Práce s daty POLn4001 30.9.2021 Práce s daty •Analýza dat jako klíčová část výzkumné práce • •Aplikace vhodného modelu na data • •Ne všechna data jsou vhodná pro všechny možné operace • •Předpoklady použitelnosti dat • Data a testy •Různé statistické testy mají odlišné nároky na vstupní data • •Použití nesprávných dat může vést k nepřesným výsledkům • •Druhy testů – parametrické a neparametrické • •Potřebná kontrola dat před samotnou analýzou • Parametrická data •Základní předpoklady (ne pro každý parametrický test): • 1.Kardinální data (interval) 2. 2.Nezávislost 3. 3.Normální distribuce dat 4. 4.Homogenita rozptylu • Nezávislost (Asch) https://upload.wikimedia.org/wikipedia/commons/thumb/d/d3/Asch_experiment.svg/600px-Asch_experiment .svg.png Parametrická data •Základní předpoklady (ne pro každý parametrický test): • 1.Kardinální data (interval) 2. 2.Nezávislost 3. 3.Normální distribuce dat 4. 4.Homogenita rozptylu • Normální distribuce http://curvebank.calstatela.edu/gaussdist/normal.jpg Normální distribuce •Specifické uspořádání dat • •Důležitá pro lineární modely • •Vícero způsobů jejího posouzení •Vizuálně •Numerické hodnoty •Testy • Normální distribuce •Odchylky od normální distribuce • •Šikmost: •Vrchol křivky je posunutý doleva (doprava) • •Špičatost: •Ploché nebo naopak strmé rozložení • •Při dokonale normální distribuci mají šikmost i špičatost hodnotu nula • Pozitivně a negativně sešikmená distribuce (Field 2009: 20) Pozitivně a negativně špičatá distribuce (Field 2009: 20) 1. Vizuální posouzení •Nejjednodušší způsob posouzení normality (a také subjektivní) • •Posouzení tvaru volným okem • •Histogram – graf zobrazující četnosti • •P-P plot – graf srovnávající očekávané (normální) a reálné rozložení dat • Histogram P-P plot •Využívá standardizaci proměnných (tzv. z-skóre) • •Pravděpodobnost výskytu hodnoty • •Pomocí z-skóre graf srovnává skutečnou a normální distribuci • •Překrytí vyjadřuje normální distribuci našich dat • P-P plot 2. Numerické hodnoty •Vyčíslení šikmosti a špičatosti • •Odchylky od nuly (kladné i záporné) jsou vychýlením od normální distribuce • •Samotné naměřené hodnoty jsou informativní, pro interpretaci se dělí svou standardní chybou (počítá SPSS) • •Přijatelné hodnoty (z): •Malý vzorek: do 1,96 (- 1,96) •Velký vzorek: do 2,58 (-2,58) •Velmi velký vzorek - nepoužívat • Práce v SPSS •Histogram •Analyze à Descriptive Statistics à Frequencies •Charts – Histograms + Show normal curve on histogram • •P-P plot •Analyze à Descriptive Statistics à P-P Plots •Default nastavení („Test Distribution“ = Normal) • Práce v SPSS •Šikmost a špičatost •Analyze à Descriptive Statistics à Frequencies •Statistics – Skewness, Curtosis • •Kromě toho je pro názornost vždy vhodné nechat si spočítat i základní deskriptivní statistiky (průměr, rozpětí, sm. odchylku, kvartily atd.) • 3. Testy normálního rozložení •Kolmogorov-Smirnov test, Shapiro-Wilk test • •Logika testů – srovnávají skutečné hodnoty s normální distribucí se stejným průměrem a směrodatnou odchylkou • •Statisticky signifikantní výsledky indikují nenormální rozložení dat • •Při velkém počtu dat mohou i malé odchylky od normality způsobit signifikantní výsledky • Práce v SPSS •Kolmogorov-Smirnov test, Shapiro-Wilk test • •Analyze à Descriptive Statistics à Explore •V „Plots“ zvolit Normality plots with tests •Příslušné proměnné vložit do „Dependent list“ •Možnost samostatné analýzy jednotlivých vymezených částí proměnných (pomocí jiné proměnné) • Tests of Normality Kolmogorov-Smirnov Shapiro-Wilk Statistic df Sig. Statistic df Sig. Ucast 2010 KV .046 287 .200 .992 287 .155 Parametrická data •Základní předpoklady (ne pro každý parametrický test): • 1.Kardinální data (interval) 2. 2.Nezávislost 3. 3.Normální distribuce dat 4. 4.Homogenita rozptylu • Homogenita rozptylu •Předpoklad stejných rozptylů hodnot v jednotlivých skupinách případů • •Skupiny případů jsou vymezeny prediktorem (druhou proměnnou) • •Rozptyl výšky mzdy mezi věkovými skupinami obyvatel státu • Homogenita rozptylu (Field 2009: 146) Homogenita rozptylu (Field 2009: 146) Homogenita rozptylu •Levenův test • •Testuje nulovou hypotézu, že rozptyly v různých skupinách jsou stejné • •Pokud test vyjde jako statisticky signifikantní, je předpoklad homogenity rozptylů narušený • •Při velkém počtu hodnot můžou i malé odlišnosti mezi rozptyly vést k signifikantním výstupům • Práce v SPSS •Levenův test • •Analyze à Descriptive Statistics à Explore •Příslušné proměnné vložit do „Dependent list“ a „Factor list“ •V „Plots“ si zvolit jednu z možností v „Spread vs Level with Levene Test“ (untransformed) • Test of Homogeneity of Variance Levene Statistic df1 df2 Sig. Ucast 2010 KV Based on Mean .785 2 284 .457 Based on Median .643 2 284 .527 Based on Median and with adjusted df .643 2 281.210 .527 Based on trimmed mean .759 2 284 .469 Homogenita rozptylu •Poměr rozptylů - kontrola Levenova testu • •Poměr největšího a nejmenšího rozptylu a srovnání výsledku s tabulkovými hodnotami • •Tabulková hodnota daná počtem skupin a počtem případů v nich • Když data nejsou parametrická •Několik možností: • •Transformace dat • •Neparametrické testy • •Navzdory všemu použití parametrických testů (ne každý test je imunní vůči porušení předpokladů dat) • Úprava dat •Transformace za konkrétním účelem (např. snaha přiblížit se k normální distribuci dat) • •Různé možnosti - umocnění, odmocnění, logaritmus, 1/x • •Výběr techniky často systémem pokus – omyl • •SPSS někdy ulehčuje práci (Levenův test s volbou „transformed“) • Úprava dat •Praktická úprava proměnných a jejich hodnot • •Rekódování proměnných • •Vznik nových proměnných za pomoci existujících proměnných • Úprava dat v SPSS •Vytvoření proměnné: •Transform à Compute Variable • •Překódování v rámci stejné proměnné: •Transform à Recode into Same Variable • •Překódování do jiných proměnných: •Transform à Recode into Different Variable •