Statisztikai módszerek a pedagógiai kutatásban

Slides:



Advertisements
Hasonló előadás
Összetett kísérleti tervek és kiértékelésük:
Advertisements

A pedagógiai kutatás módszertana
I. előadás.
Petrovics Petra Doktorandusz
A statisztika alapjai - Bevezetés az SPSS-be -

Rangszám statisztikák
Gazdaságelemzési és Statisztikai Tanszék
A szórás típusú egyenlőtlenségi mutatók
Két változó közötti összefüggés
Csoportosítás megadása: Δx – csoport szélesség
A megoldás főbb lépései:
Mérési pontosság (hőmérő)
Gazdaságelemzési és Statisztikai Tanszék
Dr. Szalka Éva, Ph.D.1 Statisztika II. IX.. Dr. Szalka Éva, Ph.D.2 Idősorok elemzése.
Közlekedésstatisztika
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
TF Informatikai és Oktatástechnológiai Tanszék
4. előadás.
3. előadás.
3. előadás.
A középérték mérőszámai
SPSS bevezetés.
SPSS leíró statisztika és kereszttábla elemzés (1-2. fejezet)
Hipotézisvizsgálat (1. rész) Kontingencia táblák
Nem-paraméteres eljárások, több csoport összehasonlítása
Alapfogalmak Alapsokaság, valamilyen véletlen tömegjelenség.
Matematikai alapok és valószínűségszámítás
Matematikai alapok és valószínűségszámítás
Nemparaméteres próbák Statisztika II., 5. alkalom.
Nemparaméteres próbák
Térkép. Mi az adat? Minden információ, amit tárolni kell. Minden információ, amit tárolni kell.  szám  szöveg  dátum  hang  kép, stb.
Nominális adat Módusz vagy sűrűsödési középpont Jele: Mo
Az F-próba szignifikáns
Dr. Balogh Péter Gazdaságelemzési és Statisztika Tanszék DE-AMTC-GVK
Dr. Balogh Péter Gazdaságelemzési és Statisztika Tanszék DE-AMTC-GVK
Matematikai statisztika Készítették: Miskoltzy Judit Sántha Szabina Szabó Brigitta Tóth Szabolcs Török Tamás Marketing Msc I. évf., I. félév, levelező.
Statisztika.
Készítette: Horváth Zoltán (2012)
Kvantitatív módszerek
Valószínűségszámítás
EREDMÉNYEK, ADATOK FELDOLGOZÁSA
Statisztikai módszerek áttekintése módszerválasztási tanácsok Makara Gábor.
Alapsokaság (populáció)
Adatleírás.
Dr Gunther Tibor PhD II/2.
Paleobiológiai módszerek és modellek 4. hét
I. előadás.
Statisztikai alapfogalmak
A kombinációs táblák (sztochasztikus kapcsolatok) elemzése
Számtani és mértani közép
Vargha András KRE és ELTE, Pszichológiai Intézet
Középértékek – helyzeti középértékek
Korreláció-számítás.
A számítógépes elemzés alapjai
Az SPSS programrendszer.
Konzultáció – Leíró statisztika október 22. Gazdaságstatisztika.
A számítógépes elemzés alapjai
Leíró statisztika gyakorló feladatok október 15.
Szóródási mérőszámok, alakmutatók, helyzetmutatók
I. Előadás bgk. uni-obuda
Az IBM SPSS Statistics programrendszer
Adatfeldolgozási ismeretek műszeres analitikus technikusok számára
Adatsorok típusai, jellegadó értékei
5. előadás.
A leíró statisztikák alapelemei
Mérések adatfeldolgozási gyakorlata vegyész technikusok számára
Adatfeldolgozási ismeretek környezetvédelmi-mérés technikusok számára
Mérési skálák, adatsorok típusai
Dr. Varga Beatrix egyetemi docens
Előadás másolata:

Statisztikai módszerek a pedagógiai kutatásban

Mérés Dolgokhoz valamilyen szabály alapján számokat rendelünk hozzá. Ezek a számok az ADATOK.

Adatok fajtái Mérhető adatok Rangsorolt adatok Nominális adatok intervallumskálán mérhetők Összeadhatók (additívek) Pl. hány másodperc alatt teljesíti a tanuló az 50 métert. Rangsorolt adatok Ordinális skálán jelöljük őket Nem adhatók össze, nem jelölik a pontos különbséget. Pl. Hányadik lett a tanuló gyorsfutásban. Nominális adatok Egy kategóriát jelölünk egy számmal. Nominális skála. Pl. férfi 1, nő 2, stb.

Statisztikai mérések Leíró statisztika: Matematikai statisztikai: gyakoriságok Középérték számítás Szóródás Összefüggések vizsgálata Matematikai statisztikai: A minta tulajdonságai érvényesek-e az alapsokaságra?

A statisztikai módszerek típusai Függnek: Az adatok milyenségétől (mérhető, ordinális, nominális) A kutatásban résztvevő mint számától (egy, kettő, több)

Leíró statisztika Gyakoriságok Középértékek Szóródások Korreláció Abszolút Átlag Szóródási terjedelem Korreláció-számítás Százalékos (relatív) Módusz Interkvartilis félterjedelem Kummulatív Medián Átlagos eltérés Variancia Szórás Relatív szórás Falus I. – Ollé J. 2000

Matematikai statisztika Jelentős-e a különbség? Adatfajták Minták száma Intervallum MÉRHETŐ Ordinális RANGSOROLT Nominális KATEGÓRIA Egy Egymintás t-próba Wilcoxon próba ᵡ²- próba Kettő Kétmintás t-próba F-próba Welch-próba Mann-Withney próba Több Varianciaanalízis Kruskall-Wallis-próba Falus I. – Ollé J. 2000

Matematikai statisztika Van-e szoros összefüggés? Adatfajták Változók száma Intervallum Ordinális Nominális Kettő korrelációszámítás rangkorreláció ᵡ²- próba Kettő vagy több Regresszióanalízis Több Parciális korreláció Faktoranalízis klaszteranalízis Falus I. – Ollé J. 2000

SPSS for Windows Menüpontok: Data – módosíthatjuk a változók legfontosabb tulajdonságait. Transform – a változók értékeinek átkódolása, új változók létrehozása a meglévők segítségével. Analyze – a legfontosabb statisztikai eljárások innen indíthatók el. Graphs – az adatokból diagrammok készíthetők. Utilities – formai segédeszközök (pl. betűtípus, cellarácsok). Window – több ablak megnyitása. Help – segítség angol nyelven.

Adatok bevitele Data – Data View Variable View Hiányzó adat (Missing value): 9 Type: a típus Variable label: a változónév címkéje Alignement: igazítás Define labels: a kategóriákat állapíthatjuk itt meg. Új adatoszlop bevitele: Insert Variable (Data menüben) Ellenőrzés: File menüpont – Display Data Info

Mért adatok feldolgozása

Mért adatok elemzése Gyakorisági eloszlások (abszolút, relatív és kummulatív) Középértékek (számtani közép, medián, módusz) Szóródás Hipotézisvizsgálat (t próbák) Variancia-analízis Korreláció számítás Regresszió-analízis Faktoranalízis klaszteranalízis

Abszolút gyakorisági eloszlások Értéktartomány meghatározása. Csoportok meghatározása. Gyakorisági eloszlás meghatározása (hány adat esik az illető értéktartományba). Pl. Tudásszintmérés esetén megállapítjuk: A legnagyobb és legkisebb értéket. Csoportok meghatározása: Páratlan számú csoport (8-9, nagyobb elemszám esetében 10-20) Intervallum nagysága (1,2,3,5, 10, stb.) A csoportok nem fedhetik egymást, oszthatóság! Pl. 25-29, 30-34, 35-39, stb.

Gyakoriságok ábrázolása Gyakorisági poligon Hisztogramm

Intervallumok ábrázolása poligonnal Az intervallumnak meghatározzuk a közepét. A középértékekhez rendeljük az abszolút gyakoriságot. Pl. 25-29: középérték 27………………f(a): 2 30-34. középérték 32……………..f(a): 6 Feladat: ábrázoljuk a 64. o. található minta adatait poligon és hisztogram segítségével.

Relatív (százalékos) gyakoriság f(%) Számítsuk ki a mintánkra az abszolút gyakorisági eloszlást. A kiszámolt gyakoriságokat szorozzuk meg 100-zal. Minden kapott értéket osszunk el az elemek számával. (egyszerű hármas szabály alkalmazása, % kiszámítása.) Ábrázolása: poligonnal, kördiagrammal, hisztogrammal.

Feladat Számítsuk ki a csoportközép értéket és a relatív gyakoriságot, majd ábrázoljuk. Csoporthatárok csoportközép F(a) F(%) 25-29 2 4% 30-34 6 12% 35-39 7 14% 40-44 45-49 10 20% 50-54 55-59 4 8% 60-64 3 6% 65-69 1 2%

Kumulatív gyakoriság Kiszámítjuk az abszolút gyakoriságot minden csoporthoz rendelve. Minden egyes csoport esetében a csoporthoz tartozó gyakorisághoz hozzáadjuk a nála kisebb elemeket tartalmazó csoportok gyakoriságait. Ábrázoljuk.

Gyakoriság kiszámítása SPSS-sel 1. Készítsük el az adattáblát. Analyze menüpont Descriptive Statistics – Frequencies A változó áthelyezése a másik ablakba Kipipáljuk a kis ablakocskát Chart – grafikont is ad ( a Chart menüpont alatt formázható).

A középérték mérőszámai Számtani középérték (átlag). Medián: az az elem, melynél a minta egyik fele nagyobb, a másik fele pedig kisebb. Módusz: a minta elemei között leggyakrabban előforduló érték.

Számtani középérték Az adott mintába tartozó elemeket összeadjuk. A kapott értéket elosztjuk az elemek számával. Csoportosított adatok esetén: Megállapítjuk a csoportközépértékeket. Megállapítjuk az abszolút gyakoriságot. A fenti két értéket megszorozzuk egymással. A kapott szorzatokat összeadjuk és elosztjuk az elemek számával. Feladat: számoljuk ki az előző feladat számtani középértékét.

Medián Állítsuk nagyság szerinti sorrendbe az adatainkat. Páratlan adat esetén keressük meg a középső értéket. Páros adatszám esetén keressük meg a két középső értéket, majd adjuk őket össze és osszuk el kettővel. Csoportosított adatok esetén a megfelelő intervallumot keressük meg, majd továbbszámolunk…

Módusz Számoljuk meg egy-egy elem összesen hányszor fordul elő. Keressük meg, melyik elem fordul elő a leggyakrabban. Csoportosított adatok esetén: Megkeressük azt az intervallumot, melyhez a legnagyobb gyakoriság tartozik. Az illető intervallum csoportközepe lesz a módusz.

Példa A számtani középérték, a medián és a módusz nem esik mindig egybe, és jellemzi a mintát. (l. könyvbeli ábrák. 114. o.)

Középérték számítás SPSS-sel Analyze menüpont: Descriptive statistics – Freqvencies. Kitörölni a pipát a kisablakocskából, ahol a gyakoriságot kértük, majd a STATISTICS-re megyünk és ott kijelöljük, mi mindent szeretnénk megtudni az adatainkról.

Szóródás Szóródási terjedelem: a minta legnagyobb és legkisebb elemének különbsége. Jele Ri. Kvartilisek: azok az értékek, melyek a minta nagyság szerinti sorba rendezett elemeit negyedelik Q1, Q2, Q3. (Q2-Me) Interkvartilis félterjedelem: a minta nagyság szerint sorba rendezett elemeinek középső 50%-át tartalmazó értéktartomány fele. Q=(Q3-Q1)/2

Szóródás Átlagos eltérés: a minta számtani középértéktől való távolsága. Az távolságokat összegezve és elosztva a minta elemszámával kapjuk meg a mintát jellemző átlagos eltérést. Variancia (négyzetes összeg): minden elem átlagtól való eltérését négyzetre emeljük, majd a kapott értékeket összeadjuk. A négyzetes összeget elosztjuk a szabdságfokkal (n-1). Szórás=variancia négyzetgyöke. Jele: Si Variációs együttható: szórás és számtani közép hányadosa megszorozva 100%-kal.

Szóródás kiszámítása SPSS-sel Szóródási terjedelem: Range Kvartilisek: Quartiles Cut points for…10 – 10 részre oszthatjuk a mintát. Átlagos eltérés nincs. Variancia: variance Szórás: std. Deviation.

Hipotézisvizsgálat – szignifikáns-e a kapott eredmény? Cél: megvizsgálni, hogy a hipotézisünk beigazolódott-e vagy sem. Pl. kontroll csoportos kísérlet esetén a kísérlet hatékony volt-e, különbség mutatható-e ki a kontroll csoport és a kísérleti csoport eredményei között. (l. 158. o.) 95% valószínűség esetén a különbség szignifikáns p<0,05. 99% fölött a különbség erősen szignifikáns, a kapott eredmény nem a véletlen műve.p<0,01.

Egydimenziós minták - A mintákról csak egy adatunk van

T-próbák Önkontrollos pedagógiai kísérlet esetén: egymintás t-próba. Kontrollcsoportos pedagógiai kísérlet esetén: kétmintás t-próba és az F próba.

Egymintás t-próba - SPSS Azt vizsgáljuk, hogy az önkontrollos kísérlet során szignifikáns-e a különbség az előzetes és utófelmérés eredményei között. ANALYZE – COMPARE MEANS - PAIRED-SAMPLES T TEST Kijelölöm a két oszlop nevét, átviszem a másik ablakba. OPTIONS: Confidence Interval – beállítom, a szignifikancia szintet.

Két mintás t-próba Azt vizsgáljuk, hogy a kísérleti és kontrollcsoport eredményei szignifikánsan eltérnek-e egymástól. Az adatokat egy oszlopba írjuk, a második oszlopba írjuk be a csoport számát. ANALYZE – COMPARE MEANS - INDEPENDENT-SAMPLES T TEST TEST VARIABLE: matek GROUPING VARIABLE: csoport - Define Groups…. Megnevezzük… OK.

Variancia-analízis Többcsoportos kísérlet esetén hasonlítjuk össze a különböző minták eredményeit. Ha az egyes csoportokra kiszámolt varianciák nem különböznek lényegesen egymástól, a különbség közöttük nem szignifikáns.

Variancia-analízis SPSS ANALYZE - COMPARE MEANS - MEANS Dependent list (függő változó): teljesit Independent list (független változó): osztály OPTIONS: mean, variance, number of cases (elemszám) Kijelölni az ANOVA TABLE AND ETA OK

Variancia-analízis (2) Páronként is megvizsgálhatjuk a csoportok között létezik-e szignifikáns különbség. ANALYZE – COMPARE MEANS - ONE-WAY ANOVA Dependent list: teljesit Factor: osztály POST HOC – TUKEY’S HONESTLY SIGNIFICANT DIFFERENCE OK

Többdimenziós minták A mintákról több sor adatunk van

Korreláció számítás Pl. egy osztály fizika és matematika eredményei között vizsgáljuk van-e összefüggés. Korrelációt számolhatunk mért, rangsorolt és nominális adatok esetén is. MÉRT adatoknál klb. korreláció figyelhető meg: Negatív korreláció: Matek eredmény magas – fizika eredmény alacsony Pozitív korreláció: Matek magas – fizika magas Korrelálatlanság: hol magas, hol alacsony, nincs összefüggés. (grafikusan: 214. o.)

Korreláció (2) A korreláció értéke -1 és 1 között mozog, minél közelebb van az 1-hez vagy -1-hez, annál nagyobb az összefüggés a két eredmény között.

Korrelációszámítás - SPSS ANALYZE – CORRELATE – BIVARIATE Áthelyezzük a változókat a másik ablakba a nyíl segítségével PEARSON TWO-TAILED DISPLAY kipipálva STATISTICS: kipipálni a means és a standard deviations-t

Parciális korrelációs együttható Többdimenziós minta esetében jól alkalmazható. Kiszámítása: ANALYZE – CORRELATE – PARTIAL VARIABLES: azok a változók, amelyek között korrelációt akarunk számítani CONTROLLING FOR: amelyik változónak a hatását ki akarjuk zárni.

Regresszió-analízis A populáció bármely tagjára vonatkoztatva a regresszió-analízis segítségével becsülhetjük meg az általa elérhető értéket. Pl. a vizsgált személynek csak néhány adatát ismerjük, illetve a minta alapján tudjuk milyen összefüggések vannak a különböző adatok között. Meg tudjuk becsülni, hogy az illető személy milyen adatokat produkálhatna egy vizsgálat során. (235. o)

Regresszió-analízis (2) Regressziós egyenlet: összefüggést találunk a két mintasor értékei között és ennek alapján kiszámíthatjuk az összes hiányzó értéket. ANALYZE – REGRESSION – LINEAR Independent list: X Dependent list: Y STATISTICS: ESTIMATES – kipipálni Y=1,428X+o,658

Rangsorolt adatok elemzése

Rangsorolt adatok elemzésére alkalmas statisztikai eljárások Wilcoxon próba Mann-Withney próba Kruskal-Wallis próba Rangkorreláció számítás

Wilcoxon-próba Csoportrangszámok meghatározása önkontrollos kísérlet esetén. Pl. a kísérlet során alkalmazott- elő és utófelmérések eredményei nem túl megbízhatóak, ezért rangsorolták a gyerekeket teljesítményük alapján és az előzetes és utófelmérés során kialakult rangsor alapján értékelik az eredményeket.

Wilcoxon próba - SPSS ANALYZE – NONPARAMETRIC TEST – 2 RELATED SAMPLES Áthelyezzük a két változót, és OK Leolvassuk a kapott eredményeket.

Mann-Withney próba Kontrollcsoportos kísérletek esetén alkalmazzuk, hogy összehasonlítsuk a két csoport által elért eredmények közötti különbség szignifikáns-e. SPSS: ANALYZE – NONPARAMETRIC TESTS - 2 INDEPENDENT SAMPLES TEST VARIABLE LIST: elott, után GROUPING VARIABLE: csoport DEFINE VARIABLE: 1,2

Kruskal-Wallis próba Több minta esetén akarjuk ellenőrizni, hogy az elért eredmények közötti különbségek szignifikánsak-e. SPSS: ANALYZE – NONPARAMETRIC TESTS – K INDEPENDENTS SAMPLES

Rangkorreláció-számítás SPSS ANALYZE – CORRELATE – BIVARIATE Variables: áttenni a változókat Test of Significance: two tailed kipipálva OK

Megállapítható adatok elemzése ᵡ²- próba

ᵡ²- próba Megállapítható adatok esetében egy-egy jelenség mellé rendelünk egy-egy számot, mindig ugyanazt a számot. Pl. település nagysága, válaszadó neme, iskolatípus, stb. Az adatokat kontingencia táblázatba foglaljuk.

ᵡ²- próba, SPSS Adattábla létrehozása. ANALYZE – DESCRIPTIV STATISTICS – CROSSTABS ROWS – sorok COLUMNS – oszlopok STATISTICS – CHI-SQUARE: kipipálni CONTINUE CELLS: kipipálni, amit szeretnénk (%, elemszám). FORMAT: a táblázat beállításai. (l. saját kutatás)

Köszönöm a figyelmet!