Šiame straipsnyje aptarsime, kaip atlikti priklausomybės įvertinimą naudojant SPSS (Statistical Package for the Social Sciences) programą. Aptarsime statistinius kriterijus, duomenų analizės metodus ir licencijavimo galimybes.
Statistiniai Kriterijai SPSS Programoje
Dažniausiai pasitaikantis tikslas yra nustatyti, ar surinktų kintamųjų kelių grupių duomenys yra panašūs. Pavyzdžiui, tiriame, ar dieta buvo efektyvi, t.y. ar svoris liko toks pats, ar knygas respondentai skaito trumpiau nei žiūri TV?
Svarbūs klausimai, kuriuos reikia užduoti prieš atliekant analizę:
- Kiek mes turime imčių, kurias lyginsime tarpusavyje? Vieną, dvi?
- Ar mūsų turimos duomenų grupės priklausomos? Nepriklausomos?
Kintamųjų Tipai
Nominalieji kintamieji - tai kintamieji, kuriuos galima apibūdinti tik kokybiškai - negali būti net palyginimo, skaičiavimo, kuris iš jų yra didesnis ar svarbesnis.
Ranginiai kintamieji dažnai naudojami socialinių tyrimų klausimynuose, pavyzdžiui, kai prašoma pasirinkti iš 1 (labai nepritariu),…, 5 (labai pritariu), ar pan. Negalima pasakyti, kiek daug skiriasi rangai, bet galima konstatuoti, kuris iš jų didesnis.
Taip pat skaitykite: Priklausomybės ligos: situacija Lietuvoje
SPSS Licencijavimo Galimybės
Siekiant patenkinti visų vartotojų poreikius, taikomos itin plačios IBM SPSS Statistics licencijavimo galimybės:
- Nuolatinė licencija - IBM SPSS Statistics licencijuojama už vienkartinį mokestį, programa galima naudotis neribotą laikotarpį. Šis licencijos tipas parankus, jeigu nuolatos dirbate su šia programine įranga.
- Metinė licencija - IBM SPSS Statistics licencijuojama vieneriems metams, su galimybe pratęsti licencijos galiojimo laikotarpį. Šis licencijavimo variantas parankus, jeigu programinė įranga reikalinga vienkartiniam projektui. Pasirinkus metinę licenciją automatiškai teikiamas techninis palaikymas (naujausios versijos pateikimas, jai pasirodžius, ribotos konsultacijos programos naudojimo klausimais).
- Asmeninės licencijos („Single User“) - Ši licencija skirta vienam vartotojui, kuris nurodomas sutartyje.
- Vietos licencijos („Site License“) - Ši licencija leidžia programą įdiegti keliose darbo vietose pasinaudojant tuo pačiu kodu. Leidžiamų diegimų kiekis priklauso nuo įsigytų licencijų kiekio ir yra nurodytas sutartyje. Šis licencijavimo būdas labiausiai tinka organizacijoms, kuriose SPSS programinę įrangą naudoja apibrėžtas kiekis darbuotojų.
- Tinklo licencija („Network License“) - Ši licencija leidžia programą diegti neribotai organizacijos mastu. Tačiau vienu metu programine įranga galės naudotis tik pasirinktas konkurentinių vartotojų skaičius. Programinės įrangos kaina priklauso nuo vartotojų, kurie vienu metu gali naudotis programine įranga skaičiaus. Ši licencija paranki organizacijoms, turinčioms didelį vartotojų skaičių, kuriems programa nėra reikalinga pastoviai. Ji taip pat patogi tuo, kad darbuotojai gali naudotis licenciją per nutolusią darbo vietą (pvz.
- Campus - metiniai licencijų paketai skirti diegti kompiuterių klasėse. Su nuolaida siūlomi trys skirtingi paketai, leidžiantys diegti programinę įrangą 25 ar didesniame kompiuterių skaičiuje, paketus galima individualizuoti pagal poreikius.
- Asmeninės licencijos studentams ir dėstytojams - siūlomi trys asmeninių licencijų paketai skirti studentų moksliniams darbams bei statistikos dėstymui. Programinę įrangą galima licencijuoti laikotarpiui nuo vieno mėnesio iki ketverių metų (studijų laikotarpiui).
Koreliacinė ir Regresinė Analizės
Koreliacinėje analizėje nustatomas statistinio ryšio stiprumas tarp stebėtų kintamųjų, ir jis yra išreiškiamas koeficientu (r). Koreliacija parodo ryšio kryptį - vieno kintamojo reikšmei didėjant, kito kintamojo reikšmė gali didėti arba mažėti. Todėl Koreliacijos koeficientai įgyja reikšmes nuo -1 iki 1. Teigiamas koreliacijos koeficientas rodo, kad vienam kintamajam didėjant, didėja ir kitas kintamasis. Neigiama koreliacija rodo, kad vienam didėjant, kitas kintamasis mažėja.
Koreliacijos Koeficientų Tipai
Pirsono (Pearson) - tiesinio ryšio stiprumo matas.
Koreliacijos Statistinį Reikšmingumą
Atliekant koreliacinę analizę visada vertinamas koreliacijos (r) stiprumas bei statistinis reikšmingumas. Koreliacijos stiprumas vertinamas skalėje nuo 0 iki 1 arba nuo 0 iki -1. Jei r=0 - priklausomybės tarp kintamųjų nėra, r =1 arba -1 - kintamieji visiškai priklausomi. Tačiau, norint įsitikinti, kad gauta koreliacija - neatsitiktinis sutapimas, apskaičiuojama p reikšmė.
P reikšmė parodo, ar koreliacija statistiškai reikšminga. Koreliacijos statistiniam reikšmingumui įvertinti SPSS gauta p reikšmė dažniausiai palyginama su reikšme α=0,05 (reikšmingumo lygmuo). Koreliacija statistiškai reikšminga, jei SPSS apskaičiuota p reikšmė mažesnė už 0,05.
Taip pat skaitykite: Priklausomybės ligų gydymas Lietuvoje
Jei Jus norite nustatyti ranginiu kintamuju rysi, skaiciuokite Spearman koreliacijos koeficienta.
Duomenų Įvedimas į SPSS
Data View lange matomi duomenys, su kuriais bus atliekami skaičiavimai. Čia įvedate savo tiriamųjų atsakymus į klausimus.
Variable View yra langas, būtinai reikalingas aprašyti ir nustatyti, kaip atrodys kiekvieno stulpelio duomenys: kokie bus duomenys: skaitiniai ar žodiniai, ką reiškia skaičiai yra stulpelyje.
Mūsų tikslas - SPSS įvesti duomenis, kuriuos pateikė tyrimo dalyviai. Paprastas duomenų įvedimas (pvz. Duomenų įvedimas, kai klausimui turime kelis atsakymo variantus arba turime respondentų grupes (pvz.
Tyrimo Pavyzdys
Aptarsime pavyzdį, kaip buvo naudojami statistiniai metodai atliekant tyrimą:
Taip pat skaitykite: Kontaktai su priklausomybės ligų specialistų asociacija
Uždaviniai: Nustatyti ir įvertinti X įstaigos dirbančių gydytojų subjektyvią sveikatą.
Metodika: 2017 m. gautas leidimas iš Bioetikos centro (Nr: BEC - VS(M)-50 ). 2018 m. vasario mėn. dirbančių gydytojų apklausa. Tyrimo imtis - n = 230 respondentų (atsako dažnis 79,4 proc.). duomenų statistinei analizei atlikti naudota IMB SPSS programos 20.0 versija. požymių priklausomybes tikrintos naudojant chi kvadrato kriterijų (χ2). arba Kruskal-Wallis kriterijai ir jų reikšmingumai p. koreliacijos koeficientas r, o įtakai nustatyti - daugianarė tiesinė regresija.
Rezultatai: Tyrimo rezultatai atskleidė, kad 41,3 proc. (n=126) mano, kad sprendimų priėmimo laisvė yra vidutinė. 48,7 proc. elgsenos stresą. šeimoje (r=0,172, p=0,009) ir darbo stažu (r=0,168, p=0,011) p<0,05. patyrė kas trečias apklaustas gydytojas. kontrolės ir informacijos stokos, socialinio palaikymo trūkumo. reikia daug specifinių įgūdžių, keliami darbo reikalavimai yra per dideli ir per maža sprendimų autonomija. naktimis.
Pavyzdys iš Kito Tyrimo
Study subjects and methods: The study involved 201 16-18-year-old students from two Lithuanian high schools (121 females and 80 males). The first part of the anonymous online survey asked general demographic questions regarding gender, age, and place of residence. The second part consisted of scales measuring depression, anxiety, and stress, while the third section contained questions exploring internet addiction. The survey was developed using two standardized questionnaires: DASS-Y and IAT.
Study results: The prevalence of Internet Addiction (IA) among the surveyed 16-18-year-old students is 68.2 proc., with more than half (38.8 proc.) of these respondents exhibiting mild symptoms. The levels of internet addiction symptoms between male and female students do not differ significantly (χ²=1.52; p=0.67). The stress experienced by the students shows a statistically significant weak positive correlation with IA (Spearman's rs=0.251, p=0.000).
Conclusions: The study revealed that 68.2 proc. of Lithuanian students aged 16-18 exhibit internet addiction, with the majority (38.8 proc.) experiencing mild symptoms of addiction. The distribution of internet addiction symptoms by gender was not statistically significant, indicating that the first hypothesis (H1) was not supported (χ²=1.52; p=0.67). Furthermore, the third hypothesis (H3) demonstrated a significant positive relationship between the anxiety experienced by students and internet addiction (rs = 0.368; p < 0.001), and the fourth hypothesis (H4) revealed that the severity of depression also positively correlates with internet addiction (rs = 0.296; p = 0.001).
Recommendations: The following recommendations are beneficial for parents, educators, health professionals, researchers, and policymakers. It is advised to develop specialized educational programs that focus on promoting healthy internet use and recognizing the symptoms of addiction among students and their parents. Timely psychological support should be provided to students suffering from stress, anxiety, and depression, ensuring the availability of qualified psychologists in schools. Additionally, further in-depth research is necessary to accurately assess the prevalence of internet addiction and to develop an effective national policy. Initiatives that promote digital health, such as apps designed to monitor online time, should be encouraged.
Dviejų faktorių ANOVA (ANCOVA) SPSS
Aprašomoji Statistika
Aprašomoji statistika tai statistikos sritis, kuri nagrinėja duomenų pateikimo būdus. Pagrindinis jos tikslas glaustai ir tiksliai išreikšti duomenų informaciją. Aprašomosios statistikos metodų taikymas yra labai svarbus statistinio uždavinio sprendimo etapas - išsamus surinktos informacijos aprašymas bei duomenų pateikimas grafikais ir lentelėse leidžia sėkmingai spręsti iškeltus uždavinius.
Statistiniai duomenys skirstomi į kokybinius (arba duomenys pagal kategorijas (klases, grupes)), ir kiekybinius (arba skaitiniai duomenys). Jie charakterizuoja požymį, pagal kurį yra tiriama populiacija.
Grafiškai vaizduojant duomenis nėra taip svarbu, pagal kokį požymį - kiekybinį ar kokybinį - buvo tiriama. Ši skaitinė interpretacija galima tik kiekybinis požymis. Bet to negalime laikyti apribojimu, nes kiekvieną kokybinį požymį galime lengvai interpretuoti kaip kiekybinį. Tam užtenka kokybinėms charakteristikoms priskirti skaitines reikšmes. Tokiu atveju jau galėsime teigti, jog gavome kiekybinius duomenis, ir taikyti visus įmanomus statistinius metodus.
Kiekybinis požymis, pagal kurį buvo tiriama populiacija, gali būti diskretusis (kai požymio reikšmės gali skirtis ne mažiau kaip tam tikru minimaliu dydžiu) arba tolydusis (jei skirtumas tarp požymio įgyjamos reikšmės gali būti kiek norimai mažas). Skaitinės duomenų charakteristikos. Aptarsime darbe taikomą vidurkį.
Pasikliovimo Intervalai
Jei α - tikimybė, mažesnis už 1 ), tai intervalas tarp ir yra parametro dvipusis pasikliovimo intervalas.
Jei α - tikimybė, mažesnis už 1), tai intervalas nuo mažiausios galimos reikšmės iki T (arba intervalas nuo T iki didžiausios galimos reikšmės) yra parametro vienpusis pasikliovimo intervalas.
Pasikliovimo lygmuo - tai tikimybės reikšmė (α), kuri yra susijusi su pasikliovimo intervalu.
Pasikliovimo intervalų diagrama grafiškai parodo pasikliovimo intervalą, kuriame yra apytiksliai 95% visų grupių vidurkis. Populiacijos proporcijos % lygmens pasikliovimo intervalas yra.
Faktorinė Analizė
Faktorinė analizė apibrėžiama kaip daugiamatės statistinės analizės metodas, leidžiantis grupuoti tiriamo objekto požymius (kintamuosius), remiantis jų tarpusavio koreliacija. Atliekant faktorinę analizę, kintamieji apjungiami taip, kad kiekvienos sudarytos grupės kintamuosius vienytų latentinis, tiesiogiai nestebimas faktorius, o grupės nebūtų tarpusavyje susijusios. Šis požymis aibę pakeisti keliais faktoriais rinkiniu, minimaliai prarandant informaciją.
Kartais išskirtuosius faktorius yra sudėtinga interpretuoti.
Faktorinės Analizės Matematinio Modelio Konstravimas
V. ėjus ir G. Murauskas (2004) pateikia tokį faktorinės analizės matematinio modelio konstravimo būdą: tarkim, yra stebimi k kintamieji; modelis grindžiamas prielaida, jog m bendrieji latentiniai faktoriai ir specifinis (charakteringasis) latentinis faktorius sąlygoja kiekvieno kintamojo elgesį; šis bendrasis faktorius yra mažiau nei kintamieji, vadinasi.
Faktorinės analizės modelis leidžia apytiksliai prognozuoti kintamųjų reikšmes, kai žinomi faktoriai ir faktorių svoriai. Nustatyti bendruosius faktorius, kai yra žinomos tik kintamųjų reikšmes - faktorinės analizės uždavinys.
Faktorinės analizės modelyje kiekvieno pradinio kintamojo dispersija skaidoma į dvi dalis - dispersiją, kurią sąlygoja latentiniai bendrieji faktoriai (bendrumas), ir dispersiją, kurią lemia specifiškumas (bendraisiais faktoriais nepaaiškinama paties kintamojo variacija).
Jei KMO reikšmė yra maža, tai duomenys faktorinei analizei yra netin...
tags: #priklausomybes #vertinimas #spss