IBM SPSS Statistics är ett program som utför statistisk analys av data. För att utföra statistiska analyser korrekt behöver du känna till variablernas mätnivå eftersom det definierar vilken sammanfattande statistik och grafer som ska användas. Det hjälper också att känna till de vanligaste procedurerna i Analysera-menyn och möjliga slutsatser som du kan dra efter att ha genomfört ett statistiskt test.

SPSS Statistik Analysera meny
SPSS Statistik Variabler Mätnivå
Mätnivån definierar vilken sammanfattande statistik och grafer som ska användas. Följande tabell ger definitioner, exempel, lämplig sammanfattande statistik och grafer för variabler baserat på deras mätningsnivå.
| |
Nominell |
Ordinal |
Skala |
| Definition |
Oordnade kategorier |
Beställda kategorier |
Både intervall och förhållande |
| Exempel |
Kön, geografisk plats, jobbkategori |
Nöjdhetsbetyg, inkomstgrupper, rangordning av
preferenser |
Antal inköp, kolesterolnivå, ålder |
| Mått på centrala tendenser |
Läge |
Median |
Median eller medelvärde |
| Spridningsmått |
Ingen |
Min/max/räckvidd |
Min/max/intervall, Standardavvikelse/varians |
| Graf |
Paj eller bar |
Bar |
Histogram |
SPSS-statistikdiagram för att visa relationer mellan ett par av variabler
När du väljer en graf måste du veta graden av mätning av variablerna. Följande tabell visar några av de grafer som kan användas för att visa samband mellan olika typer av variabler.
| |
Kategoriskt beroende |
Skalberoende |
| Kategoriskt oberoende |
Clusterbar eller panelad paj |
Felfält eller boxplot |
| Skaloberoende |
Felfält eller boxplot |
Scatter plot |
Vanligt använda SPSS-statistikanalysmenyer
Följande tabell ger en lista över några av de mest använda procedurerna i menyn Analysera i SPSS Statistics.
| Meny |
Undermeny |
Användbar för |
| Kodbok |
Rapporter |
Ger en snabb titt på alla dina variabler på en gång. Mätnivån styr automatiskt vilken sammanfattande statistik som visas. |
| Frekvenser |
Beskrivande |
Berättar hur många av varje kategorivärde du har. Mest användbar för kategoriska variabler eftersom du kan köra alla på en gång. |
| Beskrivande |
Beskrivande |
Får grundläggande skalvariabelinformation, såsom medelvärde och standardavvikelse. |
| Utforska |
Beskrivande |
Baserat på en berömd bok, Exploratory Data Analysis, tittar på alla typer av variabler såväl som par av variabler. |
| Korstabeller |
Beskrivande |
Tester för att se om kategoriska variabler är oberoende av varandra eller relaterade till varandra. |
| Betyder att |
Jämför medel |
Beräknar undergruppsmedelvärden och relaterad statistik för beroende variabler inom kategorier av en eller flera oberoende variabler. |
| Ett-prov T-test |
Jämför medel |
Testar om medelvärdet för en enskild variabel skiljer sig från ett angivet värde (till exempel en grupp som använder en ny inlärningsmetod jämfört med skolgenomsnittet). |
| Oberoende prover T-test |
Jämför medel |
Testar om medelvärdet för två grupper skiljer sig åt på en kontinuerligt beroende variabel (till exempel kvinnor och män på inkomst). |
| Parade prover T-Test |
Jämför medel |
Testar om det finns en signifikant skillnad i medelvärdet under två förhållanden (till exempel före och efter, eller stående mot sittande). |
| Enkelriktad ANOVA |
Jämför medel |
Testar om medelvärdet för två eller flera grupper skiljer sig åt på en kontinuerligt beroende variabel (till exempel läkemedel1 mot läkemedel2 mot läkemedel3 vid depression). |
| Bivariat korrelation |
Korrelat |
Bestämmer likheten i hur två kontinuerliga variabler ändras i värde från ett fall (rad) till ett annat genom data. |
| Linjär regression |
Regression |
Förutsäger en kontinuerligt beroende variabel från en eller flera kontinuerligt oberoende variabler |
| Ett prov |
Icke-parametriska tester |
Jämför fördelningen av en kategorisk beroende variabel med befolkningsnormer. |
| Oberoende prover |
Icke-parametriska tester |
Testar om medelvärden eller medianvärden för två eller flera olika grupper skiljer sig åt på en beroende variabel. |
| Relaterade prover |
Icke-parametriska tester |
Testar om medelvärden eller medianvärden för samma grupp skiljer sig åt under två förhållanden eller tidpunkter. |
| Univariat |
Allmän linjär modell |
En förlängning av envägs ANOVA där det finns mer än en oberoende variabel. |
| Multivariat |
Allmän linjär modell |
En förlängning av envägs ANOVA där det finns mer än en beroende variabel. |
| Upprepade åtgärder |
Allmän linjär modell |
En förlängning av t-testet med parade prover där samma grupp bedöms under två eller flera förhållanden eller tidpunkter. |
| Binär logistik |
Regression |
Används i situationer som liknar linjär regression men den beroende variabeln är dikotom. |
| Multinomial logistik |
Regression |
En förlängning av binär logistisk regression där den beroende variabeln inte är begränsad till två kategorier. |
| Diskriminerande |
Klassificera |
Bygger en prediktiv modell för gruppmedlemskap baserad på de linjära kombinationer av prediktorer som bäst separerar grupperna. |
Tolkning av statistisk signifikans i SPSS-statistik
När man utför ett statistiskt test drar folk alltför ofta slutsatsen att ett fynd "är statistiskt signifikant" eller "inte är statistiskt signifikant." Även om det är bokstavligen sant, betyder det inte att endast två slutsatser kan dras om ett fynd.
Tänk om det i den verkliga världen inte finns något samband mellan variablerna, men testet fann att det fanns ett signifikant samband? I det här fallet skulle du göra ett falskt positivt fel eftersom du felaktigt drog slutsatsen till ett positivt resultat (du trodde att det inträffade när det faktiskt inte gör det).
Å andra sidan, vad händer om det i den verkliga världen finns ett samband mellan variablerna, men testet fann att det inte fanns något signifikant samband? I det här fallet skulle du göra ett falskt negativt fel, eftersom du felaktigt drog slutsatsen till ett negativt resultat (du trodde att det inte inträffade när det faktiskt gör det).
| I den verkliga världen |
Statistiska testresultat |
| |
Ej signifikant ( p > 0,5) |
Signifikant ( p <> |
| De två grupperna är inte olika |
Nollhypotesen verkar sann, så du drar slutsatsen att grupperna
inte är signifikant olika. |
Falskt positivt. |
| De två grupperna är olika |
Falskt negativ. |
Nollhypotesen verkar falsk, så du drar slutsatsen att
grupperna är signifikant olika. |