Statistic SKOR. a njena standardne greške 0. da bismo vidjeli da li značajno odstupa od normalne raspodjele mjera. raspon Range). leptokurtična.389 Std. minimum i maksimum. standardna devijacija. Kurtosis je manji od 0.389. mean). Error 0. standardna greška aritmetičke sredine (S. dok standardna devijacija iznosi 8. vrijednost minimalnog skora je 18. Raspon rezultata iznosi 50.E.325 što znači da je naša distribucija negativno asimetrična (skreće na lijevu stranu). Skewness iznosi –0. Za početak su označene aritmetička sredina (Mean).991 Mean Std. kliknemo na dugme Options i dolazimo do izbora mjera. a maksimalnog 68. Ukoliko želimo da vidimo zakrivljenost naše distribucije možemo uključiti i mjere zakrivljenja (Kurtosis i Skewness). Kad na kraju potvrdimo sa OK. dobićemo sljedeći ispis: Descriptives Descriptive Statistics N Range Minimum Statistic 50 18 Maximum Statistic 68 Statistic 47.663 Skewness Statistic -0.263 na onsnovu čega zaključujemo da je kriva empirijske distribucije izdužena u odnosu na normalnu. 53 . tj.SPSS za psihologe i pedagoge 53 Da bi vidjeli koje statističke mjere su nam na raspolaganju.66.98.

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

0000 24.1882 24. i koliko ispitanika je imalo valjane podatke. σ .62201 6.5112 N 85 177 37 71 31 401 Std.00 14.00 39.00 41. odnosno koliko je ispitanika uzeto u obradu.00 41.49 godina preko 50 godina Total Mean 26. možemo obaviti i uvid u dobijene rezultate.00 41.0% Report znanje iz informatike STAROST 18 . U koloni Means vidimo da je stepen poznavanja 55 .0000 14.20 godina 21 .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. Druga tabela (Report) daje prikaz deskriptivnih statističkih mjera koje smo tražili. Deviation 5.1127 15. izvještava o tome koje varijable se ukrštaju (u našem slučaju to su znanje iz informatike i starost).39 godina 40 .00 Maximum 38.00 14.8% N 5 Excluded Percent 1.00 Prva tabela (Case Processing Summary) nas.00 14.29 godina 30 .97217 7.63443 4.2% N 406 Total Percent 100.0323 22.0000 Minimum 14.0000 17. medijana.57532 Median 26. min i max). već uobičajeno.0000 15.00 14.0000 14.00 14.43117 6.49061 7.7458 20.0000 21. N. Pošto vidimo da su sve na broju (AS.00 38.

recimo.01. najmanji dobijeni skor je jednak u svim grupama.58 SE Ku i Sk  .01) odstupa od normalne krive.58 SESk Ku  2. skjunis i kurtozis podijele sa njihovim standardnim greškama. u kategoriji starosti od 30 do 39 148 ispitanika i u u kategoriji starosti od 40 do 49 njih 17).96 ili 2.SPSS za psihologe i pedagoge 56 oblasti informatike veći kod mlađih ispitanika i da progresivno opada sa porastom starosne dobi ispitanika. dok su najveći skorovi dobijeni u grupama ispitanika starosti od 21 do 29 i od 40 do 49 godina.05 vrijednost sa kojom se poređenje vrši na nivou značajnosti p<.05. Jedan od načina je da se (već predstavljene) deskriptivne mjere odstupanja. već prije svega ukazuje na to da li je smisleno porediti grupe (ako su razlike u broju članova poduzoraka velike. Provjera eventualnog odstupanja empirijske od normalne distribucije se može izvršiti na više načina.05 56 . Tako vrijednosti medijane. da li u dovoljnoj mjeri podražava normalnu raspodjelu (npr. Testiranje normalnosti distribucije podataka Već smo vidjeli da je za veliki broj statističkih analiza neophodno ustanoviti da li distribucija dobijenih podataka zadovoljava uslov normalnosti.96 skjunis standardna greška skjunisa kurtozis standardna greška kurtozis a oznaka za statističku značajnost vrijednost sa kojom se poređenje vrši na nivou značajnosti p<. Znači. za odluku da li će se u razmatranju određenih podataka primijeniti neki parametrijski ili neparametrijski test). Poređenje se dalje može vršiti i na osnovu drugih dobivenih statističkih mjera. što je vrlo važno ne samo jer pruža informaciju o brojnosti kategorija. može zaključiti da je najveće prosječno odstupanje rezultata prisutno u grupi ispitanika starosti između 30 i 39 godina. Sk  2. kolona N pokazuje broj ispitanika po kategorijama. zaključuje se da empirijska distribucija značajno (na nivou 0.01 ⇒ p  .96 1 SESk ∨ Ku  1. tj. odnosno 0. npr. ∨ ⇒ p  . nikako i važnosti podataka koje sadrži). naravno.58. prate vrijednosti aritmetičkih sredina po kategorijama ispitanika.96 SE Ku gdje je Sk SESk Ku SEKu p 2.58 1. Dalje se. Na kraju (samo po redoslijedu navođenja. Ukoliko bilo koja od dobijenih vrijednosti bude veća od 1.

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

9919 47. .0% 5% Trimmed Mean Median Variance Std.4% N 507 Total Percent 100.6% Descriptives Statistic SKOR.005 .00 50.0000 -.7570 48.AUT Mean 95% Confidence Interval for Mean Lower Bound Upper Bound 47.38942 N 12 Missing Percent 2.2268 48.SPSS za psihologe i pedagoge 58 Dobićemo sljedeći ispis: Explore Case Processing Summary Cases Valid N SKOR.00 12.1768 48.065 8.019 Tests of Normality Kolmogorov-Smirnov(a) Statistic SKOR.048 a Lilliefors Significance Correction df 495 Sig.AUT .0000 75. Error .00 68.991 Shapiro-Wilk df 495 Sig.008 Statistic . .219 Std.AUT 495 Percent 97. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis 58 .326 -.110 .66399 18.

Takođe.0 Std. budući da je on predviđen za uzorke od 50 ili manje ispitanika (u našem slučaju ih ima 495). nam govori o značajnosti utvrđenog odstupanja (u našem slučaju 0. odnosno varijabilnost negativne strane je povećana.0 N = 495. Budući da je p (odnosno Sig.0 65.326/0. ukoliko skewness podijelimo sa njegovom standardnom greškom dobijamo: -0. pod nazivom Test of Normality.0 40. u trećoj (onoj koja nas najviše zanima) dobijamo izvještaj o distribuciji koju testiramo.AUT Prva tabela nam govori o broju valjanih podataka uzetih u obradu. Kolona Statistic kaže kolika je izračunata mjera odstupanja naše distribucije od normalne (u našem slučaju 0.0 45.00 SKOR. a druga o generalnim deskriptivnim podacima za našu skalu.SPSS za psihologe i pedagoge 59 Histogram 120 100 80 60 40 Frequency 20 0 20. No.0 30. Dev = 8. u SPSS-u) manje od 0. U okviru te tabele.0 50. Histogram koji smo dobili nam može ponešto reći o dobijenim podacima. odbacujemo postavljenu hipotezu. i donosimo zaključak da naša distribucija statistički značajno (na nivou značajnosti od 0. 59 . a hipoteza je bila da naša distribucija ne odstupa značajno od normalne.0 25. Dok se u drugoj tabeli nalaze deskriptivne statističke mjere razmatrane distribucije koje smo odabrali o okviru opcije Statistics. 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) odstupa od normalne.01.0 60. on nam zasad nije potreban.66 Mean = 48.048).0 55.96. što znači da su rezultati za našu ispitivanu populaciju negativno asimetrični.008). gdje takođe potvrđujemo značajno odstupanje dobijene od normalne raspodjele. prve tri kolone predstavljaju izvještaj o obavljenom Kolmogorov-Smirnov testu.0 35. a kolona Sig. Vidimo da se veći broj ispitanika gomila na gornjem dijelu naše skale.110 = -2.0 70.

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

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

763 205. Error Difference 95% Confidence Interval of the Difference Lower Upper -.8416 Std.344 poena u prosjeku). Deviation).0490 -.643 (predznak nam nije bitan.3691 -2.3843 2.6170 Rezultat testa iz engleskog Equal variances assumed Equal variances not assumed 2.582 . Error Mean .6400 Prva tabela (Group Statistics) koju smo dobili daje nam deskriptivne mjere za naša dva uzorka.0719 -3.SPSS za psihologe i pedagoge 62 Pošto smo mi definisali modalitete naše varijable tako da 1 označava ženski. Već smo vidjeli iz prve tabele da djevojke postižu nešto bolje rezultate od mladića (za 1. onda zaključujemo da se pretpostavljaju jednake varijanse u okviru naših subpopulacija i očitavamo rezultate iz prvog reda (Equal variances assumed).2542 .3573 -2.992 Std. dobijamo sljedeći ispis kao rezultat našeg testiranja: T-Test Group Statistics POL muski zenski N 88 128 Mean 22.106). Vidimo da ukupno ima 88 muških i 128 ženskih ispitanika. ali i da je varijabilnost rezultata veća kod ženskih ispitanika (kolona Std. ali da li je ta razlika statistički značajna? Veličina statistika t od –3. Kad smo definisali grupe i potvrdili sve.106 -3.000 -1.344 . Druga tabela (Independent Samples Test) je nešto složenija. Prvo treba da pogledamo rezultate Levenovog testa jednakosti varijansi.648 23. Da je značajnost Levenovog testa bila manja od . (2tailed) Mean Difference Std.643 214 .2512 Rezultat testa iz engleskog Independent Samples Test Levene's Test for Equality of Variances F Sig. u obzir se uzima apsolutna veličina) i 62 . a 2 muški pol. Deviation 2.344 . rezultate bismo očitavali iz drugog reda (Equal variances not assumed).641 .05 (u našem slučaju to je 0. t df t-test for Equality of Means Sig.05. Potvrdimo sa Continue. te vrijednosti ćemo upisati u kućice.000 -1. Kad je vjerovatnoća veća od . Takođe vidimo da je prosječni rezultat na testu iz engleskog manji kod muških nego kod ženskih ispitanika (kolona Mean).

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

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

3194 N 216 216 Std.19323 Paired Samples Correlations 65 . prije i poslije kursa.83988 Std. Kad smo na kraju potvrdili svoj izbor. Deviation 2.7402 2. radila je dva puta isti test. znači.razlika aritmetičkih sredina. U našem slučaju to su rezultati na testu prije (skor. i unesemo ih u okvir gdje piše Paired Variables. dobijamo sljedeći ispis: T-Test Paired Samples Statistics Mean Pair 1 Rezultat testa iz engleskog prije kursa Rezultat testa iz engleskog poslije kursa 23. Error Mean .96 i 2. dobijeni rezultat se poredi sa granicama 1.1864 .eng) i poslije kursa (sk. Recimo da smo imali slučaj da trebamo provjeriti znanje iz engleskog jezika prije i poslije kursa iz engleskog jezika koga su studenti slušali na fakultetima. σ DM 65 t= gdje je t – t-test .SPSS za psihologe i pedagoge DM . selektujemo dvije varijable čije rezultate želimo da poredimo.444 25. Treba da idemo na meni Analyze/Compare Means/Paired-Samples T Test. Ista grupa od 216 studenata .eng2). a ukoliko su grupe manje – onda se granice intervala pouzdanosti očitavaju iz odgovarajućih tablica.58. i mi treba da uporedimo te rezultate i zaključimo da li je nastava iz jezika doprinijela boljem znanju. pri čemu broj stepeni slobode dobija po obrascu: df = N-1.standardna greška razlika između aritmetičkih sredina Ukoliko se istraživač susreće sa velikim grupama. .

472 (opet nam predznak nije bitan). Error 95% Confidence Interval Deviation Mean of the Difference Lower Pair 1 Rezultat testa iz engleskog prije kursa .472 215 .03643 -1. ali. a da je njegova vjerovatnoća 0.8750 . kao i druge podatke (broj ispitanika. Znači.). U našem slučaju ta korelacija iznosi veoma visokih 0. što znači da su ostvarili napredak od 1. što bi značilo da je gotovo svaki ispitanik popravio svoje znanje iz engleskog za istu količinu. možemo reći da se prosječni rezultati značajno razlikuju.000.8032 -51. 66 . Vidimo da su na prvom testu ispitanici postizali u prosjeku 23. unaprijedili svoje znanje. standardnu devijaciju). U realnosti gotovo nikad nećete naići na povezanosti ovoe veličine.444 bodova.319. Druga tabela (Paired Samples Correlations) nam govori kolika je povezanost između rezultata na prvom i drugom testu.53538 .000 t df Sig. Std.87 poena u prosjeku.982 Sig.Rezultat testa iz engleskog poslije kursa -1. Možemo vidjeti da u našem slučaju veličina t iznosi -51. budući da su naši rezultati izmišljeni – to je prihvatljivo :-) U trećoj tabeli (Paired SamplesTest) nas zanima prvenstveno statistik t i njegova vjerovatnoća (Sig. Iz nje možemo vidjeti kolika su prosječna postignuća na testu prije i poslije kursa (Mean).982.SPSS za psihologe i pedagoge N Pair 1 Rezultat testa iz engleskog prije kursa & Rezultat testa iz engleskog poslije kursa 216 Correlation .9468 Upper -1. . a na drugom testu (poslije kursa) u prosjeku 25. odnosno da su studenti (najvjerovatnije) zbog pohađanja kursa engleskog jezika.000 66 Paired Samples Test Paired Differences Std. (2tailed) Mean Prva tabela (Paired Samples Statistics) nam daje deskriptivne statističke mjere za naše zavisne uzorke.

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

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

što bi značilo da grupe ne pripadaju istoj populaciji: Primjer slučaja kad je varijansa između grupa manja od unutargrupne varijanse. što u našem slučaju može biti postignuće na testu iz engleskog jezika kod studenata tri različita fakulteta. i tako dalje. 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. mogli bismo zaključiti da testiranje možemo obaviti i na taj način. Ukoliko smo već upoznati sa t-testom kao statističkom mjerom za poređenje aritmetičkih sredina. kojim utvrđujemo odnos između dviju varijansi: 69 . Rečenica kojom bismo saželi ideju analize varijanse glasi: da li su varijacije između grupa veće od varijacija unutar grupa koje poredimo? Statistička mjera variranja koju ćemo upotrijebiti u ovom slučaju je varijansa. dobijamo tri para za poređenje. Kao primjer možemo uzeti slučaj kada želimo da poredimo postignuća na nekom testu kod više nezavisnih grupa ispitanika. 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. za četiri grupe tu je šest parova za poređenje.

503 = 10.suma kvadrata odstupanja između grupa Ako za primjer uzmemo slučaj testiranja razlika u postignuću na testu iz engleskog jezika između 216 studenata tri fakulteta (naknadno ćemo isti ovaj primjer uraditi uz pomoć SPSS-a): df Između grupa (b) Unutar grupa (w) Ukupno (T) 2 (df =broj grupa – 1) 215 (broj ispitanika – 1) 217 Sume kvadrata odstupanja (SS) 145.SPSS za psihologe i pedagoge 70 Varijansa između grupa F= Varijansa unutar grupa Analizu varijanse radimo uz pomoć razlaganja ukupne varijanse na komponente. očitavamo granice značajnosti i donosimo zaključak o statističkoj značajnosti razlika.333 Varijansa (v = SS/df) 72. U slučaju da ustanovimo da je F statistik značajan.326 1614. onda trebamo utvrditi između kojih grupa postoje značajne razlike. da li između svih mogućih parova.503 6. Na kraju izračunavamo F kroz formulu: F = 70 .007 1469.898 Na osnovu odgovarajuće tabele.suma kvadrata odstupanja unutar grupa SSb .51 6. ili nekim od SPSS-ovih post-hoc testova za detekciju razlika između pojedinačnih parova poduzoraka. koju možemo naći u osnovnim udžbenicima iz statistike. ili samo između nekih? Tada se koristimo t-testom.898 72. 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 .

604 24.5 Minimum Maximum ANOVA Rezultat testa iz engleskog Sum of Squares Between Groups Within Groups 145.326 df 2 215 Mean Square 72.510 Sig.0 29. i može pojaviti do tri razlika (tri su moguća poređenja).007 1469.0 16.6598 2. 71 Specifičnost analize varijanse jeste to da će nam ona za rezultat pokazati postoji li između nekih grupa statistički značajna razlika.7402 .0 19. 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).990 23.6122 2.561 21. a pod Factorunesemo nezavisnu varijablu (fakultet u našem slučaju).931 23. No.174 22. . poredićemo postignuće na testu iz engleskog jezika studenata različitih fakulteta.5 29.077 Upper Bound 23. Kao ispis naše analize varijanse dobijamo: Oneway Descriptives Rezultat testa iz engleskog N Mean Std.5 27.898 F 10.786 23.5 17.218 25.5 28. medicinski i tehnološki). Deviation Std. i drugu varijablu intervalnog nivoa i normalne raspodjele rezultata.1864 22.3078 .6071 2.556 23. U našem primjeru varijabla fakultet ima 3 modaliteta (filozofski. Sada ćemo vidjeti kako ćemo statističko testiranje obaviti uz pomoć SPSS-a.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.503 6.181 23.812 16. Error 95% Confidence Interval for Mean Lower Bound tehnoloski medicinski filozofski Total 72 72 72 216 23.000 71 .444 2.3135 . Mi ćemo za primjer uzeti opet naš test iz engleskog. ići ćemo korak po korak pa ćemo vidjeti šta ćemo dobiti.3072 .

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

i značajnosti tih razlika (Sig. Ova tabela će nam pokazati koji parovi fakulteta se porede (kolona Fakultet). a zavisna varijabla će nam biti broj prihvaćenih odnosa sa Italijanima (ponuđeno je 7). Pod okvirom Test Typeimamo ponuđena tri testa.195 .000 . filozofskog i medicinskog fakulteta.195 . Mi ćemo kao primjer istraživanje u kojem je ispitivano prihvatanje socijalnih odnosa sa Italijanima u vezi sa različitim socio-demografskim varijablama.382(*) 1.382(*) -.SPSS za psihologe i pedagoge 73 Kao rezultat ćemo dobiti iste dve tabele kao što je prethodno opisano za analizu varijanse. . U našem slučaju to je od 1 do 3.4377 .951(*) 1. 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) .4377 . a pod Grouping Variable unesemo nezavisnu varijablu.000 Lower Bound -. Kruskal Wallis test Ovaj test nam služi za utvrđivanje značajnosti razlika između dve ili više mjerenih osobina.951(*) Std.4377 . Idemo na meni Analyze/Nonparametric Tests/K Independent Samples.293 -1.4377 Sig.002 . kolika je razlika u prosječnom postignuću na testu (Mean Difference). kad podaci ne zadovoljavaju uslove za primjenu analize varijanse. Razlika između medicinskog i tehnološkog fakulteta nije statistički značajna. Potrebno je da imamo jednu kategoričku varijablu sa dva ili više modaliteta.245 2.569 -1. Nezavisna varijabla će nam biti stepen obrazovanja majke sa tri modaliteta (završena osnovna škola.05 level. srednja škola i viša/visoka škola).293 -2. 73 . Nakon toga je potrebno kliknuti na dugme Define Range i definisati koji je raspon vrijednosti nezavisne varijable. U našem slučaju.814 .002 .519 .245 -1.569 -1.432 -2. Error . i drugu varijablu bar ordinalnog tipa.089 Upper Bound 1.814 * The mean difference is significant at the . ali mi biramo Kruskal-Wallis H test.432 -.4377 . vidimo da postoje značajne razlike između filozofskog i tehnološkog. i pod Test Variable List unesemo zavisnu varijablu.4377 . i to obe razlike značajne na nivou 0.).519 1.05.089 2.

pitanja su: da li izraženost depresivnost zavisi od pola.b) Prihvatanje odnosa sa Italijanima Chi-Square df Asymp.657 a Kruskal Wallis Test b Grouping Variable: strucna sprema majke Prva tabela (Ranks) nas izvještava o broju ispitanika u pojedinim grupama našeg uzorka. i jednu zavisnu kvantitativnu varijablu. Sig.839 2 . U našem slučaju vidimo da je χ2 =0.82 198. . Sig. Dvofaktorska univarijantna analiza varijanse Dvofaktorsku univarijantnu analizu varijanse primjenjujemo kad za nezavisne varijable imamo dve kategoričke varijable. zaposlenja ili od kombinacije ova dva 74 . i prosječnim rangovima zavisne varijable.839 i da nije statistički značajno (vjerovatnoća veća od 0. Mi ćemo kao primjer uzeti fiktivno istraživanje u kojem je za zavisnu varijablu uzeta izraženost osobine depresivnosti.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.SPSS za psihologe i pedagoge 74 Nakon što smo sve obavili. što bi značilo da ne postoje značajne razlike u pogledu prihvatanja socijalnih odnosa sa Italijanima između grupa ispitanika čiji očevi su različito obrazovani.).05 i 0. Znači.01). Chi-Square) i njenu značajnost (Asymp. Druga tabela (Test Statistics) nam daje mjeru χ2 (hi na kvadrat. a za zavisne su uzeti pol i zaposlenost.73 Prihvatanje odnosa sa Italijanima Test Statistics(a.

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

1111 23. Deviation 2. Na kraju je neophodno da pritisnemo dugme Add (nakon toga bi se trebale pojaviti ove varijable u donjem okviru Plots) inače SPSS neće upamtiti naš izbor.5833 22. Dolazimo do prozora gdje trebamo odrediti varijable koje će odrediti naš grafikon.72535 2.2473 23.SPSS za psihologe i pedagoge Dalje.84161 2.38429 2. zgodno je da imamo i nekakav grafički prikaz naših rezultata.4444 Std.28644 2.96595 2. 76 Nakon što smo obavili sve.2969 23.3143 24.9922 22.6477 23.74017 N 64 24 88 35 93 128 99 117 216 Tests of Between-Subjects Effects 76 . To ćemo uraditi kroz dugme Plots.16340 2.00 2.00 muski zenski zaposlen nezaposlen N 88 128 99 117 Descriptive Statistics Dependent Variable: depresivnost POL muski ZAPOSLEN zaposlen nezaposlen Total zenski zaposlen nezaposlen Total Total zaposlen nezaposlen Total Mean 22. upisujemo ih u okvire Horizontal Axis i Separate Lines (gdje će ići koja varijabla zavisi od istraživačkih potreba). dobijamo sljedeći ispis: Univariate Analysis of Variance Between-Subjects Factors Value Label POL ZAPOSLEN 1 2 1.38896 2.91925 2. jer će nam to pomoći pri tumačenju.6566 24. Ukoliko imamo dve varijable.

090 (Adjusted R Squared = . i kolone F i Sig.666 77 a R Squared = .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 145.261 50. Grafikon na kraju (Estimated Marginal Means of depresivnost) nam daje grafički prikaz onoga što smo imali u tabeli Descriptive Statistics. Sljedeća tabela (Descriptive Statistics) nam več daje bitnije podatke. Nas zanimaju redovi u kojima piše POL.987 1. . kao što vidimo.01.286(a) 90372. U okviru reda POL vidimo da je mjera F=4.05.987 1.007 .5 23.706 4.000 . a nezaposleni veću od zaposlenih.223 i da je statistički značajno na nivou 0. Red ispod njih je interakcija pola i zaposlenosti (POL*ZAPOSLEN) i F je 0. što bi za nas značilo da nema interakcije između pola i zaposlenosti u pogledu uticaja na depresivnost. Sa vremenom.041 .429 90372.05. vidjećemo da nam paralelnost linija govori o 77 . a u okviru ženskih veći procenat je nezaposlen. kako budemo primjenjivali analize varijanse. i nezaposleni su depresivniji.989 13041. Iz nje već vidimo da (kolona Means) muški nezaposleni imaju više izraženu depresivnost od muških zaposlenih.929 F 6.0 muski zenski nezaposlen POL Iz prve tabele (Between-Subjects Factors) vidimo kako se raspoređuju ispitanici po kategorijama pojedinih varijabli.187 a njegova značajnost veća od 0. Sljedeća tabela (Tests of Between-Subjects Effects) nam daje podatke o statističkim značajnostima.223 7.077) Profile Plots Estimated Marginal Means of depresivnost 24.5 zaposlen 22.0 Estimated Marginal Means 23.293 6.358 . Takođe.261 50.000 . Ovo su glavni efekti pola i zaposlenja na depresivnost i.098 29. ZAPOSLEN i POL*ZAPOSLEN.000 1614.0 ZAPOSLEN 22. da žene imaju imaju višu depresivnost od muških.187 Sig. u koloni N možemo vidjeti i da je u okviru muških veći procenat ispitanika zaposlen.047 120337. a u redu ZAPOSLEN da je F=7.293 1469.358 i da je značajno na nivou 0. oba su značajna: u našem uzorku žene su depresivnije.098 29.5 24. da ženski nezaposleni imaju više izraženu depresivnost od ženskih zaposlenih.333 df 3 1 1 1 1 212 216 215 Mean Square 48.

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

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

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

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

Takođe. Znači na osnovu veličine hi kvadrata zaključujemo da su odstupanja dobijenih podataka značajna na nivou 0.000 . Tu očitavamo veličinu Phi i vidimo da iznosi 0.7% 35 27. Njegova značajnost (Asymp.0% 128 100.448 216 Approx.000 .33.448 . Pol i zaposlenost. 82 .01.8% 27.01.264(b) 41. a kod muškaraca više zaposlenih.000 .264. Sig 2-sided) nam kazuje da je značajan na nivou 0.01. Možemo da pogledamo sljedeću tabelu (Chi-Square Tests) i očitamo veličinu hi kvadrata (Pearson Chi-square): 43. koreliraju u srednjoj mjeri.000 Exact Sig. Symmetric Measures Value Nominal by Nominal N of Valid Cases Phi Cramer's V . Prva tabela (POL * ZAPOSLEN Crosstabulation) nas izvještava o distribuciji frekvencija u pojedinim ćelijama tabele. Sig.0% 216 100.3% 93 72.000 a Not assuming the null hypothesis. (2sided) 1 1 1 1 .01.000 . (1sided) Value Pearson Chi-Square Continuity Correction(a) Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases 43.000 . To je mjera povezanosti vrijednosti ove dvije varijable (pola i zaposlenosti) i za nju možemo reći da je srednjeg intenziteta.0%) have expected count less than 5.2% 100.7% 117 54. a da bismo vidjeli da li postoji neka pravilnost u tim odstupanjima – pogledaćemo brojke u sljedećoj tabeli (Symmetric Measures).448 i da je značajno na nivou 0. već na prvi podgled vidimo da se zaposlenost distribuira nejednako po kategorijama pola: kod žena je više nezaposlenih.3% 99 45. Sig.063 216 .628 df a Computed only for a 2x2 table b 0 cells (. u našem primjeru. tu su i procentualni podaci dati za redove tabele. U našem primjeru. b Using the asymptotic standard error assuming the null hypothesis. .SPSS za psihologe i pedagoge % within POL Count % within POL Count % within POL 72.0% 82 zenski Total Chi-Square Tests Asymp.455 44. ali statistički značajno na nivou 0. The minimum expected count is 40. (2sided) Exact Sig.000 43.

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

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

85 . i potvrdimo sa OK.eng2 i sk. Za ispis dobijamo sljedeću tabelu: Correlations SKOR. 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 .ENG Rezultat testa iz engleskog prije kursa SK.000 216 1 . i tako treba i da ostavimo.eng). 216 .914(**) .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. (2-tailed) N Pearson Correlation Sig.ENG2 Rezultat testa iz engleskog poslije kursa Pearson Correlation Sig. idemo na Analyze/Correlate/Bivariate.ENG2 Rezultat testa iz engleskog poslije kursa . Za početak je već označena kućica Pearson i Two-tailed significance.01 level (2-tailed). 216 SKOR.000 216 SK. (2-tailed) N ** Correlation is significant at the 0.914(**) .

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

1. Sposobnosti smo mjerili jednim 87 .000 .000 . 35 . a druga je prirodno podijeljena u dvije kategorije (npr.000 35 1.000 . a druga je vještački dihotomizirana u varijablu sa samo dva modaliteta.967 35 FIZIKA .007 . i da je statistički značajna na nivou 0.01 level (2-tailed). Takođe.967 35 .01. vidimo da korelacije između uspjeha iz matematike i istorije gotovo da nema (iznosi –0. Kao primjer nam može poslužiti imaginarni slučaj kad želimo da vidimo da li postoji veza između opštih intelektualnih sposobnosti (inteligencije) i prolaznosti na ispitu iz matematike.759. 35 . pol). Iz tabele vidimo da korelacija između uspjeha u matematici i fizici iznosi 0.759(**) .517 35 ISTORIJA -.SPSS za psihologe i pedagoge 87 Correlations MATEMATI Spearman's rho MATEMATI Correlation Coefficient Sig.000 35 -.007).113 . a da izvjesne pozitivne korelacije između uspjeha u fizici i istoriji ima (iznosi 0. najlakše je da u okviru SPSS-a ovu proceduru radimo kao i koeficijent linearne korelacije.113 . ali ovaj put jedna varijabla je intervalnog nivoa. Za primjer smo uzeli slučaj korelacije između opštih sposobnosti i prolaznosti na ispitu iz matematike. ali da nije statistički značajna. (2-tailed) N ** Correlation is significant at the 0. a mi gledamo one tri koje nas zanimaju. (2-tailed) N FIZIKA Correlation Coefficient Sig.007 .113). 35 Sve važi kao i u slučaju linearne korelacije: program nam je dao sve moguće korelacije.759(**) .517 35 1. U oba slučaja. (2-tailed) N ISTORIJA Correlation Coefficient Sig. Biserijska i point-biserijska korelacija Biserijsku korelaciju računamo kad imamo dvije varijable od kojih je jedna kvantitativnog tipa (intervalni nivo podataka). Point-biserijska korelacija je vrlo sličan slučaj.

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

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful