Μεθοδολογία της έρευνας Εισαγωγή στη χρήση του λογισμικού SPSS

SPSS  Data editor  Viewer  Syntax editor

Data editor  Data view  Καταχώρηση δεδομένων  Variable view  Καθορίζω τα χαρακτηριστικά των μεταβλητών  Στατιστικές αναλύσεις

Ενεργό (Active) Η τιμή του ενεργού κελιού (cell) Βρισκόμαστε στο “Data view” Click για να πάμε στο “Variable view”

Data editor  File: Save data, graphs, or output, open files, print graphs or output  Edit: Cut/Copy and Paste  View: System specifications (e.g., display value labels)  Data: Make changes in the data editor  Insert variable, Insert cases, Split file, Select cases  Transform: Manipulate one of the variables  Recode, Compute  Analyze: The fun begins here  Statistical procedures  Graphs  Window: Switch from window to window  Utilities: Data File Comments  Help: Online help on the system itself and the statistical tests

Data editor  Καταχώρηση δεδομένων  Row: Δεδομένα ενός ατόμου  Column: Μεταβλητή (Variable)

Variable view  Δημιουργία μεταβλητών  Πριν την καταχώρηση δεδομένων  Χαρακτηριστικά των μεταβλητών  Name  Type: Numeric, String, Currency, Data  Width (default: 8)  Decimals (default: 2)  Label: Longer variable description  Values: Numbers that represent groups of people  Missing: Missing data  Columns: How many characters are displayed in the column  Align: Left, Right, Center  Measure: Nominal, Ordinal, Scale

Creating a string variable  Move the on-screen arrow (using the mouse) to the first white cell in the column labelled Name.  Type the word Name.  Move off this cell using the arrow keys on the keyboard or click on a different cell.  Αλλάζω τον τύπο (type) της μεταβλητής: Numeric String  Measure Nominal

Creating a date variable  Move to the cell in row 2 and type the word “Birth_Date”  Move to the column Type  Αλλάζω τον τύπο (type) της μεταβλητής: Numeric Date

Creating a coding variable  Coding variable or grouping variable  Χρησιμοποιώ αριθμούς οι οποίοι αντιστοιχούν σε ομάδες δεδομένων (π.χ., άντρες – γυναίκες, πειραματική ομάδα – ομάδα ελέγχου)  Είναι numeric variable αλλά οι αριθμοί αντιστοιχούν σε ονόματα (δηλ. Είναι nominal variable)  Αντιστοιχούν σε ανεξάρτητες μεταβλητές (between-subjects)  Move in the third row and type the word “Group”  Move in the third row to the column called ‘Label’ and give the variable a full description, e.g., “Is the person a lecturer or a student?”  To define the group codes move along the row to the column labeled ‘Values’  1 for Lecturer, 2 for student  Measure Nominal or Ordinal (if the groups have a meaningful order)

 Number of friends  Variable view ‘Friends’  Αλλάζω τον τύπο (type) της μεταβλητής Numeric  Decimals ‘0’  Measure Scale Creating a numeric variable

Missing values  We choose a numeric value to represent the missing data point  This value tells the SPSS that there is no recoded value for a participant for a certain variable.  The computer then ignores that cell of the data editor.  Be careful: the chosen code not to correspond to any naturally occurring data.  Click in the column labeled ‘Missing’  Select discrete values Assign a different meaning to each discrete value (e.g., 8 ‘not applicable’, 9 ‘don’t know’, 99 ‘no response’)  Select a range of values  To have a range of values and one discrete value

The SPSS Viewer Tree Diagram of the Current Output Results of Statistical Analysis

The Syntax Editor  Usually for doing advanced things  If you often carry out very similar analyses on data sets  Quicker to do the analysis and save the syntax  Paste button Run  Selection  Current  To End  File New Syntax

The Syntax Editor

Saving files  Data analysis.sav  Output.spv  Syntax file.sps

Retrieving a file  File Open  Data  Output  Syntax

Είδη έρευνας  Υποθέσεις (Hypotheses):  Το να μιλάμε μπροστά σε άλλους μας προκαλεί άγχος.  Το κάπνισμα προκαλεί καρκίνο.  Η παρακολούθηση του μαθήματος της Μεθοδολογίας ΙΙ βοηθά τους φοιτητές να κάνουν καλές διπλωματικές  Correlational/Observational Research (Συσχετιστική έρευνα)  Experimental Research (Πειραματική έρευνα)

Είδη Μεταβλητών  Υπόθεση: Το να μιλάμε μπροστά σε άλλους μας προκαλεί άγχος.  Αιτία και Αποτέλεσμα = Μεταβλητές (Variables)  Ανεξάρτητη Μεταβλητή (Independent Variable)  Εξαρτημένη Μεταβλητή (Dependent Variable)  Ο ερευνητής χειρίζεται την IV και μετράει την DV  Χειρισμός = Δημιουργία Επιπέδων (levels) ή Συνθηκών (conditions)  Πόσα πρέπει να είναι τα επίπεδα;

Μετρήσεις και Δεδομένα  Μη Παραμετρικά Δεδομένα (Non-Parametric Data)  Nominal Data (Κατηγορικά)  π.χ., 1: άντρας, 2: γυναίκα  π.χ., χρώμα μαλλιών  Ordinal Data (Διατακτικά)  π.χ., 1: διαφωνώ απόλυτα, 2: διαφωνώ, 3: ούτε διαφωνώ ούτε συμφωνώ, 4: συμφωνώ, 5: συμφωνώ απόλυτα

Μετρήσεις και Δεδομένα  Παραμετρικά Δεδομένα (Parametric Data)  Interval Data (Ισοδιαστημικά)  Δεν υπάρχει απόλυτο μηδέν  Δεν έχουν νόημα οι αναλογίες (ratios)  π.χ., θερμοκρασία  Ratio Data (Αναλογίας)  π.χ., βάρος, βαθμοί σε εξέταση, χρόνος αντίδρασης, ακρίβεια Continuous vs Discrete Variables

Πληθυσμός και Δείγμα  Πληθυσμός (Population):  π.χ., όλοι οι άνθρωποι στον κόσμο, παιδιά με σύνδρομο ελλειμματικής προσοχής.  Δείγμα (Sample):  π.χ., 20 φοιτητές του Πανεπιστημίου Κύπρου Το δείγμα πρέπει να είναι αντιπροσωπευτικό (representative)

Περιγραφική Στατιστική  Κατανομή Συχνότητας (Frequency Distribution)  π.χ., 10,6,7,8,9,7,10,2,8,6,8,3,8,9,8,5,7,5,4,9  Πόσες φορές εμφανίζεται το κάθε σκορ;

Ιστόγραμμα (Histogram)  Τι μπαίνει στον άξονα ψ;  Τι πληροφορίες μας δίνει το ιστόγραμμα;

Η καμπύλη της φυσικής κατανομής (the normal curve)

The Kolmogorov-Smirnov (K-S) test  Έχουν τα δεδομένα μας φυσική κατανομή;  Υπάρχουν outliers;  Analyze ⇒ Descriptive Statistics ⇒ Explore

The K-S test Εάν το p-value από το τεστ είναι μικρότερο από.05 τότε τα δεδομένα μας αποκλίνουν από τη φυσική κατανομή.

Student’s t-test  Το πρόβλημα του “Student”: Έχω 2 συνταγές μπύρας, την Α και τη Β. Ποια από τις δύο προτιμά ο κόσμος;  Πως θα τον βοηθούσατε;

Πείραμα μπύρας  Ανοίξτε το πρόγραμμα SPSS και καταχωρήστε τα εξής δεδομένα (data).  Τι θα κάνω για να δω εάν υπάρχει προτίμηση για μια από τις δύο μπύρες;

Υπολογισμός Μέσου Όρου στο SPSS  Analyze -> Compare Means -> Means

Υπάρχει διαφορά στην προτίμηση για τις δύο μπύρες στο δείγμα (sample); Στον πληθυσμό (population);

Μηδενική και Εναλλακτική Υπόθεση  Μηδενική Υπόθεση (Null Hypothesis): Δεν υπάρχει διαφορά στην απώλεια βάρους στις δύο ομάδες.  Μπύρα Α = Μπύρα Β  Εναλλακτική υπόθεση (Alternative Hypothesis): Υπάρχει διαφορά.  Μπύρα Α ≠ Μπύρα Β Αρχίζουμε από τη Μηδενική Υπόθεση και προσπαθούμε να την απορρίψουμε. Προσπαθούμε να δούμε εάν η διαφορά που βρίσκουμε (π.χ..3) οφείλεται στην τύχη.

Μηδενική και Εναλλακτική Υπόθεση  Μπύρα Α: 6.2  Μπύρα Β: 5.9  Ποια η πιθανότητα (p) η διαφορά του.3 να οφείλεται στην τύχη; Για να απορρίψουμε τη Μηδενική Υπόθεση θέλουμε το p να είναι μικρό ή μεγάλο;

Student’s t-test  Υπολογίζει την πιθανότητα (p) να οφείλεται στην τύχη η ύπαρξη της διαφοράς μεταξύ 2 μέσων όρων.  Εάν η πιθανότητα αυτή είναι αρκετά μικρή (π.χ., p <.05) τότε δεχόμαστε ότι η διαφορά είναι στατιστικά σημαντική (significant). Απορρίπτουμε δηλαδή τη Μηδενική Υπόθεση.

Είδη πειραματικών σχεδίων  Μεταξύ των υποκειμένων (Διομαδικό Σχέδιο) [Between-subjects design]  Εντός των υποκειμένων (Ενδοομαδικό Σχέδιο) [Within-subjects design]  Μικτά πειραματικά σχέδια [Mixed Designs]

T-test Διομαδικού σχεδίου στο SPSS  Analyze -> Compare Means -> Independent Samples T-test

p =.77. Η διαφορά που βρήκαμε (.3) οφείλεται κατά 77% στην τύχη.

Θέλετε να κάνετε ένα πείραμα για να δείτε εάν έχουμε καλύτερη μνήμη για λέξεις με υλική υπόσταση (concrete words) παρά για αφηρημένες λέξεις (abstract words). Πως θα το κάνατε;

 Πείραμα μνήμης  Ανοίξτε το πρόγραμμα SPSS και καταχωρήστε τα εξής δεδομένα (data). SubjectConcreteAbstract  Προσέξτε πως διαφέρει η διαρρύθμιση των δεδομένων στα δύο είδη σχεδίου.  Υπολογίστε τους μέσους όρους για την κάθε συνθήκη.

T-test ενδο-ομαδικού σχεδίου στο SPSS  Analyze -> Compare means -> Paired Samples T-test

p =.000. Είναι στατιστικά σημαντική η διαφορά των 4.54 λέξεων; Τι σημαίνει αυτό για τη Μηδενική Υπόθεση;

T-test vs ANOVA  Πότε κάνουμε T-test και πότε ANOVA;  Πολλά T-tests  5% πιθανότητα να αποδεχτούμε μια επίδραση που δεν ισχύει (Type I error)  Λύση;

ANOVA  Όταν θέλουμε να συγκρίνουμε 3 ή περισσότερους μέσους όρους  ”way” = ανεξάρτητες μεταβλητές, π.χ. One-way ANOVA, Two-way ANOVA, Three-way ANOVA κλπ  Independent, Repeated-Measures, Mixed, π.χ., Three-way Mixed ANOVA

One-Way Independent ANOVA  Όταν θέλουμε να συγκρίνουμε 3 ή περισσότερους μέσους όρους.  Σε κάθε ομάδα έχουμε διαφορετικούς συμμετέχοντες (Διομαδικό σχέδιο/Between- subjects design).

One-Way Independent ANOVA  Θέλετε να συγκρίνετε τη γεύση των φραπέ 3 café της Λευκωσίας χρησιμοποιώντας διομαδικό σχέδιο (between-subjects design). Πως θα το κάνετε;

One-Way Independent ANOVA  Ανοίξτε το SPSS και καταχωρήστε τα πιο κάτω δεδομένα (data):

One-Way Independent ANOVA  Analyze -> Compare Means -> One-way ANOVA  Στα ‘Options’ επιλέξτε ‘Descriptive’ για να πάρετε τους μέσους όρους και ‘Homogeneity of Variance Test’ για εξετάσετε αν ισούνται οι διακυμάνσεις στις ομάδες (αν p <.05 τότε οι διακυμάνσεις διαφέρουν στατιστικά σημαντικά).

One-Way Independent ANOVA p-value Κύρια επίδραση (Main effect) F (2, 29) = 15.05, p <.05 Τι σημαίνει το p-value στην περίπτωση αυτή;

One-Way Independent ANOVA  Εάν p <.05 τότε προχωρούμε για να συγκρίνουμε το κάθε επίπεδο με τα υπόλοιπα.  Analyze -> Compare Means -> ANOVA -> Post Hoc… Διαλέγουμε κάποιο τεστ. Bonferroni και Tukey είναι τα πιο γνωστά.

One-Way Independent ANOVA

One-Way Repeated-Measures ANOVA  ANOVA για ενδο-ομαδικό σχέδιο (within-subjects design)

One-Way Repeated-Measures ANOVA  Analyze -> General Linear Model -> Repeated Measures…

One-Way Repeated-Measures ANOVA

 Πατάτε το ‘Contrast’, διαλέξτε μια επιλογή (π.χ., ‘Repeated’), και μετά πατάτε το ‘Change’.

One-Way Repeated-Measures ANOVA p-value Υπάρχει κύρια επίδραση (main effect) της ανεξάρτητης μεταβλητής;

One-Way Repeated-Measures ANOVA

p-value

Συσχετιστική Έρευνα  Συσχετιστική Έρευνα (Correlational Research)  Δεν υπάρχει διάκριση αιτίας και αιτιατού  Δεν υπάρχουν ανεξάρτητες και εξαρτημένες μεταβλητές  Όλες οι μεταβλητές είναι ποσοτικές (συνήθως)  Υπόθεση: Η συσχέτιση είναι διαφορετική από το 0 (δηλ. διαφορετική από το «καμία συσχέτιση»)

 Πως μετρούμε τις σχέσεις μεταξύ των μεταβλητών;  Συμμεταβλητότητα (Covariance)  Αλλαγές στις τιμές της μιας μεταβλητής συμβαίνουν παράλληλα με αλλαγές στις τιμές της άλλης μεταβλητής. Συσχετιστική Έρευνα

Bivariate correlation  Μέτρηση δύο μεταβλητών και εντοπισμού της σχέσης μεταξύ τους. π.χ., IQ γονιών και IQ παιδιών  Προβλεψιμότητα  Πρόβλημα τρίτων μεταβλητών: οι μεταβλητές μπορεί να συσχετίζονται έμμεσα κι όχι άμεσα. π.χ. Κάπνισμα κατά τη διάρκεια της εγκυμοσύνης και προβλήματα συμπεριφοράς των παιδιών.

Θετική Συσχέτιση (Positive Correlation)

Negative Correlation (Αρνητική Συσχέτιση)

No correlation (Μη συσχετισμός)  Όταν οι τιμές της μιας μεταβλητής αλλάζουν, οι τιμές της άλλης δεν επηρεάζονται.  Παραδείγματα;  Πόσες φορές βγαίνεις έξω – πόσο σ’ αρέσουν τα λουλούδια

Δύναμη Συσχέτισης

Δείκτες Συσχέτισης  Parametric  Pearson's correlation coefficient: r  Προϋποθέσεις του Pearson r  Interval data

Δείκτες Συσχέτισης  Τιμές μεταξύ -1 και 1  Το πρόσημο δείχνει την κατεύθυνση  Όσο πιο μεγάλη είναι η απόλυτη τιμή του δείκτη τόσο πιο δυνατή (strong) είναι η συσχέτιση  p-value  Ποια είναι η πιο δυνατή συσχέτιση από τις πιο κάτω; .4, -.5,.8, -.9

Δείκτες Συσχέτισης στο SPSS  Analyze -> Correlate -> Bivariate

Δείκτες Συσχέτισης στο SPSS  Options -> Means and standard deviations

Δείκτες Συσχέτισης στο SPSS

Scatter plot in SPSS  Graphs -> Legacy Dialogs -> Scatter/Dot…

Περιορισμοί  Δεν μπορούμε να γνωρίζουμε την αιτιώδη σχέση μεταξύ δύο μεταβλητών (Correlation is not causation!).  Δε δουλεύει με όλες τις μεταβλητές. Πρέπει να είναι ποσοτικές.

Γραμμική παλινδρόμηση  Προβλεπτικός παράγοντας (Predicting variable)  Αποτέλεσμα (Outcome)  Παράδειγμα;

 Ταιριάζουμε (fit) το μοντέλο στα δεδομένα μας  Το χρησιμοποιούμε για να προβλέψουμε τις τιμές της εξαρτημένης μεταβλητής (DV) από μία ανεξάρτητη μεταβλητή (IV). Γραμμική παλινδρόμηση

 Το μοντέλο που ταιριάζουμε (fit) στα δεδομένα μας -> Γραμμικό (Linear)  Διαλέγουμε το μοντέλο που περιγράφει τα δεδομένα μας με τον καλύτερο δυνατό τρόπο. Γραμμική παλινδρόμηση

 Ευθεία γραμμή (Straight line)  Συντελεστές παλινδρόμησης (Regression coefficients)  Κλίση (Slope) -> b1  Τομή (Intercept) ->b0 Γραμμική παλινδρόμηση

Method of least squares  Επιλέγει τη γραμμή με το ελάχιστο άθροισμα των διαφορών υψωμένων στο τετράγωνο (squared differences).  Η γραμμή που αντιπροσωπεύει καλύτερα τα δεδομένα μας

Assessing individual predictors  Αν μια μεταβλητή προβλέπει σημαντικά ένα αποτέλεσμα -> b-value ≠ 0 (<.05)  T-statistic test: Εξετάζει τη μηδενική υπόθεση (null hypothesis) -> b = 0

Doing simple regression on SPSS  Analyze -> Regression -> Linear

 Dependent -> Outcome (sales)  Independent(s) -> Predictor (adverts) Doing simple regression on SPSS

Interpreting a simple regression  Overall fit of the model  R =.578: Συσχέτιση predictor και outcome  R² =.335: To Advertising Budget εξηγεί το 33,5% της διακύμανσης των πωλήσεων (record sales) -> Το 66% της διακύμανσης;

 F-ratio  Significance (Sig.) value of the F-ratio Interpreting a simple regression

 Model parameters Interpreting a simple regression  B 0 = 134,140, p <.001  B 1 =.096, p <.001

Exploratory factor analysis (Διερευνητική ανάλυση παραγόντων)  Πότε το χρησιμοποιούμε;  Κατανόηση της δομής ενός σετ μεταβλητών.  Κατασκευή ερωτηματολογίου για μέτρηση μιας μεταβλητής.  Μείωση ενός σετ δεδομένων σε μέγεθος που να είναι πιο εύκολο να το χειριστεί ο ερευνητής διατηρώντας όσα περισσότερα από τα αρχικά δεδομένα.

 R-matrix: συσχέτιση μεταξύ ζευγών μεταβλητών  Ομάδες μεταβλητών που συσχετίζονται μεταξύ τους  Μετρούν την ίδια διάσταση -> Παράγοντες (Factors) / Λανθάνουσες μεταβλητές (Latent variables)  Δε συσχετίζονται με μεταβλητές έξω από την ομάδα  Ανάλυση παραγόντων -> Εξοικονόμηση: Επεξηγεί το μέγιστο ποσοστό της κοινής διακύμανσης στη συσχέτιση χρησιμοποιώντας το μικρότερο αριθμό επεξηγηματικών εννοιών.  Παράδειγμα; Factor analysis

 Factor analysis -> Μας ενδιαφέρει η κοινή διακύμανση (common variance)  Communality: Μέτρηση του μεγέθους της διακύμανσης που εξηγείται από τους παράγοντες (factors). Communality

Factor rotation  Περιστρέφει τους άξονες των παραγόντων ούτως ώστε οι μεταβλητές να φορτίζουν στο μέγιστο βαθμό μόνο σε ένα παράγοντα.  Orthogonal rotation (varimax, quartimax, equamax)  Varimax: Μεγιστοποιεί τη διασπορά των φορτίσεων εντός των παραγόντων.  Oblique rotation (direct oblimin, promax)

Factor analysis in SPSS  Analyze -> Dimension Reduction -> Factor

Factor analysis in SPSS