Třídění 2. a 3. stupně: orientační mapa možností bivariátních analýz

1. Třídění 2. a 3. stupně: orientační mapa možností bivariátních analýz Analýza kvantitativních dat I. UK FHS Historická sociologie, Řízení a supevize LS 2012, 2013, 2014 Jiří Šafrjiri.safr(zavináč)seznam.cz poslední aktualizace21. 4. 2014

2. Struktura • „Orientační mapa“ analýzy vztahu 2 proměnných: • Spojitá × spojitá • Spojitá (závislá) × kategoriální (nezávislá) • Kategoriální × kategoriální • Kontingenční tabulky • Třídění 3. stupně (dtto) • Na co s dát pozor (výběrová data vs. census) • Jak to má vypadat – úprava tabulek a dalších výstupů

3. „Orientační mapa“ analýzy 2 proměnných • Hlavním cílem výzkumu je testovat hypotézy 2.řádu = vztah dvou (a více) proměnných. • (Jak) souvisí spolu hodnoty jedné a druhé proměnné? • Například: Klesá počet přečtených knih za rok s dobou, kterou člověk věnuje sledování televize? • Je počet přečtených knih za rok stejný ve všech skupinách studentů (obory studia&ročník)? • Proměnné existují ve 2 základních typech: kategoriální (nominální a ordinální) spojité – kardinální (číselné) → různé varianty jejich kombinací při analýze

4. „Orientační mapa“ analýzy dvou proměnných – přehled analytických nástrojů • Spojitá × spojitá, např. počet přečtených knih a věk → korelační koeficient (Pearsonův), bodový X-Y graf • Spojitá (závislá) × kategoriální (nezávislá)např. např. počet přečtených knih a obor studia → průměry v podskupinách, koeficient Eta, graf průměrů v podskupinách (Barchart pro mean, Line-multiple nebo Boxplot, Errorbar) • Kategoriální × kategoriální např. oblíbené literární žánry a obor studia → kontingenční tabulka, sloupcový graf (Barchart) pro % koeficient kontingence (CC), Phi, Gama …

5. Spojitá × spojitá • Číselná proměnná → ideální situace: nejlepší způsob měření, nejsofistikovanější analýzy, možnost převodu na kategoriální • Korelace (a nebo) X-Y graf CORRELATIONS knihy_celk WITH TV. GRAPH /SCATTERPLOT(BIVAR) =knihy_celk WITH TV. R - korelační koeficient R2 - koeficient determinace R = √R2 a R2 = R × R zde √0,066 = 0,257 • ALE! Korelace měří lineární vztah (přímou úměru) a předpokládá „normální“ rozložení proměnných. • Závislosti mohou mít i jinou než lineární povahu, proto si raději udělejte i X-Y (Scatter plot) → souvislosti jsou vizuálně vidět • Pozor na Outliery – extrémní hodnoty znaků (a jejich kombinace)

6. Spojitá (závislá) × kategoriální (nezávislá) • V principu porovnáváme průměry závislé - spojité v kategoriích nezávislé proměnné + kontrola rozptylu (směrodatné odchylky StD ve skupinách) missing values studium (5 6). MEANSknihy_celk BY studium. GRAPH /BAR(SIMPLE)=MEAN(knihy_celk) BY studium. *pro výběrová data = vzorek z populace) Intervalový odhad průměru s konfidenčním int.:. GRAPH ERRORBAR (CI) knihy_celk BY studium.

7. Kategoriální × kategoriální • Kontingenční tabulka: hledáme souvislosti pomocí spoluvýskytu v relativních četnostech (%) • Odchylky od očekávané=teoretické četnosti (→ znaménkové schéma) • Pro ordinální znaky sledujeme krajní kategorie a kupení na diagonále. • Vidíme i vztahy spoluvýskytu, které nejsou lineární (pro nominální znaky) CROSSTABS knihy_celk3t BY TV3t . CROSSTABS knihy_celk3t BY TV3t /cel = col. CROSSTABS knihy_celk3t BY TV3t /cel = col count. *+ test homogenity; míry asociace / korelace. CROSSTABS knihy_celk3t BY TV3t /cel = col / STATISTICS CC CORREL LAMBDA . Vztah znaků v tabulce lze vyjádřit i jedním číslem: pro nominální (a ordinální) znaky: koef. kontingence apod. (CC, Cramérovo V, Lambda) → vyjadřují i nelineární souvislosti pro ordinální znaky (navíc): pořadové korelace (Gama, Spearmanův koef. pořadové korelace (ró), Kendallovo tau-b/ tau-c, Somersovo d) → vyjadřují (víceméně) pouze lineární souvislost Vždy kontrolujeme počet absolutních četností! Pod cca 5 → problém (→ nespolehlivé závěry) → sloučit kategorie.

8. Třídění 3. stupně Úvod Pro spojitou závislou proměnnou a kategoriální nezávislé proměnné → průměry v podskupinách

9. Vztah dvou proměnných: spojitá (závislá) × kategoriální (nezávislá)v podskupinách třetí proměnné Průměrný počet přečtených knížek podle studijních skupinv podskupinách dle pohlaví GRAPH/BAR(GROUPED)=MEAN(knihy_celk) BY Studium BY pohlavi.

10. Vztah dvou proměnných: spojitá (závislá) × kategoriální (nezávislá)v podskupinách třetí proměnné To samé v tabulce Pozor na absolutní četnosti! MEANS knihy_celk BYStudium BY pohlavi.

11. K třídění 3. stupně v kontingenční tabulce (pro %) viz prezentaciVztahy mezi 3 znaky v kontingenční tabulce - úvod http://metodykv.wz.cz/AKD1_kontg_tab3st_uvod.ppt

12. Na co s dát pozor

13. Výběrová data vs. census • Máme-li data z náhodného (dobrého kvótního) výběru z populace (tj. vzorek) , pak k testování hypotéz můžeme (měli bychom) přistoupit pomocí principů statistické inference (statistické testy; intervalové odhady → viz AKDII. http://metodykv.wz.cz/index.htm#analyza2) • A naopak máme-li kompletní populaci (census)statistické testy nedávají smysl.

14. Pozor na … • Nízké četnosti zejména při spoluvýskytu některých kategorií v kontingenčních tabulkách → sloučit (překódovat) • Outliery = extrémní hodnoty → rekódovat na „nižší ale smysluplnou“ hodnotu (nebo případně označit jako chybějící hodnoty)

15. Ukázky jak prezentovat tabulky a interpretovat vztahy.

16. Prezentace tabulky v textu 4. K jaké populaci se výsledek vztahuje (teritorium, časové období, sociální skupina,…) • Závislá proměnná, • Vysvětlující proměnná/é, • Použité míry/ statistiky. Nezapomeňte uvádět datový zdroj a počet validních - platných případů v konkrétní analýze (tabulce). Zejména tehdy pokud počet missingů překročí cca 5%.

17. Prezentace grafu v textu

18. Prezentace a interpretace kontingenční tabulky (výzkumná otázka a hypotéza) • Výzkumná otázka (RQ): Souvisí počet přečtených knih s dobou sledování TV? • Hypotéza sociologická: Počet přečtených knih roste s dobou strávenou s TV. = pozitivní souvislost • Nulová hypotéza (H0): Počet přečtených knih se neliší v závislosti na době strávené u TV. = žádný vztah Tabulka 2 ukazuje podíl přečtených knih za rok (rozděleno na tři skupiny čtenářů dle tercilů) ve skupinách podle míry sledování televize v běžný den (rovněž kategorizováno na tercily). V tabulce ověřujeme Hypotézu, podle níž počet přečtených knih roste s dobou strávenou s TV. Zatímco v kategorii podprůměrného množství přečtených knih (I. tercil) je pouze 16 %, těch co televizi sledují málo (I. tercil), tak těch, kdo sledují TV nadprůměrně (III. tercil) je v této kategorii zhruba 2,5 x více (39%). Obdobně v kategorii nejvíce přečtených knih (III. tercil) je 42 % těch, kdo se na televizi v podstatě nedívají a zároveň jen 17% těch, kteří se na ní dívají velmi často (III. tercil). Vidíme tak, že mezi čtením knih a sledováním televize existuje negativní souvislost (vyjádřeno pomocí kontingenčního koeficientu souvislost je tato souvislost středně silná, CC = 0,25). Naší hypotézu o pozitivní souvislosti mezi počtem přečtených knih a sledováním TV nám tedy nezbývá než zamítnout, vztah je přesně obrácený: čím více studenti čtou, tím méně se dívají na televizi.