1 / 55

Statisztikai m ódszerek a pedagógiai kutatásban

Statisztikai m ódszerek a pedagógiai kutatásban. Mérés. Dolgokhoz valamilyen szabály alapján számokat rendelünk hozzá. Ezek a számok az ADATOK. Adatok fajtái. Mérhető adatok intervallumskálán mérhetők Összeadhatók ( additívek ) Pl. hány másodperc alatt teljesíti a tanuló az 50 métert.

vevina
Download Presentation

Statisztikai m ódszerek a pedagógiai kutatásban

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Statisztikai módszerek a pedagógiai kutatásban

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

  3. Adatok fajtái • Mérhető 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.

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

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

  6. Matematikai statisztika

  7. Matematikai statisztika

  8. 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.

  9. Adatok bevitele • Data – • Data View • VariableView Hiányzó adat (Missingvalue): 9 Type: a típus Variablelabel: a változónév címkéje Alignement: igazítás Definelabels: a kategóriákat állapíthatjuk itt meg. • Új adatoszlop bevitele: InsertVariable (Data menüben) • Ellenőrzés: File menüpont – Display Data Info

  10. Mért adatok feldolgozása

  11. 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

  12. 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 elemszámesetében 10-20) • Intervallum nagysága (1,2,3,5, 10, stb.) • A csoportok nem fedhetik egymást, oszthatóság! • Pl. 25-29, 30-34, 35-39, stb.

  13. Gyakoriságok ábrázolása Gyakorisági poligon Hisztogramm

  14. 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.

  15. 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.

  16. Feladat Számítsuk ki a csoportközép értéket és a relatív gyakoriságot, majd ábrázoljuk.

  17. 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.

  18. 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).

  19. 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.

  20. 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.

  21. 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…

  22. 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.

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

  24. 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.

  25. 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

  26. 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.

  27. 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.

  28. 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.

  29. Egydimenziós minták - A mintákról csak egy adatunk van

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

  31. 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.

  32. 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.

  33. 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.

  34. 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

  35. 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

  36. Többdimenziós minták A mintákról több sor adatunk van

  37. 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.)

  38. 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.

  39. 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

  40. 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.

  41. 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)

  42. 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

  43. Rangsorolt adatok elemzése

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

  45. 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.

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

  47. 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

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

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

More Related