Lekcja SPSSa z 18 XII 2001

Tue, 18 Dec 2001 19:46:20

Lekcje n/t SPSSa i statystyki:

http://www.swps.edu.pl/

>> Pliki do ściągnięcia

>> Materiały od wykładowców

>> Sylwia Bedyńska

>> A. Bieniek.

Sprawdzanie, czy rozkład jest normalny

>> Analyze

>> Descriptive (Opis statystyczny)

>> Explore - przerzuć do zmiennych zależnych to, co chcesz testować, potem:

>>Plots (wykresy) i zaznacz testowanie rozkł. normalnego.

Teraz patrz testy normalności rozkładu:

Kołmogorow-Smirnow:

testuje, czy rozkład jest różny od założonego - rozkładu normalnego.

<0,5 - hipoteza potwierdzona - r. jest różny od normalnego

>0,5 - r. jest normalny

Logarytmizacja:

- funkcją wykładniczą

>> transform

>> compute

Target Variable (zmienna wynikowa) tu podaj nową nazwa dla nowej zmiennej docelowej,

z prawej wpisz 1/x

OK

zamiast f. wykładniczej 1/x czasem lepiej jest zlogarytmizować rozkład logarytmem naturalnym LN(x):

- logarytmizacja

>> transform

>> compute

Target Variable (zmienna wynikowa) tu podaj nową nazwa dla nowej zmiennej docelowej,

Wybierz LN i do nawiasu przekopiuj zmienną

możesz tez sprawdzić, czy logarytmizacja coś dała - patrz 1**

Analiza wariancji:

>> Analyze

>> General Linear Model

>> Repeated Measures

wpisujesz nazwy kolejnych zmiennych międzygrupowych

(podawaj je w tej kolejności - która jest najbardziej stała! - czyli najdłużej pozostaje bez zmiany)

do czynników międzyobiektowych dodajesz grupę (albo coś)

patrz na tabelę efektów międzygrupowych - to co mniejsze od 0,05 jest istotne

1**

by sprawdzić, czy logarytmizacja coś dała musisz wpisać ją jako dodatkowy czynnik (na sam początek) i wyłączyć wszystkie kontrasty.

Wykresy

- tez z ogólnego modelu (plots)

Wyniki prezentuj na wykresach wynikach surowych!! Choć obliczenia

robimy na zlogarytmizowanych.

Lekcja SPSSa z 22 I 2002

W SPSS zawsze zakładamy, że grupy się różnią - więc jeśli p<0,05 to grupy są różne

Zad 1. Badano czas spostrzegania bodźca

2 warunki experymentalne

w 1 warunku 90st

w 2 warunku 180

10 osob badanych, badanych dwukrotnie

H = przy 180 st więcej czasu.

Wpis do Data Editor powinien wyglądać np.. tak:

15 24

33 33

34 56

• 43

• 35

23 43

itd

dobrze by było to zlogarytmizować, bo to czasy reakcji!

Hipotezę sprawdzamy poprzez porównanie średnich obu grup:

>> Analyze

>> Compare means

>> Paired samples, bo są 2 próbki od każdego

Patrz na ostatnią tabelkę

Jeśli sig<0,05 to hipoteza potwierdzona, zatem grupy są różne

odpowiadaj tak:

Czas spostrzegania bodźców pod kontem... rożni się od .... co zostało zmierzone testem T (9) 4,204 (w miejsce wartości testu podawaj zawsze wartość bezwględną!!! a stopnie swobody zawsze zaokrąglaj do jedności!!), przy p<0,002 (lub na poziomie istotności <0,002)

Zad. 2 Badanie 2 grup kobiet (chorych i zdrowych) ze względu na neurotyczność

Czy osoby chore różnią się od osób zdrowych?

Ponieważ były dwie grupy, ale każda osoba badana tylko 1 raz - zrób to w jednej kolumnie

W drugiej kolumnie określ grupę, do której należy każda osoba - grupę 1 (zdrowe) albo 2 (chore)

Czyli np. tak:

• 1

• 1

20 1

• 1

• 2

• 2

• 2

• 2

>> Analyze

>> Compare Means

>> Independent Samples T-test

(używamy Independent Samples, bo mamy po 1 próbce od każdej osoby)

kolumnę wyników wrzuć do Test Variables

kolumnę grupy wrzuć do Grouping Variable

i zdefiniuj (Define Groups) grupy wg wartości 1 i 2, ewentualnie ustal Cut Point na np. 1,5

OK

W Output patrzysz na tę linijkę, gdzie jest istotny Levene's test (czyli sig<0,05).

Masz tam podany wynik testu t, ilość stopni swobody (df) istotność testu (sig 2-tailed)

2. sposób rozwiązania

>> Analyze

>> Compare Means

>> One-Way Anova:

do Dependent List - badaną zmienną

do Factor - kolumnę grupującą

OK

W Output jest tylko 1 tabelka:

Zwróć uwagę na Sig. - jeśli jest mniejsze od 0,05 to grupy są różne

Teraz patrz na st. swobody w tej linijce, gdzie masz wynik testu F.

Zad. 3. Wzrost a rozmiar buta

Hipoteza - wraz ze wzrostem rośnie rozmiar buta

Dane dot. wzrostu wpisujemy w jedną kolumnę, a dot. rozmiaru obuwia w drugą

>> Analyze

>> Correlate

>> Bivariate

(innych, czyli partial i distances na razie nie będziemy używać)

Wybór testu:

Pearson - przy zmiennych parametrycznych, czyli takich z jakich można liczyć średnią

Spearman - do nieparametycznych, gdy choć jedna jest nominalna, np. rozmiar buta a płeć

Tau-Kendall- do sędziów kompetentnych

W output w tabelce widzimy wartość korelacji (-1,1) oraz poziom jej istotności (istotna będzie przy p<0,05)

Odpowiedź: Wzrost koreluje dodatnio z rozmiarem butów przy współczynniku korelacji R Peaersona = ,0765

i jest istotny na poziomie p<0,036

Zad. 4. Czy M różnią się od K pod kątem Inteligencji Emocjonalnej?

Badano mężczyzn i kobiety, podzielono ich na grupę zmotywowanych i niezmotywowanych (a więc w sumie 4 grupy)

Czy to prawda, że mężczyznom się po prostu brakuje motywacji?

Kiedy stosujemy GLM (General Linear Model)?

- Wtedy, gdy jest model interakcyjny = więcej niż jedna zmienna niezależna (tu są dwie - płeć i motywacja).

Univariate - gdy jest 1 zmienna zależna

Multivariate- gdy jest więcej zm. zależna

Repeated Measures - gdy 2 pomiary od 1 osoby.

Tak to ma wyglądać w data editor:

Wyniki	płeć	motywacja
123	1	1
125	1	1
144	2	1
421	2	1
112	1	2
131	1	2
132	2	2
122	2	2

I teraz:

>> Analyze

>> General Linear Model

>> Univariate

wyniki wrzucamy do Dependent Variable

kolumny dzielące na grupy wrzucamy do Fixed Factors

teraz możesz zrobić wykres: Plots:

wrzucasz jedną zmienną grupującą do Horizontal Axis (będzie ona na osi X),

a drugą do Separate Lines (będzie ona oznaczona kolorem linii)

Wciśniij Add, a następnie Continue

OK

Zwróć uwagę na:

1. Tabela to liczebności poszczególnych grup.

2. Tabela to testy efektów międzygrupowych:

Jeśli w linijce z nazwą jakiejś zmiennej jest sig<0,05 to wystąpił efekt główny

Jeśli w linijce z iloczynem jakichś zmiennych jest sig<0,05 to wystąpił efekt interakcji

3. Wykres - jeśli nie widać na nim interakcji, które wynikają z tabeli to spróbuj zrobić go jeszcze raz, zamieniając miejscami obie zmienne niezależne (w Plots).

Odpowiadaj tak:

W modelu analizy wariancji w układzie 2 zm niezależnych (2x2) płeć * motywacja zaobserwowano:

1. Wystąpił efekt główny płci F(1)=25.750, przy p<0,001

Oznacza to że kobiety ogólnie są bardziej inteligentni emocjonalnie

2. Wystąpił efekt główny motywacji F(1)=19.114, przy p<0,001

Oznacza to że zmotywowani są bardziej inteligentni emocjonalnie od niezmotywowanych

3. Wystąpił efekt interakcji motywacji i płci F(1)=10.023, przy p<0,006

Zmotywowanie mężczyzn powoduje zanik działania efektu płci (czyli na wykresie linie tworzą X-sa)

Zad. 5 *** piszę z głowy - nie omawiane na zajęciach

2 grupy: studenki i studentów badano ze względu na samopoczucie 4 razy w ciągu dnia.

Sprawdź, czy jest pora dnia ma znaczenie dla samopoczucia.

Dane wpisujemy kolejno w kolumnach:

Rano	Południe	Popołudnie	Wieczór	Płeć
423	534	345	453	1
243	354	623	636	1
543	2364	653	657	2
5762	354	467	645	2

>> General Linear Model

>> Repeated Measures

Within Subject Factor Name - wpisujemy np. pora_dn

Podajemy ilość poziomów - 4

Define

Przerzucamy kolejno zmienne na prawo w miejsce znaków zapytania,

Płeć wrzucamy do Between Subjects Factor

Otwieramy PLOTS:

Wrzucamy pora_dn do Horizontal Axis, a plec do Separate Lines

Add

Continue

OK.

W Output trzeba CHYBA patrzeć w Within Subject Effects

No i znów - efekty główne albo interakcji, jeśli p<0,05

Najlepiej obejrzeć sobie wykres i porównać z tabelką.

Opis menu Analyze:

>> Descriptive Statistics:

>> Frequencies - oblicza średnią, medianę, odchylenie standard, min, max, sumę i inne dla jednej lub więcej zmiennych. Rysuje też wykresy

>> Descriptives - jw., bez wykresów

>> Explore - analiza jw., ale z podziałem na grupy zdefiniowane przez dodatkową zmienną. Dodatkowo - test normalności (musisz zaznaczyć w PLOTS)

Kołmogorow-Smirnow testuje, czy rozkład jest różny od normalnego

>> Crosstabs - tworzy tabele

>> Compare Means

>> Means - porównuje średnie między podgrupami

>> One-Sample T Test testuje czy średnia jakiejś jednej zmiennej różni się od jakiejś stałej

>> Independent-Samples T Test - porównuje średnią dla osób podzielonych na grupy losowo, zbadanych jednorazowo

>> Paired-Samples T Test porównuje średnie dla dwóch zmiennych zależnych w obrębie jednej grupy. Oblicza różnice między wartościami 2 zmiennych dla każdego przypadku i testuje czy średnia różni się od 0. Patrz zad.1

>> One-Way ANOVA tworzy jednostronną analizę wariancji for a quantitative dependent variable by a single factor (independent) variable. Analiza wariancji jest używana do testowania hipotezy, że kilka średnich jest równych. Technika ta jest rozszerzeniem 2-próbkowego t-testu.

>> General Linear Model

opisany przy zadaniu 4

>> Corelate

>> Bivariate - sprawdza, czy między dwoma zmiennymi istnieje korelacja - patrz zad. 3

Kiedy należy logarytmizować dane?

Wyjaśnienie Radka: Z reguły, gdy rozkład mocno odbiega od normalnego w sposób jakośtam uporządkowany, to się go tak przelicza, żeby bardziej przypominał rozkład normalnyLogarytmizujesz wszystko, co prawoskośne czy lewoskośne. Czasy reakcji prawie zawsze są tak powykrzywiane, mają wierzchołek po lewej.

Goodluck.

Sobol.

Internetowa Baza Pomocy Studentów Psychologii - psychol

www.psychobaza.prv.pl

Odwiedź nas!

---