Már hétfőn leadtam a cuccot, mert a tanár azt igérte, hogy így majd visszajelez, hogy kell-e javítani. Persze nem jelzett vissza, de az is lehet, hogy még át se olvasta, kinézem belőle. Mindenesetre köszi a segítséget.
Igazán nincsen mit. Ha utánanézel, akkor szinte nem is segítettem semmit, hájszen magadtól utánanéztél. De ha ennyi kellett...
és ezer bocs, hogy délelőt nem jelentkeztem, de a munkahelyen sem tudtam újrahúzni a 12-es spss-t (úgy láccik, valahol nagyon eltárolja a dátumokat, szereznem kel másik csomagot a későbbiekre), a korábbiban pedig nincs ilyen GLM cseszés.
Viszlát és ha van statisztikai kérdés, csak dobd fel a fórumba(n). (egyébként más is belepampoghatott volna egy kicsit, nem hiszem, hogy csak ketten nem értünk ehhezz ´:~)))))))))))))
Van itt az indexen ilyen "segíccs ha tucc" topik (pl.: fordítás, IT, munka, könyvelő, akármi, ami online támogatható) ha má' netes-közösség?
...ha kijött valami és az értemes, akkor szerintem nem gáz. Hiszen nincsen véletlen faktor (bármi is legyen az), nincs olyan ami koveriál illetve nincs mit miért súlyozni. De ez már nagyon ingoványos terület nekem.
Kijött valami értelmes?
Más: a két változó esetleges kapcsolatát megvizsgálhatnád önmagában is, ha eddig nem tetted meg. Pl.: több biztonságos kötődő van-e azok között, akik nem költöztek? Frekvencia vizsgálat, szerintem chi-négyzet vagy cross-tabs (explore menüpont)
Szerintem az univariate kellene. a fixed factors: a költözés változó illetve a kötődés.
a dependent variable pedig a likert-skálával mért identitásállapot.
sajnos nem tudtam újrainstallálni a próbaverziót, így nem tudok arra válaszolni, milyen modellt stb-t kéne kiválasztani. Az spss help nem segít (tutorial vagy case studies)?
Lecsökkentettem 2X2-es mátrixra, de nem segített, mert az átfogó identitásállapokon múlik (átfogóan "szinte" mindenki valódi identitású). Azért köszi, így legalább tudom, hogyan kell átkódolni egy változót.
Amúgy igen, mindent számokkal kódoltam.
A General Linear Modellel már próbálkoztam, de mindig elakadok, ott, hogy miket kellenne beírni (szégyellem, de baromira nem értek a statisztikához, eddig megúsztam szimpla t-próbákkal, meg korrelációkkal.)
Most le kell lépnem (beindítom a mosógépet és útálom hallgatni a randalírozását). kb. 2 óra múlva visszanézek és újra telepítem az spss próbaverziót (ha tudom) és akkor keresünk választ a harmadik kérdésre is (identitásállapot átlagok tekintetéebn van-e interakció a két csooprtosító változó között).
A 3. kérdésre valahol a General Linear Model menüpontnál lesz a megoldás (ha a Help-et használod, akkor ott GLM-ként hivatkozik rá az spss). Sajnos nem tudom megnézni, mint mondtam, a k. próbaverzió lejárt.
Jó tanáraim voltak a pszicho szakon (Mérő, Varga) és segítettem már jónéhány szakdoliban.
Úgy próbáltad csökkenteni 2x2-es mátrixra, hogy pl.: az ambivalen ill. az elkerülő kötődőt öszevonod (átkódolod) "nem biztonságos" kötődési típusba? Ez bevett dolog és ezzel talán kiküszöbölhető az 5-ös minimálkorlát (ezt úgy tudod megtenni, hogy "Recode" -> "Into Different Variable")
A kötődés típust egy változóban vetted fel és pl. 1-2-3-al kódoltad? Vagy valami betűvel? Hirtelen nem is tudom, az spss megenged-e stringes kódolást...
Az identitásállapotot EOMEISZ kérdőívvel mérem, mind a 4 identitásállapothoz tartoznak tételek, 6-os Likert skálán kell bejelőlni, hogy menniyre jellemző egy-egy tétel.
Tehát: ebben az esetben pl. meg tudod nézni, hogy az egyes identitásállapot mértékében különböznek-e:
1. Kötődés típus szerinti 3 csoport (One Way Anova a "Compare Means" menüpont alatt)
2. Költözés szerint két csoport (Independent Samples T-Test a "Compare Means" menüpont alatt)
3. Valahogy meg kellene nézni azt is, hogy e két csoortosító változó interakcióban van-e az egyes identitásállapotok esetében? Ennek módját még keresem.
Az átfogó értelmezés szerint az az identitásállapota a személynek, amiből a legnagyobb a pontszáma.
Tehát, ha jól értelmezem, akkor a 4 identitásállapotnál a delikvens úgy kódolódik pl. :nem nem igen nem. Vagyis, rá itt a harmadik identitásállapot jellemző (most mértéktől eltekintve).
Azt a már emlegetett chi-square (chí-négyzet) próbával tudod megnézni, hogy a két csoportosító változóval létrehozott 2x3-as mátrixban az egyes identitásállapototk előfordulási gyakorisága (frekvenciája) különbözik-e.
Mivel szerintem ez eléggé elnagyolt képet ad, jobb azt nézni, hogy a csoportok átlaga különbözik-e pl. az interperszonális identitás- diffúz állapot pontszámban, és így tovább.
Ezt meg úgy tudod megnézni - az egyes identitásállapotok átlagára külön-külön - ahogyan fentebb leírtam (T-próba a költözésre, One-way Anova a kötődésre)
A khi-négyzet (chi-square) próbát a "nonparametric tests" menüpontban találod az "analyze" alatt.
Ha olyan volt a vizsgálatod, hogy pl. volt hat identitásállapot és akkor arról eldöntötték, hogy jellemző-e rájuk, vagy sem (azaz diszkrét változó), akkor az egyes identitásállapotokra azt tudod megnézni a khí-négyzet próbával, hogy egy identitásállapot mentén (azaz, hogy rendelkezik-e vele, vagy sem) van e különbség a 2x3-as mátrix csoportjai között és a csooprtosító változók (kötődés típus - költözés) interakcióban vannak-e. Azaz, pl. a biztonságosan kötődő-nem költöző emberek közül többen rendelkeznek az 1-es identitásállapottal, mint a többi variációban.
Ha nem túl nagy az adatbázisod, akkor hagondolod átküldheted az alábbi ideiglenes freemail címre a vizsgálat rövid leírásával és holnap munkahelyen megnézem mit lehet vizsgálni:
Az identitásállapotot EOMEISZ kérdőívvel mérem, mind a 4 identitásállapothoz tartoznak tételek, 6-os Likert skálán kell bejelőlni, hogy menniyre jellemző egy-egy tétel.
Az átfogó értelmezés szerint az az identitásállapota a személynek, amiből a legnagyobb a pontszáma. Mivel szerintem ez eléggé elnagyolt képet ad, jobb azt nézni, hogy a csoportok átlaga különbözik-e pl. az interperszonális identitás- diffúz állapot pontszámban, és így tovább.
2. Milyen a kötődési típusa? ( ... vagy ... vagy ...)
akkor ez egy 2x3-as mátrixba osztja a delikvenseket.
Meg lehet nézni: hogy a hat csooprtban az identitás állapot különbözik-e? ehhez - kódolástól függően - használhatsz 1-szempontos varianciaanalt (One Way Anova) (ezt akkor, ha úgy kódolod, hogy pl. a biztonságos-nem költöző: 1;. biztonságos- költöző: 2, ... stb)
vagy, khi-négyzet próbával nézed meg, hogy a két csoportosító változó milyen interakcióban van, mert diszkrét változó esetében ezt ildomos használni (ebben a khi-négyzet próbában nem vagyok otthon nagyon)
Többszempontú variát akkor tudsz használni, ha van pl. három csoportod (pl.: kötődés típusa) és van két folytonos (Likert-skálán, pl. 1-5 mért) változód (pl.: identitásállapot_1; identitásállapot_2). Ebben az esetben meg tudod nézni:
1. a három csooprt különbözik-e egymástól az egyik vagy másik változó tekintetében (One Way Anova)?
2. a két változó interakcióban van-e (többszempontú anova)?
A kétszempontos varianciaanalízis esetében a következő a felállás:
a két szempont:
költözött: igen/nem
kötődés: biztonságos/ambivalens/elkerülő
Azt szeretném megnézni, hogy ezek hogy hatnak a személyek identitásállapotára (ez itt nemolyan egyszerű, mert ezt lehet úgyis értelmeznni, hogy egy személyhez csak egyetlenegy identitásállapotot rendelek a négyből, vagy pedig mind a négyet külön dimenzióként fogom el).
Igazság szerint már kezdek belezavarodni az egészbe.
Utolsó kérdésedre a válasz: igen. Ha nincs csillag, az nem szignifikáns különbség. Az spss-nél az 1 * az (asszem) 1%-os, a 2* 0.1%-os szign.-fikanciát kelent. Vagyis: ennyi az esélye, hogy a különbség a véletlen műve. 100, illetve 1000 mérésből ennyi az esélye, hogy épp ezt az egy fordított eredményt csípjük el.
Hétfőn délelőtt jelentkezem. Itthon nincs ilyen progi. Most nem tudok ideiglenes mailt csinálni. Lassú. Holnap újra megpróbálom. Remélem, más is tud segíteni. Jó éjt.
Ebből az utolsóhoz kellenne a 2 szempontos varianciaanalízis. legalábbis a stat könyvből ezt sikerült kiderítenem. Ez az, amikor van egy függő és független változóm plusz egy csoportosító tényezőm, nem?
A határidő hétfő kora délután.
Az eredméyneknél az outputban, ha sehol egy csillag, akkor ugye azt jelenti, hogy semmi szignifikáns nem jött ki, ugye?
