Statisztika korrepetálás-szakdolgozat, műhelymunka, beadandó

SPSS Guru

SPSS Guru

Melyik eljárást válasszam?

2018. október 04. - SPSSguru

Kutatásaink statisztikai részének megírásakor a leggyakoribb probléma a meglévő hipotézisek teszteléséhez szükséges statisztikai próba kiválasztása. Ennek oka általában az a téves elképzelés, hogy ahhoz, hogy a tudományosság és a szakmaiság kritériumainak megfelelő eredményeket tudjunk felmutatni, elég, ha lefuttatunk egy nagyjából megfelelőnek bizonyuló próbát, remélhetőleg szignifikáns eredményt kapunk, majd APA szabványnak megfelelően hivatkozzuk az eredményt. Ez azonban nem így van.

Ahhoz, hogy valóban értékes adatokat és eredményeket közölhessünk, elengedhetetlen, hogy tisztában legyünk a módszertan és a statisztika alapjaival. A megfelelő próba kiválasztásához a következő kérdésekre kell választ adnunk:

Melyek a hipotézisemben szereplő függő és független változóim?

Milyen elrendezésű a kutatásom?

Milyen mérési szintű változókkal dolgozom?

Használhatok paraméteres eljárást?

question-marks.jpg

Ahhoz, hogy a fenti kérdésekre válaszolni tudjunk, elengedhetetlen, hogy a kutatás legelső, tervezési fázisától kezdve tudatosan gondoljuk végig, hogy mi az, amit kutatni szeretnénk, és ennek során milyen módszereket fogunk alkalmazni. Ez azért fontos, mert nagyon gyakori hiba, hogy bár korrekt és megfelelő szakirodalmi alapokra támaszkodó hipotéziseket állítunk fel, a nem megfelelő tervezés eredményeként nem figyelünk arra, hogy ezek teszteléséhez megfelelő, statisztikailag is jól elemezhető adatokat vegyünk fel, így a jó hipotézist végül felületesen vagy pontatlanul teszteljük és értelmezzük, és az egész kutatásunk félrecsúszik. A kutatás menetével kapcsolatos segédletet itt találsz.

creative-marketing-ideas-og.png

Az első 3 említett kérdésre tehát fontos, hogy már a kutatásunk legelején választ adjunk. Azt, hogy mik a függő és független változóink, alapvetően a hipotéziseinkben határozzuk meg. A független változó az, aminek a függő változóra gyakorolt hatását vizsgálni szeretném. Ezt a kutatási elrendezéssel együtt tudjuk könnyebben megérteni.

Kétféle kutatási elrendezésben gondolkozhatunk: Kontroll csoportos elrendezésben kettő vagy több egymástól független csoportot hasonlítunk össze meghatározott változók mentén, kontroll feltételes elrendezés esetében pedig ugyanazon minta több mérési alkalommal kapott eredményei képezik az összehasonlítás tárgyát. Tipikus kontroll csoportos elrendezésű kutatások azok, ahol egy kísérleti csoportot kiteszünk valamilyen feltételnek (pl.: mérés előtt hosszadalmas, fárasztó memóriafeladatot végeztetünk velük), majd az ő teljesítményüket vetjük össze egy olyan alanyi változók mentén nekik megfeleltethető csoport teljesítményével, akik nem részesültek a feltételben (tehát valószínűleg kipihentek, nem végeztek fárasztó feladatot a mérés előtt). Ilyen esetben a független változónk a csoporttagság lesz, vagyis egy nominális, jelen esetben kétkategóriás változó, amely azt mutatja meg, hogy az adott személy a kontroll vagy a kísérleti csoport tagja. A függő változó pedig a teljesítmény, amit mérünk, és ami mentén összehasonlítjuk a két csoportot. Kontroll feltételes elrendezés pl. az, ha egy csoportot két eltérő feltételben részesítünk (pl.: első alkalommal megkérdjük őket, hogy ne fogyasszanak semmi szedatív hatású szert, második mérési alkalommal viszont mindenkinek alkoholt adunk), majd a két mérési alkalommal kapott eredményeket vetjük össze egy fluenciateszt segítségével. Ebben az esetben a független változónk látens változónak tekinthető, hiszen az SPSS Variable view füle alatt nem lesz ennek megfelelő változó, amit elnevezhetnénk, lesz azonban egy a fluenciateszttel az 1. mérés során kapott eredményeket tartalmazó és 2. mérés során kapott eredményeket tartalmazó változónk. Ilyenkor a független változó valójában így nyilvánul meg, hogy látjuk, több mérési alkalom volt, és a manipulált feltétel (alkoholfogyasztás) hatását vizsgáljuk a függő változóra, vagyis a teljesítményre.

A változóink mérési szintjének meghatározása az előző kérdések megválaszolásával már nem nehéz feladat. A megfelelő próba kiválasztásához el kell döntenünk, hogy a bevont változóink nominálisak, ordinálisak vagy magas mérési szintűek. Ehhez itt találsz segédletet.

statistics-levels-measurement.jpg

A fenti információk birtokában már nagy eséllyel választjuk ki a megfelelő próbát, és csupán egy feladatunk maradt: Eldönteni, hogy a próba paraméteres vagy nemparaméteres változatát alkalmazzuk. Ez akkor merül fel, ha szerepel magas mérési szintű a bevont változók között, hiszen ha egyik változónk sem ilyen, akkor mindenképpen nemparaméteres eljárást kell választanunk. A magas mérési szintű változók esetében akkor alkalmazhatunk paraméteres eljárást, ha azok eloszlása normálisnak mondható. A normalitástesztelésről itt olvashatsz bővebben.

A fent leírtak követésével már magadtól is ki tudod választani a megfelelő eljárást, a feladat megkönnyítéséhez azonban mindenképpen javaslom a StatOkoson található Melyik eljárást válasszam? fület, ahol kétféle ábra segíti az eligazodást.

Ha tetszett a téma, esetleg segítségre van szükséged kutatásodban, keress bátran Facebook-on!:)

A kivételek vizsgálata mint új nézőpont a kutatásban

Általános trend a kutatásokban az a törekvés, hogy a lehető legnagyobb populációra kiterjeszthető magyarázatokat adjunk, és minél nagyobb rétegekre érvényes szabályszerűségeket tárjunk fel és írjunk le. Ez azzal jár, hogy a szabályoknak nem megfelelő, a megfigyelt tendenciát nem követő eseteknek gyakran nem tulajdonítunk túl nagy jelentőséget, és amennyiben elég kis százalékban fordulnak elő, a megfigyelt trendet szignifikánsnak tekintjük a kivételeket pedig hibának, bizonyos esetekben pedig rendellenesnek tekintjük, vagy ami még gyakoribb, a véletlennek tudjuk be.

standard-normal-distribution.jpg

A legtöbb kutatásban igyekszünk az adatok 95%-át leírni, a szélsőségeket viszont általában figyelmen kívül hagyjuk.

Egy ezzel szembemenő szemlélet alapján azonban a kivételek megfigyelése is új és fontos információval szolgálhat a megfigyelt jelenséggel kapcsolatban, hiszen azzal, hogy azokat is megvizsgáljuk, akik nem felelnek meg a többség által produkált trendnek nem csak a kivételekről, de a többségről is érdekes többlettudást szerezhetünk. Ilyen esetekben fontos kérdés lehet, hogy milyen különbségek magyarázhatják a kivételek megjelenését, így az összehasonlítás során a populációt olyan szemszögből is vizsgálhatjuk, ami korábban a többség leírására való törekvés során nem merült fel.

Emellett azonban még egy szempontot érdemes figyelembe venni, ami miatt hasznos lehet a kivételek megfigyelése. Amennyiben a kivételes eseteknél valamilyen negatív jelenség áll fenn, miközben a többségnél valamilyen pozitív viselkedést vagy állapotot figyelhetünk meg, úgy a két csoport bizonyos változók mentén történő összehasonlítása segíthet feltárni, hogy milyen nehézségek vezetnek a hibaszázalékba eső személyeknél megfigyelt negatív jelenségekhez. Ez hozzásegíthet minket ahhoz, hogy a későbbiek során célzottan, ezeknek a nehézségeknek a kiiktatásával segíthessük őket. Amennyiben a kivételeknél valamilyen pozitív viselkedést látunk, szemben a többséggel, az összehasonlítással azt tárhatjuk fel, hogy milyen körülmények, képességek, erőforrások segítették hozzá őket a sikeres megküzdéshez, így a többséget tudjuk hatékonyan segíteni.

A második esetre jó példa a pszichológiában egyre gyakrabban kutatott reziliencia. A fogalmat többféle jelentésben használjuk, az azonban minden meghatározásban megegyezik, hogy a reziliens személyeket a nehézségek ellenére is jól teljesítő, pozitív megküzdésre képes, sebezhetetlen egyéneknek tartjuk. Egy konkrét példával élve reziliensnek tekinthetjük azokat az egyetemi hallgatókat, akik hátrányos helyzetű családokból származnak, mégis kiemelkedően teljesítenek az egyetemen. Ilyen esetekben a Bourdieu által megjelölt 3 tőketípus közül mindhárom tekintetében hátrányból induló személyekre kell gondolnunk, akiknek a családja a gazdasági, kulturális (tudás, karrier, birtokolt könyvek és eszközök), és társadalmi tőke (kapcsolatok, összeköttetések) tekintetében is elmarad az átlagtól.

Miért érdekes az ilyen hallgatók vizsgálata? Mivel az alapvető, korábbi kutatásokban többszörösen megfigyelt tendencia az, hogy a hátrányosabb helyzetből érkező hallgatók rosszabbul teljesítenek az egyetemen, sőt, sokszor félbe is hagyják tanulmányaikat, így azzal, ha megfigyeljük azokat, akiknél ez a trend nem érvényesül, előfordulhat, hogy olyan védőfaktorokat fedezünk fel, amelyek az egyetemen, intézményi szinten is megerősíthetőek, így lehetőség van arra, hogy hatékony segítséget nyújtsunk az említett hallgatóknak.

A pozitív kivételek, szélsőségek vizsgálata más témákban is hasznos lehet. Ha egy vállalatnál azt szeretnénk elérni, hogy minél több dolgozó teljesítsen egyre jobban, érdemes lehet a kimagaslóan teljesítő munkatársakat vizsgálnunk. Milyen erőforrásokat, stratégiákat használnak? Szerepelnek ezek között olyanok, amiket a többi dolgozó is el tudna sajátítani? Ha igen, segíthetünk nekik ebben?

Egy másik példa az az eset, ha a rosszul teljesítő dolgozók produktivitását szeretnénk növelni, ahelyett, hogy új munkatársakat vennénk fel a helyükre (például azért, mert a betanítás túl költséges lenne). Ilyenkor érdemes a szélsőségesen rosszul teljesítő dolgozókat összevetni az átlaggal, majd az általunk azonosított, a szélsőséges teljesítményt magyarázó készségeket, körülményeket úgy fejleszteni és változtatni hogy növelni tudjuk a hatékonyságot. Ha ezekben az esetekben úgy döntenénk, hogy a szokásos módon a többséget (a minta 95%-át) vizsgáljuk, és az ő esetükben figyeljük meg a magyarázó változók és a teljesítmény kapcsolatát, akkor sem a nagyon rossz, sem a nagyon jó teljesítményre vonatkozóan nem lennének adataink.

 the-zen-of-work.jpg

Fontos tehát, hogy a kutatásaink során ne mindig ragaszkodjunk a jól bevált, mindenki által alkalmazott paradigmákhoz. Merjünk más nézőpontból közelíteni és új módszereket felfedezni, hiszen ez hozzásegíthet ahhoz, hogy teljesebb képet kapjunk a vizsgált jelenségről.

Ha tetszett a téma, esetleg segítségre van szükséged kutatásodban, keress bátran Facebook-on!:)

A bejegyzés egyes bekezdéseihez felhasznált irodalom: Ceglédi Tímea: Reziliens életutak, avagy A hátrányok ellenére sikeresen kibontakozó iskolai karrier, Szociológiai Szemle, 22(2), 85-110.

Mi a baj az átlagkeresettel?

A Központi Statisztikai Hivatal 2018 júniusára vonatkozó jelentése szerint ,,Nemzetgazdasági szinten az átlagos nettó kereset családi kedvezmény nélkül 219 200 forint volt, a kedvezményt is figyelembe véve pedig 227 700 forintra becsülhető."

Nem érzed reálisnak? Nem vagy vele egyedül. Olyan változók esetén, amik nem felelnek meg a normáleloszlásnak (a kereset tipikusan ilyen), illetve ahol előfordulnak kiugró értékek (Pl.: kevés, nagyon magas keresettel rendelkező személy), ott az átlag szinte semmit sem árul el a teljes populációról. Ilyen esetben érdemes más középérték mutatókat (módusz, medián), illetve egyéb leíró statisztikai adatokat (terjedelem, szórás, alsó és felső kvartilis, etc.) is kiszámítani, hogy teljes képet kapjunk arról, amit vizsgálunk (jelen esetben tehát a magyarok keresetéről).

További probléma, hogy a KSH által közölt módszertani információk szerint a fent látható átlagkeresetet csak azoknak a személyeknek a bevételeiből számították ki, akik teljes munkaidőben dolgoznak, és be vannak jelentve. Ez tovább torzítja az adatokat, hiszen így azok, akik valószínűleg a legalacsonyabb keresettel rendelkeznek, mert részmunkaidőben dolgoznak vagy nincsenek bejelentve (ez általában nem a felső vezetőkre jellemző) azok be sem kerültek a mintába. Ez azért fontos, mert így a KSH kimutatása nem a dolgozó magyarok keresetének leírását célozta, hanem egy ennél szűkösebb csoportot vizsgált, a jelentés címe ezzel szemben mégis azt sugallja, hogy a populáció a teljes lakosság volt. Ez olyan módszertani probléma, amelyre saját kutatásaink esetén is mindenképpen oda kell figyelnünk.

A keresetekkel és más, nem normális eloszlású adatsorokkal való munkára vegyünk egy egyszerű példát, ahol egy elképzelt lakosságot 100 fő reprezentál. Ha a 100 fő közül 20-an 80 ezer forintot, 20-an 100 ezret, 40-en 160 ezret, 15-en 300 ezret, 5-en pedig 1 millió forintot keresnek, akkor a középérték mutatók a következőképpen alakulnak:

tabl_1.png 
Ebben az esetben elmondhatjuk, hogy az átlag a minta tagjai közül valójában senkit sem reprezentál igazán. Míg a mintha 80%-a, aki 160 000 Ft-ot, vagy annál kevesebbet keres, azt érezheti az átlagkeresetről szóló jelentést olvasva, hogy az irreálisan magas, addig a felső 20 vagy 5%-ba tartozók sem éreznék úgy, hogy a sajátjuktól nagyságrendekkel különböző 195 ezer forintos átlagfizetés bármit is elárulna az ő élethelyzetükről. Ilyen szempontból az átlagnál talán érdekesebb és árulkodóbb adat a módusz, vagyis leggyakrabban szereplő érték, ami kereset esetén nagyban elősegítheti, hogy a lakosság minél nagyobb százalékát reprezentálják az elkészített kimutatások-feltéve, hogy ez a célunk azok elkészítésével. Emellett a medián (vagyis a sorbarendezett adatok közül a középső érték) is fontos és beszédes lehet, hiszen ezt néhány kiugró érték még nem torzítja olyan mértékben, mint az átlagot.

A középérték mutatók egyszerű kiszámításánál azonban még hasznosabb, ha a fentihez hasonló adatsorok esetén boxplotot készítünk. Ehhez elsőként tekintsük át, hogy milyen adatokat jelenítünk meg egy boxploton, illetve hogy Excelben hogyan tudjuk azt elkészíteni.


boxplot.png

Amint láthatjuk a boxploton a következő értékek szerepelnek: Minimum és maximum érték, alsó és felső kvartilisek, medián, kiugró, a többitől távol eső értékek (ezek mellett gyakran ábrázoljuk még az átlagot is, x jelöléssel). A boxplot elkészítése több okból is fontos és hasznos lehet. Egyrészt segíthet abban, hogy áttekintsük, milyen jellegű adatsorral van dolgunk, mennyire homogén/heterogén a minta, illetve a kiugró értékek eltávolítását is érdemes lehet megfontolnunk, így később az egyes próbák lefuttatásakor a teljes populációt tekintve pontosabb és relevánsabb eredményeket kaphatunk.

A boxplot Excelben való elkészítése a következőképpen zajlik: Jelöljük ki az adatsorunkat, majd a diagramok közül válasszuk ki a dobozos ábrát a következő helyen:


boxplot_excel_2.png

Amint a képernyőképen is látható, a boxploton ábrázolt adatokat külön is lekértem. Ez elsősorban az átláthatóságot segíti, ugyanis az ábrán az adatok számszerűsítve, feliratként nem kerülnek megjelenítésre. A minimum, maximum, alsó és felső kvartilis, medián, átlag és terjedelem Excelben való kiszámítását keresd a StatOkoson.

Az ábrán látható, hogy mind a 300 000 Ft-os, mind a 1 000 000 Ft-os fizetés kiugró értékként kezelendő, illetve azt is érdemes megfigyelni, hogy a medián és a felső kvartilis egyaránt alacsonyabbak az átlagnál. Azt gondolom, hogy a fenti adatok ismeretében már sokkal nagyobb bizonyossággal mondhatjuk, hogy feltártuk az elképzelt társadalom keresetének jellemzőit. Már nem csak annyit tudunk, hogy az átlagkereset 195 ezer Ft, de azt is, hogy a minta nagy részének keresete 160 000 Ft vagy annál kevesebb, de nem kevesebb 80 000 Ft-nál, illetve hogy bár vannak, akik ennél többet (300 000 vagy 1 000 000 Ft-ot) keresnek, ők azonban kisebbségnek tekinthetőek.

Összességében a következőket érdemes megjegyeznünk: Amennyiben a mintánkat csak a leíró statisztika segítségével szeretnénk bemutatni, sose hagyatkozzunk egyetlen értékre vagy mutatóra, kiváltképp, ha a vizsgált változó eloszlása nem felel meg a normáleloszlásnak. Ez egyrészt nagyon kevés, szinte semmit sem árul el arról a bizonyos esetekben igen nagyszámú adatról, amivel dolgoztunk, másrészt pedig, ahogy a fent bemutatott eset is jól példázza, gyakran torz következtetésekhez vezethet. Emellett a mintavétel során is fontos, hogy körültekintően járjunk el, és ügyeljünk arra, hogy a kutatásunkban használt minta valóban azt a populációt reprezentálja, amelyet vizsgálni szeretnénk. Amennyiben ez valamilyen okból nem valósulhat meg (pl: mert a populáció valamely csoportját nem tudjuk elérni) azt a publikáció során mindenképpen jelezzük, és kerüljük a félreértéseket, a címadáskor pedig fokozottak ügyeljünk arra, hogy ne vezessük félre olvasóinkat.

Ha tetszett a téma, esetleg segítségre van szükséged kutatásodban, keress bátran Facebook-on!:)

Könyvajánló: Túlélőkészlet az SPSS-hez

Vannak könyvek, amikről mindenki hallott már, de nagyon kevesen olvasták őket. Tapasztalataim szerint Székely Mária és Barna Ildikó 2002-ben kiadott könyve, a Túlélőkészlet az SPSS-hez ilyen. De van-e alapja annak, hogy a hallgatók ilyen ritkán forgatják? Érdemes-e belenézni, vagy akár szakdoga leadás előtt 2 héttel, hatalmas pánikban hozzá fordulni segítségért?

Ami első ránézésre eszembe jutott erről a könyvről, az az volt, hogy borzasztóan ijesztő a terjedelme. Az én pdf-es változatom 453 oldal, és tényleg nagy erőfeszítés kell ahhoz, hogy az ember belefogjon, azonban csak elsőre tűnik átláthatatlannak az egész: Az egyébként majdnem 6 oldalas tartalomjegyzék nagyon részletes, és hatalmas segítség, ha csak egyetlen próba lefuttatásával kapcsolatban szeretnénk információhoz jutni. Itt nem csak a nagyobb fejezeteket tudjuk áttekinteni, az alfejezetek címe is egyesével fel van sorolva, így nem kell a fél könyvet átlapoznunk, hogy megtaláljunk egy-egy konkrétabb témát. Az átlátható szerkezet mellett a barátságos hangnem is az emészthetőséget segíti, azonban ez sajnos nem jelenti azt, hogy a szöveg olvasmányos lenne: rengeteg szakszót használ, egyes esetekben feleslegesen.

tartalomjegyz.png

Na de mennyire hasznos maga a tartalom? Azt szerintem mindenképpen érdemes kiemelni, hogy egy átlagos hallgató nem fog minden fejezetet átolvasni. Ez nem is baj, mert a könyv egyik erőssége épp az, hogy több szak hallgatóinak képes segítséget nyújtani. Mivel elsősorban szociológusok számára készült, sok esetben előfordulhat, hogy az adott téma pszichológia vagy más szakosok számára teljesen érthetetlen és irreleváns. Ez azért jó hír, mert a könyv számodra valóban hasznos és fontos fejezeteinek terjedelme már sokkal kevésbé ijesztő, így bátrabban foghatsz neki a tanulásnak.

Ahogy az a bevezetőben is olvasható, ezt a könyvet nem arra szánták, hogy a statisztikával küzdő, esetleg érdeklődő hallgatók szabadidejükben olvasgassák. Ez a könyv segédanyag, tehát adott helyzetekben, a gép mellett ülve érdemes előkeresni. Ez a gyakorlatias hozzáállás az első komolyabb átlapozáskor feltűnik: Minden témakör első oldalai az adott próba, elemzési módszer SPSS-ben történő lefuttatását mutatják be. Ezt követik az arra vonatkozó példák, leírások, hogy milyen esetekre való az adott próba, milyen adatokon, milyen kérdések megválaszolására érdemes használni. A gyakorlatiasság nagy előny lenne, azonban mivel a könyvben szereplő leírások a ’97-es SPSS9-re vonatkoznak, így azt, hogy a próbákat hogyan kell lefuttatni, nem feltétlenül innen fogod megtudni. Ha érted az elméletet, és biztosan tudod, hogy megfelelő próbát alkalmazol, de nem tudod, hogyan kell lefuttatni, a youtube-ot tudom ajánlani. Rengeteg szemléltető videó van, amik az SPSS újabb verzióin is bemutatják ezt.

Bár az érthetőséget sok ábra, táblázat igyekszik segíteni, az egyes magyarázatok néha döcögősek. Ezzel együtt úgy gondolom, hogy többszöri átolvasással, jegyzeteléssel akkor is lehetséges a könyv segítségével megérteni egy témakört, ha nulláról kezdünk, főként, ha több segédanyagot is használunk. Annak pedig, aki csak felfrissítené a meglévő tudását, ezek a magyarázatok önmagukban is elegendőek lehetnek.

AnswerMiner

Ebben a bejegyzésben egy olyan webalkalmazást fogok bemutatni, ami egyaránt lehet segítség azoknak, akik sokszor úgy érzik, hogy azt sem tudják, hogyan kezdjenek neki a meglévő adataik elemzésének SPSS-ben, illetve azoknak is, akik bár magabiztosan használják az SPSS-t, de szeretnének valami kevésbé időigényes megoldást találni az adatelemzésre. Ez az alkalmazás az AnswerMiner.

Miért ajánlom ezt az alkalmazást?

Automatizáltság

Az AnswerMineren egy csomó minden automatizált. Ilyenek például a diagramok. Az alkalmazás nagy előnye, hogy amikor pl. egy leíró statisztikai részhez szeretnél diagramot készíteni, nem neked kell kitalálnod, hogy az általad kiválasztott adatokhoz melyik diagramtípus passzol a leginkább, mert a változóra klikkelve csak olyan diagramokat látsz, amelyek megfelelnek az adott célra. A diagram típusa mellett a tengelyek beosztása is automatizáltan jelenik meg, illetve az is, hogy melyik tengely mit jelöl, így ezeken sem kell törnöd a fejed. Az így kapott diagramok látványosak, és az excelben létrehozottakhoz hasonlóak, így szakdolgozatban, beadandóban is csatolhatóak (Mielőtt használnád őket, mindenképp egyeztess a konzulenseddel!), egyelőre azonban nem szerkeszthetőek, így a tengelyek neveit, vagy a színeket nem tudod megváltoztatni.
Nagy segítség még, hogy ha vannak kilógó szélsőértékek, melyek eltolnák az átlagot (vagy egyéb középérték mutatókat) az alkalmazás ezt jelzi számodra, így kevesebb, de megbízhatóbb adattal dolgozhatsz.
Emellett a Data view is tartogat meglepetéseket, ugyanis a Data fülre kattintva egy csomó a változóiddal kapcsolatos leíró adatot automatikusan megkapsz. Ilyen adatok például az egyes változók minimum vagy maximum értékei, illetve ugyanebben a menüben egy kattintással elérheted a változókhoz tartozó diagramokat is.

 

Relation map

A Relation map lényege, hogy az összes változó közti korrelációs kapcsolatot vizuálisan jeleníti meg. Ez két esetben lehet hasznos és gyors megoldás: Az első eset az, amikor nem csak a hipotéziseidben szereplő, megadott változók közötti kapcsolatokra vagy kíváncsi, hanem minimális idő alatt szeretnél átfogóbb információt, áttekintést kapni az adataid közötti kapcsolatokról. Ekkor nincs más dolgod, mint kijelölni az összes metrikus változód (ezek lehetnek kérdőív itemek, demográfiai adatok, bármi, ami metrikus), és a Relation mapen egyből megjelennek a változóid, melyek egymástól való távolsága, az őket összekötő vonalak színe és vastagsága alapján könnyedén beazonosíthatsz olyan erős kapcsolatokat is, amiket SPSS-ben nem vizsgáltál volna. Emellett a gyenge kapcsolatokat is ránézésre kiszűrheted, így ezeket a korrelációkat már nem kell feleslegesen lefuttatnod a későbbi adatelemzés során.
A változók közti rejtett kapcsolatok feltárása mellett faktorelemzésnél is segítségedre lehet a Relation map, hiszen ha egy általad létrehozott/vizsgált kérdőív egyes faktorainak itemei elég erősen korrelálnak egymással, akkor azok a mapen csoportokba rendeződnek, így könnyedén észreveheted az egyes faktorok csoportjaitól távolabb eső, kilógó itemeket. A Relation mapet png formátumban le is töltheted, és (a tanároddal/konzulenseddel való egyeztetés után) nyugodtan csatolhatod bármilyen beadandóhoz, ha egy látványos, vizuális ábrára van szükséged.

Ha kevesebb változót szeretnél vizsgálni, akkor legalább 4 változót kell kijelölnöd ahhoz, hogy a Relation map-en csak a legfontosabbak közötti kapcsolatokat lásd. Ha a korrelációk erősségét számszerűsítve is szeretnéd megkapni, a Matrix menüpontra kell váltanod. Itt az egyes párok közötti korreláció erősségét az SPSS-szel szemben nem -1-től 1-ig terjedően, hanem %-ban találod meg, amihez a Table menüpont alatt szöveges magyarázatot is találsz, ami azt adja meg, hogy az adott százalékok gyenge, közepes vagy erős korrelációt jeleznek. A Matrix és a Table menüpont alatt található információk akkor is elérhetőek, ha nem csak megadott, kijelölt változókkal dolgozol, viszont szerintem egyszerűbb, ha ezeket a funkciókat csak az után használod, hogy a Relation map vagy a hipotéziseid alapján kiválasztottad a számodra releváns változókat, hiszen így az eredmények sokkal átláthatóbbak lesznek.

 

 

Fontos infó még, hogy ha 100-nál több fővel vettél fel adatot, akkor amennyiben az ingyenes verziót használod, csak 100-random módon kiválasztott-adatsor elemzését fogod látni. Ez a random választás miatt a fentebb említett áttekintésre, a korrelációk lefuttatása előtti átnézésre azonban bőven elég. További érdekességeket, videókat, segítséget itt találsz.

Fontos tudnivalók

Ki vagyok én?

21 éves pszichológus hallgató, aki egy éve foglalkozik az egyetem mellett SPSS-szel és szakdolgozattal kapcsolatos korrepetálással.

Ki vagy te?

Olyan alap-vagy mesterképzésre járó hallgató, akinek SPSS-t kell használnia a műhelymunkája/szakdolgozata/egyéb beadandója elkészítéséhez, és hajlamos vagy némi bizonytalanságra, ha statról van szó. Emellett jó, ha sokat vagy netközelben, hiszen elsősorban Facebookon-messengeren, vagy e-mailen keresztül tudok neked segíteni.

Miben tudok segíteni?

- szakdolgozat/egyéb beadandó (pl.: műhelymunka) statisztika fejezetének átnézése, jelzem ha hibát találok, és hogy hogyan tudod javítani

- diagramkészítés, eredmények összefoglalása a statisztikai részben a témának megfelelően

- meglévő adatokhoz segíteni kiválasztani a statisztikai próbákat, azokat lefuttatni, kijelölni a szignifikáns eredményeket, teljes hivatkozást írni, mindenhez magyarázni

- szakdoga bármely részében apróbb segítség fogalmazásban, eredmények magyarázásában, ötletelés kb. bármely fejezethez

- segédanyagot is kapsz, amiben minden benne van, hogy a sok-sok magyarázat mellé legyen valami támpontod akkor is,ha épp önállóan dolgozol

A legjobb ha megkeresel, mikor még nagyon az elején vagy, és együtt kitaláljuk, hogy hogyan állítsd úgy össze a kérdőívet, hogy az statisztikailag is megfelelően elemezhető legyen. Így végig tudok segíteni, és nem kell utólag feleslegesen javítgatnod a hibákat. Ha a statisztika mellett a módszertannal, esetleg a szakirodalomkereséssel, hivatkozással kapcsolatban is vannak kételyeid, ezekben is szívesen segítek.

Miben nem tudok segíteni?

Teljes beadandó megírását nem tudom vállalni. Ilyen esetekben neked kell tudni, hogy mihez kaptad a feladatot, milyen megoldást várnak el. Azonban, ha egy-egy definícióban, adott próba lefuttatásában vagy bizonytalan, azt szívesen elmagyarázom.

Milyen bejegyzéseket fogsz itt látni?

Itt a blogon próbálok minél több hasznos segédanyagot közzétenni, kezdve az alapokkal, egészen a komplexebb próbákig. Igyekszem érthetően, felesleges információk nélkül összefoglalni egy-egy témakört, és kézzelfogható, hétköznapi példákkal, képekkel illusztrálni azokat. Emellett az egyes próbák SPSS-es lefuttatásáról videókat is fogok csatolni, amiket előtte én megnézek, hogy biztosan jók-e, így nem kell órákat a youtube előtt töltened.:)

Hogyan tovább?

Lehet, hogy olyan kérdésed van amire nem válaszoltam a fentiekben. Ha így van, írj rám bátran messengeren és megbeszéljük!

süti beállítások módosítása