SPSS manual

‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫תוכנת ה – ‪:SPSS‬‬
‫חוברת הסברים מפורטת לסטודנט (חלק‬
‫א')‬
‫עריכה‪ :‬אבינח בר‪-‬לוי‬
‫‪1‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫תוכן עניינים‬
‫בניית קובץ נתונים ‪3.............................................................................................................................. :‬‬
‫טרנספורמציות ‪5................................................................................................................................... :‬‬
‫‪5............................................................................................................................................ RECODE‬‬
‫‪8........................................................................................................................................ COMPUTE‬‬
‫‪11................................................................................................................................ : FREQUENCIES‬‬
‫אופרציות בגיליון הנתונים ‪17................................................................................................................. :‬‬
‫‪17................................................................................................................................... SORT CASES‬‬
‫‪19....................................................................................................................................... SPLIT FILE‬‬
‫‪22................................................................................................................................ SELECT CASES‬‬
‫מהימנות (אלפא קרונבך) ‪26............................................................................................................... :‬‬
‫קשר בין משתנים‪ :‬מתאם פירסון וספירמן ‪29......................................................................................... :‬‬
‫רגרסיה לניארית חד משתנית ‪32............................................................................................................ :‬‬
‫מבחני ‪ - t‬הבדלים בין קבוצות ‪37........................................................................................................... :‬‬
‫מבחן ‪ t‬לבלתי תלויים ‪37.......................................................................................................................‬‬
‫מבחן ‪ t‬לתלויים ‪39................................................................................................................................‬‬
‫‪ CROSSTABS‬וחי בריבוע לאי תלות ‪41................................................................................................... :‬‬
‫ניתוח שונות חד כיווני ‪45...................................................................................................................... :‬‬
‫‪2‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫בניית קובץ נתונים בתוכנת ‪SPSS‬‬
‫ה‪ SPSS -‬כולל ‪ 3‬סוגי קבצים‪:‬‬
‫‪ .1‬קובץ עריכת הנתונים הכולל ‪ 2‬לשוניות‪:‬‬
‫‪ -Data View ‬הזנת הנתונים שהחוקר אסף (כל שורה היא תצפית‬
‫‪/‬נבדק כל עמודה היא משתנה)‬
‫‪– Variable View‬אפיון והגדרת המשתנים (כל שורה היא‬
‫‪‬‬
‫משתנה כל עמודה מאפיין)‪ ,‬בלשונית זו יוצרים את המשתנים‬
‫שהחוקר מעוניין שיהיו במחקר כפועל יוצא של הנתונים שאסף‪.‬‬
‫‪ .2‬קובץ פקודות‪Syntax -‬‬
‫הקובץ מראה כל פקודה שבצענו ‪.‬יש אפשרות לראות את הפקודה ולשנותה‬
‫‪ .3‬פלט‪- Out put -‬כולל את הממצאים העולים מניתוח הנתונים‬
‫בניית קובץ הנתונים‪:‬‬
‫בניית הקובץ כוללת‪ :‬הקלדת נתונים והגדרת המשתנים הקיימים בקובץ‬
‫הגדרת המשתנים תעשה תחת הלשונית ‪( Variable View -‬צד שמאל למטה) במסך הנתונים‪:‬‬
‫‪3‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫בלשונית זו‪ ,‬לשונית המשתנים מופיעות הגדרות והמאפיינים של כל אחד מהמשתנים שבקובץ‬
‫הנתונים ‪:‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪ -Name‬שם המשתנה‬
‫‪ -Type‬הגדרת סוג המשתנה (מסמנים האם הוא משתנה מספרי – ‪ numeric‬או שהוא‬
‫משתנה המורכב מאותיות – ‪)string‬‬
‫‪ -Decimals‬הגדרת מספר הספרות אחרי הנקודה העשרונית‬
‫‪ -Width‬הגדרת רוחב הערכים של המשתנה‪ .‬ברירת המחדל היא ‪ 8‬תווים‬
‫‪ -Label‬תיאור המשתנה בתווית‬
‫‪ -Values‬הגדרת תווית לקידוד המספרי של ערכים קטגוריאלים‬
‫‪ -Missing‬הגדרת ערכים חסרים‬
‫‪ -Columns‬הגדרת רוחב העמודה‬
‫‪ -Align‬יישור הטקסט (לימין‪ ,‬שמאל או מרכז)‬
‫‪ -Measure‬הגדרת סולם המדידה (שמי – ‪ ,nominal‬סדר – ‪ ,ordinal‬מנה‪/‬רווח – ‪.)scale‬‬
‫לאחר הגדרת המשתנים ניתן להזין את הנתונים‪ ,‬כלומר את הנבדקים או את התצפיות‬
‫שהחוקר אסף‪ ,‬תחת הלשונית ‪ .Data View -‬כל נבדק או תצפית היא שורה‪.‬‬
‫‪4‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫טרנספורמציות ב‪SPSS -‬‬
‫בתוכנה קיים סרגל כלים איתו נעבוד‪ .‬כאשר בכדי לבצע טרנספורמציות אנו משתמשים בלשונית‬
‫‪:‬‬
‫‪ – Transform ‬שינוי ערכים ויצירת משתנים חדשים על בסיס משתנים קיימים‪.‬‬
‫נשתמש ב ‪ 3‬פקודות מיתוך אפשרויות ה – ‪:Transform‬‬
‫‪ - Recode .1‬פקודה הממירה ערכים‪ ,‬קידוד מחדש‪.‬‬
‫‪ - Compute .2‬מבצעת חישובים מתמטיים בין המשתנים על ידי‬
‫יצירת משתנה חדש בקובץ הנתונים‪.‬‬
‫‪ - Count .3‬ספירת מספר הפעמים שערך או רשימת ערכים מופיעים‬
‫בקבוצת משתנים (עדיין לא למדנו)‬
‫‪Recode .1‬‬
‫לפקודה זו ‪ 3‬מטרות עיקריות שבהם נשתמש‪:‬‬
‫א‪ .‬הפיכת סקאלות של שאלות הפוכות – לעיתים בשאלונים‪ ,‬בכדי למנוע מילוי שרירותי של‬
‫הנבדקים ישנם שאלות שמנוסחות הפוך ולפני הניתוחים הסטטיסטיים נדרש להפוך את‬
‫הסקאלות שלהם‪.‬‬
‫ב‪.‬‬
‫הפיכת משתנה כמותי למשתנה קטגוריאלי ‪-‬למשל כאשר רוצים להפוך את המשתנה גיל‬
‫הנבדק שהוא רציף למשנה בעל ‪ 3‬קטגוריות‪ :‬צעיר‪ ,‬מבוגר וקשיש‪.‬‬
‫ג‪.‬‬
‫צמצום מספר הקטגוריות של משתנה‬
‫‪5‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫הפקודה מאפשרת ‪:‬‬
‫לדרוס נתונים קיימים‪ recode into same variable -‬או ליצור משתנה חדש‪recode into -‬‬
‫‪different variable‬‬
‫א‪ .‬הפיכת סקאלות של שאלות הפוכות‪:‬‬
‫‪6‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫לדוגמא אם בשאלון ניתן להקיף בעיגול את ‪ 1,2,3,4,5‬ואנו רוצים להפוך את הסקאלה אז‬
‫ואז לוחצים על ‪:‬‬
‫ומימין ‪5‬‬
‫משמאל אנו כותבים ‪1‬‬
‫כך ממשיכים עם כל המספרים עד שבחלון של ה ‪Old-New -‬‬
‫מופיעים כל המספרים שהחלפנו ‪:‬‬
‫‪7‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ב‪ .‬הפיכת משתנה כמותי למשתנה קטגוריאלי‬
‫במקום להשתמש ב –‪ Value‬כפי שעשינו בהיפוך הסקאלות נשתמש ב‪:Range -‬‬
‫בדוגמת משתנה הגיל שאנו מעוניינים להפוך אותו לקטגוריות‪ :‬צעיר‪ ,‬מבוגר וזקן‪ ,‬יש ‪ 3‬אפשרויות‬
‫לקודד את הקטגוריות‪:‬‬
‫‪.1‬מהגיל הנמוך ביותר שקיים במשתנה ועד לגיל מסויים (בדוגמא – ‪ )50‬ואז צריך לסמן כאן‬
‫‪.2‬טווח מסויים של גילאים (בדוגמא מגיל ‪ 51‬עד גיל ‪ )70‬ואז צריך לסמן כאן‬
‫‪ .3‬מגיל מסויים (בדוגמא – ‪ )71‬ועד הגיל הגבוה ביותר ואז צריך לסמן כאן‬
‫הערה‪ :‬בכדי לכתוב בערך החדש קידוד של מילים (כמו צעיר‪ ,‬מבוגר וכו')‬
‫נדרש לסמן ב‪ -‬וי כאן‪:‬‬
‫‪Compute .2‬‬
‫השימוש השכיח ביותר ‪ :‬יצירת מדד כללי לשאלון (ממוצע או סכום)‬
‫לדוגמא‪ :‬שאלון אהבה לדברי מתיקה כלל ‪ 5‬שאלות הבוחנות את מידת האהבה של כל נבדק‬
‫לדברי מתיקה‪ .‬בסופו של דבר המטרה היא לבחון את האהבה לדברי מתיקה באופן כללי ולא‬
‫על בסיס שאלה אחת ולכן נדרש לחשב משתנה חדש שיעשה ממוצע או סכום של כל היגד‬
‫והיגד‪.‬‬
‫איך מייצרים את הממוצע של השאלון ובעצם יודעים כמה כל נבדק אוהב דברי מתיקה?‬
‫יש ליצור ציון כללי לכל נבדק בשאלון‪ :‬ז"א ממוצע ברמת נבדק או ציון של סכום כולל ברמת‬
‫הנבדק באמצעות פקודת ‪COMPUTE‬‬
‫‪8‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫בוחרים בפונקציה כאן‪:‬‬
‫כותבים את שם המשתנה כאן‪:‬‬
‫בוחרים בפונקציה המתמטית (במקרה שלנו ממוצע) כאן ומעלים אותה עם החץ שמעביר משתנים‪.‬‬
‫נעביר אל תוך הסוגריים את המשתנים שנרצה ל בצע להם את הממוצע מהעמודה השמאלית – על‬
‫ידי סימונם ולחיצה על החץ‪ ,‬תוך הפרדה ביניהם באמצעות פסיק‪ :‬במקרה שלנו המשתנים הם –‬
‫‪ Q1 , Q2‬וכו'‬
‫‪9‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫המשתנה החדש יופיע בקובץ הנתונים תחת השם שקבענו לו‪:‬‬
‫ ניתן גם לעשות חישובים לבד ללא הפונקציות המובנות של התוכנה‪ ,‬כמו להוסיף למשנה‬‫המשקל ‪ 2 +‬בשל משקל שלא תקין שהחסיר לכל נבדק ‪ 2‬קילו ועכשיו נדרש משתנה חדש‬
‫שיעלה לכל נבדק מהמשקל שכתוב לו בתוכנה ‪: 2+‬‬
‫מעבירים את המשתנה הרצוי לשינוי לחלון הימני‪:‬‬
‫ופשוט כותבים במקלדת ‪ 2+‬ואז התוכנה תיצור משתנה חדש שיעלה לכל נבדק את משקלו ב ‪. 2-‬‬
‫‪10‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫סטטיסטיקה תיאורית (‪)frequencies‬‬
‫‪‬‬
‫לאחר בניית קובץ הנתונים והכנתו ניתן לארגן את הנתונים בטבלת שכיחויות‪ ,‬להפיק‬
‫מדדים תיאוריים ולתאר את ההתפלגות באמצעות גרפים‪ .‬פעולות אלו מתבצעות‬
‫באמצעות הפקודות המופיעות תחת הלשונית בסרגל כלים שנקראת‪:‬‬
‫‪Descriptive statistics‬‬
‫‪‬‬
‫‪Analyze‬‬
‫אנו נתמקד בעיקר בפקודת‪:‬‬
‫‪ -Frequencies‬יצירת טבלת שכיחויות לכל סוגי המשתנים כולל הפקת מדדים תיאוריים‪.‬‬
‫‪11‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫נפתח חלון ומעבירים את המשתנה‪ /‬משתנים הרצויים מרשימת המשתנים בצד שמאל לחלון‬
‫הריק מצד ימין‪.‬‬
‫בברירת מחדל של התוכנה כאשר לא משנים שום דבר‪ ,‬הפקודה תיצור טבלת שכיחויות עבור‬
‫המשתנה הנבחר‪ :‬כלומר במידה והשארנו את הסימון וי ונעשה ‪ ok‬המחשב יציג לנו בקובץ‬
‫הפלט (‪ (output‬את טבלת השכיחויות של המשתנה‪/‬המשתנים שהועברו לחלון הימני (במקרה‬
‫שלנו‪ -‬ארץ לידה של הנבדק)‬
‫קריאת פלט‪ -‬טבלת שכיחויות ‪:‬‬
‫טבלה ‪: 1‬‬
‫‪Statistics‬‬
‫‪Eretz leida‬‬
‫‪60‬‬
‫‪0‬‬
‫‪Valid‬‬
‫‪Missing‬‬
‫‪ -‬מראה כמה נבדקים במחקר ענו על השאלה וכמה נבדקים לא ענו על השאלה‪.‬‬
‫‪12‬‬
‫‪N‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫טבלה ‪:2‬‬
‫‪Eretz leida‬‬
‫‪Cumulative‬‬
‫‪Percent‬‬
‫‪Frequency‬‬
‫‪Valid Percent‬‬
‫‪Percent‬‬
‫‪Israel‬‬
‫‪66.7‬‬
‫‪66.7‬‬
‫‪66.7‬‬
‫‪40‬‬
‫‪81.7‬‬
‫‪15.0‬‬
‫‪15.0‬‬
‫‪9‬‬
‫‪Hever Haamim‬‬
‫‪88.3‬‬
‫‪6.7‬‬
‫‪6.7‬‬
‫‪4‬‬
‫‪Ethiopia‬‬
‫‪100.0‬‬
‫‪11.7‬‬
‫‪11.7‬‬
‫‪7‬‬
‫‪aher‬‬
‫‪100.0‬‬
‫‪100.0‬‬
‫‪60‬‬
‫‪Total‬‬
‫‪Valid‬‬
‫מראה את טבלת התפלגות שכיחויות של המשתנה ארץ לידה‪:‬‬
‫עמודה ראשונה‪ :‬ערכי המשתנה ארץ לידה‬
‫‪ :Frequency‬שכיחות מס' הפעמים שמופיע כל אחד מערכי המשתנה‬
‫‪ :Percent‬אחוזים מסך כל התצפיות‬
‫‪ :Valid Percent‬האחוזים מסך כל התצפיות ללא ערכים חסרים‬
‫‪ :Cumulative Percent‬אחוזים מצטברים‪ -‬שכיחות מצטברת באחוזים‬
‫הפקת מדדים סטטיסטיים וגרפים‬
‫בכדי להפיק מדדים סטטיסטים נלחץ על כפתור ה‪ STATISTICS -‬בפקודת ה ‪ Frequency‬ואז‬
‫יפתח את החלון הבא‪:‬‬
‫‪13‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ מסמנים ב‪ -‬וי את המדדים הרצויים למחקר‪:‬‬‫מדדי מרכז מדדי מיקום יחסי מדדי פיזור‬
‫‬‫‬‫‬‫‬‫‬‫‬‫‬‫‬‫‬‫‪-‬‬
‫‪-Mean‬ממוצע‬
‫‪-Median‬חציון‬
‫‪-Mode‬שכיח‬
‫‪-Std. deviation‬סטיית תקן‬
‫‪-Variance‬שונות‬
‫‪-Range‬טווח‬
‫‪-Minimum‬נק' מינימום‬
‫‪ -Maximum‬נק' מקסימום‬
‫‪ – Quartiles‬רבעונים‬
‫‪ -Percentiles‬אחוזונים‬
‫‪14‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫קריאת פלט – מדדים סטטיסטיים‪:‬‬
‫‪Statistics‬‬
‫‪gil hastudent‬‬
‫‪60‬‬
‫‪0‬‬
‫‪N‬‬
‫‪Valid‬‬
‫‪Missing‬‬
‫‪25.5667‬‬
‫‪Mean‬‬
‫‪25.0000‬‬
‫‪Median‬‬
‫‪Mode‬‬
‫‪24.00‬‬
‫‪Std. Deviation‬‬
‫‪3.39674‬‬
‫‪Variance‬‬
‫‪11.538‬‬
‫‪17.00‬‬
‫‪Range‬‬
‫‪21.00‬‬
‫‪Minimum‬‬
‫‪38.00‬‬
‫‪Maximum‬‬
‫‪Sum‬‬
‫‪1534.00‬‬
‫‪23.2500‬‬
‫‪25‬‬
‫‪25.0000‬‬
‫‪50‬‬
‫‪26.0000‬‬
‫‪70‬‬
‫‪26.7500‬‬
‫‪75‬‬
‫‪30.0000‬‬
‫‪90‬‬
‫‪Percentiles‬‬
‫ זו הצורה בה מופיעים המדדים הסטטיסטיים שנבחרו (במקרה שלנו בחרנו כמעט את‬‫כולם) כאשר את האחוזונים ואת הרבעונים הפלט מחבר על פי גובה האחוז‪.‬‬
‫גרפים‪:‬‬
‫ניתן ליצור גרפים תחת הלשונית ‪ Charts‬בפקודת ה‪Frequencies-‬‬
‫‪15‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫נפתח החלון הבא‪:‬‬
‫‪ = Pie‬עוגה –עבור משתנה שמי‬
‫‪ = Bar‬מקלות – עבור משתנה בדיד‬
‫‪ -Histogram‬היסטוגרמה עבור משתנה כמותי רציף‬
‫‪16‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫אופרציות בגיליון הנתונים‪select cases, sort cases ,splite file:‬‬
‫האופרציות מאפשרות לערוך שינויים בגיליון הנתונים דרך לשונית ‪ Data‬בסרגל הכלים של‬
‫התוכנה‪:‬‬
‫‪ - Sort cases .1‬מיון משתנים על פי סדר עולה או על פי סדר יורד‬
‫‪.2‬‬
‫‪ - Split File‬פיצול נתונים ע"י משתנה קטגוריאלי לצורך עריכת נתונים על כל‬
‫קבוצה של נחקרים באופן נפרד‪.‬‬
‫‪.3‬‬
‫‪.1‬‬
‫‪ - Select Cases‬בחירת קבוצה חלקית של נבדקים ע"י הכתבת התנאי‪.‬‬
‫‪cases‬‬
‫‪ - Sort‬כאשר רוצים למיין את הנבדקים (את השורות בקובץ הנתונים) על פי‬
‫סדר‪ ,‬למשל את השמות של הנבדקים על פי סדר עולה מ ‪ A‬ל ‪ Z‬או להפך‪ ,‬או אם רוצים‬
‫לסדר את הנבדקים על פי גילם מהנמוך לגבוה או להפך משתמשים בפקודה זו‪:‬‬
‫‪17‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫בוחרים באופציה כאן‪:‬‬
‫ונפתח החלון הבא‪:‬‬
‫מעבירים לחלון הימני את המשתנה אותו נהיה מעוניינים לסדר (במקרה שלנו גיל‪.)age -‬‬
‫ובוחרים האם אנו מעוניינים בסידור מהנמוך לגבוה‪ ,‬כלומר בסדר עולה ואז נבחר ב‪:‬‬
‫או שנרצה לסדר מגבוה לנמוך‪ ,‬כלומר בסדר יורד ואז נבחר ב‪:‬‬
‫‪18‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫‪ -‬סידור המשתנה יעשה כמובן בקובץ הנתונים ויראה כך (בחרנו בסדר עולה)‪:‬‬
‫‪.2‬‬
‫‪- Splite file‬‬
‫כאשר החוקר מעוניין להציג או להשוואת בין נתונים סטטיסטיים‬
‫אך לא לכל המשתנה באופן כללי כפי שהתוכנה עושה בברירת מחדל אלא לבדוק כל‬
‫קבוצה‪/‬רמה של המשתנה בנפרד (למשל ממוצע של הגילאים אצל הבנות במחקר לעומת‬
‫הבנים במחקר או השוואה בין ממוצע ציון הבגרות של אנשים בתל אביב לעומת אריאל)‪.‬‬
‫מה צריך לעשות ברמה התיאורטית? לבחור משתנה קטגוריאלי שאותו אנחנו מפצלים‬
‫לרמות השונות (לדוגמא המשתנה "מקום מגורים" שבו ‪ 3‬רמות‪ :‬אריאל‪ ,‬תל אביב‬
‫ורעננה) ומכאן והלאה‪ ,‬עד שלא נבטל את הפקודה‪ ,‬כל עיבוד סטטיסטי שנבצע הוא יעשה‬
‫אותו בנפרד לנבדקים מת"א‪ ,‬אריאל ורעננה‪.‬‬
‫איך עושים זאת?‬
‫‪19‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫בוחרים בלשונית ‪ Data‬את האפשרות ‪splite file‬‬
‫נפתח חלון עם האפשרויות הבאות ‪:‬‬
‫מכניסים את המשתנה (בדוגמא שלנו – ‪ , smoking‬מעשן או לא) למסך הימני‪.‬‬
‫אם רוצים שהניתוחים יופיעו הנתונים של המעשנים והלא מעשנים בטבלה נפרדת‬
‫בוחרים באפשרות הזאת‪: organize output by groups -‬‬
‫אם רוצים שבניתוחים הסטטיסטיים יופיעו הנתונים של המעשנים והלא מעשנים באותה‬
‫טבלה בוחרים באפשרות הזאת – ‪: compare groups‬‬
‫כאשר רוצים לבטל את הפיצול של המשתנה בוחרים באפשרות הזאת‪:‬‬
‫‪20‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫איך רואים שהתוכנה ביצעה ‪? splite file‬‬
‫בצד ימין למטה של קובץ הנתונים יופיע המשפט‪split by smoking :‬‬
‫איך נראה את זה בפלט? כאשר נבצע למשל חישוב של ממוצע וס"ת של כל משתנה בקובץ‪ ,‬הוא‬
‫יבצע את הניתוחים בנפרד לכאלו שמעשנים וכאלו שלא‪.‬‬
‫בדוגמא להלן חישבנו את הממוצע וס"ת התקן של גיל הנבדקים וכפי שניתן לראות בקובץ ה –‬
‫‪ output‬יופיעו הניתוחים בנפרד לכאלו שמעשנים וכאלו שלא מעשנים (אגב‪ ,‬הפלט להלן הוא‬
‫כאשר נבחר לעשות שהקבוצות יופיעו בטבלה אחת)‪:‬‬
‫‪Statistics‬‬
‫‪age‬‬
‫‪10‬‬
‫‪0‬‬
‫‪Valid‬‬
‫‪Missing‬‬
‫‪39.40‬‬
‫‪11.187‬‬
‫‪30‬‬
‫‪0‬‬
‫‪33.67‬‬
‫‪10.469‬‬
‫‪21‬‬
‫‪N‬‬
‫‪no‬‬
‫‪Mean‬‬
‫‪Std. Deviation‬‬
‫‪Valid‬‬
‫‪N‬‬
‫‪Missing‬‬
‫‪Mean‬‬
‫‪Std. Deviation‬‬
‫‪yes‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫‪.3‬‬
‫‪Select cases‬‬
‫‪ -‬כאשר אנו רוצים למחוק‪ ,‬כלומר לא להתייחס אל קבוצה‪ /‬רמה‬
‫מסוימת מתוך משנה כל שהוא‪ .‬למשל אם עשינו מחקר והחלטנו לא להתייחס בניתוחים‬
‫הסטטיסטיים לבנים במחקר‪ .‬לאחר שבצענו את הפעולה עד שלא נבטל אותה‪ ,‬כל ניתוח‬
‫שנעשה יבוצע רק על הבנות‪.‬‬
‫בוחרים בלשונית ‪ Data‬את האפשרות ‪select cases‬‬
‫ונפתח חלון הבא‪:‬‬
‫‪22‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫בוחרים באפשרות של ‪ if condition is satisfied‬ואז נפתחת האפשרות לבוחר את‪if :‬‬
‫ונפתח החלון הבא‪:‬‬
‫מעבירים לחלונית מצד ימין את המשתנה בו נרצה להוריד קבוצה מסוימת ‪:‬‬
‫‪23‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫‪ 3‬דוגמאות ‪:‬‬
‫נבחר רק בנבדקים בעלי וותק גבוה מ‪ 10-‬שנים‬
‫נבחר רק באלו שהם בעלי רמת השכלה ‪ 3‬או ‪2‬‬
‫‪24‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫כיצד זה נראה בקובץ ?‬
‫מחק את מי שבעל השכלה=‪1‬‬
‫לחילופין נבחר רק את הגברים שגילם צעיר מ‪35-‬‬
‫איך זה נראה בקובץ הנתונים?‬
‫‪25‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫רק הנבדקים ‪ 13 ,5 ,1‬עומדים בתנאי ולכן לא מחוקים בקו הן גם גברים וגם מעל גיל ‪35‬‬
‫כל פעולה שנבצע כעת תיקח בחשבון רק את שלושת הנבדקים ‪.‬‬
‫מהימנות כעקיבות פנימית‬
‫בודקת האם המדד הומוגני‪ :‬באיזה מידה כל פריטיו בודקים את אותה תכונה‪ .‬נעשה בשני דרכים‬
‫א‪ .‬מהימנות מבחן חצוי (לא למדנו)‬
‫ב‪ .‬אלפא של קורנבאך‪ -‬מחושבת על ידי נוסחה המודדת מתאם של כל פריט עם שאר‬
‫הפריטים ‪ .‬ככל שאלפא גבוהה יותר המבחן יותר הומוגני ובעל עקיבות פנימית גבוהה‬
‫יותר‪ .‬אנחנו צריכים להגיע לאלפא ששווה לפחות ‪0.6‬‬
‫הערך אלפא מתבסס על המתאמים שבין כל פריט לכל אחד מהפריטים האחרים‪ .‬הוא משקלל‬
‫את ממוצע המתאמים ומספר הפריטים שנכנסו לניתוח‪ .‬הערך שמתקבל נע בין ‪ 0‬ל‪1‬‬
‫במידה ומתקבלת אלפא נמוכה ורוצים לשפר את מהימנות השאלון ניתן לבצע ניתוח פריטים ‪.‬‬
‫לבדוק איזה פריטים כדאי להוציא מהשאלון על מנת לשפר את את המהימנות‪.‬‬
‫שתי דרכים‪:‬‬
‫א‪ .‬מחשבים את המתאם של הפריט עם המבחן כולו‪ .‬אם נמוך ניתן לשקול לוותר עליו‬
‫אם המתאם גבוה סימן שהוא בודק את אותה תכונה שהשאלון בודק‪.‬‬
‫ב‪ .‬מחשבים את האלפא שהייתה מתקבלת אם היינו משמיטים את הפריט ‪ .‬אם המהימנות‬
‫גבוהה יותר בלעדיו ניתן לוותר עליו‪.‬‬
‫‪26‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫בנוסף‪ ,‬על ידי הניתוח ניתן לראות האם יש שאלה שייתכן והסקאלה שלה הפוכה‪ :‬כאשר המתאם‬
‫בינה לבין שאר הפריטים הוא שלילי עולה חשד כי קיימת שאלה שהסקאלה שלה הפוכה משאר‬
‫השאלות ולכן המתאם בינה לבין שאר המבחן הוא שלילי (אבל לא קרוב ל ‪ ,0‬יפורט בהמשך)‬
‫ביצוע המבחן‬
‫‪reliability analysis‬‬
‫‪Analyze‬‬
‫‪scale‬‬
‫ואז נפתח החלון הבא‪:‬‬
‫מעבירים את הפריטים שאנו רוצים שיכללו בניתוח המהימנות של השאלון (בד"כ כל פריטי‬
‫ולוחצים על‪:‬‬
‫השאלון) לחלון הימני‬
‫ונפתח החלון הבא‪ :‬ובו מסמנים את האפשרות ‪scale if item deleted‬‬
‫‪27‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ב‪.‬ניתוח פלט‬
‫טבלה ראשונה מציגה את מס' המקרים שנכללו בחישוב‪:‬‬
‫‪Case Processing Summary‬‬
‫‪N‬‬
‫‪%‬‬
‫‪100.0‬‬
‫‪20‬‬
‫‪.0‬‬
‫‪0‬‬
‫‪100.0‬‬
‫‪20‬‬
‫‪Valid‬‬
‫‪Cases‬‬
‫‪Excludeda‬‬
‫‪Total‬‬
‫‪a. Listwise deletion based on all variables in the‬‬
‫‪procedure.‬‬
‫ואת מספר השאלות בניתוח‪:‬‬
‫טבלה שנייה מציגה את ערך אלפא‬
‫‪Reliability Statistics‬‬
‫‪Cronbach's‬‬
‫‪N of Items‬‬
‫‪6‬‬
‫‪Alpha‬‬
‫‪.928‬‬
‫טבלה שלישית ‪:‬‬
‫עמודה שלישית‪ :‬מתאם של כל פריט עם המבחן כולו‪ .‬בעמודה זו ניתן לראות אם שכחנו אולי‬
‫להפוך סקאלות‪ .‬אם יצא שהמתאם של שאלה מסוימת עם שאר השאלות הוא שלילי ייתכן‬
‫שהסיבה לכך היא כי הסקאלה הפוכה‪ .‬כמובן שאין לפסול את האפשרות כי הסיבה למתאם‬
‫שלילי עם שאר השאלות כי השאלה פשוט לא מהימנה באופן חריג‪.‬‬
‫‪Item-Total Statistics‬‬
‫‪Cronbach's‬‬
‫‪Alpha if Item‬‬
‫‪Deleted‬‬
‫‪Scale Variance if Corrected Item‬‬‫‪Total Correlation‬‬
‫‪Item Deleted‬‬
‫‪Scale Mean if‬‬
‫‪Item Deleted‬‬
‫‪.907‬‬
‫‪.846‬‬
‫‪45.103‬‬
‫‪15.4500‬‬
‫‪q1‬‬
‫‪.914‬‬
‫‪.795‬‬
‫‪46.411‬‬
‫‪15.1000‬‬
‫‪q2‬‬
‫‪.946‬‬
‫‪.560‬‬
‫‪48.682‬‬
‫‪15.4500‬‬
‫‪q3‬‬
‫‪.910‬‬
‫‪.825‬‬
‫‪44.905‬‬
‫‪15.2000‬‬
‫‪q4‬‬
‫‪.900‬‬
‫‪.911‬‬
‫‪44.642‬‬
‫‪15.3000‬‬
‫‪q5‬‬
‫‪.907‬‬
‫‪.843‬‬
‫‪43.566‬‬
‫‪15.2500‬‬
‫‪q6‬‬
‫עמודה רביעית‪ :‬האלפא של קורנבאך אם הפריט יושמט‪ .‬בעמודה זו ניתן לנתח את השאלון‬
‫ולבחון איזו שאלה‪ ,‬אם נשמיט אותה‪ ,‬נשפר את המהימנות ואת העקיבות הפנימית של השאלון‪.‬‬
‫‪28‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫כלומר שאלה שאם נוריד אותה‪ ,‬האלפא (המהימנות הפנימית) תעלה באופן משמעותי‪ ,‬היא שאלה‬
‫שפוגעת לנו במהימנות וייתכן כי כדאי להוריד אותה ובכך לשפר מהימנות השאלון‪.‬‬
‫בדוגמא שלהלן נראה כי שאלה ‪ 3‬היא שאלה שבמידה ונשמיט אותה המהימנות תעלה מ ‪ 0.928‬ל‬
‫‪ 0.946‬ולכן כדאי להשמיטה‪ .‬שאר השאלות‪ ,‬במידה ונשמיט אותם האלפא (המהימנות) תרד‪,‬‬
‫כלומר הם תורמים ליצירת מהימנות טובה לשאלון ואין צורך להשמיטם‬
‫(צריך כמובן לזכור כי להוריד שאלה הוא דבר שצריך להיעשות בשיקול דעת כיוון שככל שלשאלון‬
‫יש יותר פריטים הוא מקיף את התכונה או הנושא אותו הוא בודק מכיוונים שונים שייתכן‬
‫וחשובים לבחינת כל הפנים והצדדים של הנושא)‬
‫דיווח‬
‫בבדיקת מהימנות באמצעות אלפא של קורנבך עבור השאלון אהבה לדברי מתיקה הכולל ‪6‬‬
‫פריטים נתקבלה ‪ . α =0.928‬לאחר השמטת פריט מס' ‪ 3‬נתקבלה ‪.α=0.946‬‬
‫קשר בין משתנים – מתאם פירסון וספירמן‬
‫כאשר באים לבדוק האם קיים קשר בין ‪ 2‬משתנים‪ ,‬כלומר מה וכמה השינוי במשתנה מסויים‬
‫כאשר המשתנה השני משתנה‪ ,‬משתמשים במתאם פירסון וספירמן‪ .‬כאשר‪:‬‬
‫‪ :Spearman‬משתנה אחד לפחות מסולם סדר‪ .‬המשתנה השני מסולם סדר ומעלה‬
‫‪ : Pearson‬שני המשתנים מסולם רווח או מנה‪.‬‬
‫ מקדם המתאם (מספר) מתאר את עוצמת הקשר בין המשתנים ואת כיוון הקשר‬‫ הערכים של מקדם המתאם נעים בין (‪ )-1‬ל‪)+1( -‬‬‫ סימן המתאם מעיד על כיוונו‬‫‪‬‬
‫‪ r>0‬מתאם חיובי (ככל ש‪ X‬גדל כך גם ‪Y‬גדל או ככל ש‪X‬קטן ‪ Y‬קטן)‪.‬‬
‫‪‬‬
‫‪ r<0‬מתאם שלילי (ככל ש‪ X‬גדל כך ‪Y‬קטן או ככל ש‪X‬קטן ‪ Y‬גדל)‪.‬‬
‫‪‬‬
‫‪ r=0‬אין קשר בין המשתנים‪.‬‬
‫ עוצמת המבחן נמדדת על פי ערכו של המתאם בערך מוחלט (ללא הסימנים) ‪ .‬זאת אומרת‬‫ללא קשר לכיוון הקשר ‪ ,‬ככל ש ׀‪r‬׀ גדול יותר‪ ,‬כך הקשר בין המשתנים חזק יותר‪.‬‬
‫‪‬‬
‫‪ r=0‬אין קשר לינארי‬
‫‪‬‬
‫‪ r=±1‬קיים קשר מלא‪ /‬מושלם בין המשתנים ‪.‬‬
‫‪ -0-0.39‬קשר חלש‬
‫‪ - 0.4-0.59‬קשר בינוני‬
‫‪ -0.6-1‬קשר חזק‬
‫‪29‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ביצוע מתאם בתוכנת ה‪Spss -‬‬
‫‪Bivariate‬‬
‫‪Analyze‬‬
‫‪Correlate‬‬
‫לאחר מיכן נפתח החלון הבא‪:‬‬
‫ובו מעבירים לחלון הימני את המשתנים שאנו מעוניינים לבדוק את הקשר בינם‪ .‬ניתן‬
‫להכניס יותר משני משתנים אך המתאמים יעשו בין כל שני מתאמים בלבד‪.‬‬
‫אם נדרש לעשות מתאם פירסון אין צורך לסמן כי זה ברירת המחדל‪ .‬ואם נדרש מתאם‬
‫ספירמן‪ ,‬נסמן את‪ :‬ומסיימים ב‪paste -‬‬
‫‪30‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ניתוח הפלט‬
‫ אופן ניתוח הפלט וכן צורת הדיווח זהה בין מתאם פירסון לספירמן ועל כן מכאן מוצג רק‬‫מתאם פירסון לצורך הדוגמא‪.‬‬
‫‪Correlations‬‬
‫‪gil hastudent‬‬
‫ציון פסיכומטרי‬
‫ממוצע ציוני בגרות‬
‫‪-.152‬‬
‫**‬
‫‪.247‬‬
‫‪.000‬‬
‫‪60‬‬
‫‪52‬‬
‫‪60‬‬
‫‪-.055‬‬
‫‪1‬‬
‫**‪.739‬‬
‫‪.739‬‬
‫‪.697‬‬
‫‪1‬‬
‫‪Pearson Correlation‬‬
‫)‪Sig. (2-tailed‬‬
‫‪N‬‬
‫‪Pearson Correlation‬‬
‫‪.000‬‬
‫‪52‬‬
‫‪52‬‬
‫‪52‬‬
‫‪1‬‬
‫‪-.055‬‬
‫‪-.152‬‬
‫‪.697‬‬
‫‪.247‬‬
‫‪52‬‬
‫‪60‬‬
‫‪60‬‬
‫ציון פסיכומטרי‬
‫ממוצע ציוני בגרות‬
‫)‪Sig. (2-tailed‬‬
‫‪N‬‬
‫‪Pearson Correlation‬‬
‫‪gil hastudent‬‬
‫)‪Sig. (2-tailed‬‬
‫‪N‬‬
‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬
‫הפלט בנוי כמטריצה בה אותו משתנה מופיע פעמים ‪ :‬אופקית ואנכית‪.‬‬
‫עבור כל משתנה מתקבלים ‪ 3‬ערכים ‪:‬‬
‫ שורה ראשונה ‪ :‬המתאם (עם עצמו תמיד שווה ‪ ) )1‬עם המשתנה השני‬‫ שורה שנייה ‪ :‬מובהקות המבחן ‪ sig -‬קטן מ ‪ . 0.05‬המבחן מובהק סטטיסטית‪.‬‬‫ שורה שלישית‪ :‬מספר הנבדקים שנכללו בחישוב המתאם‬‫ בדוגמא לעיל קיים מתאם חיובי חזק (‪ ) r=0.739‬ומובהק (‪ (sig<0.05‬בין ציון‬‫פסיכומטרי לבין ציוני בגרות‪ ,‬כלומר ככל שציון הבגרות עולה כך גם ציון הפסיכומטרי‬
‫עולה‪.‬‬
‫ שאר הקשרים (הקשר בין בגרות וגיל והקשר בין פסיכומטרי וגיל) נמצאו לא מובהקים‬‫(‪ )sig<0.05‬ועל כן לא מצביעים מבחינתנו על קשרים בין המשתנים‪.‬‬
‫דיווח‬
‫בכדי לבחון האם קיים קשר בין גיל הנבדק‪ ,‬ציוני בגרות ומבחן פסיכומטרי נערך מתאם פירסון‬
‫בין המשתנים ונמצא כי קיים קשר חיובי מובהק בין ציון בגרות וציון פסיכומטרי‬
‫)‪ )r=0.739, p<0.01‬כך שככל שציון הבגרות גבוה יותר ציון הפסיכומטרי גבוה יותר‪.‬‬
‫לא נמצא קשר מובהק בין המשתנים ציון בגרות וגיל וכן בין פסיכומטרי וגיל (‪.)p>0.05‬‬
‫‪31‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫רגרסיה לניארית‬
‫כאשר קיים קשר בין שני משתנים אפשר למצוא קו ישר המנבא באופן הטוב ביותר את ערכי‬
‫משתנה אחד מתוך ערכי המשתנה השני‪ -‬קו רגרסיה‪.‬‬
‫לאחר חישוב מתאם (מבחני רגרסיה מבוססים על מתאם) בין שני משתנים‪ ,‬מקבלים מקבץ‬
‫נקודות ‪ y‬כפונקציה של נקודות ‪. x‬‬
‫רגרסיה מאפשרת לנו יכולת ניבוי‪ .‬כמה אפשר להסביר את ‪ y‬כפונקציה של ‪ ..X‬כאשר קיימת‬
‫מגמה או שינוי שיטתי ליניארי של משתנה אחד כפונקציה של השני אנו נמצא קו ממוצע של פיזור‬
‫הנקודות קו רגרסיה ‪ :‬קו שנמצאות עליו כל הנקודות המנובאות של ‪ y‬לכל ‪x‬‬
‫ באמצעות קו הרגרסיה נוצר ‪ y‬מנובא שאינו בהכרח ה‪ y‬המקורי‪.‬‬‫ מאפייני קו הרגרסיה‪:‬‬‫‪ .1‬סכום הסטיות ממנו לנקודות המקוריות הוא אפס‬
‫‪ .2‬סכום ריבועי הסטיות של כל הנקודות ממנו הוא מינימלי‬
‫המטרה הסופית היא להסיק ממדגם לאוכלוסייה באופן המתחשב בחוסר הדיוק הנובע מניבוי על‬
‫פי ערך מתאם שאינו מושלם ‪.‬‬
‫ בשביל להגדיר קו ליניארי נדרש למצוא‪:‬‬‫‪ .1‬שיפוע‪ -‬קצב השינוי‪b -‬‬
‫‪ .2‬נקודת חיתוך עם ציר ה ‪)constant( a – y‬‬
‫משוואת הרגרסיה היא ‪ . Ŷ= bx+a -‬המשוואה מורכבת מ‪:‬‬
‫‪ - Xi‬ציונו של נחקר במשתנה המנבא ‪ -‬הבלתי תלוי‪.‬‬
‫‪ - Yi‬ציון שמקבל הנחקר למעשה במשתנה התלוי‪.‬‬
‫‪ - Ŷi‬ציונו הצפוי של הנחקר על פי ניבוי של קו ישר‪.‬‬
‫‪ - a‬ה"קבוע"‪ -‬נקודת החיתוך של קו הרגרסיה עם ציר ה‪.y -‬‬
‫‪ - b‬מקדם הרגרסיה‪ -‬השיפוע של קו הרגרסיה‪ -‬תלוי ביחידות המדידה של ‪ .X‬מציין בכמה‬
‫יחידות משתנה ערך ‪ ,y‬לכל עלייה של ערך ‪ x‬ביחידה אחת‪.‬‬
‫‪32‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫שארית ( ‪ :)E‬היא ההפרש בין הערך הנצפה (שהתקבל בפועל) לבין הערך המנובא ע"י משוואת‬
‫הרגרסיה‪ .‬אם הציון המתקבל בפועל שווה בדיוק לציון המנובא ע"י משוואת הרגרסיה‪ ,‬הניבוי‬
‫אינו כרוך בטעות והציון הנצפה יימצא על קו הרגרסיה‪ .‬כי אז השארית שווה אפס‪ .‬אולם‪ ,‬לרוב‬
‫קיים פער מסוים בין הערך המנובא והנצפה של‪ . Y‬ככל שערכה המוחלט של השארית קטן יותר‪-‬‬
‫הניבוי טוב יותר‪.‬‬
‫ממוצע השאריות (ומכאן‪ ,‬גם סכומן) שווה ‪ .0‬משוואת הניבוי הטובה ביותר היא זו שלה סכום‬
‫ריבועי שאריות קטן ביותר‪.‬‬
‫גרף לדוגמא של קו רגרסיה מסויים‪:‬‬
‫הליך זה מאפשר לנבא את המשתנה התלוי באמצעות משתנה בלתי תלוי‬
‫‪Regression‬‬
‫‪Linear‬‬
‫ניתוח פלט‬
‫המטרה היא למצוא מהו כלל הניבוי הליניארי הטוב ביותר‪ ,‬כך שציונו הצפוי של הנחקר (עפ"י‬
‫הנוסחה) יהיה קרוב‪ ,‬עד כמה שניתן‪ ,‬לציונו הממשי‪ .‬במילים אחרות נרצא שהקו הרגרסיה יעבור‬
‫הכי קרוב שאפשר מהנקודות הנצפים של המשתנה ‪.Y‬‬
‫‪33‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ביצוע רגרסיה לינארית בתוכנת ה‪Spss -‬‬
‫הפקודה‪:‬‬
‫‪Analyze Regression Linear‬‬
‫ואז נפתח החלון הבא‪ :‬שבו מכניסים לחלון הימני העליון את המשתנה המנובא (התלוי)‬
‫לחלון התחתון את המשתנה המנבא (הבלתי תלוי) ומסיימים ב‪paste -‬‬
‫‪34‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ניתוח הפלט‬
‫טבלה שנייה של הפלט (הראשונה אינה מוצגת)‪:‬‬
‫‪Model Summary‬‬
‫‪Std. Error of the‬‬
‫‪Adjusted R‬‬
‫‪Estimate‬‬
‫‪Square‬‬
‫‪.537‬‬
‫‪28.76846‬‬
‫‪R Square‬‬
‫‪.546‬‬
‫‪Model‬‬
‫‪R‬‬
‫‪.739a‬‬
‫‪1‬‬
‫בגרות ציוני ממוצע ‪a. Predictors: (Constant),‬‬
‫‪ -R‬זהו המתאם המרובה‪ -‬בין כל המשתנים הבלתי‪-‬תלויים במודל‪ ,‬לבין התלוי‪ .‬ברגרסיה חד‪-‬‬
‫משתנית‪ ,‬זהו ערכו של מדד פירסון‪ .‬במקרה שלנו הוא ‪.0.739‬‬
‫‪ -R square‬אחוז השונות המוסברת‪ .‬הפירוש יהיה‪ :‬כי ניתן להסביר ‪( 54.6%‬מכפילים ב ‪ 100‬את‬
‫המתאם בריבוע) מהשונות של המשתנה ציון פסיכומטרי על ידי השונות במשתנה ציון ציון בגרות‪.‬‬
‫‪ -Adjusted R Square‬שונות מוסברת מתוקננת‪ -‬לצורך השוואה בין מודלים אשר בהם מספר‬
‫משתנים מסבירים שונה (נלמד בהמשך)‪.‬‬
‫טבלה שלישית ( בה ניתן לדעת מה המשתנה המנבא ומה המשתנה המנובא)‪:‬‬
‫‪ANOVAb‬‬
‫‪Sig.‬‬
‫‪.000a‬‬
‫‪F‬‬
‫‪60.037‬‬
‫‪df‬‬
‫‪Mean Square‬‬
‫‪Model‬‬
‫‪Sum of Squares‬‬
‫‪49688.007‬‬
‫‪1‬‬
‫‪49688.007‬‬
‫‪Regression‬‬
‫‪827.624‬‬
‫‪50‬‬
‫‪41381.224‬‬
‫‪Residual‬‬
‫‪51‬‬
‫‪91069.231‬‬
‫‪Total‬‬
‫‪1‬‬
‫בגרות ציוני ממוצע ‪a. Predictors: (Constant),‬‬
‫פסיכומטרי ציון ‪b. Dependent Variable:‬‬
‫‪ -Sum of Squares‬סכום הריבועים‪:‬‬
‫‪ -Regression‬סכום הריבועים של שונות הרגרסיה‪.‬‬
‫‪ -Residual‬סכום הריבועים של הטעויות ‪.‬‬
‫‪ -Total‬סה"כ סכום הריבועים‪.‬‬
‫אנו מתייחסים לסטטיסטי של מודל הרגרסיה‪ -F -‬הבוחן את מובהקות המודל‪ .‬רואים שכאן‬
‫שהוא מובהק (‪ .)sig = 0.000‬פירוש ‪ -Sig‬מובהקות המודל‪.‬‬
‫כאשר ‪ sig < 0.05‬מודל הרגרסיה מובהק ב‪ .95% -‬כלומר יש ‪ 5%‬סיכוי לטעות‪.‬‬
‫אם ‪ sig < 0.01‬מודל הרגרסיה מובהק ב‪ .99% -‬כלומר יש ‪ 1%‬סיכוי לטעות‪.‬‬
‫אם ‪ sig > 0.05‬מודל הרגרסיה לא מובהק‪ .‬הסיכוי לטעות גדול יותר ממה שהחוקר מוכן‬
‫לקחת‪.‬‬
‫‪35‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫טבלה רביעית (טבלת המקדמים)‪:‬‬
‫‪a‬‬
‫‪Coefficients‬‬
‫‪Standardized‬‬
‫‪Coefficients‬‬
‫‪Sig.‬‬
‫‪t‬‬
‫‪.000‬‬
‫‪7.102‬‬
‫‪.000‬‬
‫‪7.748‬‬
‫‪Beta‬‬
‫‪.739‬‬
‫‪Unstandardized Coefficients‬‬
‫‪Std. Error‬‬
‫‪B‬‬
‫‪44.148‬‬
‫‪313.555‬‬
‫‪5.218‬‬
‫‪40.427‬‬
‫‪Model‬‬
‫)‪(Constant‬‬
‫‪1‬‬
‫ממוצע ציוני בגרות‬
‫פסיכומטרי ציון ‪a. Dependent Variable:‬‬
‫‪ -B‬מקדם הרגרסיה הגולמי‪ -‬לדוגמה‪ :‬מלמד בכמה יחידות משתנה ציון הפסיכומטרי כשציון‬
‫הבגרות משתנה ביחידה אחת‪ -‬נמצא בשורה השנייה מול המשתנה המנבא‪:‬‬
‫‪ -Constant‬הקבוע (‪ -)a‬שורה ראשונה‪ ,‬תחת ‪.B‬‬
‫‪( Beta‬נלמד בהמשך)‪ -‬מקדם הרגרסיה המתוקנן כלומר ‪ .r‬כל עלייה ביחידה נוספת בציון הבגרות‬
‫תעלה את הציון הפסיכומטרי ב‪ 0.739 -‬יחידות תקן‪.‬‬
‫ על ידי טבלה זו ניתן לבנות את משוואת הרגרסיה לניבוי ציון פסיכומטרי על ידי ציון‬‫בגרות‪ .‬במקרה שלנו זה ‪ . Ŷ= 40.42x+313.55‬כלומר לנבדק שיש לו ציון ‪ 8‬בבגרות‪,‬‬
‫נציב במקום ה ‪ 8 ,X‬ונקבל כי ציון הפסיכומטרי של המנובא של אותו נבדק יהיה‪:‬‬
‫‪.651.92‬‬
‫דיווח‬
‫לבדיקת ניבוי ציון הפסיכומטרי על ידי ציון הבגרות בוצע ניתוח רגרסיה ליניארית ונמצא כי ככל‬
‫שציון הבגרות עולה גם הציון בפסיכומטרי עולה (‪(F(1,50)=60.03, p<0.01,R=0.739, B=40.42‬‬
‫ציון הבגרות מסביר ‪ 54.6%‬מהשונות במשתנה ציון פסיכומטרי‪.‬‬
‫‪36‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫מבחן ‪ t‬לבלתי תלויים‬
‫מבחן המשווה ממוצעים של שתי קבוצות שאינן תלויות אחת בשניה‪ ,‬ובוחן האם קיים הבדל בינם‬
‫(משתנה בלתי תלוי אחד בעל ‪ 2‬רמות‪/‬קבוצות ומשתנה תלוי אחד)‪ .‬למשל‪ ,‬כאשר רוצים לגלות‬
‫האם קיימים הבדלים בין בנים ובנות בממוצע ציון הבגרות‪.‬‬
‫ביצוע המבחן בתוכנת ה‪Spss -‬‬
‫הפקודה‪:‬‬
‫‪ANALYZE > COMPARE MEANS > INDEPENDENT SAMPLES T TEST‬‬
‫ואז נפתח החלון הבא‪ :‬ומכניסים את המשתנה התלוי והמשתנה הבלתי תלוי לחלונות הימניים‪.‬‬
‫לאחר שהכנסנו את המשתנה הבלתי תלוי אנו נדרשים הגדיר את הרמות‪/‬הקבוצות אותם נשווה‬
‫במשתנה זה (למשל אם יש ‪ 3‬קבוצות‪ :‬אריאל‪ ,‬תל אביב ורעננה וכאמור ניתן להשוואת רק ‪2‬‬
‫קבוצות) ונלחץ על ‪ define groups‬ויפתח החלון הבא‪ :‬ובו נגדיר את הקבוצות‪ -‬בנים ובנות‬
‫‪37‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ניתוח הפלט‪:‬‬
‫‪Group Statistics‬‬
‫‪Std. Error Mean‬‬
‫‪Mean‬‬
‫‪Std. Deviation‬‬
‫מין הנבדק‬
‫‪N‬‬
‫‪.12474‬‬
‫‪.63605‬‬
‫‪8.1846‬‬
‫‪26‬‬
‫‪ben‬‬
‫‪.16284‬‬
‫‪.83031‬‬
‫‪8.6692‬‬
‫‪26‬‬
‫‪bat‬‬
‫ממוצע ציוני בגרות‬
‫‪Independent Samples Test‬‬
‫‪Levene's Test for‬‬
‫‪t-test for Equality of Means‬‬
‫‪Equality of Variances‬‬
‫‪95% Confidence‬‬
‫‪Interval of the‬‬
‫‪Difference‬‬
‫‪Std. Error‬‬
‫‪Upper‬‬
‫‪Lower‬‬
‫‪Mean‬‬
‫‪Difference Difference‬‬
‫‪Sig. (2‬‬‫)‪tailed‬‬
‫‪t‬‬
‫‪df‬‬
‫‪-.07261‬‬
‫‪-.89662‬‬
‫‪.20512‬‬
‫‪-.48462‬‬
‫‪.022‬‬
‫‪50‬‬
‫‪-.07192‬‬
‫‪-.89731‬‬
‫‪.20512‬‬
‫‪-.48462‬‬
‫‪.022‬‬
‫‪-2.363 46.825‬‬
‫‪Sig.‬‬
‫‪.191 -2.363‬‬
‫‪F‬‬
‫‪1.759‬‬
‫‪Equal variances‬‬
‫ממוצע ציוני‬
‫‪assumed‬‬
‫בגרות‬
‫‪Equal variances‬‬
‫‪not assumed‬‬
‫ בכדי לדעת שמדובר בניתוח פלט של ‪ t‬לבלתי תלויים ניתן להסתכל בכותרת של הטבלה‬‫שנייה ‪:‬‬
‫שלבי ניתוח הפלט‪:‬‬
‫‪.1‬מסתכלים ב ‪ sig‬של ‪:LEVEN’S TEST FOR EQUALITY‬‬
‫‪  p>0.05‬השונויות של שתי הקבוצות שוות )‪ (EQUAL VARIANCE ASSUMED‬ואז‬
‫הניתוח נעשה על ידי השורה הראשונה בלבד‬
‫‪  p<0.05‬השונויות של שתי הקבוצות לא שוות )‪(EQUAL VARIANCE NOT ASSUMED‬‬
‫ואז הניתוח נעשה על ידי השורה השנייה בלבד‪.‬‬
‫‪.2‬במידה והתוצאה מובהקת‪ ,‬כלומר ה‪ sig -‬בשורה הנבחרת הוא נמוך מ ‪ , 0.05‬יש לפנות לטבלת‬
‫הממוצעים המופיעה בתחילת הפלט‪ ,‬ולראות למי משתי הקבוצות ממוצע גבוה יותר‪ .‬ואז לדווח‬
‫באופן הבא‪:‬‬
‫‪38‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫אופן הדיווח‪:‬‬
‫על מנת לבחון האם קיימים הבדלים בממוצע ציוני הבגרות בין נשים לגברים נערך מבחן ‪t‬‬
‫למדגמים בלתי תלויים ונמצא כי ממוצע הבגרות של בנות (‪ )M=8.66, sd=0.83‬גבוה יותר באופן‬
‫מובהק מממוצע הבגרות של בנים (‪.)t(50)=-2.36, p<0.05.( )M=8.18, sd=0.63‬‬
‫במידה וההבדל בין הקבוצות לא היה מובהק היינו מדווחים כך‪:‬‬
‫על מנת לבחון האם קיימים הבדלים בממוצע ציוני הבגרות בין נשים לגברים נערך מבחן ‪t‬‬
‫למדגמים בלתי תלויים ונמצא אין הבדל מובהק בין בנות ובנים בממוצע הבגרות (‪.) p>0.05‬‬
‫מבחן ‪ t‬לתלויים‬
‫מבחן המשווה ממוצעים של שתי קבוצות התלויות אחת בשניה‪ ,‬ובוחן האם קיים הבדל בינם‪.‬‬
‫תלות קיימת כאשר ישנו קשר בין הנבדקים משתי הקבוצות‪ ,‬למשל‪ ,‬במצב שבו בקבוצה אחת‬
‫נחקרות הנשים‪ ,‬ובשניה נחקרים בעליהן‪ .‬מצב שכיח נוסף קורה כאשר משווים בין שני ציונים של‬
‫אותה קבוצה (לדוגמא‪ ,‬משווים את ציוני הפסיכומטרי לפני ואחרי הקורס)‪.‬‬
‫ביצוע המבחן בתוכנת ה‪Spss -‬‬
‫הפקודה‪:‬‬
‫‪ANALYZE > COMPARE MEANS > PAIRED-SAMPLES T TEST‬‬
‫ואז נפתח החלון הבא‪ :‬ובו נכניס ברצף את שני המשתנים ומסיימים ב ‪paste‬‬
‫‪39‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ניתוח הפלט‪:‬‬
‫ בכדי לדעת כי הפלט הוא של מבחן ‪ t‬לתלויים ניתן לראות כי כותרות הטבלה הן‪:‬‬‫‪Paired Samples Statistics‬‬
‫‪Std. Deviation‬‬
‫‪Std. Error Mean‬‬
‫‪Mean‬‬
‫‪N‬‬
‫‪.35744‬‬
‫‪1.59852‬‬
‫‪20‬‬
‫‪3.1500‬‬
‫‪.11239‬‬
‫‪.50262‬‬
‫‪20‬‬
‫‪4.4000‬‬
‫כמות הפגיעות במטרה לאחר מאמץ‬
‫‪Pair 1‬‬
‫גופני‬
‫כמות פגיעות לפני מאמץ‬
‫‪Paired Samples Correlations‬‬
‫‪Sig.‬‬
‫‪Correlation‬‬
‫‪-.275‬‬
‫‪.240‬‬
‫‪N‬‬
‫כמות הפגיעות במטרה לאחר מאמץ‬
‫‪20‬‬
‫‪Pair 1‬‬
‫גופני & כמות פגיעות לפני מאמץ‬
‫‪Paired Samples Test‬‬
‫‪Paired Differences‬‬
‫‪95% Confidence Interval‬‬
‫‪of the Difference‬‬
‫‪Sig. (2‬‬‫)‪tailed‬‬
‫‪.006‬‬
‫‪df‬‬
‫‪19‬‬
‫‪t‬‬
‫‪-3.101‬‬
‫‪Upper‬‬
‫‪-.40628‬‬
‫‪Lower‬‬
‫‪-2.09372‬‬
‫‪Std. Error‬‬
‫‪Std.‬‬
‫‪Mean‬‬
‫‪Deviation‬‬
‫‪.40311‬‬
‫‪1.80278‬‬
‫‪Mean‬‬
‫‪-1.25000‬‬
‫כמות הפגיעות במטרה ‪Pair 1‬‬
‫לאחר מאמץ גופני ‪ -‬כמות‬
‫פגיעות לפני מאמץ‬
‫במידה והתוצאה מובהקת‪ ,‬כלומר ה‪ sig -‬בקצה הטבלה השלישית הוא נמוך מ ‪ , 0.05‬יש לפנות‬
‫לטבלת הממוצעים המופיעה בתחילת הפלט‪ ,‬ולראות למי משתי הקבוצות ממוצע גבוה יותר‪ .‬ואז‬
‫לדווח באופן הבא על פי ה‪ df -‬וה‪:t -‬‬
‫אופן הדיווח‪:‬‬
‫על מנת לבחון האם קיימים הבדלים בכמות הפגיעות במטרה לפני ואחרי מאמץ נערך מבחן ‪t‬‬
‫למדגמים תלויים ונמצא כי ממוצע הפגיעות לפני מאמץ גדול יותר באופן מובהק ( ‪M=4.40,‬‬
‫‪ )sd=0.50‬מהפגיעות לאחר מאמץ (‪.)t(19)=-3.10, p<0.01( )M=3.15, sd=1.59‬‬
‫‪40‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫‪ : CROSSTABS‬טבלת צילווח וחי בריבוע לאי תלות‬
‫הפקודה מציגה שכיחות משותפת של שני משתנים קטגוריאליים גם במספרים וגם באחוזים‪.‬‬
‫כמו כן‪ ,‬ניתן להפיק מתאם קרמר בעזרת חי בריבוע‪ ,‬בין שני המשתנים‪ :‬כלומר לבדוק האם קיים‬
‫תלות (קשר) בין ‪ 2‬משתנים קטגוריאליים‪.‬‬
‫ביצוע המבחן בתוכנת ה‪Spss -‬‬
‫הפקודה‪:‬‬
‫‪descriptive statistics ------- crosstabs‬‬
‫‪Analyze -----‬‬
‫ואז נפתח החלון הבא‪ :‬ובו מכניסים את שני המשתנים הקטגוריאליים לחלונות הימניים‬
‫כאשר אחד מוכנס לשורות הטבלה (בדוגמא מצב משפחתי( ואחד לטורים של הטבלה (בדוגמא‬
‫מין הנבדק)‪:‬‬
‫במידה ומעוניינים לבדוק קשר בין המשתנים‪ ,‬לוחצים על ‪ ststistics‬ונפתח החלון הבא‪:‬‬
‫‪41‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ומסמנים ב "וי" את ה – ‪ chi square‬ואת ‪ phi and cramer -‬ולוחצים על ‪continue‬‬
‫כמו כן‪ ,‬לוחצים על ‪ cell‬ונפתח החלון הבא‪:‬‬
‫ובו מסמנים את שלושת ה – ‪ percentages‬ב "וי" ‪.‬‬
‫‪42‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ניתוח הפלט‪:‬‬
‫בטבלה השנייה (הראשונה המוצגת כאן) מוצגת טבלת פילוח של המשתנים הקטגוריאליים‬
‫שנבחרו גם באחוזים וגם במספרים‪:‬‬
‫מצב משפחתי * מין הנבדק ‪Crosstabulation‬‬
‫מין הנבדק‬
‫נקבה‬
‫‪Total‬‬
‫זכר‬
‫‪Count‬‬
‫‪27‬‬
‫‪7‬‬
‫‪20‬‬
‫‪100.0%‬‬
‫‪25.9%‬‬
‫‪74.1%‬‬
‫משפחתי מצב ‪% within‬‬
‫‪45.0%‬‬
‫‪23.3%‬‬
‫‪66.7%‬‬
‫הנבדק מין ‪% within‬‬
‫‪45.0%‬‬
‫‪11.7%‬‬
‫‪33.3%‬‬
‫‪% of Total‬‬
‫‪23‬‬
‫‪18‬‬
‫‪5‬‬
‫‪100.0%‬‬
‫‪78.3%‬‬
‫‪21.7%‬‬
‫משפחתי מצב ‪% within‬‬
‫‪38.3%‬‬
‫‪60.0%‬‬
‫‪16.7%‬‬
‫הנבדק מין ‪% within‬‬
‫‪38.3%‬‬
‫‪30.0%‬‬
‫‪8.3%‬‬
‫‪10‬‬
‫‪5‬‬
‫‪5‬‬
‫‪100.0%‬‬
‫‪50.0%‬‬
‫‪50.0%‬‬
‫משפחתי מצב ‪% within‬‬
‫‪16.7%‬‬
‫‪16.7%‬‬
‫‪16.7%‬‬
‫הנבדק מין ‪% within‬‬
‫‪16.7%‬‬
‫‪8.3%‬‬
‫‪8.3%‬‬
‫‪60‬‬
‫‪30‬‬
‫‪30‬‬
‫‪100.0%‬‬
‫‪50.0%‬‬
‫‪50.0%‬‬
‫‪100.0%‬‬
‫‪100.0%‬‬
‫‪100.0%‬‬
‫‪100.0%‬‬
‫‪50.0%‬‬
‫‪50.0%‬‬
‫‪Count‬‬
‫רווק‬
‫מצב משפחתי‬
‫נשוי‬
‫‪% of Total‬‬
‫‪Count‬‬
‫גרוש‬
‫‪% of Total‬‬
‫‪Count‬‬
‫‪Total‬‬
‫משפחתי מצב ‪% within‬‬
‫הנבדק מין ‪% within‬‬
‫‪% of Total‬‬
‫הטבלה הראשונה כוללת‪:‬‬
‫א‪ .‬את השכיחות במספרים בכל תא (לדוגמא ישנם ‪ 20‬רווקים שהם זכרים)‬
‫ב‪ .‬התייחסות לשכיחות ב ‪ %‬מתוך המשתנה שבשורות (לדוגמא‪ :‬מיתוך הרווקים‪74.1% ,‬‬
‫הם זכרים)‬
‫ג‪ .‬התייחסות לשכיחות ב ‪ %‬מתוך המשתנה שבטורים (לדוגמא‪ :‬מיתוך הזכרים‪ 66.7% ,‬הם‬
‫רווקים)‬
‫ד‪ .‬התייחסות לשכיחות ב ‪ %‬מתוך סה"כ המדגם (לדוגמא‪ :‬מיתוך כלל הנבדקים במחקר‬
‫‪ 33.3%‬הם גברים רווקים)‬
‫‪43‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫הטבלה השנייה והשלישית כוללת‪:‬‬
‫מסתכלים בשורה הראשונה שכוללת את ערך החי בריבוע‪ ,‬את דרגות החופש ואת רמת המובהקות‬
‫שמגלה לנו האם יש תלות בין המשתנים‪ .‬בטבלה השלישית רואים בשורה הראשונה את עוצמת‬
‫הקשר בין המשתנים‪:‬‬
‫‪Chi-Square Tests‬‬
‫‪Asymp. Sig. (2‬‬‫)‪sided‬‬
‫‪Value‬‬
‫‪df‬‬
‫‪.001‬‬
‫‪2‬‬
‫‪13.607a‬‬
‫‪.001‬‬
‫‪2‬‬
‫‪14.327‬‬
‫‪.023‬‬
‫‪1‬‬
‫‪5.164‬‬
‫‪Pearson Chi-Square‬‬
‫‪Likelihood Ratio‬‬
‫‪Linear-by-Linear Association‬‬
‫‪N of Valid Cases‬‬
‫‪60‬‬
‫‪a. 0 cells (.0%) have expected count less than 5. The minimum expected‬‬
‫‪count is 5.00.‬‬
‫‪Symmetric Measures‬‬
‫‪Value‬‬
‫‪Approx. Sig.‬‬
‫‪.001‬‬
‫‪.476‬‬
‫‪Phi‬‬
‫‪.001‬‬
‫‪.476‬‬
‫‪Cramer's V‬‬
‫‪60‬‬
‫‪Nominal by Nominal‬‬
‫‪N of Valid Cases‬‬
‫אופן הדיווח‪:‬‬
‫על מנת לבחון האם קיים קשר בין מין הנבדק למצב המשפחתי נערך מבחן חי בריבוע לאי תלות‬
‫ונמצא כי קיימת תלות בין המשתנים ( (‪.)x2(2)=13.60, p<0.05‬‬
‫‪44‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ניתוח שונות (אנובה) חד כיוונית‬
‫במבחן זה נשתמש כאשר נרצה לגלות האם קיימים הבדלים בין כמה קבוצות (‪ 3‬קבוצות ומעלה)‪.‬‬
‫למשל‪ ,‬האם קיימים הבדלי משקל (משתנה תלוי) בין תושבים באריאל‪ ,‬בתל אביב ובחיפה (מקום‬
‫מגורים – משתנה בלתי תלוי)‪ .‬כלומר משתנה בלתי תלוי אחד בעל ‪ 3‬רמות או יותר (‪ 2‬רמות זה‬
‫מבחן ‪ t‬וניתוח שונות זה הרחבה של ‪ )t‬ומשתנה תלוי אחד‪.‬‬
‫ביצוע המבחן בתוכנת ה‪Spss -‬‬
‫הפקודה‪:‬‬
‫‪ANALYZE >>>>> COMPARE MEANS >>>> > ONE WAY ANOVA‬‬
‫ונפתח החלון הבא‪ :‬ובו מכניסים בחלון הימני העליון את המשתנה התלוי (בדוגמא‪ :‬משכורת‬
‫נוכחית) ואת המשתנה הבלתי תלוי לחלון הימני התחתון (בדוגמא‪ :‬גיל בקטגוריות‪ ,‬צעיר‪ ,‬ותיק‬
‫וזקן)‪.‬‬
‫‪45‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ לאחר מיכן לוחצים על ‪ options‬ומסמנים ב "וי" את ‪ descriptive‬בכדי שהפלט יציג‬‫לנו את הממוצעים של המשתנה התלוי על פי הקבוצות של המשתנה הבלתי תלוי‬
‫(בדוגמא‪ :‬המשכורת הנוכחית של צעירים‪ ,‬מבוגרים וותיקים) ‪:‬‬
‫ הצעד הבא הוא לבדוק ניתוחי המשך (‪ .)posthoc‬מדוע נדרש באנובה לבצע ניתוחי‬‫המשך? מכיוון שמבחן אנובה (‪ )F‬נותן מידע האם ישנם הבדלים מובהקים בין הקבוצות‬
‫אך לא מראה באילו קבוצות נמצא מקור ההבדלים‪ .‬לדוגמא‪ :‬ייתכן וותיקים שונים באופן‬
‫מובהק מהמבוגרים במשכורת הנוכחית אך אינם שונים מהצעירים וללא מבחני המשך‬
‫שבודקים כל האפשרויות להבדלים בין הקבוצות‪ ,‬נראה רק שמבחן ה‪ F -‬מובהק ויש‬
‫הבדל בין הקבוצות אך לא נוכל לדעת בין אילו קבוצות‪ .‬המבחן שנשתמש בו לניתוחי‬
‫המשך הוא מבחן ‪ scheffe‬שהוא המחמיר ביותר מבין ניתוחי ההמשך‪.‬‬
‫ בכדי לבצע ניתוחי המשך בתוכנה נלחץ על ‪ POST HOC‬ויפתח לנו החלון הבא‪ :‬ובו‬‫נסמן ב "וי" את ניתוח ההמשך – ‪.scheffe‬‬
‫‪46‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ניתוח הפלט‪:‬‬
‫בטבלה הראשונה ניתן לראות מהו המשתנה התלוי במחקר וכן לראות את הממוצעים‬
‫וסטיות התקן וכן מספר הנבדקים של כל קבוצה (צעיר‪ ,‬ותיק ומבוגר)‬
‫‪Descriptives‬‬
‫משכורת נוכחית‬
‫‪Std. Deviation‬‬
‫‪95% Confidence Interval for‬‬
‫‪Mean‬‬
‫‪Mean‬‬
‫‪Maximum‬‬
‫‪Minimum‬‬
‫‪Lower Bound‬‬
‫‪Upper Bound‬‬
‫‪N‬‬
‫‪Std. Error‬‬
‫‪36250‬‬
‫‪7260‬‬
‫‪13360.93‬‬
‫‪11828.98‬‬
‫‪388.044‬‬
‫‪5089.147‬‬
‫‪172 12594.95‬‬
‫צעיר‬
‫‪54000‬‬
‫‪6960‬‬
‫‪17612.15‬‬
‫‪15407.92‬‬
‫‪559.042‬‬
‫‪8081.979‬‬
‫‪209 16510.04‬‬
‫ותיק‬
‫‪26000‬‬
‫‪6300‬‬
‫‪10366.45‬‬
‫‪9182.37‬‬
‫‪298.092‬‬
‫‪2874.698‬‬
‫‪9774.41‬‬
‫‪54000‬‬
‫‪6300‬‬
‫‪14384.29‬‬
‫‪13151.36‬‬
‫‪313.724‬‬
‫‪6830.265‬‬
‫‪474 13767.83‬‬
‫מבוגר‬
‫‪93‬‬
‫‪Total‬‬
‫בטבלה השנייה ניתן לראות האם יש הבדלים מובהקים בין הקבוצות‪ :‬מראה לנו את ה‪ SS -‬בין‬
‫הקבוצות ובתוך הקבוצות‪ ,‬את דרגות החופש ( ‪ )DF‬בין הקבוצות ובתוך הקבוצות‪ ,‬את ‪ MS‬בין‬
‫ובתוך הקבוצות‪ ,‬את ערך ה‪F-‬‬
‫המחושב וכן את רמת המובהקות‪.‬‬
‫‪ANOVA‬‬
‫משכורת נוכחית‬
‫‪Sig.‬‬
‫‪.000‬‬
‫‪F‬‬
‫‪41.283‬‬
‫‪df‬‬
‫‪Mean Square‬‬
‫‪2 1645669055.010‬‬
‫‪39862635.159‬‬
‫‪Sum of Squares‬‬
‫‪3291338110.020‬‬
‫‪Between Groups‬‬
‫‪471‬‬
‫‪18775301159.795‬‬
‫‪Within Groups‬‬
‫‪473‬‬
‫‪22066639269.814‬‬
‫‪Total‬‬
‫ כרגיל‪ ,‬כאשר ה ‪ sig‬הוא נמוך מ ‪ 0.05‬יש הבדל מובהק בין הקבוצות ובכדי לדעת בין אלו‬‫קבוצות טמון ההבדל‪ ,‬נסתכל בטבלה השלישית של ניתוחי ההמשך‪:‬‬
‫‪47‬‬
‫אבינח בר‪-‬לוי‬
‫‪[email protected]‬‬
‫ ראשית‪ ,‬ניתן לראות בטבלה איזה משתנה הוא הבלתי תלוי וכן את רמות המשתנה‪ .‬כמו‬‫כן הטבלה מראה לנו השוואה ובדיקת מובהקות של כל הקבוצות אחת עם השנייה וכך‬
‫נוכל לגלות את מקור ההבדלים‪.‬‬
‫ לדוגמא בשורה הראשונה נבדק ההבדל בין צעיר לותיק ונמצא כי ההבדל בין הקבוצות‬‫הוא מובהק‪ ,‬בשורה השנייה נבדק צעיר מול מבוגר וגם נמצא כי ההבדל ביניהם הוא‬
‫מובהק (פחות מ ‪.)0.05‬‬
‫‪Multiple Comparisons‬‬
‫משכורת נוכחית‬
‫‪effehcS‬‬
‫‪95% Confidence Interval‬‬
‫‪Upper Bound‬‬
‫‪Lower Bound‬‬
‫‪Mean‬‬
‫‪Std. Error‬‬
‫‪Sig.‬‬
‫)‪Difference (I-J‬‬
‫גיל )‪(I‬‬
‫גיל )‪(J‬‬
‫בקטגוריות בקטגוריות‬
‫‪-2319.00‬‬
‫‪-5511.17‬‬
‫‪.000‬‬
‫‪649.992‬‬
‫*‪-3915.085‬‬
‫‪4816.03‬‬
‫‪825.06‬‬
‫‪.003‬‬
‫‪812.644‬‬
‫*‪2820.545‬‬
‫מבוגר‬
‫‪5511.17‬‬
‫‪2319.00‬‬
‫‪.000‬‬
‫‪649.992‬‬
‫*‪3915.085‬‬
‫צעיר‬
‫‪8668.14‬‬
‫‪4803.12‬‬
‫‪.000‬‬
‫‪786.995‬‬
‫*‪6735.630‬‬
‫מבוגר‬
‫‪-825.06‬‬
‫‪-4816.03‬‬
‫‪.003‬‬
‫‪812.644‬‬
‫*‪-2820.545‬‬
‫צעיר‬
‫‪-4803.12‬‬
‫‪-8668.14‬‬
‫‪.000‬‬
‫‪786.995‬‬
‫‪-6735.630‬‬
‫*‬
‫ותיק‬
‫ותיק‬
‫צעיר‬
‫ותיק‬
‫מבוגר‬
‫‪*. The mean difference is significant at the 0.05 level.‬‬
‫אופן הדיווח‪:‬‬
‫בכדי לבחון האם קיימים הבדלים במשכורת הנוכחית בין עובדים בגילאים שונים נערך ניתוח שונות חד‬
‫כיווני ונמצא כי קיים הבדל מובהק בין שלושת קבוצות הגיל במשכורת הנוכחית שלהם ‪(F(2,471)=41.28,‬‬
‫)‪.p<0.05‬‬
‫מניתוחי המשך (‪ )scheffe‬עולה כי המשכורת הנוכחית של הותיקים (‪ )M=16510, SD=8081.979‬היא‬
‫גבוהה יותר באופן מובהק מהמשכורת הנוכחית של המבוגרים (‪ )M=9774, SD=9774.41‬ושל הצעירים‬
‫(‪ .(M=12595, SD=5089.147‬כמו כן נמצא כי המשכורת הנוכחית של צעירים גבוהה יותר באופן מובהק‬
‫מהמשכורת הנוכחית של המבוגרים‪.‬‬
‫‪48‬‬