Statistická analýza dat v psychologii I
Úvod do práce s jamovi
Semináře 2-4
Popisné statistiky a z-skóry
Obsah
 Četnosti
 Míry centrální tendence a variability
 Zobrazení rozložení
 Normální rozložení
 Z-skóry
 (Robustní deskriptivy v modulu WALRUS)
Četnosti
 Exploration – Descriptives
 Četnosti lze zobrazit zaškrtnutím možnosti N
ve Statistics
 Př.: Po „měření“ extraverze nás zajímá, kolik
bylo ve vzorku mužů a kolik žen.
Četnosti
 Vybereme cílovou proměnnou (Extraverze) a
rozdělíme pomocí pohlaví
Četnosti
 Ve vzorku je 202 mužů a 298 žen. Nenašel se
nikdo, kdo by pohlaví nevyplnil.
Míry centrální tendence a variability
 Exploration – Descriptives
 Vybereme proměnnou, jejíž centrální tendence
a variabilita nás zajímá
Míry centrální tendence a variability
 Ve Statistics zadáme konkrétní míry centrální
tendence a variability, které nás zajímají
Míry centrální tendence a variability
 Svůj zrak upřeme vpravo, kde se nám zobrazil
výstup, a obdivujeme ladné křivky APA formátu
Zobrazení rozložení
 Exploration – Descriptives
 Rozložení lze zobrazit v sekci Plots, která nabízí:
 Histogramy spolu s možností na nich zobrazit
hustotu dat (density)
 Boxploty, opět s možností zobrazit hustotu dat
skrze violin plot a s možností do grafu přidat
jednotlivé případy jako body
 Sloupcové grafy
Zobrazení rozložení
 Př. Zajímá nás rozložení extraverze u mužů
a u žen.
 Vybereme proměnnou, rozdělíme podle
pohlaví a zvolíme některou z možností
zobrazení
Normální rozložení
 jamovi nabízí několik způsobů ověření
normality rozložení:
 Vizuálně pomocí histogramů
 Pomocí hodnot zešikmení (skewness) a
špičatosti (kurtosis) v panelu Statistics u
Descriptives
Normální rozložení
 Pomocí statistických
testů v rámci
ověřování
předpokladů analýz,
které normalitu
očekávají
 Zvolíme např.
jednovýběrový t-test
v nabídce t-tests a
zaškrtneme
Normality
Normální rozložení
 Hodnota p menší než .05 se tradičně
interpretuje jako ukazatel odchylky od
normálního rozložení.
 Tento postup je však nejméně spolehlivý,
samotný test pro ověření normality nikdy
nestačí.
Z-skóry
 Z-skóry vytvoříme pomocí New computed
variable (viz předchozí prezentace)
 Ve Functions vybereme dvojklikem funkci Z
Z-skóry
 Ve Variables vybereme proměnnou, jejíž Zskóry
chceme spočítat
 Vzorec tedy vypadá:
Z-skóry
 Odklikneme fajfku vpravo nahoře
 V naší datové matici se zobrazí nová proměnná
obsahující z-skóry
Robustní deskriptivy
 V případě velmi atypicky rozložených dat
přestává být průměr jakožto ukazatel
centrální tendence použitelný (zde M =
0,96)
Robustní deskriptivy
 Pomoci může modul Walrus, který lze do
programu přidat z jamovi library v menu
Modules.
 Kromě deskriptiv nabízí také paletu robustních
( = odolných vůči porušení předpokladů)
alternativ k tradičním testům
Robustní deskriptivy
 Walrus – Robust descriptives
 Vanilla mean poskytuje aritmetický průměr
 Trimmed mean je průměr počítaný na
hodnotách, které by v proměnné zůstaly po
ostřižení (trim) horních a dolních několika
procent extrémů
 Tato procenta se specifikují v Trim proportion,
používá se např. 25 % (0.25)
Robustní deskriptivy
 Walrus dále nabízí:
 Medián
 Winsorized mean funguje podobně jako
trimmed s tím rozdílem, že extrémní konce
nahrazuje nejnižší a nejvyšší zbývající hodnotou