Základy kvantitativní analýzy dat (statistiky)
Jan Kleiner
BSSn4405
jkleiner@mail.muni.cz

Co je cílem úvodu do statistiky v tomto kurzu?
•Prvotní seznámení se statistikou.
•Zdokonalení studentů v kvantitativním a smíšeném výzkumu.
•Nová možnost výzkumného směřování.
•Bourání mýtů (matematika v sociálních vědách).
•Základní představení statistických operací a modelů nezbytných pro kvantitativní design výzkumu.
•

•Povinná literatura a prezentace jsou komplementární.
•Povinná literatura obsahuje statistické základy.
•Andy Field (2009: 31-60) - základy.
•Pennings a kol. (2005:55-69) zasazuje statistiku do metodologie politologie.
•Doporučená literatura?
•Dobré je učit se statistiku z různých zdrojů.
Studijní materiály

Obsah obrázku osoba, oblečení, interiér, hledání Popis byl vytvořen automaticky
Proč?!


•Chystáte se ke sběru dat formou dotazníku nebo rozhovoru?
•Máte kvantitativně laděný výzkum?
•Máte rádi grafy a tabulky?
•Chcete tak, aby to bylo přijímáno širokou vědeckou komunitou prokazovat korelaci a kauzalitu?
•Chcete se zabývat hromadnými jevy v populaci, vytvářet vlastní teorie a rovnou si je i testovat
(smíšený výzkum)?
•Chcete mít schopnost odborně posoudit kvantitativní výzkumy?
•

Mně se taky zdá, že jsme tam všichni.



Statistika (Magnellová a Van Loon, 2010: 9-16)
•Původně politická aritmetika (status= státník).
•Nejprve vitální statistika.
•Např. popisy a výčty sčítání lidu, sňatků.
•Průměrné hodnoty.
•Později i matematická statistika.
•„vědní obor zkoumající variabilitu, maticové počty. Zabývá se shromažďováním, klasifikací, popisem
a interpretací dat získaných při sociálních průzkumech, vědeckých experimentech…“

•Outcome=(model)+error (Field, 2009: 39).
•Program StatCheck replikuje analýzu, řada nesrovnalostí a chyb v polovině z testovaných 30 tis.
psychologických článků (Chawla, 2017).
•Statistická validita!
•Štěstí Skotů, Darwin, Malthus, Guiness, Florence Nightingale, hazard…
•

William Chadwick – sanitární reformy v Londýně (na přelomu 18. a 19. stol.) díky sčítání populace a
statistice
Štěstí Skotů – prezident zemědělské komory sir John Sinclair

Klamání statistikou (Magnellová a Van Loon, 2010: 75)
•Je to „tupý“ nástroj.
•Např. průměrný měsíční příjem (cca 34 tis. CZK) vs. medián - cca 29 tis. CZK (ČSÚ, 2020).
•
•Jak neklamat – brát v úvahu veškeré informace a obzvláště variabilitu (vysvětlena dále) kolem
průměrných hodnot.

(Kvantitativní) výzkumný proces: jakou roli v něm zastává statistika?
Zdroj: Field (2009: 3)


Analýza dat: první krůčky (Field, 2009: 1-30)
•Vyvedení dat do grafu - frequency distribution, variabilita, histogram.
•Posouzení central tendency – průměr, medián, modus.
•Kvartily, percentily.
•Výpočet pravděpodobností – podle typu distribuce za pomoci tabulek.
•Crosstabs (kontingenční tabulky).
•Složitější statistické metody a modely.

SPSS
•Je statistický program od firmy IBM. Masarykova univerzita na něj má licenci a naleznete jej v
aplikaci Inet (jako MS Office).
•Umožňuje tvorbu grafů, tabulek, histogramů, diagramů, scatterplotů aj.
•Počítá veškeré statistické výpočty k modelům – regresní analýza, korelace, kontingenční tabulky
apod. a vyhazuje výsledky ve formě grafů, tabulek aj.
•K jeho pochopení a k pochopení základních a často používaných statistických operací slouží
celosemestrální (podzim) kurz na politologii „Kvantitativní přístupy v politologii“. Vše se učí
prakticky a na příkladech à nejlepší způsob, jak tento guláš pochopit.
• Možnost exportu Excelových dat (jednoduchý přenos z dotazníku Google).

Checklist pro dotazník (Rumsey, 2010: 137-146)
•!!Garbage in, garbage out!!
1.Cílová populace je dobře definovaná.
2.Vzorek odpovídá cílové populaci;
3.a je náhodný;
4.a dostatečně velký (margin of error).
5.Non-response je minimalizovaná.
6.Typ dotazníku odpovídá potřebným datům.
7.Otázky jsou dobře strukturované a položené.
8.Správné načasování.
9.Personál je dobře trénovaný.
10.Na základě výsledků vytváříme adekvátní závěry.
•
1.
The 40-point SEO checklist for startups - Search Engine Land

Nejčastější statistické chyby (Rumsey, 2010: 155-162)
1.Zavádějící grafy.
2.Biased data.
3.Neuvedený margin of error.
4.Nenáhodný vzorek.
5.Neuvedená velikost vzorku.
6.Špatně interpretované korelace.
7.Intervenující proměnné.
8.Špatně uvedená čísla.
9.Selektivní reporting dat.
10.The Almighty Anecdote.
11.
dont do it | Travis White Communications

Důležité pojmy



Korelace a kauzalita I (Magnellová a Van Loon, 2010: 117-120)
•Kauzalita je příčinný vztah mezi proměnnými, zatímco korelace znamená pouze to, že spolu dvě
proměnné nějakým způsobem souvisí.
•K měření korelace se nejčastěji používá např. Pearsonův korelační koeficient (značí se R nebo r).
•Korelaci je nutné věcně vykládat. Existuje něco, co Pearson označuje jako „spurious correlations“
(zdánlivé korelace).

•Příklady zdánlivé korelace (https://www.tylervigen.com/spurious-correlations)
- G. Yule (1899): „Asociace“ – vztah mezi 2 a více nespojitými proměnnými


Korelace a kauzalita II (Field, 2009:1-26)
•Kauzalita podle Humea (1748):
•1) Příčina a následek musí proběhnout časově blízko sebe.
•2) příčina musí proběhnout před následkem.
•3) Daný efekt nemůže proběhnout bez přítomnosti příčiny.
•+ J. Mill (1865) 4) všechna ostatní vysvětlení příčinného vztahu jsou vyloučena
•Dnes
•4 překážky kauzality
•Statistické podmínky pro regresi: lineární vzor(scatterplot) v datech a korelace (střední až
silná).
•àKorelace neimplikuje kauzalitu, ale kauzalita korelaci potřebuje!
•2 základná typy studií pro testování hypotéz:
•Observační (korelační) – výsledkem je, že spolu dvě proměnné korelují.
•Experimentální – může prokázat cause-and-effect relationship.
•Prokazování korelace a kauzality se neváže ke konkrétním statistickým postupům, ale výzkumnému
designu!

Variabilita
•Variabilita je kolísání, výkyv. Mírou variability je rozptyl (varience). Na grafu vidíme malý
rozptyl (homogenní) na jednotlivých úsecích (v tomto případě koncertní lokace).

Každý puntík je jedno pozorování a vyjadřuje jak dlouho zvonilo lidem v uších po koncertě na daném
místě. Červená čárka mezi puntíky je pak průměr jednotlivých pozorování na daném místě a červená
linie je nějaký matematický model proložený těmito body (průměry).

Eticky korektní příklad testování hypotézy
•Chceme otestovat H1: Množství snězené zmrzliny má vliv na to, jestli se jedinec pozvrací (protože
jí spápnul hodně).
•Závislá proměnná je nějaké vyjádření nevolnosti (např. dichotomická proměnná pozvrací se
(1)/nepozvrací se(0)).
•Nezávislá proměnná je množství snězené zmrzliny (vyjádřeno v ml).
•Provedeme eticky korektní experiment, ve kterém budeme do spousty lidí (případů) cpát zmrzlinu a
zaznamenávat, zda se pozvraceli, či nikoliv.
•Na výsledná data aplikujeme statistický model. V tomto případě je vhodná logistická regrese, která
kauzálně určuje, zda daný predictor (nezávislá proměnná) má efekt na outcome – závislou proměnnou.
Pokud pak vložíme do modelu další data (např. chci vědět, jestli se člověk pozvrací z 1 litru
zmrzliny), pak je model schopen výsledek také predikovat.
•Jak by zněla nulová hypotéza (H0) k H1?
•
Image result for lot of ice cream Image result for sick smiley

Kde hledat data k analýze?
•Tipy viz Pennings, Keman a Kleinnijenhuis (2006: 56-60).
•Ucelené statistické soubory od státních i nestátních institucí (např. Český statistický úřad
apod.).
•Vlastní sběr.
•Google Trends, Google AdWords apod.
•Různé databáze (některé jsou neplacené, některé placené).
•

A co dál? I
•Tento blok je pouze „vstupní branou“ do studia statistiky a ještě k tomu zdaleka nedokončenou.
•

A co dál? II
•Podzimní kurz „Kvantitativní přístupy v politologii“ – praktická aplikace statistiky v programu
SPSS s doc. Spáčem a doc. Pinkem.
•Kniha Seznamte se, statistika od Van Loona a Magnellové (2009).
•Studium Big Data – relativně nová aplikace statistiky na obrovské množství dat např. z vyhledávání
Googlu (aplikace a Trends) à možnost zajímavých výzkumných výsledků a směřování. Ideální vstupní
branou je kniha Everybody Lies (2017) od S. S. Davidowitze (od něj je na internetu i spousta
zajímavých článků).
•Studijní skupiny?

Reference
•Pennings, Paul; Keman, Hans a Kleinnijenhuis, Jan. (2006): Doing Research in Political Science: An
Introduction of Comparative Methods and Statistics. 2nd Edition. Sage Publications,
ISBN 978-1-4129-0377-6.
•Field, Andy (2009): Discovering Statistics Using SPSS. 3rd Edition. Sage Publications: London,
ISBN 978-1-8478-7907-3.
•Davidowitz, S. S. (2017). Everybody Lies: Big Data, New Data, and What the Internet Can Tell Us
About Who We Really Are. New York: Day Street Books.
•Rumsey, Deborah J. (2010): Statistics Essentials for dummies. Indianapolis: Wiley Publishing, Inc.
ISBN 978-0-470-61839-4
•Magnello, Eileen a Van Loon, Borin. (2010). Seznamte se, statistika. Praha: Portál. ISBN
978-80-7367-753-4.
•Český statistický úřad. (2020). Průměrné mzdy - 2. čtvrtletí 2019. Dostupné z:
https://www.czso.cz/csu/czso/cri/prumerne-mzdy-2-ctvrtleti-2019.
•Chawla, Dalmeet S. (2017). Controversial software is proving surprisingly accurate at spotting
errors in psychology papers. Science. Dostupné z:
https://www.sciencemag.org/news/2017/11/controversial-software-proving-surprisingly-accurate-spotti
ng-errors-psychology-papers.
•
•

Kontrolní otázky a příprava na zkoušku
•Anglické termíny a jejich české ekvivalenty mohou být matoucí (u zkoušky můžete používat libovolně
oboje, pokud budou správně použity).
•Jedná se o složitou a pro spoustu studentů neznámou problematiku. Není pravděpodobné, abyste se
hned orientovali ve všem! Otázky se týkají jak prezentace, tak i povinné literatury.

Základy 1z2
•K čemu slouží statistický model skutečnosti?
•Jaké jsou 3 typy modelů s ohledem na to, jak dobře odpovídají realitě?
•Jaké 3 nejjednodušší modely používáme k obecné sumarizaci kvantitativních dat? (mean, modus,
medián)
•Co je odchylka (deviance)? Co vypovídá o daném modelu? A proč se používá v umocněné podobě (sum of
squared errors; SS)?
•Jaké 3 parametry (measures of fit) určují jak vhodně průměr reprezentuje daná data? (SS, varience,
std. deviation)
•Jaký je věcný rozdíl mezi směrodatnou odchylkou (std. deviance)a std. chybou (std. error)?
•Jaký význam má ve statistice Centrální limitní věta (central limit theorem)?

Základy 2z2
•Co jsou chyby 1. a 2. typu (type 1 and type 2 errors)?
•Co je interval spolehlivosti (konfidenční interval, confidence interval) a co znamená, pokud je
jeho hodnota nízká, a pokud je vysoká?
•Vyjmenujte 5 fází kvantitativního výzkumu podle Fielda a stručně je popište.
•Co znamenají hladiny statistické významnosti 95 % (p<.05)a 99 % (p<.01)? Může být nulová hypotéza
pravdivá? Stručně zdůvodněte.
•Co nám říká velikost efektu (effect size)?
•Lze vypočítat velikost potřebného vzorku, abychom detekovali požadovaný efekt? Pokud ano, co k
tomu potřebujeme?
•V jakých případech využíváme vzorek populace a jak zajistíme, aby byl reprezentativní?
•

Děkuji za pozornost!
Image result for statistics meme