SPSS-guide (Danish)

SPSS Introduktionsguide
Guide: Introduktion til SPSS

Introduktion
SPSS er et databehandlingsprogram med mange forskellige funktioner. Denne guide giver dig en
introduktion til interfacet i SPSS og forklarer, hvordan man udfører basale funktioner som deskriptiv
statistik og t-tests. Hvis man er ekstra interesseret og ønsker at blive en SPSS-haj, er der et hav af
videoer på YouTube, som viser smarte SPSS-tricks og forklarer, hvordan man udfører mere
komplicerede funktioner.
Guiden er delt op i tre dele:
1. SPSS-interface og nyttige funktioner er en gennemgang af, hvordan man taster variable ind,
hvilke egenskaber man kan justere på, samt nyttige funktioner som at udregne en ny variabel
(Compute Variable).
2. Deskriptiv statistik i SPSS gennemgår, hvordan man udregner deskriptive størrelser som
middelværdi, range og varians, samt hvordan man laver grafer som f.eks. boxplots.
3. t-test i SPSS er en gennemgang af, hvordan man laver en one sample t-test og en paired
sample t-test i SPSS.
Denne guide dækker langt fra alle de funktioner i SPSS, der er relevante for pensum i Statistik 1. Vi
vil derfor stærkt opfordre jer til at blive ved med at udbygge guiden i løbet af semestret, når I lærer
nye SPSS-kommandoer – individuelt eller som et fælles projekt for stamholdet – så I kan få en
fuldstændig guide til SPSS.
God fornøjelse!
Instruktorerne i Statistik 1
1
Indholdsfortegnelse
Introduktion ..............................................................................................................................................1
1. SPSS-interface og nyttige funktioner .....................................................................................................4
1.1 Data view vs. variable view ..................................................................................................................... 4
1.1.1 Data View ......................................................................................................................................... 4
1.1.2 Variable View.................................................................................................................................... 5
1.2 Indtastning og egenskaber ved variable .................................................................................................. 6
1.2.1 Name ................................................................................................................................................ 6
1.2.2 Label ................................................................................................................................................. 7
1.2.3 Measure (skalatype) ......................................................................................................................... 7
1.2.4 Type .................................................................................................................................................. 7
1.2.5 Width ................................................................................................................................................ 9
1.3 Indtastning af data .................................................................................................................................. 9
1.4 Udregning af ny variabel (Compute Variable) ......................................................................................... 9
1.5 Udvælgelse af datasæt (Select Cases) ................................................................................................... 11
1.6 Vægtning af data (Weight Cases) .......................................................................................................... 14
2. Deskriptiv statistik i SPSS ..................................................................................................................... 17
2.1 Deskriptiv statistik for den samlede data .............................................................................................. 18
2.2 Deskriptiv statistik for to grupper ......................................................................................................... 21
2.3 Mean plot i SPSS .................................................................................................................................... 24
2.4 Box plot i SPSS ....................................................................................................................................... 26
3. Tests i SPSS .......................................................................................................................................... 29
3.1 One sample t-test .................................................................................................................................. 30
3.1.1 Generel One Sample t-test APA-konklusion .................................................................................... 32
3.2 Paired samples t-test ............................................................................................................................. 32
3.2.1 Generel Paired Sample t-test APA-konklusion ................................................................................ 34
3.3 independent samples t-test .................................................................................................................. 34
3.3.1 Generel Independent samples t-test APA-konklusion ..................................................................... 35
3.4 Single case t-test.................................................................................................................................... 35
3.4.1 Generel single case t-test APA-konklusion ...................................................................................... 37
3.5 Binomial test.......................................................................................................................................... 37
3.5.1 Binomialtest i Excel ......................................................................................................................... 40
3.5.2 Generel binomialtest APA-konklusion ............................................................................................ 41
3.6 𝜒2-test (Chi-i-anden test) for independence......................................................................................... 42
2
3.6.1 Indtastning af data I SPSS ............................................................................................................... 42

3.6.2 At udføre testen i SPSS.................................................................................................................... 43
3.6.3 Generel opsummering for chi-i-anden test i APA-format ............................................................... 45
3.7 Mann-Whitney test ............................................................................................................................... 45
3.7.1 Generel Mann-Whitney test APA konklusion.................................................................................. 47
3.8 Power .................................................................................................................................................... 47
3.8.1 Binomialtest.................................................................................................................................... 47
3.8.1.1 Power Beregning ..................................................................................................................... 47
3.8.1.2 Sample Planning ...................................................................................................................... 49
3.8.2 t-test ............................................................................................................................................... 50
3.8.2.1 One-Sample t-test ................................................................................................................... 50
3.8.2.2 Paired-sample t-test ................................................................................................................ 53
3.8.2.3 Independent Samples t-test .................................................................................................... 56
3.8.3 Power Definition ............................................................................................................................. 60
3
1. SPSS-interface og nyttige funktioner

1.1 Data view vs. variable view
I SPSS kan du både vælge at se hele dit datasæt eller at se en oversigt over dine variable. For at se
dit datasæt skal du være i Data View, og for at se oversigten over variable, skal du være i Variable
View. Når du åbner SPSS, vil programmet automatisk åbne Data view. Du kan vælge mellem Data
View og Variable View ved at trykke på fanerne nederst på siden (Figur 1.1).
Figur 1.1: SPSS-interface i Data view. Man kan skifte til Variable View i bunden af siden.
1.1.1 Data View

I Data View kan du se hele dit datasæt. Hver kolonne angiver en variabel, og hver række angiver
en forsøgsperson. I toppen af hver variabel står variablens navn samt et symbol, der angiver,
hvilken skalatype variablen er på. Du kan frit skrive data ind ved at klikke på et felt og skrive deri.
Eksempel
I et studie har man undersøgt, om en ny type medicin hjælper på forhøjet blodtryk. Man har
rekrutteret 10 forsøgspersoner og inddelt dem i en eksperimentgruppe og en placebogruppe.
Deres blodtryk blev målt før og efter behandling/placebo, og man noterede sig deltagernes køn og
alder. På Figur 1.2 ses Data View for datasættet. Der er i alt 5 variable (5 kolonner):
1. Køn (M/F)
2. Alder (år)
3. Gruppe (1 = ny medicin, 0 = placebo)
4
4. Blodtryk_før
5. Blodtryk_efter
Vi kan desuden se, at der er 10 forsøgspersoner med i studiet (10 rækker).
Figur 1.2: Datasæt for studie om ny blodtryksmedicin.
1.1.2 Variable View

Variable View viser os en oversigt over vores variable og detaljerne om dem. Hver variabel har sin
egen række, og hver kolonne angiver en egenskab ved variablen; vi vil gennemgå de enkelte
egenskaber i næste afsnit. I eksemplet fra før om undersøgelsen af en ny type blodtryksmedicin,
kan vi se de 5 variable på hver sin række, når vi vælger Variable View (Figur 1.3).
5
Figur 1.3: Variable View.
1.2 Indtastning og egenskaber ved variable

Vi vil nu gennemgå udvalgte egenskaber ved variable, som SPSS lader os definere i Variable View.
Vi vil gennemgå egenskaberne ved et simpelt eksempel, hvor vi ønsker at indtaste tre variable:
Køn (nominal skala), Alder (ordinal skala) og Blodtryk_før (intervalskala).
1.2.1 Name
Første kolonne i Variable View, Name, angiver variablens navn. SPSS tillader ikke navnet at
indeholde mellemrum, men man kan bruge _ (underscore), hvis man ønsker at adskille ord, f.eks.
”Blodtryk_før”.
Vi laver en ny variabel ved at skrive variablens navn i dette felt. I vores eksempel laver vi tre
variable: ”Køn”, ”Alder” og ”Blodtryk_før” (Figur 1.4).
Figur 1.4: Indtastning af variablenes navne.
Tip Det er en god ide at give sin variabel et navn, der indikerer, hvad den går ud på, så man undgår
forvirring, når man skal forstå og fortolke sine resultater senere. F.eks. er det nemmere at forstå,
6
at variablen ”Blodtryk_før” angiver blodtrykket før behandling, end hvis man f.eks. havde kaldt
den ”Variabel_4”.
1.2.2 Label
Under Label kan vi skrive det navn, vi gerne vil kalde vores variabel, uden at SPSS har nogen regler
for, hvilke tegn der må være med. For variablen ”Blodtryk_før”, kunne vi give variablen en label
ved navn ”Blodtryk før behandling” (Figur 1.5). Labelen angiver det navn, der kommer til at stå på
grafer og tabeller. For de to andre variable, Køn og Alder, er label bare det samme som variablens
navn.
Figur 1.5: Indtastning af labels for variable.
1.2.3 Measure (skalatype)

Vi kan angive variablens skalatype under Measure. Før vi har angivet skalatypen, vil der stå
”Unknown”. Når vi klikker på Measure-feltet for vores variabel, har vi tre valgmuligheder:
Nominal, Ordinal og Scale (interval/ratio). Vi vælger nominal skala for Køn, ordinal skala for Alder
og intervalskala for Blodtryk_før (Figur 1.6).
Figur 1.6: Valg af skalatyper for variable.
1.2.4 Type
Under Type kan vi angive, om variablens værdier er Numeric (tal) eller en String (ord). Når vi
indtaster en ny variabel, vil SPSS automatisk vælge typen Numeric. Det er fint, når vores variabel
har talværdier; det gælder, i vores eksempel, for variablene Alder og Blodtryk_før.
Hvis vi derimod ønsker at kunne skrive variablens værdier i ord eller bogstaver, skal vi ændre
variablens Type. Det kunne f.eks. være i variablen Køn, hvor vi kunne ønske at angive værdierne
som Kvinde eller Mand. I så fald skal vi trykke på de tre små prikker i højre hjørne af feltet under
Type (Figur 1.7).
7
Figur 1.7: Ændring af Type.
Der vil nu dukke en dialogboks op, hvor man kan vælge typen String (Figur 1.8).
Når vi trykker OK (Figur 1.8), vil vi i Variable View kunne se, at variablens Type er blevet ændret til
en String (Figur 1.9).
Tip Vi kunne også have defineret Køn som en Numeric type ved f.eks. at skrive 1 for kvinde og 0
for mand. I så fald havde vi ikke behøvet at ændre variablens type. Til gengæld skal man så huske
at skrive ned et sted, hvilket tal, der er kvinde, og hvilket der er mand – ellers kan man hurtigt få
forvirret sig selv senere :-)
8
1.2.5 Width
Width angiver hvor mange tegn, der må være i variables værdier. F.eks. har tallet ”39” en width på
2, og ordet ”Kvinde” har en width på 6. SPSS sætter automatisk width på 8, og det er typisk
tilstrækkeligt for de fleste datasæt. Men hvis vi forestiller os, at vi havde glemt at notere alderen
på en af vores forsøgspersoner, kunne det være, at vi gerne ville skrive ”Ikke defineret” under
personens alder. I så fald ville vi være nødt til at ændre Width for Alder fra 8 til 14 (og ændre
Alders type til en string).
1.3 Indtastning af data

Vi har nu defineret vores variable, givet dem en label, angivet deres skalatype samt deres type.
Hvis vi går ind i Data View, kan vi nu se vores 3 variable som 3 kolonner. Vi kan nu indtaste vores
data ved at klikke på de hvide felter og begynde at skrive (Figur 1.10).
Figur 1.10: Indtastning af data.
1.4 Udregning af ny variabel (Compute Variable)

Man kan til tider være interesseret i at udregne en ny variabel på baggrund af ens eksisterende
variable, f.eks. hvis man ønsker at udregne differencescorer. Lad os vende tilbage til vores første
eksempel med studiet, der undersøgte effekten af en ny type blodtryksmedicin på forhøjet
blodtryk. Vi har både en blodtryksmåling før og efter behandling: Blodtryk_før og Blodtryk_efter.
Vi kunne nu være interesserede i at udregne forskellen på forsøgspersonernes blodtryk før og
efter behandling (differencescoren) ved hjælp af SPSS. Det gør vi på følgende måde:
1. Tryk på ”Transform” i menuen øverst på siden og vælg ”Compute Variable…” i drop down-
menuen.
9
2. Der dukker nu en dialogboks op.

Ø Navngiv den nye variabel under ”Target Variable”, f.eks. ”Blodtryk_diff”.
Ø Under ”Numeric Expression” skriver du, hvordan den nye variabel skal udregnes. Vi
ønsker at udregne forskellen på blodtrykkene, dvs. ”Blodtryk_før – Blodtryk_efter”.
Man kan enten skrive variablenes navne i feltet eller hive dem over fra kolonnen til
venstre.
Ø Tryk på ”OK”.
3. Den nye variabel dukker nu op i vores Data View.
10
1.5 Udvælgelse af datasæt (Select Cases)

Vi er til tider interesserede i kun at undersøge en udvalgt del af vores datasæt. I vores eksempel
kunne det være, vi var interesserede i at undersøge effekten af den nye medicin for kvinder alene.
I stedet for at kopiere data for hver enkel kvindelig forsøgsperson ind i et nyt dataark, kan SPSS
gøre det for os ved hjælp af funktionen ”Select Cases”.
1. Tryk på ”Data” i menuen øverst på siden og vælg ”Select Cases…” nederst i drop-down
menuen.
11
2. Vælg ”If condition is satisfied” og tryk på boksen ”If…”
3. Vi ønsker at udvælge data for kvinderne, og betingelsen for at komme med i det nye datasæt
er derfor, at Køn skal have værdien F (for Female). Det angiver vi ved at skrive Køn = ”F” i den
øverste boks. Tryk dernæst på ”Continue”.
12
4. Vi kan vælge at få SPSS til at lave et nyt datasæt med data kun for kvinderne ved at vælge
”Copy selected cases to a new dataset”. Vi navngiver det nye datasæt ”Blodtryk_kvinder”.
Tryk på OK.
13
5. Vi har nu et nyt datasæt med data kun for kvinderne.
1.6 Vægtning af data (Weight Cases)

Hvis vi har mange datapunkter og få kategorier, kan det nogle gange være lettere at indtaste data
som en frekvenstabel. For at få SPSS til at forstå data, skal man vægte dem med funktionen
14
”Weight cases”. Lad os forestille os, at vi har spurgt 100 mennesker på gaden, hvad deres
yndlingsfarve er. Deres svar fordeler sig sådan:
Rød Grøn Blå Lyserød Orange Lilla Anden

Antal svar 14 18 19 11 13 15 10
1. Vi definerer to variable i Variable View: 1) Yndlingsfarve med skalatypen nominal og typen

String og 2) Frekvens med skalatypen intervalskala og typen Numeric.
I Data View indtaster vi nu de 7 svarmuligheder under Yndlingsfarve og antal svar under
Frekvens.
2. Tryk på ”Data” i menuen øverst på siden og vælg ”Weight Cases…” nederst i drop-down
menuen.
15
3. Tryk på ”Weight cases by” og hiv “Frekvens” over i linjen under ”Frequency Variable”. Tryk OK.
4. SPSS fortæller ikke, at den har vægtet variablene, men det har den – så selvom der ikke sker
noget i output, er kommandoen alligevel gået igennem.
16
2. Deskriptiv statistik i SPSS

I denne del af guiden, vil vi tage udgangspunkt i følgende eksempel:
I et studie har man undersøgt effekten af en ny terapiform til behandling af depression. Man har
rekrutteret 30 forsøgspersoner og inddelt dem i en behandlingsgruppe og en kontrolgruppe.
Behandlingsgruppen modtager behandling med den nye terapiform, mens kontrolgruppen
modtager den behandling, der ellers er standard practice (treatment as usual, TAU). Køn, alder og
depressionsscore (Beck Depression Inventory, BDI) måles før behandlingen startes og efter 4 mdr.
behandling (Figur 2.1).
Figur 2.1: På billedet ses data for 25 ud af de 30 forsøgspersoner
17
2.1 Deskriptiv statistik for den samlede data

Hvis vi ønsker at kende den deskriptive statistik for vores indsamlede data, kan vi klikke ind i Analyze
à Descriptive Statistics à Descriptives (kun for variable på scale (interval/ratio) og ordinal skala).
Alternativ metode: Vi kunne også have klikket Analyze à Descriptive Statistics à Frequencies (også
for variable på nominal skala) for at få den deskriptive statistik for vores variable.
Følgende vindue dukker op:
De variable vi ønsker at kende den deskriptive statistik for, trækker vi over under Variable(s):
18
Det er ikke nødvendigvis alle variable, vi ønsker statistik for, så vi vælger bare de relevante (her
vælger vi alle for eksemplets skyld).
Hernæst klikker vi os ind i Options og vælger de statistikker, vi ønsker:
Her har vi valgt gennemsnit, standardafvigelse, varians og range.
19
Vi trykker nu Continue og derefter OK, og så får vi vores output:
2.1.1 Aflæsning af output
Her kan vi se, at samplestørrelsen er 𝑛 = 30.
For Alder kan vi se, at range er 10. Dvs. at der er 10 år mellem den yngste og den ældste
forsøgsperson. Vi kan se, at gennemsnitsalderen er 𝑀!"#$% = 25,47 å𝑟, og standardafvigelsen er
𝑠!"#$% = 2,7 å𝑟 (hvilket betyder, at den gennemsnitlige afvigelse fra aldersgennemsnittet er 2,7 år).
&
Variansen for Alder er 𝑠!"#$% = 7,361 å𝑟 & .
For depressionsscore før behandlingen kan vi se, at der er 15 point mellem de to forsøgspersoner
med den hhv. laveste og højeste BDI (fordi range er 15). Vi kan se, at den gennemsnitlige
depressionsscore i samplet før behandlingen er 𝑀'()_+ø% = 26,1 𝑝𝑜𝑖𝑛𝑡, og at standardafvigelsen er
&
𝑠'()_+ø% = 4,1 𝑝𝑜𝑖𝑛𝑡. Variansen for BDI før behandling er 𝑠'()_+ø% = 16,7 𝑝𝑜𝑖𝑛𝑡 & .
For depressionsscore efter 4 mdr. behandling kan vi se, at der er 18 point mellem de to
forsøgspersoner med den hhv. laveste og højeste BDI (fordi range er 18). Vi kan se, at den
gennemsnitlige depressionsscore i samplet efter 4 mdr. behandling er 𝑀'()_-.#%. = 21,57 𝑝𝑜𝑖𝑛𝑡,
og at standardafvigelsen er 𝑠'()_-.#%. = 5,3 𝑝𝑜𝑖𝑛𝑡. Variansen for BDI efter 4 mdr. behandling er
&
𝑠'()_-.#%. = 27,8 𝑝𝑜𝑖𝑛𝑡 & .
2.1.2 Tolkning af output

På baggrund af vores deskriptive statistik kan vi konstatere, at den gennemsnitlige depressionsscore
i samplet er faldet fra 26,1 point til 21,57 point, så uden at tage højde for behandlingsformen, ser
det altså ud til, at der er sket en reduktion af depressionssymptomer efter 4 mdr. MEN i dette studie
har vi ønsket at sammenligne to behandlingsformer, nemlig den nye og den gamle (TAU).
20
2.2 Deskriptiv statistik for to grupper

Vi kan finde den deskriptive statistik for hver af de to grupper (Ny/TAU) ved at trykke Analyze à
Compare Means à Means:
21
Fordi depressionsscorer er det vi måler på/undersøger, er de to variable ”Depressionsscore før

behandling” og ”Depressionsscore efter 4 mdr. behandling” vores afhængige variable, og de trækkes
derfor over i Dependent List. Behandlingsformen er den variabel, som er fastsat/manipuleret af
forsøgslederne på forhånd og er derfor en uafhængig variabel, og den trækker vi over i Layer 1 of 1:
Hernæst kan vi klikke ind i Options og vælge, hvilke statistikker vi ønsker:
Per default er der valgt både gennemsnit og standardafvigelse, men hvis man ønsker andre
statistikker som fx median, range eller varians, så kan man trække dem over her.
22
Hernæst klikker vi Continue og OK, og så får vi vores output:
Aflæsning af output
Vi kan se, at den gennemsnitlige depressionsscore i den nye behandlingsgruppe før behandlingen
er 𝑀01_+ø% = 26,34 𝑝𝑜𝑖𝑛𝑡, og efter 4 mdr. behandling er den 𝑀01_-.#%. = 19,54 𝑝𝑜𝑖𝑛𝑡.
Depressionsscoren i den nye behandlingsgruppe er altså faldet gennemsnitligt omkring 7 point fra
før til efter 4 mdr. behandling.
Vi kan se, at den gennemsnitlige depressionsscore for TAU før behandlingen er 𝑀2!3_+ø% =
25,87 𝑝𝑜𝑖𝑛𝑡, og efter 4 mdr. behandling er den 𝑀2!3_-.#%. = 23,6 𝑝𝑜𝑖𝑛𝑡. Depressionsscoren i den
gamle behandlingsgruppe (TAU) er altså faldet gennemsnitligt omkring 2 point fra før til efter 4 mdr.
behandling.
Tolkning af output
Vores deskriptive statistik tyder altså på, at effekten af den nye behandling er bedre end effekten af
den gamle behandling. Vi kan teste om forskellen er signifikant med en t-test, som gennemgås i
afsnittet ”t-tests i SPSS”.
23
Ønsker vi en visuel repræsentation af den deskriptive statistik, kan vi fx lave et mean plot eller et
boxplot.
2.3 Mean plot i SPSS

For at lave et mean plot klikker vi Graphs à Chart Builder:
24
Det lille billede med Simple Error Bar trækkes op i det hvide felt med blå skrift i:
Herefter placeres den uafhængige variabel i X-Axis og den afhængige variabel i Y-axis:
25
Til sidst trykker vi OK og får vores mean plot:
95% konfidens-
95% konfidensintervallet
intervallet for den
for TAU-gruppens
nye behandlings-
depressionsscore
gruppes
depressionsscore
Gennemsnit for den nye

behandlingsgruppe
Gennemsnit for den gamle

behandlingsgruppe (TAU)
Vi har her lavet et mean plot for depressionsscore før behandling, og vi kan tilsvarende lave et for
depressionsscore efter 4 mdr. behandling ved i stedet at vælge variablen ”Depressionsscore efter 4
mdr. behandling” som afhængig variabel (og placere den på Y-aksen).
2.4 Box plot i SPSS

For at lave et boxplot klikker vi igen Graphs à Chart Builder. Følgende vindue dukker op, og vi klikker
på Boxplot:
26
Det lille billede med Simple Box Plot trækkes op i det hvide felt med blå skrift i:
Herefter placeres den uafhængige variabel i X-Axis og den afhængige variabel i Y-axis:
27
Til sidst trykker vi OK og får vores boxplot:
Outlier
Median Maksimum
3. kvartil
1. kvartil
Minimum
Vi har her lavet et boxplot for depressionsscore efter 4 mdr. behandling, og vi kan tilsvarende lave
et for depressionsscore før behandling ved i stedet at vælge denne som afhængig variabel (og
placere den på Y-aksen).
28
3. Tests i SPSS
I denne del af guiden tager vi udgangspunkt i et eksempel med Alzheimers patienter, og hvordan de scorer
forskelligt på en depressionsskala i forhold til gennemsnittet i normalbefolkningen.
Vi har givet 25 Alzheimerpatienter Beck Depression Inventory, på hvilken gennemsnitsscoren i

normalbefolkningen er 25. Vi gentager målingen efter et år, for at se om der er sket ændringer.
Figur 3.1 På billedet ses data for 8-25 af patienterne
29
3.1 One sample t-test

One sample t-test bruges når vi kun har én stikprøve, og vi kender populationens 𝜇.
For at lave selve testen skal du:
1. Trykke ”Analyze” og vælge ”Compare means” og derefter ”One Sample T test”
2. Vælge den variable vi er interesseret i at undersøge (Hint! Det skal være en kontinuert
variabel) og flytte den over til under ’Test variables(s)’
30
3. Skriv den test-værdi vi tester op i mod ind under ’Test Value’
4. Trykke ”OK” og få følgende output, hvor man kan aflæse t-værdi og p-værdi
Vælg efter om vi
har en et- eller to-
halet!
Ofte kender vi også
de her fra
opgaveteksten
5. Bruge outputtet til at skrive en APA-konklusion

Man får næsten altid langt flere informationer end man skal bruge i et SPSS-output, så derfor er det
klogt for hver slags statistisk test at have markeret tydeligt i sine noter hvad man skal bruge, og hvor
det hører til i en APA-konklusion. Et eksempel på hvordan man kan gøre kommer herunder:
31
3.1.1 Generel One Sample t-test APA-konklusion

Konklusion: En {to/et}-halet One sample t-test viste, at {n} {hvem er de?}’s gennemsnitlige score på
{test} (M = { }) var (eller ikke) signifikant forskellig fra gennemsnittet for {populationen} (𝜇 = {}),
𝑡({𝑑𝑓}) = { }, 𝑝 = { }.
One Sample t-test APA-konklusion på denne opgave
Konklusion: En to-halet One Sample t-test viste, at 25 Alheimerpatienters gennemsnitlige score på

Beck Depression Inventory (M = 23,4) var signifikant forskellig fra gennemsnittet for
normalbefolkningen (𝜇 = 25), 𝑡(24) = −2.692, 𝑝 = .013.
3.2 Paired samples t-test

Paired Samples t-test burger vi når vi har målt den samme sample to gange. OBS! For at opnå samme
resultat kan man også lave en one sample t-test på differencescoren.
For at lave testen skal du:
1. Trykke ”Analyze” og vælge ”Compare means” og derefter ”Paired Samples T test”
32
2. Vælge de to variable vi ønsker at teste mod hinanden (altså en variabel for hver gang vi har
målt vores sample) og sæt dem ind under ’Paired variables’. Husk at tjekke ’Estimate effect
sizes’ for at få Cohens d.
3. Tryk ”OK” og få følgende output, hvor man kan aflæse t-værdi og p-værdi
Vælg den
der passer!
33
4. Bruge SPSS-outputtet til at skrive en APA-konklusion

Vi gør som i one sample t-test. OBS! I dette eksempel er resultatet ikke signifikant! Det skal du
selvfølgelig ændre hvis det er i din opgave!
3.2.1 Generel Paired Sample t-test APA-konklusion
Konklusion: En paired samples t test ({one/two}-tailed, 𝛼 = .05) af {n} {hvem er de?} viste ingen
signifikant forskel på {variabel vi er interesseret i} mellem først måling 𝑀 = { } (𝑆𝐷 = { }) og
anden måling 𝑀 = { } (𝑆𝐷 = { }), 𝑡({𝑑𝑓}) = { }, 𝑝 = { }, 𝑑 = { }. 95% konfidensintervallet for
{variabel vi er interesseret i} var { } til { }.
One Paired t-test APA-konklusion på denne opgave
Konklusion: En paired samples t test (two-tailed, 𝛼 = .05) af 25 Alzheimerpatienter viste ingen
signifikant forskel på symptomer på depression målt på Becks Depression Inventory mellem første
måling 𝑀 = 23,4 (𝑆𝐷 = 2.97) og anden måling 𝑀 = 21,4 (𝑆𝐷 = 3.07), 𝑡(24) = 2.023, 𝑝 =
0.54, 𝑑 = .41. 95% konfidensintervallet for forskel på symptomer på depression var -0.39 til 3.96
3.3 independent samples t-test

Denne test bruges til at sammenligne, om to uafhængige samples stammer fra den samme population.
OBS! Under ”Define Groups” skal der være en hak ved ”Estimate effect sizes”, hvis det skal angives (eks.
Cohens d)
1. Tryk på ”Analyse”
2. ”Compare Means”
3. ”Independent Samples T Test…”
4. Indsæt gruppevariablen nederst
5. Indsæt den anden variabel øverst
6. Tryk på ”Define Groups” og skriv de to grupper ind. (Husk at det skal staves præcis som i Data-view)
34
3.3.1 Generel Independent samples t-test APA-konklusion
I tekstform, så I kan kopiere <33
Konklusion: En independent samples t test ({one/two}-tailed, 𝛼 = .05) viste (ingen?) signifikant

forskel på {variabel vi er interesseret i} mellem {gruppe1} 𝑀 = { } (𝑆𝐷 = { }) og {gruppe2} 𝑀 =
{ } (𝑆𝐷 = { }), 𝑡({𝑑𝑓}) = { }, 𝑝 = { }.
Independent sample t-test APA-konklusion på denne opgave
En independent samples t test (two-tailed, α = 0.05) viste at efter 9 måneders behandling var procentdelen
af stavelser, hvor der stammes, signifikant mindre for de børn, der havde fuldt Lidcombe programmet,
M=1.5 (SD = 1.4), sammenlignet med børn, der havde modtaget standard-behandlingen, M= 3.9 (SD=3.5),
t(45) = 3.13, p=0.003.
3.4 Single case t-test

En single case t-test kendetegnes ved at vi kun har 1 n, og skal sammenligne den med en
gruppe/population
For at lave testen skal du:
1. Trykke ”Analyze” og vælge ”Compare means” og derefter ”Independent sample t-test.
35
2. Vi indsætter ”dependent” og ”independent” variable og definere grupperne i 1 og 2. (Husk at

skrive præcist det samme som man har skrevet i spss)
Så trykker vi continue og derefter ok.
36
Her har vi alle de resultater vi skal bruge til at skrive en APA-konklusion.
3.4.1 Generel single case t-test APA-konklusion

En Single case t-test [{to/et}-halet, 𝛼 = .05] viste at [n=1] [hvem er det?] scorede en [Hvad scorede de
på?/test] som var [signifikant/ikke signifikant] større/mindre end gennemsnittet af kontrolgruppen 𝑀 =
[… ] (SD = […]), t(df) = […], p = […].
Single case t-test APA-konklusion på denne opgave
En to halet single case t-test viste at ”a patient who had sustained bilateral hippocampal damage” scorede
en “distance error” M=37, som var significant større end gennemsnittet af kontrolgruppen 𝑀 = 10.42,
(𝑆𝐷 = 9.96), 𝑡(9) = −2,562, 𝑝 = .031
3.5 Binomial test

1. Åben data-sæt i SPSS – her bruges datasæt ’Ekman.sav’ som findes på Absalon
37
2. Analyze -> Nonparametric Tests -> Lagacy Dialogs -> Binomial…
3. Når der trykkes på Binomial.. kommer dialogboks op
38
4. Dialogboks udfyldes:
- Flyt ‘Discrimination’ til ‘Test Variable List’
- Tryk på ‘Cut point’ og udfyld altid feltet med værdien 1,5
- Udfyld ’Test Proportion’ med værdien π (som antaget i nulhypotese), dette tilfælde: 0,333
- Tryk på ’OK’
5. Output:
Succes: Observed Prop.: ,871 er her 87 %
Exact Sig. (1-tailed): ,001 og dette er vores p-værdi
som her betyder p < α = 5 %
derfor er resultatet signifikant og 𝐻! forkastes
39
3.5.1 Binomialtest i Excel

• Udregn fakultet af X:
=fakultet(X)
• Udregn sandsynligheden for præcis x succeser, 𝑝(𝑋 = 𝑥) PUNKTSANDSYNLIGHED!!!
=binomial.fordeling(X;N;𝜋;FALSK)
18 successer ud af 20, 𝜋 = 0.63:
• Udregn sandsynligheden for mellem x og y succeser
=binomial.dist.interval(N;𝜋;X;Y)
ml. 15 og 18 succeser ud af 20, 𝜋 = 0.63:
• Sandsynligheden for x eller flere succeser, 𝑝(𝑋 ≥ 𝑥), udregnes med samme kommando ved at
finde sandsynligheden for mellem x og n succeser: p-VÆRDI !!!
=binomial.dist.interval(N;𝜋;X;N)
18 eller flere succeser ud af 20, 𝜋 = 0.63:
40
3.5.2 Generel binomialtest APA-konklusion

Opsummering skal indeholde:
• Testtype
• Signifikansniveau og et-halet
• Beskrivelse af resultatet
• Antal succeser og N
• 𝝅 som antaget i nulhypotesen
• Den udregnede p-værdi
• (Opsamling)
Generelt:
En {eksakt binomialtest} (α=5%, one-tailed) viste, at {antallet af patienter, der blev raske efter en ny
behandling} (X=? af N=?) {ikke} var signifikant {flere} end forventet baseret på sandsynligheden for succes
ved {standardbehandlingen} {(π)}, {p=?}. Der er således {ikke} statistisk evidens for at anbefale den nye
behandling.
Eksempel:
En eksakt binomialtest (𝛼 = 5%, one-tailed) viste, at antallet af patienter, der blev raske efter en ny
behandling (𝑋 = 18 af 𝑁 = 20) var signfikant flere end forventeligt baseret på sandsynligheden for succes
ved standardbehandlingen (0.63), 𝑝 = .008. Der er således statistiks evidens for at anbefale den nye
behandling.
41
3.6 𝜒 ! -test (Chi-i-anden test) for independence

3.6.1 Indtastning af data I SPSS
1. Man laver tre kolonner i SPSS. Første angiver behandling, den anden angiver outcome, og den
tredje angiver antal af kombinationerne.
2. Herefter vælger man data à Weight Cases.
42
3. Herefter dukker et nyt vindue op, hvor man trækker kolonnen ”antal” hen i feltet ”frequency
variable”.
Man krydser desuden ”weight cases by” af. Herefter trykkes på ”ok”.
3.6.2 At udføre testen i SPSS
1. Åbn datasættet i SPSS (eller følg vejledningen til dataindtastning ovenfor)

2. Vælg Analyze à Descriptive Statistics à Crosstabs
3. Et vindue dukker op.

Her skal du trække den uafhængige variabel (behandling) til feltet ”Rows” og trække den afhængige
variabel (outcome) til feltet ”columns”.
Tryk herefter på ”statistics”
43
4. Herefter dukker et nyt vindue op.

Kryds ”chi-square” feltet af! Tryk herefter på ”continue”.
5. Tryk ok i vinduet fra punkt 3.

Herefter får du følgende resultater ud.
44
3.6.3 Generel opsummering for chi-i-anden test i APA-format

Opsummering skal indeholde:
• Testtype
• Signifikansniveau og to-halet
• Beskrivelse af resultatet
• Succesraten i antal succeser af N eller π (procentsats) som angivet i opgaven for gruppen.
• Succesraten i antal succeser af N eller 𝝅 som antaget i nulhypotesen for gruppen
• Antal frihedsgrader og antal forsøgspersoner
• 𝜒 " -test scoren
• Den udregnede p-værdi (findes i SPSS resultatet ved ”asymptotic significance (2-sided)
En 𝜒 " -test for independence (two-tailed, 𝛼 = 5%) viste, at {succesraten for en ny behandling} (X = ? af N ?
eller 𝝅) (ikke) var signifikant højere end/forskellig fra {succesraten for standardbehandlingen} /
{kontrolbehandlingen} (𝜋 𝑒𝑙𝑙𝑒𝑟 X = ? af N = ?), 𝜒 " (?, n = ?) = ?, p = ?
Eksempel:
En 𝜒 " -test for independence (two-tailed, 𝛼 = 5%) viste, at andelen af venstrehåndede drenge (X = 40 af N
400, 10%) var signifikant forskellig fra andelen af ventrehåndede piger (𝑋 = 42 𝑎𝑓 𝑁 = 709, 6%), 𝜒 " (1, n =
1109) = 6.17, p < .05
Eller
En 𝜒 " -test for independence (two-tailed, 𝛼 = 5%) viste, at succesraten for behandling med TMS (69%) var
signifikant højere end succesraten for den farmakologiske behandling (19%), 𝜒 " (1, n = 32) = 8.13, p = .004
3.7 Mann-Whitney test

1. Opret variable
- Gruppe: Kontrol (1) og Intervention (2) - numeric, nominal
- Score - numeric, ordinal
- Rang - numeric, ordinal
2. (Hvis du allerede har et data-sæt) =

Åben data-sæt i SPSS - her bruges datasættet ”Grade1.sav” som findes på Absalon
45
3. Analyze à Nonparametric Tests à Legacy Dialogs à 2 Independent Samples

4. Vælg ”Rang” som Test Variable List og ”Gruppe” som Grouping Variable
5. Define Groups à Group 1 = 1 og Group 2 = 2 à Continue
6. ”Tjek af” i Mann-Whitney U under Test Type à Tryk OK
7. Output =
46
3.7.1 Generel Mann-Whitney test APA konklusion

APA-konklusion: En Mann-Whitney U test (two-tailed, 𝛼 =5%) viste at karaktererne for gruppen
underlagt en politik om brug af mobiltelefon (Mdn = B-) ikke var signifikant forskellige fra
karaktererne for gruppen uden politik (Mdn = E+), 𝑈=1, 𝑝= .20.
3.8 Power
Med en Power-test bruger vi data fra fx tidligere studier til at sige noget om sandsynligheden for at vi
korrekt har forkastet en falsk nulhypotese.
Man kan både beregne Power og lave Samplesize planning, som begge vil indgå under Binomialtesten og T-
testen
3.8.1 Binomialtest
3.8.1.1 Power Beregning
Binomialtesten for Power findes under:
Analyze -> Power analysis -> Proportions -> one-Sample Binomial Test
47
Dette opfølges af nedenstående vindue, hvor der skal bruges:
- Sample Størrelse (N)

- H0 succesrate (Succesraten for det pågældende studie)
- H1 Succesrate (Succesraten for studiet der sammenlignes med)
- Signifikans Niveau (Alpha, som regel 0.05)
Dette
yder
dette
resultat:
Power Analysis Table

Test Assumptions
b
Power N Null Alternative Sig.
a
Test for Proportion .411 20 .6 .8 .05
a. Two-sided test.
b. Based on binomial enumeration.
48
3.8.1.2 Sample Planning

Binomialtesten for Sample Planning findes under:
Analyze -> Power analysis -> Proportions -> one-Sample Binomial Test
Dette opfølges af nedenstående vindue, hvor der skal bruges:
- Ønskede Power
- H0 succesrate (Succesraten for det pågældende studie)
- H1 Succesrate (Succesraten for studiet der sammenlignes med)
- Signifikans Niveau (Alpha, som regel 0.05
Resultatet af dette:

Test Assumptions
b
N Actual Power Power Null Alternative Sig.
a
Test for Proportion 45 .826 .8 .6 .8 .05
49
a. Two-sided test.
b. Based on binomial enumeration.
- For at opnå en Power på mindst 0.8 (her 0.826), må der benyttes mindst 45 forsøgspersoner i det
gældende studie.
3.8.2 t-test
3.8.2.1 One-Sample t-test
Testen findes: Analyze à Power Analysis à Means à One-sample t-test
Hvad der skal bruges for at lave en One-sample t-test Power beregning:
- n, sample size
- M, gennemsnit af Sample
- µ, gennemsnit af Populationen
- s, standardafvigelsen for Sample
50
Resultat ser således ud:
Hvad Der skal bruges for at lave en One-sample t-test Sample Planning:
- Ønsket Power
- M, gennemsnit af Sample
- µ, gennemsnit af Populationen
- s, standardafvigelsen for Sample
Resultatet ser således ud:
51
52
3.8.2.2 Paired-sample t-test

Testen findes: Analyze à Power Analysis à Means à Paried-Samples t-test
Hvad skal der bruges for at beregne Power?
- n, Sample størrelse (Her hvor mange par)

- 𝑴𝑫 , 𝐺𝑒𝑛𝑛𝑒𝑚𝑠𝑛𝑖𝑡 𝑎𝑓 𝑑𝑖𝑓𝑓𝑒𝑟𝑒𝑛𝑐𝑒𝑠𝑐𝑜𝑟𝑒𝑟
- 𝒔𝑫 , 𝑆𝑡𝑎𝑛𝑑𝑎𝑟𝑑𝑎𝑓𝑣𝑖𝑔𝑒𝑙𝑠𝑒 𝑓𝑜𝑟 𝑑𝑖𝑓𝑓𝑒𝑟𝑒𝑛𝑐𝑒𝑠𝑐𝑜𝑟𝑒𝑟
53

Test Assumptions
b c
Power N Std. Dev.d Effect Size Sig.
a
Test for Mean Difference .865 16 12.8 .820 .05
a. Two-sided test.
b. Based on noncentral t-distribution.
c. Number of group pairs.
d. Standard deviation of the mean difference.
Hvad skal der bruges for at beregne Sample Planning?
54
- Ønsket Power
- 𝑴𝑫 , 𝐺𝑒𝑛𝑛𝑒𝑚𝑠𝑛𝑖𝑡 𝑎𝑓 𝐷𝑖𝑓𝑓𝑒𝑟𝑛𝑐𝑒𝑠𝑐𝑜𝑟𝑒𝑟
- 𝒔𝑫 , 𝑆𝑡𝑎𝑛𝑑𝑎𝑟𝑑𝑎𝑓𝑣𝑖𝑔𝑒𝑙𝑠𝑒 𝑓𝑜𝑟 𝐷𝑖𝑓𝑓𝑒𝑟𝑒𝑛𝑐𝑒𝑠𝑐𝑜𝑟𝑒𝑟

Test Assumptions
b c
N Actual Power Power Std. Dev.d Effect Size Sig.
a
Test for Mean Difference 14 .810 .8 12.8 .820 .05
a. Two-sided test.
b. Number of group pairs.
c. Based on noncentral t-distribution.
d. Standard deviation of the mean difference.
55
- Der behøves et minimum af 14 deltagere for at opnå en power på minimum 0.8 (her 0.810).
3.8.2.3 Independent Samples t-test

I en independent t-test har vi 2 uafhængige grupper, dette vil også fremgå af testen i SPSS
Testen Findes:
56
Hvad skal der bruges for at udregne Power?
- 𝒏𝟏 + 𝒏𝟐 , Sample størrelse for begge samples

- 𝑴𝟏 + 𝑴𝟐 , Gennemsnit for begge samples
- 𝒔𝟏 + 𝒔𝟐 , Standard afvigelse for begge samples
57

Test Assumptions
Powerb N1 Std. Dev1 N2 Std. Dev2 Mean Difference Sig.
Test for Mean Differencea .354 12 2.3 12 9.8 5.000 .05
a. Two-sided test.
b. Based on noncentral t-distribution.
Hvad skal man bruge for at beregne Sample Planning?
- Ønsket power (Ex 0.8/80%)

- 𝑴𝟏 + 𝑴𝟐 , Gennemsnit for begge samples
- 𝒔𝟏 + 𝒔𝟐 , Standard afvigelse for begge samples
58
- Der behøves et minimum af 34 deltagere for opnå et minimum af 0.8/80% Power (her
0.805/80.5%)
59
3.8.3 Power Definition

Sandsynligheden for korrekt at forkaste en falsk nulhypotese
Påvirkes af:
• Effektstørrelse (f.eks. Cohens d)
• Signifikansniveau
• Sample størrelse
60

SPSS-guide (Danish)

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

SPSS-guide (Danish)

Uploaded by

Copyright:

Available Formats

SPSS Introduktionsguide

Guide: Introduktion til SPSS

3.6.1 Indtastning af data I SPSS ............................................................................................................... 42

1. SPSS-interface og nyttige funktioner

1.1.1 Data View

Figur 1.2: Datasæt for studie om ny blodtryksmedicin.

1.1.2 Variable View

Figur 1.3: Variable View.

1.2 Indtastning og egenskaber ved variable

Figur 1.4: Indtastning af variablenes navne.

Figur 1.5: Indtastning af labels for variable.

1.2.3 Measure (skalatype)

Figur 1.6: Valg af skalatyper for variable.

Figur 1.7: Ændring af Type.

Figur 1.8: Ændring af Type.

Figur 1.9: Ændring af Type.

1.3 Indtastning af data

Figur 1.10: Indtastning af data.

1.4 Udregning af ny variabel (Compute Variable)

2. Der dukker nu en dialogboks op.

3. Den nye variabel dukker nu op i vores Data View.

1.5 Udvælgelse af datasæt (Select Cases)

2. Vælg ”If condition is satisfied” og tryk på boksen ”If…”

5. Vi har nu et nyt datasæt med data kun for kvinderne.

1.6 Vægtning af data (Weight Cases)

Rød Grøn Blå Lyserød Orange Lilla Anden

1. Vi definerer to variable i Variable View: 1) Yndlingsfarve med skalatypen nominal og typen

2. Deskriptiv statistik i SPSS

Figur 2.1: På billedet ses data for 25 ud af de 30 forsøgspersoner

2.1 Deskriptiv statistik for den samlede data

Følgende vindue dukker op:

Hernæst klikker vi os ind i Options og vælger de statistikker, vi ønsker:

Her har vi valgt gennemsnit, standardafvigelse, varians og range.

Vi trykker nu Continue og derefter OK, og så får vi vores output:

2.1.1 Aflæsning af output

Her kan vi se, at samplestørrelsen er 𝑛 = 30.

2.1.2 Tolkning af output

2.2 Deskriptiv statistik for to grupper

Følgende vindue dukker op:

Fordi depressionsscorer er det vi måler på/undersøger, er de to variable ”Depressionsscore før

Hernæst kan vi klikke ind i Options og vælge, hvilke statistikker vi ønsker:

Hernæst klikker vi Continue og OK, og så får vi vores output:

2.3 Mean plot i SPSS

Følgende vindue dukker op:

Til sidst trykker vi OK og får vores mean plot:

Gennemsnit for den nye

Gennemsnit for den gamle

2.4 Box plot i SPSS

Til sidst trykker vi OK og får vores boxplot:

Vi har givet 25 Alzheimerpatienter Beck Depression Inventory, på hvilken gennemsnitsscoren i

Figur 3.1 På billedet ses data for 8-25 af patienterne

3.1 One sample t-test

For at lave selve testen skal du:

1. Trykke ”Analyze” og vælge ”Compare means” og derefter ”One Sample T test”

3. Skriv den test-værdi vi tester op i mod ind under ’Test Value’

5. Bruge outputtet til at skrive en APA-konklusion

3.1.1 Generel One Sample t-test APA-konklusion

Konklusion: En to-halet One Sample t-test viste, at 25 Alheimerpatienters gennemsnitlige score på

3.2 Paired samples t-test

4. Bruge SPSS-outputtet til at skrive en APA-konklusion

3.3 independent samples t-test

3.3.1 Generel Independent samples t-test APA-konklusion

I tekstform, så I kan kopiere <33

Konklusion: En independent samples t test ({one/two}-tailed, 𝛼 = .05) viste (ingen?) signifikant