Plik ZADANIE TRENINGOWE

Jesteś analitykiem danych pracującym dla agencji marketingowej specjalizującej się w

promocji wydarzeń kulturalnych. Aktualnie zostałeś poproszony o przeprowadzenie analizy
preferencji stand-upowych oraz zrozumienie związku między tymi preferencjami, cechami
demograficznymi respondentów a ich poczuciem humoru. Twoje badania mają na celu
dostarczenie agencji informacji, które pozwolą na lepsze dostosowanie strategii
marketingowych do oczekiwań i preferencji potencjalnych klientów.
1. Czy istnieje związek między wiekiem osób badanych a ważnością humoru w ich życiu?
Analizuj → korelacja → dwuwymiarowa → w oknie Korelacje Dwuwymiarowe wybrać
zmienna wieku jako pierwsza, ważność humoru jako 2 → w oknie Współczynniki
Korelacji musi być Pearson → OK
Nazwa statystyki: analiza korelacji Pearsona
Wartość statystyk: współczynnik korelacji Pearsona
Interpretacja:

2. Czy zarówno w grupie kobiet, jak i mężczyzn, występuje zależność między ważnością
humoru w życiu a poziomem zgody ze stwierdzeniem, że „komedia to tragedia plus czas”?
Analizuj → regresja →liniowa → w oknie regresja liniowa wybrać zmienną ważności
humoru jako zmienną zależną, a stwierdzenie o komedii jako zmienną niezależną →
w polu Kategoryczne dać zmienną płci → OK
Nazwa statystyki: analiza regresji liniowej z grupowaniem na podstawie płci
Wartość statystyk: współczynnik regresji
Interpretacja:

3. Czy istnieje związek między średnią ilością godzin spędzanych w tygodniu na oglądaniu
stand-upów a średnim czasem trwania występów stand-upowych, na które osoby
uczęszczają? Przed wyborem stosownej statystyki przetestuj jakość zebranych danych: czy
pozwalają na zastosowanie metod parametrycznych?
1 - test Shapiro-Wilka lub test Kolmogorova-Smirnova; 2 (jeśli parametryczne) - analizuj →
korelacja → dwuwymiarowa → wybrać zmienną ilości godzin spędzanych na
oglądaniu jako 1, jako 2 - czas trwania występów → w polu Współczynniki korelacji
musi być Pearson → OK 2 (jeśli nie parametryczne) - zamiast Pearsona - rang
Spearmana
Nazwa statystyki: jeśli normalne: analiza korelacji Pearsona; nie: analiza korelacji rang
Spearmana
Wartość statystyk: współczynnik korelacji lub korelacji rang
Interpretacja:

4. Czy w grupie osób niechętnych na udział w stand-upie na żywo istnieje związek między
przeciętnym czasem trwania stand-upów, na które wybierają się a ceną biletów na
występy? Czy uzyskano wystarczającą moc statystyczną, by móc „ostatecznie”
odpowiedzieć na to pytanie?
Analizuj → regresja → liniowa → wybrać zmienną czas trwania jako zależną, jako
niezależną - cena biletów →OK
Nazwa statystyk: analiza regresji liniowej
Wartość statystyk: współczynnik regresji
Interpretacja:

5. Czy w przypadku osób o wyższym wykształceniu na podstawie oceny własnego poczucia

humoru można przewidywać szacunkową liczbę osób towarzyszących, z którymi wybierają
się one na stand-up?
analizuj → regresja liniowa → wybrać zmienną liczby osób towarzyszących jako
zmienna zależna, ocena poczucia humoru jako zmienna niezależna → OK
Nazwa statystyki: analiza regresji liniowej
Wartość statystyk: współczynnik regresji
Interpretacja:
Plik MAŁŻEŃSTWO
1. Czy zmienna „poczucie_humoru” koreluje ze zmienną „satysfakcja”? (zweryfikuj
przynajmniej jedno z założeń stosowania korelacji, jeśli to konieczne)
1. Test normalności dla obu zmiennych (Shapiro-Wilk, Kolmogorov-Smirnov)
2. Analizuj → korelacja dwuwymiarowa → „poczucie_humoru” jako 1, „satysfakcja”
jako 2 → w polu Współczynniki korelacji musi być Pearson
A. Nazwa statystyki: r Pearsona
B. Statystyki (poziom istostności, wartość testu):
C. Interpretacja:
2. Która ze zmiennych: „inteligencja_emocjonalna”, „atrakcyjność_fizyczna”,
„sprawność_fizyczna” koreluje najwyżej (najsilniej) ze zmienną „satysfakcja”? Podaj
odpowiednie statystyki:
Analizuj →korelacja Dwuwymiarowa → „satysfakcja” jako 1, reszta po kolei → w polu
Współczynniki korelacji Pearson
a. Nazwa statystyki: r Pearsona
b. Statystyki:
c. Interpretacja:
3. Czy zmienna „wsparcie” koreluje ze zmienną „satysfakcja” silniej w przypadku kobiet w
porównaniu do mężczyzn? Odpowiedź uzasadnij.
Dane → podziel plik → organizuj wynik według grup → dać zmienną płci do Grupy na
podstawie → OK
Analizuj → korelacja dwuwymiarowa → „wsparcie” jako pierwsza, „satysfakcja” jako
2 → Współczynniki korelacji - pearson → OK
To samo dla mężczyzn
A. Nazwa statystyki: r Pearsona
B. Statystyki:
C. Interpretacja:
Plik PRZYKŁADOWE KOLOKWIUM
1. Im większa [waga] osób badanych,tym mniejszy jest ich [wzrost]. Czy hipoteza się
potwierdziła?
Analizuj → korelacja dwuwymiarowa → waga jako 1, wzrost druga → Współczynniki
korelacji Pearsona
a. nazwa statystyk: korelacja r Pearsona
b. Wartość statystyk:
c. Interpretacja: jeśli wartość współczynnika jest ujemna to potwierdzona; jeśli bliska zeru
lub dodatnia to nie

2. Im wyższy poziom uczuć do KUL na początku studiów [uczucia1] u kobiet, tym wyższy
ich poziom uczuć do KUL teraz [uczucia2]:
Analizuj → korelacja dwuwymiarowa → zmienna uczucia1 jako pierwsza, uczucia2
jako 2
A. Nazwa statystyki: Korelacja rPearsona
B. Wartość statystyki:
C. Interpretacja:jeśli wartość współczynnika jest ujemna to potwierdzona; jeśli bliska zeru
lub dodatnia to nie

3. Czy przypuszczalny iloraz inteligencji oraz średnia ocen z poprzedniego roku

akademickiego wyjaśniają dochód netto w rodzinie?
Analizuj → regresja liniowa → zmienna dochodu netto w rodzinie jako zmienna
zależna, iloraz inteligencji i średnia ocen jako niezależne
a. Nazwa statystyki: analiza regresji liniowej
b. Wartość statystyki:
c. Interpretacja: Jeśli wartość współczynnika jest istotna statystycznie, to iloraz inteligencji i
średnia ocen mogą wyjaśniać dochód netto w rodzinie.
Porównaj także wartości R-kwadrat, aby ocenić, jak dobrze model regresji wyjaśnia
zmienność dochodu netto.
Hipotezy:
Bezkierunkowa:
Istnieje korelacja między wagą a wzrostem.
Wyliczamy współczynnik korelacji z istotnością dwustronną (bo zakładamy, że
korelacja będzie albo pozytywna albo negatywna)
Domyślnie w SPSS liczona jest istotność dwustronna.
Jeśli wyliczona istotność to p<0.05 (np. p=0.032, p<0,001, p=0.048, p=0.012) to
hipoteza zostaje potwierdzona i mamy korelację pozytywną albo ujemną.
Kierunkowa:
1. Istnieje pozytywna korelacja między wagą a wzrostem.
Wyliczamy współczynnik korelacji z istotnością jednostronną (bo zakładamy, że
korelacja będzie pozytywna)
W niektórych przypadkach możemy zaznaczyć liczenie istotności jednostronnej.
Jeśli nie jest to możliwe i program liczy istotność dwustronną, to wystarczy ją
podzielić przez 2 i uzyskamy jednostronną.
Jeśli wyliczona istotność to p<0.05 (np. p=0.032, p<0,001, p=0.048, p=0.012)
oraz kierunek zależności jest zgodny z przewidywaniami (korelacja pozytywna)
to hipoteza zostaje potwierdzona i mamy korelację pozytywną.
2. Istnieje negatywna korelacja między wagą a wzrostem.
Wyliczamy współczynnik korelacji z istotnością jednostronną (bo zakładamy, że
korelacja będzie negatywna)
W niektórych przypadkach możemy zaznaczyć liczenie istotności jednostronnej.
Jeśli nie jest to możliwe i program liczy istotność dwustronną, to wystarczy ją
podzielić przez 2 i uzyskamy jednostronną:
Jeśli dwustronna: p=0.048
To jednostronna: p=0.024
Jeśli wyliczona istotność to p<0.05 (np. p=0.032, p<0,001, p=0.048, p=0.012) i
kierunek zależności jest zgodny z przewidywaniami (korelacja negatywna) to
hipoteza zostaje potwierdzona i mamy korelację negatywną.
Jeżeli poziom istotności jest p < 0,05, współczynnik korelacji jest statystycznie istotny (=
korelacja istnieje w populacji z błędem p)
Jeżeli poziom istotności jest p > 0,05, współczynnik korelacji nie jest statystycznie istotny (=
nie mamy podstaw twierdzić, że korelacja istnieje w populacji)