Professional Documents
Culture Documents
2022-s. WebEx 6 - Επανάληψη για την Τελική Εξέταση
2022-s. WebEx 6 - Επανάληψη για την Τελική Εξέταση
WebEx Session 6
Επανάληψη για την τελική εξέταση
Ανεξάρτητη Εξαρτημένη
μεταβλητή επηρεάζει μεταβλητή
(πιθανή αιτία) (αποτέλεσμα)
Παράδειγμα 1:
Πώς επηρεάζεται η επαγγελματική εξουθένωση από την ηλικία;
Ανεξάρτητη μεταβλητή = ηλικία
Εξαρτημένη μεταβλητή = επαγγελματική εξουθένωση
Παράδειγμα 2:
Διαφέρουν οι επιδόσεις των παιδιών ως προς το φύλο τους;
Ανεξάρτητη μεταβλητή = φύλο
Εξαρτημένη μεταβλητή = επιδόσεις
Κλίμακες Μέτρησης
Ερευνητικό ερώτημα: Ποιο είναι το αγαπημένο είδος βιβλίων των φοιτητών του Πανεπιστημίου
Λευκωσίας;
Ερώτηση Πιθανές απαντήσεις Κλίμακα μέτρησης
□ Λογοτεχνικά
Ποιο είναι το αγαπημένο σας είδος βιβλίων; □ Κόμικς Κατηγοριακή
Επιλέξτε όσα ισχύουν: □ Ποίηση (δίτιμη, ΝΑΙ - ΌΧΙ)
□ κ.λπ.
Ποιο είναι το αγαπημένο σας είδος βιβλίων; Κατατάξτε με πρώτο το πιο αγαπημένο λογοτεχνικά, κόμικς,
Διατακτική
σας: ποίηση κ.λπ.
Α) Σε τι βαθμό σας αρέσει να διαβάζετε λογοτεχνικά βιβλία; Επιλέξτε:
Β) Σε τι βαθμό σας αρέσει να διαβάζετε κόμικς; Επιλέξτε: Ισοδιαστημική
1_2_3_4_5_6_7_8_9
Γ) Σε τι βαθμό σας αρέσει να διαβάζετε ποιητικές συλλογές; Επιλέξτε: κ.λπ.
Χρόνος που αφιερώνω ημερησίως στην Ανάγνωση Στην έρευνα έλαβαν μέρος 5495 άτομα. Από αυτά,
Valid Cumulative 253 (4,6%) δεν απάντησαν στην ερώτηση σχετικά
Frequency Percent Percent Percent με τον ημερήσιο χρόνο ανάγνωσης. Εφόσον το
Valid Καθόλου 54 1,0 1,0 1,0 ποσοστό ελλιπών απαντήσεων είναι κάτω του 5%,
Λιγότερο από μισή ώρα 2131 38,8 40,7 41,7 θα ερμηνεύσουμε τα έγκυρα ποσοστά.
Μισή έως λιγότερο από 1 ώρα 1644 29,9 31,4 73,0
1 ώρα ή περισσότερο
▪ Μόνο 1% των ερωτηθέντων δεν αφιερώνουν
1413 25,7 27,0 100,0
καθόλου χρόνο στην Ανάγνωση.
Total 5242 95,4 100,0 ▪ 40,7% των ερωτηθέντων αφιερώνουν λιγότερο
από μισή ώρα κάθε μέρα ενώ 31,4% αφιερώνουν
Missing 253 4,6 μισή έως λιγότερο από μια ώρα ημερησίως στην
Ανάγνωση.
Total 253 4,6
▪ 27% των ερωτηθέντων αφιερώνουν μια ώρα ή
Total 5495 100,0
περισσότερο κάθε μέρα.
Γενικό συμπέρασμα: Η πλειοψηφία των ερωτηθέντων (συγκεκριμένα 73%
του δείγματος) αφιερώνει λιγότερο από μια ώρα ημερησίως στην Ανάγνωση.
Πίνακας Δεικτών Κεντρικής Τάσης και
Δεικτών Διασποράς
Πίνακας Δεικτών Κεντρικής Τάσης και Δεικτών Διασποράς -
Παράδειγμα Η μεταβλητή πρέπει να είναι αριθμητική (δηλαδή ισοδιαστημική ή αναλογική).
Statistics
• Στον πίνακα παρουσιάζονται τα αποτελέσματα για 32 μαθητές
σχετικά με το βαθμό τους στα Μαθηματικά (μεταβλητή Math Math Grade
Grade στον πίνακα). N (Μέγεθος Valid 32
• Ο μέσος όρος του βαθμού στα Μαθηματικά ήταν 15,75 (Τ.Α. 2,37). δείγματος) Missing 0
• Ο επικρατέστερος βαθμός ήταν 14. Mean (Μέσος όρος) 15,75
Δείκτες
• Ο ελάχιστος βαθμός ήταν 12 και ο μέγιστος 20. Το εύρος δηλαδή κεντρικής Median (Διάμεσος) 15,50
ήταν 8. τάσης Mode (Δεσπόζουσα / επικρατούσα τιμή) 14
• 25% των μαθητών έλαβαν βαθμό μικρότερο από ή ίσο με 14 ενώ
25% των μαθητών έλαβαν βαθμό μεγαλύτερο από 17. Std. Deviation (Τυπική απόκλιση) 2,369
• Οι μισοί μαθητές έλαβαν βαθμό μικρότερο από ή ίσο με 15,5 και Range (Εύρος) 8
Δείκτες
οι μισοί έλαβαν βαθμό μεγαλύτερο από 15,5. διασποράς Minimum (Ελάχιστη τιμή) 12
Maximum (Μέγιστη τιμή) 20
M Percentiles 25 14,00
25 % 25 % 25 % 25 % 50 15,50
Στρογγυλοποίηση
Q1 Q2 Q3 σε 1 ή 2 δεκαδικά 75 17,00
Πίνακας Αποτελεσμάτων Περιγραφικής Στατιστικής
Ανάλυσης - Παράδειγμα
Descriptive Statistics
Dependent Variable: Βαθμός στο Τεστ Ανάγνωσης
Φύλο Mean Std. Deviation N
Κορίτσι 553.06 73.572 3922
Αγόρι 539.82 74.999 4008
Total 546.42 74.584 7930
Περιγραφή:
Το δείγμα αποτελείται από 3.922 κορίτσια και 4.008 αγόρια.
Στο τεστ ανάγνωσης, ο μέσος όρος των βαθμών των κοριτσιών ήταν 553,06 (Τ.Α. = 73,57) και ο μέσος όρος των
βαθμών των αγοριών ήταν 539,82 (Τ.Α. = 75).
Ο μέσος όρος του συνολικού δείγματος ήταν 546,42 (Τ.Α. = 74,58). Προσοχή! Οι τ.α. παρουσιάζονται
πάντα μαζί με τον μ.ό., όχι ξεχωριστά!
Γραφικές παραστάσεις
Διαγράμματα
Χρησιμοποιούνται για την οπτική αναπαράσταση και παρουσίαση των δεδομένων περιγραφικής στατιστικής.
μεταβλητές κατηγοριακής ή μεταβλητές ισοδιαστημικής ή
διατακτικής κλίμακας αναλογικής κλίμακας
Κυκλικό διάγραμμα Ραβδόγραμμα Ιστόγραμμα Διάγραμμα κουτιού
Pie chart Bar chart Histogram Box plot
Oι τιμές είναι
συνήθως
πολυάριθμες.
•Το κυκλικό διάγραμμα χρησιμοποιείται για την παρουσίαση δεδομένων που προέρχονται από μεταβλητές
κατηγοριακής ή διατακτικής κλίμακας, όταν οι διαφορετικές κατηγορίες ή διατάξεις της μεταβλητής είναι
σχετικά λίγες.
•Σε αυτό βλέπουμε τη συχνότητα της εκάστοτε τιμής ως προς το όλον.
Παράδειγμα:
Το κυκλικό αυτό διάγραμμα δείχνει ότι μεταξύ των ερωτηθέντων,
το 37,1% φοιτά σε Παιδαγωγικό τμήμα,
το 36,7% στη Φιλοσοφική και
το 26,3% στη Θεολογική.
•Το ραβδόγραμμα χρησιμοποιείται για την παρουσίαση δεδομένων που προέρχονται από μεταβλητές κατηγοριακής ή
διατακτικής κλίμακας, όταν οι διαφορετικές κατηγορίες ή διατάξεις της μεταβλητής είναι σχετικά πολλές.
•Πρέπει να συμπεριλαμβάνονται ο τίτλος του και οι ονομασίες των αξόνων.
•Οι ράβδοι μπορεί να είναι τοποθετημένες οριζόντια ή κάθετα.
Ραβδόγραμμα (Παράδειγμα)
Μεγαλύτερη τιμή
25%
Μικρότερη τιμή
Διάγραμμα κουτιού (box plot)
Ελάχιστη τιμή:
•Το ελάχιστο ύψος ανάμεσα στα κορίτσια του δείγματος ήταν 61 εκατοστά ενώ για τα
αγόρια ήταν 66 εκ.
Μέγιστη τιμή:
•Το μέγιστο ύψος ανάμεσα στα κορίτσια του δείγματος ήταν 69 εκατοστά ενώ για τα
αγόρια ήταν 74 εκ.
Διάμεσος:
•50% των κοριτσιών στο δείγμα είχαν ύψος μικρότερο ή ίσο με 65,5 εκατοστά ενώ 50%
των αγοριών είχαν ύψος μεγαλύτερο ή ίσο με 69 εκ.
Ενδοτεταρτημοριακό εύρος:
•50% των κοριτσιών είχαν ύψος μεταξύ 63 και 68 εκ. ενώ 50% των αγοριών είχαν ύψος μεταξύ 68 και 72 εκ.
1ο τεταρτημόριο:
•25% των κοριτσιών είχαν ύψος μικρότερο ή ίσο με 63 εκ. ενώ 25% των αγοριών είχαν ύψος μικρότερο ή ίσο με 68 εκ.
3ο τεταρτημόριο:
•75% των κοριτσιών είχαν ύψος μικρότερο ή ίσο με 68 εκ. ενώ μόνο 25% των αγοριών είχαν ύψος μικρότερο ή ίσο με 68 εκ. και 75% των
αγοριών είχαν ύψος μικρότερο ή ίσο με 72 εκ.
Πίνακες και Διαγράμματα
(επισημάνσεις)
Στην περιγραφή αποτελεσμάτων, να διευκρινίζουμε σε ποιο πίνακα/διάγραμμα
αναφερόμαστε.
Π.χ. Στο διάγραμμα 3 παρουσιάζονται … ή Στον Πίνακα 1 …
Στατιστική σημαντικότητα
Διατύπωση και έλεγχος υποθέσεων
(διατυπώνουμε) (πραγματοποιούμε)
(μελετάμε)
ΣΤΑΤΙΣΤΙΚΕΣ ΕΛΕΓΧΟ ΤΗΣ ΣΤΑΤΙΣΤΙΚΗΣ
ΘΕΩΡΙΑ ΥΠΟΘΕΣΕΙΣ ΥΠΟΘΕΣΗΣ
(καταλήγουμε στην)
ΣΤΑΤΙΣΤΙΚΗ ΑΠΟΦΑΣΗ
Ερευνητική Υπόθεση
Επιλογή του κατάλληλου στατιστικού κριτηρίου: μετά την εξέταση του είδους των
μεταβλητών, επιλέγουμε αυτό που είναι καταλληλότερο για να ελέγξουμε την υπόθεσή μας
Στατιστική τιμή: η τιμή που παίρνουμε με την εφαρμογή ενός Στατιστικού κριτηρίου
5. Έλεγχος του p-value και λήψη απόφασης σχετικά με το εάν θα απορριφθεί ή θα γίνει
αποδεκτή η Η0
6. Εξαγωγή συμπερασμάτων
Στατιστική Σημαντικότητα
(λήψη στατιστικής απόφασης)
Σύμβολα: Sig. ή p ή p-value ή Asymptotic significance.
Συγκρίνουμε την τιμή της στατιστικής σημαντικότητας στους πίνακες αποτελεσμάτων με το κριτήριο α =
0,05 (τιμή κριτηρίου που συνήθως χρησιμοποιείται στις κοινωνικές επιστήμες). Δηλαδή συγκρίνουμε το Sig
με το α.
Sig > 0,05 → ΔΕΝ υπάρχει στατιστικά σημαντική σχέση μεταξύ των δύο μεταβλητών.
Η στατιστική σημαντικότητα δε συνδέεται με την ΣΠΟΥΔΑΙΟΤΗΤΑ των ευρημάτων, αλλά με την πιθανότητα.
Στατιστικές υποθέσεις
(επισημάνσεις)
Διατυπώνονται σε ζεύγη, δηλαδή κάθε μηδενική υπόθεση έχει την αντίστοιχη δηλωτική
(όταν πρέπει να αναφερθούμε σε περισσότερες αναλύσεις, δεν καταγράφουμε πρώτα όλες τις μηδενικές
υποθέσεις και μετά όλες τις δηλωτικές).
Τα στατιστικά τεστ ελέγχουν πάντα τη μηδενική υπόθεση (όποια αντιστοιχεί στο καθένα).
Κατά τη λήψη της στατιστικής απόφασης, μιλάμε για αποδοχή ή απόρριψη της μηδενικής
υπόθεσης. Εφόσον απορρίψουμε τη μηδενική, (ως συνεπαγωγή) αποδεχόμαστε τη δηλωτική.
Πώς επιλέγω το κατάλληλο στατιστικό
κριτήριο;
Πώς επιλέγω το κατάλληλο στατιστικό κριτήριο;
Ανάλογα με την κλίμακα μέτρησης των μεταβλητών μου!
H0: Δεν υπάρχει στατιστικά σημαντική _____ μεταξύ των μεταβλητών «Α» και «Β».
H1: Υπάρχει στατιστικά σημαντική ________ μεταξύ των μεταβλητών «Α» και «Β».
Crosstabs – Πίνακες Δύο Διαστάσεων
Μεταβλητή Α Μεταβλητή Β
Nominal / Ordinal Nominal / Ordinal
Πίνακας Crosstabs – Κάθετη ή Οριζόντια Ερμηνεία;
Αν σκοπός είναι να συγκρίνουμε μεταξύ των υποκατηγοριών της:
•οριζόντιας μεταβλητής τότε διεξάγουμε οριζόντια ερμηνεία των αποτελεσμάτων χρησιμοποιώντας τις πρώτες σειρές ποσοστών %
within [οριζόντια μεταβλητή].
•κάθετης μεταβλητής τότε διεξάγουμε κάθετη ερμηνεία των αποτελεσμάτων χρησιμοποιώντας τις δεύτερες σειρές ποσοστών %
within [κάθετη μεταβλητή].
π.χ.: Στο παράδειγμα, αν θέλουμε να κάνουμε σύγκριση μεταξύ των δύο φύλων τότε θα διεξάγουμε κάθετη ερμηνεία αφού η
μεταβλητή «Φύλο» (Gender) δίνεται καθέτως.
Μεταβλητή Α Μεταβλητή Β
Nominal / Ordinal Nominal / Ordinal
Ανάλυση χ2 ή chi-square test (Υποθέσεις)
Η ανάλυση χ2 είναι μία διαδικασία για τον έλεγχο του εάν, σε έναν δεδομένο
πληθυσμό, σχετίζονται δύο κατηγορικές μεταβλητές.
Π.χ. ένας ερευνητής θέλει να μάθει εάν το ανώτατο επίπεδο εκπαίδευσης σχετίζεται με τον κλάδο στον οποίο
ανήκουν οι ξενόγλωσσοι εκπαιδευτικοί.
Μεταβλητή Α Μεταβλητή Β
Nominal / Ordinal Nominal / Ordinal
Chi-Square Test
(Παράδειγμα-1)
H0: Δεν υπάρχει στατιστικά σημαντική σχέση μεταξύ των μεταβλητών
«Κλάδος» και «Εκπαίδευση».
Πίνακας Crosstabs H1: Υπάρχει στατιστικά σημαντική σχέση μεταξύ των μεταβλητών
(Παράδειγμα 1) «Κλάδος» και «Εκπαίδευση».
Κλάδος * Εκπαίδευση Crosstabulation
Εκπαίδευση Chi-Square Tests
Βασικό Μεταπτυχιακές Total Asymptotic
Value df
πτυχίο σπουδές Significance (2-sided)
Count 65 90 155 Pearson Chi-Square 10,918a 2 ,004
% within Κλάδος 41,9% 58,1% 100,0% Likelihood Ratio 10,955 2 ,004
Γαλλικής
% within Εκπαίδευση 24,0% 36,1% 29,8% Linear-by-Linear Association 3,347 1 ,067
% of Total 12,5% 17,3% 29,8% N of Valid Cases 520
Count 153 108 261 a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 49,80.
Κλά- % within Κλάδος 58,6% 41,4% 100,0%
Αγγλικής
δος % within Εκπαίδευση 56,5% 43,4% 50,2%
% of Total 29,4% 20,8% 50,2%
Ερμηνεία
Count 53 51 104 Βάσει των αποτελεσμάτων στον Πίνακα 2, η μηδενική υπόθεση
Γερμανικής
% within Κλάδος 51,0% 49,0% 100,0% απορρίπτεται και αποδεχόμαστε τη δηλωτική.
% within Εκπαίδευση 19,6% 20,5% 20,0%
% of Total 10,2% 9,8% 20,0%
Υπάρχει στατιστικά σημαντική σχέση μεταξύ των μεταβλητών
Count 271 249 520 «Κλάδος» και «Εκπαίδευση» (Pearson χ2= 10,918, Sig.=0,004<0,05).
% within Κλάδος 52,1% 47,9% 100,0%
Total
% within Εκπαίδευση 100,0% 100,0% 100,0%
Μπορεί να το δούμε και έτσι (χ2= 10,918, p<0,05)
% of Total 52,1% 47,9% 100,0%
Chi-Square Test
(Παράδειγμα-2)
H0: Δεν υπάρχει στατιστικά σημαντική σχέση μεταξύ των μεταβλητών
«Φύλο» και «Προετοιμασία».
Πίνακας Crosstabs H1: Υπάρχει στατιστικά σημαντική σχέση μεταξύ των μεταβλητών
(Παράδειγμα 2) «Φύλο» και «Προετοιμασία».
Chi-Square Tests
Preparation* Gender Crosstabulation Asymptotic Significance
Gender Value df
Total (2-sided)
Female Male
Pearson Chi-Square 5,342a 3 ,148
Count 71 39 110
Likelihood Ratio 5,452 3 ,142
Very well % within Preparation for lessons 64,5% 35,5% 100,0%
prepared % within Gender 23,0% 24,2% 23,4% Linear-by-Linear Association 2,983 1 ,084
% of Total 15,1% 8,3% 23,4%
Count 106 69 175
N of Valid Cases 470
Quite well % within Preparation for lessons 60,6% 39,4% 100,0% a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 15,76.
prepared % within Gender 34,3% 42,9% 37,2%
Prepara % of Total 22,6% 14,7% 37,2%
tion Count 97 42 139
Not very well % within Preparation for lessons 69,8% 30,2% 100,0% Ερμηνεία:
prepared % within Gender 31,4% 26,1% 29,6%
% of Total 20,6% 8,9% 29,6% Βάσει των αποτελεσμάτων στον Πίνακα 2, αποδεχόμαστε τη μηδενική
Count
Not prepared at % within Preparation for lessons
35
76,1%
11
23,9%
46
100,0%
υπόθεση.
all % within Gender 11,3% 6,8% 9,8% Δεν υπάρχει στατιστικά σημαντική σχέση μεταξύ των μεταβλητών
% of Total 7,4% 2,3% 9,8%
Count 309 161 470
«Φύλο» και «Προετοιμασία» (Pearson χ2=5,342, Sig=0,148>0,05).
Total
% within Preparation for lessons 65,7% 34,3% 100,0% Μπορεί να το δούμε και έτσι (χ2= 5,342, p>0,05)
% within Gender 100,0% 100,0% 100,0%
% of Total 65,7% 34,3% 100,0%
Συντελεστής Συσχέτισης
Μεταβλητή Α Μεταβλητή Β
Scale Scale
Ορισμός Συντελεστή Συσχέτισης
ο Συντελεστής Συσχέτισης μας δίνει το μέγεθος και την κατεύθυνση αυτής της σχέσης.
Συντελεστής
Μέγεθος Συσχέτισης
Συσχέτισης
-1 Ισχυρή αρνητική συσχέτιση
< -0,5 Μεγάλη/δυνατή αρνητική συσχέτιση -1 < r < +1
-0,3 μέχρι -0,5 Μέτρια αρνητική συσχέτιση
-0,1 μέχρι -0,29 Μικρή/αδύναμη αρνητική συσχέτιση
Κοντά στο 0 ή
Δεν υπάρχει συσχέτιση
ακριβώς 0
0,1 μέχρι 0,29 Μικρή/αδύναμη θετική συσχέτιση
0,3 μέχρι 0,5 Μέτρια θετική συσχέτιση
>0,5 Μεγάλη/δυνατή θετική συσχέτιση
1 Ισχυρή θετική συσχέτιση
Πλήρης Πλήρης Θετική
Αρνητική συσχέτιση
συσχέτιση Οι δύο μεταβλητές είναι
ασυσχέτιστες
Πίνακας Συσχετίσεων
(Παράδειγμα) Συντελεστής
συσχέτισης
Πίνακας 1. Correlations Συντελεστής
Στατιστική Μέγεθος Συσχέτισης
Βαθμολογία Βαθμός Συσχέτισης
Στάση
τετραμήνου
Videogames
διαγωνίσματος σημαντικότητα
Pearson Correlation 1 ,256** -,142** ,066
-1 Ισχυρή αρνητική συσχέτιση
Στάση Sig. (2-tailed) ,000 ,000 ,070 < -0,5 Μεγάλη/δυνατή αρνητική συσχέτιση
N 520 520 520 520 -0,3 μέχρι -0,5 Μέτρια αρνητική συσχέτιση
Pearson Correlation ,256** 1 -,218** ,759**
Βαθμολογία -0,1 μέχρι -0,29 Μικρή/αδύναμη αρνητική συσχέτιση
Sig. (2-tailed) ,000 ,000 ,000
τετραμήνου
N 520 520 520 520 Κοντά στο 0 ή
Δεν υπάρχει συσχέτιση
Pearson Correlation -,142** -,218** 1 -,081**
ακριβώς 0
Videogames Sig. (2-tailed) ,000 ,000 ,000 0,1 μέχρι 0,29 Μικρή/αδύναμη θετική συσχέτιση
N 520 520 520 520 0,3 μέχρι 0,5 Μέτρια θετική συσχέτιση
Pearson Correlation ,366 ,759** -,081** 1
Βαθμός >0,5 Μεγάλη/δυνατή θετική συσχέτιση
Sig. (2-tailed) ,070 ,000 ,000
διαγωνίσματος
N 520 520 520 520
1 Ισχυρή θετική συσχέτιση
**. Correlation is significant at the 0,01 level (2-tailed).
Το 0,05 σημαίνει 5% πιθανότητα να απορρίψουμε τη μηδενική υπόθεση ενώ αυτή ισχύει. Το 0.01 σημαίνει 1% Πόσες τιμές περιγράφω; Συνήθως 3-4,
πιθανότητα. Είναι πιο ισχυρό και εμπεριέχεται στην πιθανότητα 0,05. Επί της ουσίας δεν αλλάζει η στατιστική απόφαση. τις μεγαλύτερες ή τις μικρότερες.
Πίνακας Συσχετίσεων
(Παράδειγμα)
Μεταξύ των μεταβλητών «Βαθμός διαγωνίσματος» και «Στάση»
δεν υπάρχει στατιστικά σημαντική συσχέτιση (sig=0,070>0,05).
Δηλαδή, οι δύο μεταβλητές είναι ασυσχέτιστες.
Μεγαλύτερη είναι η συσχέτιση που είναι πιο κοντά στο +1 Ή στο -1.
Δηλαδή οι συσχετίσεις r= -0.58 και r= 0.58 έχουν ίδιο μέτρο και αντίθετη φορά
(ανάλογη και αντιστρόφως ανάλογη σχέση).
r= -0.58 r= 0.58
Μία κοινή δυσκολία είναι να συγκρίνουμε το p-value όταν υπάρχουν πολλά δεκαδικά.
Η τιμή p=0.024 είναι στατιστικά σημαντική, γιατί είναι μικρότερη του 0,05. Αυτό το πιο
αντιλαμβανόμαστε πιο ξεκάθαρα εάν προσθέσουμε δεκαδικά στο τέλος: 0.024 < 0.050.
Προσοχή!
Εάν χρειαστεί να συγκρίνουμε δύο συσχετίσεις, μία τιμή είτε είναι στατιστικά σημαντική είτε όχι. Δεν υπάρχει "πιο
σημαντική" τιμή. π.χ., το 0,000 και το 0,024 είναι και τα δύο μικρότερα από το 0,05.
Υπάρχει, όμως, πιο ισχυρή συσχέτιση (με βάση το μέγεθος του συντελεστή)!
Στο συγκεκριμένο παράδειγμα:
«Βαθμολογία τετραμήνου» και «Videogames» (r= -0.218, p=0.000<0.05)
«Βαθμολογία τετραμήνου» και «Βαθμός διαγωνίσματος»(r= 0,759, p=0.000<0.05)
Το r=-0,218 υποδηλώνει μικρότερη συσχέτιση από το r= 0,759, όχι επειδή είναι αρνητικός αριθμός,
αλλά επειδή είναι μικρότερος κατ' απόλυτη τιμή.
r= -0.218 r= 0.759
Μεταβλητή Α Μεταβλητή Β
Nominal / Ordinal
Scale
(2 ομάδες)
t-test για Ανεξάρτητα Δείγματα
Είναι ένα τεστ επαγωγικής στατιστικής που χρησιμοποιείται για τον έλεγχο της ύπαρξης
στατιστικά σημαντικής διαφοράς μεταξύ των μέσων όρων δύο ομάδων.
Δεν υπάρχει στατιστικά σημαντική διαφορά ανάμεσα
Μηδενική υπόθεση (Η0) στους μέσους όρους της μεταβλητής Β μεταξύ των
ομάδων της μεταβλητής Α.
Υπάρχει στατιστικά σημαντική διαφορά ανάμεσα στους
Δηλωτική υπόθεση (Η1) μέσους όρους της μεταβλητής Β μεταξύ των ομάδων της
μεταβλητής A.
Μεταβλητή Α Μεταβλητή Β
Nominal / Ordinal
Scale
(2 ομάδες)
t-test για Ανεξάρτητα Δείγματα
(Μηδενικές υποθέσεις των τεστ)
Ισότητα διακυμάνσεων Ισότητα μέσων όρων
Άρα, αν sig.<0,05, τότε απορρίπτουμε τη H0 και συμπεραίνουμε Συνεπώς, αν sig.<0,05, τότε απορρίπτουμε τη H0 και
ότι οι διακυμάνσεις διαφέρουν, δηλαδή ΔΕΝ είναι ίσες (Equal συμπεραίνουμε ότι η παρατηρούμενη διαφορά είναι
Variances not Assumed). Διαβάζουμε την κάτω σειρά του t-test. στατιστικά σημαντική.
t-test για Ανεξάρτητα Δείγματα
(Παράδειγμα-1, Εξαγόμενοι πίνακες)
Group Statistics
Φύλο N Mean Std. Deviation Std. Error Mean
Περιγραφή Αποτελεσμάτων
Στην έρευνα έλαβαν μέρος 507 γυναίκες και 430 άντρες.
Ο μέσος όρος των βαθμών στο τεστ συναισθηματικής νοημοσύνης για τις
γυναίκες ήταν 4,21 (Τ.Α. = 0,59) και για τους άντρες ήταν 3,63 (Τ.Α. = 0,93).
Τα αποτελέσματα αυτού του πίνακα δείχνουν πως υπάρχει κάποια διαφορά ανάμεσα στους μέσους
όρους των δύο φύλων. Δεν γνωρίζουμε όμως αν η διαφορά αυτή είναι στατιστικά σημαντική. Για αυτό
πρέπει να μελετήσουμε τα αποτελέσματα του πίνακα Independent Samples Test.
t-test για Ανεξάρτητα Δείγματα
(Παράδειγμα-1)
Ισότητα διακυμάνσεων Ισότητα μέσων όρων
Independent Samples Test
Levene's Test for
t-test for Equality of Means
Equality of Variances
Sig. (2- Mean
F Sig. t df
tailed) Difference Διαφορά
Equal variances μέσων
Τεστ 5,627 ,018 3,435 518 ,041 ,58037
assumed όρων
συναισθηματικής
Equal variances not
νοημοσύνης 2,249 12,253 ,054 ,58037
assumed
Ερμηνεία:
Με βάση τα αποτελέσματα του Levene’s Test for Equality of Variances, υπάρχει στατιστικά σημαντική διαφορά ανάμεσα
στις διακυμάνσεις των δύο ομάδων (Sig = 0,018 < 0,05). Συνεπώς, ΔΕΝ μπορούμε να υποθέσουμε πως οι διακυμάνσεις
των δύο ομάδων είναι ίσες (Equal Variances not Assumed).
Η τιμή του κριτηρίου t-test είναι 2,249 (t=2,249). Δεδομένου ότι το p-value είναι μεγαλύτερο από 0,05 (Sig.=0,054 > 0,05),
τότε δεν μπορούμε να απορρίψουμε τη μηδενική υπόθεση και συμπεραίνουμε πως ΔΕΝ υπάρχει στατιστικά σημαντική
διαφορά ανάμεσα στους μέσους όρους των βαθμών στο τεστ συναισθηματικής νοημοσύνης μεταξύ των δύο φύλων. Η
παρατηρούμενη διαφορά υπέρ των γυναικών κατά 0,58 μονάδες είναι τυχαία.
t-test για Ανεξάρτητα Δείγματα
(Παράδειγμα-2, Εξαγόμενοι πίνακες)
t-test για Ανεξάρτητα Δείγματα
(Παράδειγμα-2)
Περιγραφή Αποτελεσμάτων
Στην έρευνα έλαβαν μέρος 35 άτομα που δεν έχουν
σκεφτεί σχετικά με το μελλοντικό τους επάγγελμα και
237 που έχουν σκεφτεί.
Ο μέσος όρος της δυσκολίας σχετικά με την επιλογή
επαγγέλματος για όσους δεν έχουν σκεφτεί ήταν 6,11 (Τ.Α.
= 2,13) και για όσους σκέφτηκαν ήταν 4,76 (Τ.Α. = 2,36).
Διαφορά
μέσων
όρων
Ερμηνεία:
Με βάση τα αποτελέσματα του Levene’s Test for Equality of Variances, αποδεχόμαστε τη μηδενική υπόθεση ότι
δεν υπάρχει στατιστικά σημαντική διαφορά ανάμεσα στις διακυμάνσεις των δύο ομάδων (Sig = 0,078 > 0,05). Συνεπώς,
μπορούμε να υποθέσουμε πως οι διακυμάνσεις των δύο ομάδων είναι ίσες (Equal Variances Assumed).
Η τιμή του κριτηρίου t-test είναι 3,224 (t= 3,224). Δεδομένου ότι το p-value είναι μικρότερο από 0,05 (Sig.=0,001 < 0,05),
αποδεχόμαστε τη δηλωτική υπόθεση και συμπεραίνουμε πως υπάρχει στατιστικά σημαντική διαφορά ανάμεσα στους μέσους
όρους στη δυσκολία για την επιλογή επαγγέλματος ανάλογα με το εάν οι συμμετέχοντες είχαν σκεφτεί για το μελλοντικό τους
επάγγελμα. Μεγαλύτερη δυσκολία κατά 1,359 μονάδες αναφέρουν όσοι δεν σκέφτηκαν σχετικά με το μελλοντικό τους
επάγγελμα.
ANOVA με Post-hoc comparisons
Μεταβλητή Α Μεταβλητή Β
Nominal / Ordinal
Scale
( ≥ 2 ομάδες)
ANOVA (Analysis of Variance)
Είναι ένα τεστ επαγωγικής στατιστικής που ελέγχει εάν υπάρχει στατιστικά σημαντική
διαφοράς μεταξύ των μέσων όρων σε δύο ή περισσότερες ομάδες.
Μεταβλητή Α Μεταβλητή Β
Π.χ. θέλουμε να συγκρίνουμε τους μέσους όρους των βαθμών των γυναικών Nominal / Ordinal
Scale
από τρεις διαφορετικές χώρες σε τεστ ικανοποίησης από την εργασία. (≥ 2 ομάδες)
ΕΡΩΤΗΜΑ: Διαφέρουν οι μέσοι όροι των γυναικών από
την Αγγλία, τη Γερμανία και τη Γαλλία ως προς την
ANOVA ικανοποίηση που λαμβάνουν από την εργασία τους;
Περιγραφή:
Στο τεστ σχετικά με την ικανοποίηση από την εργασία, ο μέσος όρος των 155 γυναικών από τη Γαλλία
που συμμετείχαν στην έρευνα ήταν 4,34 (ΤΑ=0,74), ο μέσος όρος των 261 γυναικών από την Αγγλία ήταν
4,49 (ΤΑ=0,65), ενώ ο μέσος όρων των 104 γυναικών από τη Γερμανία ήταν 4,5 (ΤΑ=0,54).
Συνολικά, 520 γυναίκες με μέσο όρο 4,45 (ΤΑ=0,66) απάντησαν στην ερώτηση σχετικά με την
ικανοποίηση από την εργασία τους.
ANOVA
(Παράδειγμα-1)
Tests of Between-Subjects Effects
Dependent Variable: Ικανοποίηση από την εργασία
Source
Type III Sum of
df Mean Square F Sig.
Ερμηνεία:
Squares
Υπάρχει στατιστικά σημαντική διαφορά
Corrected Model 2,675a 2 1,337 3,090 ,046
(F = 3,09, Sig = 0,046 < 0,050) μεταξύ
Intercept 8922,178 1 8922,178 20611,746 ,000
Country 2,675 2 1,337 3,090 ,046 των μέσων όρων των γυναικών από
Error 223,793 517 ,433 διαφορετικές χώρες στο τεστ σχετικά με
Total 10502,271 520 την ικανοποίηση από την εργασία.
Corrected Total 226,468 519
a. R Squared = ,012 (Adjusted R Squared = ,008)
Δεν εντοπίζεται στατιστικά σημαντική διαφορά μεταξύ του μέσου όρου των γυναικών από τη Γαλλία και του μέσου όρου των γυναικών από τη
Γερμανία (Sig = 0,147 > 0,05). Ο μέσος όρος στην περίπτωση των γυναικών από τη Γαλλία είναι κατά 0,16 μονάδες μικρότερος από τον μέσο όρο
των γυναικών από τη Γερμανία.
ΕΡΩΤΗΜΑ: Διαφέρουν οι μέσοι όροι των μαθητών των
σχολείων Α, Β, Γ ως προς την επίδοσή τους στα γερμανικά;
ANOVA
(Παράδειγμα-2, Εξαγόμενοι πίνακες)
Descriptives
German
95% Confidence
Std. Std. Interval for Mean
N Mean Deviation Minimum Maximum
Error Lower Upper
Bound Bound
School A 88 18,64 1,205 ,128 18,38 18,89 16 20
School B 80 14,71 1,917 ,214 14,29 15,14 11 18
School C 88 14,58 1,805 ,192 14,20 14,96 11 18
Total 256 16,02 2,522 ,158 15,71 16,33 11 20
ANOVA
German
Sum of Mean
df F Sig.
Squares Square
Between Groups 921,743 2 460,872 166,526 ,000
Within Groups 700,194 253 2,768
Total 1621,938 255
Σημείωση: Μπορεί να δούμε τον πίνακα ANOVA και έτσι.
ANOVA
(Παράδειγμα-2)
Descriptives
German
95% Confidence
Std. Std. Interval for Mean
N Mean Deviation Minimum Maximum
Error Lower Upper
Bound Bound
School A 88 18,64 1,205 ,128 18,38 18,89 16 20
School B 80 14,71 1,917 ,214 14,29 15,14 11 18
School C 88 14,58 1,805 ,192 14,20 14,96 11 18
Total 256 16,02 2,522 ,158 15,71 16,33 11 20
Περιγραφή
Στην έρευνα σχετικά με τις επιδόσεις στα Γερμανικά έλαβαν μέρος μαθητές από τρία σχολεία.
Οι 88 μαθητές από το σχολείο Α είχαν μέσο όρο 18,64 βαθμούς (τ.α. 1,205), οι 80 μαθητές από το σχολείο Β είχαν
μέσο όρο 14,71 βαθμούς (τ.α. 1,917), και οι 88 μαθητές από το σχολείο Γ είχαν μέση επίδοση 14,58 βαθμούς (τ.α.
1,805).
Συνολικά, συμμετείχαν 256 μαθητές, με μέσο όρο βαθμολογίας 16,02 (2,522).
ANOVA
(Παράδειγμα-2)
ANOVA
Ερμηνεία:
German
Sum of Mean Υπάρχει στατιστικά σημαντική διαφορά (F
df F Sig.
Squares Square = 166,256, Sig = 0,000< 0,050) μεταξύ των
Between Groups 921,743 2 460,872 166,526 ,000 μέσων όρων των τριών σχολείων ως προς
Within Groups 700,194 253 2,768
Total 1621,938 255
την επίδοση των μαθητών στα γερμανικά.
Δεν εντοπίζεται στατιστικά σημαντική διαφορά μεταξύ του μέσου όρου των μαθητών από σχολείο Β και το
σχολείο Γ (Sig = 1,000 > 0,05). Ο μέσος όρος των μαθητών από σχολείο Β είναι κατά 0,133 βαθμούς υψηλότερος.
Παραγοντική Ανάλυση
(διερευνητική)
Παραγοντική Ανάλυση
(Factor Analysis)
•Μια στατιστική μέθοδος που χρησιμοποιείται για να περιγράψει τη διακύμανση μεταξύ ενός αριθμού
παρατηρούμενων συσχετιζόμενων μεταβλητών (ερωτήσεων) με έναν μικρότερο αριθμό μη παρατηρούμενων
μεταβλητών, που ονομάζονται παράγοντες (data reduction).
•Δηλαδή, εντοπίζει ομάδες ερωτήσεων (παράγοντες/ διαστάσεις) στις οποίες οι απαντήσεις είναι παρόμοιες.
•Ο ερευνητής είναι αυτός που θα βρει τι έχουν κοινό αυτές οι ερωτήσεις (από θεωρητική και εννοιολογική σκοπιά).
•Όταν δεν γνωρίζουμε την ακριβή δομή των δεδομένων, αλλά την αναζητάμε, διεξάγουμε Διερευνητική
Παραγοντική Ανάλυση (Exploratory Factor Analysis – EFA).
•Η EFA μπορεί να καταλήξει σε πολλές διαφορετικές λύσεις, ανάλογα με τις μαθηματικές επιλογές, αλλά πιθανώς
να μην είναι όλες θεωρητικά ερμηνεύσιμες -> Η τελική απόφαση είναι του ερευνητή.
Κατασκευή ερωτηματολογίου
Διαφωνώ -- Συμφωνώ
απόλυτα απόλυτα
Για τον εντοπισμό και την περιγραφή των κύριων παραγόντων που θα καθορίσουν την
ετοιμότητα για αλλαγή θα χρησιμοποιηθεί η Ανάλυση Κύριων Συνιστωσών (Principal
Component Analysis).
Descriptive Statistics
Std. Analysis
Mean
Deviation N
9. Γενικά, θεωρώ τις αλλαγές ως κάτι το αρνητικό. 2,06 0,951 309
10. Θα προτιμούσα μια μέρα ρουτίνας παρά μια μέρα γεμάτη από αναπάντεχα
3,01 1,147 309
γεγονότα.
11. Μου αρέσει να κάνω τα ίδια πράγματα από το να δοκιμάζω νέα και
2,17 0,916 309
διαφορετικά.
12. Προτιμώ να βαριέμαι παρά να εκπλήσσομαι. 1,90 0,766 309
13. Εάν ήταν να πληροφορηθώ ότι θα λάμβανε χώρα μια σημαντική αλλαγή
στον τρόπο που γίνονται τα πράγματα στο σχολείο μου, μάλλον θα ένιωθα 2,70 1,136 309
πολύ αγχωμένος/η
14. Όταν πληροφορούμαι για αλλαγές των σχεδίων νιώθω κάποια ένταση. 3,00 1,152 309
15. Όταν πάρω μια απόφαση, δεν είναι πιθανό να αλλάξω γνώμη. 2,82 1,116 309
16. Όταν κάποιος με πιέζει να αλλάξω κάτι, συνήθως αντιστέκομαι ακόμα κι
2,43 1,022 309
αν σκέφτομαι ότι, τελικά, η αλλαγή θα με ωφελήσει.
17. Συχνά αλλάζω γνώμη. 3,09 1,103 309
18. Εάν άλλαζαν τα κριτήρια αξιολόγησης, θα ένιωθα άβολα, ακόμα κι αν
σκεφτόμουν ότι θα τα πήγαινα καλά χωρίς να χρειαστεί να κάνω κάτι 2,56 1,000 309
επιπλέον.
19. Το να αλλάζω σχέδια φαίνεται σε μένα ως πραγματική αναστάτωση. 2,54 0,978 309
Πίνακας Συσχέτισης
Π.χ.
παρουσιάζει υψηλή
συσχέτιση (r=0,516)
Με τον δείκτη ΚΜΟ ελέγχεται η υπόθεση εάν τα δεδομένα είναι κατάλληλα για τη διεξαγωγή
παραγοντικής ανάλυσης.
Η τιμή του κριτηρίου Kaiser-Meyer-Olkin (KMO) πρέπει να είναι μεγαλύτερη του 0.70.
Το τεστ του Bartlett για τη σφαιρικότητα (sphericity) είναι στατιστικά σημαντικό όταν το sig. είναι
μικρότερο από το 0.05.
Στο παράδειγμα, εφόσον Sig. <0.05, η παραγοντική ανάλυση μπορεί να συνεχιστεί.
Communalities
Οι Κοινοί Παράγοντες (Communalities) μετρούν το
ποσοστό της διακύμανσης που κάθε μεταβλητή έχει
Communalities
Initial Extraction
κοινό/ μοιράζεται με τις υπόλοιπες μεταβλητές
9. Γενικά, θεωρώ τις αλλαγές ως κάτι το αρνητικό. 1,000 0,394 (δηλαδή αναφέρονται στην Κοινή Παραγοντική
10. Θα προτιμούσα μια μέρα ρουτίνας παρά μια μέρα γεμάτη από
αναπάντεχα γεγονότα.
1,000 0,591 Διακύμανση).
11. Μου αρέσει να κάνω τα ίδια πράγματα από το να δοκιμάζω νέα
1,000 0,649
και διαφορετικά.
12. Προτιμώ να βαριέμαι παρά να εκπλήσσομαι. 1,000 0,572 Οι επιτρεπόμενες τιμές των κοινών παραγόντων
13. Εάν ήταν να πληροφορηθώ ότι θα λάμβανε χώρα μια σημαντική χρειάζεται να είναι πάνω από 0.40.
αλλαγή στον τρόπο που γίνονται τα πράγματα στο σχολείο μου, 1,000 0,611
μάλλον θα ένιωθα πολύ αγχωμένος/η
14. Όταν πληροφορούμαι για αλλαγές των σχεδίων νιώθω κάποια
ένταση.
1,000 0,629 Εάν κάποιες τιμές είναι κάτω από την τιμή 0.40 τότε
15. Όταν πάρω μια απόφαση, δεν είναι πιθανό να αλλάξω γνώμη. 1,000 0,559 απομακρύνουμε από το μοντέλο τις μεταβλητές
16. Όταν κάποιος με πιέζει να αλλάξω κάτι, συνήθως αντιστέκομαι
ακόμα κι αν σκέφτομαι ότι, τελικά, η αλλαγή θα με ωφελήσει.
1,000 0,253 αυτές και ξανατρέχουμε τα δεδομένα.
17. Συχνά αλλάζω γνώμη. 1,000 0,689
18. Εάν άλλαζαν τα κριτήρια αξιολόγησης, θα ένιωθα άβολα, ακόμα
κι αν σκεφτόμουν ότι θα τα πήγαινα καλά χωρίς να χρειαστεί να 1,000 0,552
κάνω κάτι επιπλέον.
Σε αυτή την περίπτωση, απομακρύναμε πρώτα την Ε16 και
19. Το να αλλάζω σχέδια φαίνεται σε μένα ως πραγματική ξανατρέξαμε την ανάλυση. Η τιμή της Ε9 ήταν πάνω από 0.40 στη
1,000 0,554
αναστάτωση. δεύτερη ανάλυση, συνεπώς παρέμεινε στην παραγοντική δομή.
Extraction Method: Principal Component Analysis.
Ιδιοτιμές (Eigenvalue)
Στο τελικό μοντέλο παραμένουν μόνο
παράγοντες των οποίων οι ιδιοτιμές
(eigenvalues) είναι μεγαλύτερες από
το 1 στη στήλη Extraction Sums of
Squared Loadings.
https://www.theanalysisfactor.com/rotations-factor-analysis/
Ως μέθοδος περιστροφής επιλέγεται συνήθως, στις κοινωνικές επιστήμες, η oblique rotation, και συγκεκριμένα promax, η
οποία επιτρέπει τη συσχέτιση των Παραγόντων (Κύριων Συνιστωσών) μετά την ομαδοποίηση των μετρήσιμων μεταβλητών,
εφόσον από τη σχετική θεωρία υποστηρίζεται ότι οι παράγοντες συσχετίζονται μεταξύ τους.
Πίνακας φορτίσεων των μετρήσιμων μεταβλητών
(σε ποιους παράγοντες φορτίζει κάθε ερώτηση)
Component Matrixa
1
Component
2 3
Rotated Component Matrixa
13. Εάν ήταν να πληροφορηθώ ότι θα λάμβανε χώρα Component
μια σημαντική αλλαγή στον τρόπο που γίνονται 1 2 3
0,759
τα πράγματα στο σχολείο μου, μάλλον θα ένιωθα
14. Όταν πληροφορούμαι για αλλαγές των σχεδίων νιώθω κάποια ένταση. 0,744 0,275 0,005
πολύ αγχωμένος/η
14. Όταν πληροφορούμαι για αλλαγές των σχεδίων 18. Εάν άλλαζαν τα κριτήρια αξιολόγησης, θα ένιωθα άβολα, ακόμα κι αν σκεφτόμουν
0,731 0,741 0,052 0,008
νιώθω κάποια ένταση. ότι θα τα πήγαινα καλά χωρίς να χρειαστεί να κάνω κάτι επιπλέον.
19. Το να αλλάζω σχέδια φαίνεται σε μένα ως
πραγματική αναστάτωση.
0,700 19. Το να αλλάζω σχέδια φαίνεται σε μένα ως πραγματική αναστάτωση. 0,688 0,281 0,043
11. Μου αρέσει να κάνω τα ίδια πράγματα από το να 13. Εάν ήταν να πληροφορηθώ ότι θα λάμβανε χώρα μια σημαντική αλλαγή στον
0,690 0,411
δοκιμάζω νέα και διαφορετικά.
12. Προτιμώ να βαριέμαι παρά να εκπλήσσομαι. 0,654
τρόπο που γίνονται τα πράγματα στο σχολείο μου, μάλλον θα ένιωθα πολύ 0,679 0,386 0,024
αγχωμένος/η
18. Εάν άλλαζαν τα κριτήρια αξιολόγησης, θα ένιωθα
άβολα, ακόμα κι αν σκεφτόμουν ότι θα τα πήγαινα 0,584 -0,430 10. Θα προτιμούσα μια μέρα ρουτίνας παρά μια μέρα γεμάτη από αναπάντεχα
καλά χωρίς να χρειαστεί να κάνω κάτι επιπλέον.
0,071 0,765 -0,021
γεγονότα.
10. Θα προτιμούσα μια μέρα ρουτίνας παρά μια 11. Μου αρέσει να κάνω τα ίδια πράγματα από το να δοκιμάζω νέα και διαφορετικά. 0,240 0,764 0,084
0,550 0,537
μέρα γεμάτη από αναπάντεχα γεγονότα.
9. Γενικά, θεωρώ τις αλλαγές ως κάτι το αρνητικό. 0,540 12. Προτιμώ να βαριέμαι παρά να εκπλήσσομαι. 0,253 0,712 0,005
17. Συχνά αλλάζω γνώμη. 0,823 9. Γενικά, θεωρώ τις αλλαγές ως κάτι το αρνητικό. 0,258 0,451 0,352
15. Όταν πάρω μια απόφαση, δεν είναι πιθανό να
αλλάξω γνώμη.
-0,625 17. Συχνά αλλάζω γνώμη. 0,149 0,071 -0,814
Extraction Method: Principal Component Analysis. 15. Όταν πάρω μια απόφαση, δεν είναι πιθανό να αλλάξω γνώμη. 0,241 0,134 0,695
a. 3 components extracted.
Extraction Method: Principal Component Analysis.
a. Rotation converged in 4 iterations.
Προσδιορισμός Ξεκινάμε εξετάζοντας τις ιδιοτιμές (eigenvalues) που πρέπει να είναι μεγαλύτερες από το 1
αριθμού (στη στήλη Extraction Sums of Squared Loadings).
παραγόντων
Ελέγχουμε το scree-plot για να δούμε αν συμφωνούν.
Εξετάζουμε τις ερωτήσεις που φόρτωσαν σε κάθε παράγοντα. Εντοπίζουμε κοινά μοτίβα
και τον ονοματίζουμε.
Ερμηνεία της
δομής Οι παράγοντες που εξάγουμε πρέπει να προέρχονται από τη θεωρία.
Είναι ερμηνεύσιμη η παραγοντική δομή στο πλαίσιο της σχετικής θεωρίας;
Χρησιμοποιείται όταν:
Δηλαδή, βασικός σκοπός της παλινδρομικής ανάλυσης είναι η δημιουργία ενός μοντέλου για
την πρόβλεψη μίας μεταβλητής με βάση τις τιμές κάποια άλλης.
Παλινδρομική Ανάλυση
Θεωρία-Εξίσωση Μοντέλου
Υ΄ Χ
τιμές της ανεξάρτητης μεταβλητής
προβλεπόμενες τιμές της εξαρτημένης μεταβλητής
Υ΄ = β0 + β1 * Χ
β0 β1
προβλεπόμενη τιμή της εξαρτημένης μεταβλητής όταν η πόσο θα αυξηθεί το Υ για κάθε μονάδα αύξησης του Χ
τιμή της ανεξάρτητης μεταβλητής είναι 0 η αύξηση του Υ όταν η τιμή Χ αυξάνεται κατά 1 μονάδα
(δηλαδή το β0 είναι μία σταθερά - constant).
Παλινδρομική Ανάλυση Υ΄ = β0 + β1Χ
(Παράδειγμα-1)
Ας υποθέσουμε πως:
και
Ανεξάρτητη μεταβλητή: Ο εκπαιδευτικός επιμορφώνεται για τις νέες τάσεις της διδακτικής.
Παλινδρομική Ανάλυση Υ΄ = β0 + β1Χ
(Παράδειγμα-1, Εξαγόμενοι πίνακες)
Model Summary
Std. Error of the
Model R R Square Adjusted R Square
Estimate
1 ,363a ,132 ,130 ,582
a. Predictors: (Constant), Ο εκπαιδευτικός επιμορφώνεται για τις νέες τάσεις της
διδακτικής.
ANOVAa
Model Sum of Squares df Mean Square F Sig.
Regression 26,595 1 26,595 78,570 ,000b
1 Residual 175,336 518 ,338
Total 201,931 519
a. Dependent Variable: Ο εκπαιδευτικός βελτιώνει τη διδασκαλία του βασιζόμενος στην ανατροφοδότηση.
b. Predictors: (Constant), Ο εκπαιδευτικός επιμορφώνεται για τις νέες τάσεις της διδακτικής.
Coefficientsa
Standardized
Unstandardized Coefficients
Model Coefficients t Sig.
B Std. Error Beta
(Constant) 3,176 ,150 21,141 ,000
Ο εκπαιδευτικός
1
επιμορφώνεται για τις νέες ,302 ,034 ,363 8,864 ,000
τάσεις της διδακτικής.
a. Dependent Variable: Ο εκπαιδευτικός βελτιώνει τη διδασκαλία του βασιζόμενος στην ανατροφοδότηση.
Παλινδρομική Ανάλυση Υ΄ = β0 + β1Χ
(Παράδειγμα-1)
• R: παλινδρομικός συντελεστής συσχέτισης
• R Square: ποσοστό διασποράς της εξαρτημένης μεταβλητής το οποίο μπορεί να προβλεφθεί από την ανεξάρτητη μεταβλητή
Στο παράδειγμα: R = 0,363 και R Square = 0,132
Model Summary
Std. Error of the
Model R R Square Adjusted R Square
Estimate
1 ,363a ,132 ,130 ,582
a. Predictors: (Constant), Ο εκπαιδευτικός επιμορφώνεται για τις νέες τάσεις της διδακτικής.
Ερμηνεία R: Υπάρχει μέτρια θετική συσχέτιση Ερμηνεία R Square: Το 13,2% της διασποράς της εξαρτημένης
μεταξύ του βαθμού στον οποίο ο εκπαιδευτικός μεταβλητής «Ο εκπαιδευτικός βελτιώνει τη διδασκαλία του
βελτιώνει τη διδασκαλία του βασιζόμενος στην βασιζόμενος στην ανατροφοδότηση» μπορεί να προβλεφθεί από
ανατροφοδότηση και της επιμόρφωσής του σε την ανεξάρτητη μεταβλητή «Ο εκπαιδευτικός επιμορφώνεται για
σύγχρονες τάσης της διδακτικής (R = 0,363). τις νέες τάσεις της διδακτικής».
Παλινδρομική Ανάλυση Υ΄ = β0 + β1Χ
(Παράδειγμα-1)
ANOVAa
Model Sum of Squares df Mean Square F Sig.
Regression 26,595 1 26,595 78,570 ,000b
1 Residual 175,336 518 ,338
Total 201,931 519
a. Dependent Variable: Ο εκπαιδευτικός βελτιώνει τη διδασκαλία του βασιζόμενος στην ανατροφοδότηση.
b. Predictors: (Constant), Ο εκπαιδευτικός επιμορφώνεται για τις νέες τάσεις της διδακτικής.
Ερμηνεία: Η παλινδρομική σχέση (R = 0,363) είναι στατιστικά σημαντική (F = 78,570, Sig = 0,000 < 0,05).
Ας υποθέσουμε πως:
και
ANOVAa
Sum of
df Mean Square F Sig.
Model Squares
Regression 158945,934 1 158945,934 112,561 ,000b
1 Residual 358669,300 254 1412,084
Total 517615,234 255
a. Dependent Variable: Επίδοση
b. Predictors: (Constant), Στάση
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients t Sig.
Model B Std. Error Beta
(Constant) 42,771 5,121 8,352 ,000
1
Στάση 9,523 ,898 ,554 10,609 ,000
a. Dependent Variable: Επίδοση
Παλινδρομική Ανάλυση Υ΄ = β0 + β1Χ
(Παράδειγμα-2)
• R: παλινδρομικός συντελεστής συσχέτισης
• R Square: ποσοστό διασποράς της εξαρτημένης μεταβλητής το οποίο μπορεί να προβλεφθεί από την ανεξάρτητη μεταβλητή
Model Summary
Ερμηνεία R: Υπάρχει ισχυρή θετική συσχέτιση Ερμηνεία R Square: Το 30,7% της διασποράς της εξαρτημένης
μεταξύ της Στάσης απέναντι στην ιστορία και της μεταβλητής «Επίδοση στο μάθημα της ιστορίας» μπορεί να
Επίδοσης στο μάθημα (R = 0,554). προβλεφθεί από τις τιμές της ανεξάρτητης μεταβλητής «Στάση
απέναντι στην ιστορία».
Παλινδρομική Ανάλυση Υ΄ = β0 + β1Χ
(Παράδειγμα-2)
ANOVAa
Sum of
df Mean Square F Sig.
Squares
Model
Regression 158945,934 1 158945,934 112,561 ,000b
1 Residual 358669,300 254 1412,084
Total 517615,234 255
a. Dependent Variable: Επίδοση
Ερμηνεία: Η παλινδρομική σχέση (R = 0,554) είναι στατιστικά σημαντική (F = 112,561, Sig = 0,000 < 0,05).