1. No category

‫יסודות ‪SPSS‬‬
‫ד"ר ירון גילאי‬
‫נושאי חלק ב'‬
‫נושא מס' ‪ :10‬הסקה סטטיסטית – ‪2 ................................ ................................ T Test‬‬
‫הסקה סטטיסטית ‪2.......... ................................ ................................ ................................‬‬
‫מטרת מבחן ‪ t‬וסוגי המבחן ‪2 .............................. ................................ ................................‬‬
‫מבחן ‪ t‬להשוואת ממוצעי שני מדגמים בלתי תלויים ‪3............ Independent-samples t test -‬‬
‫תרגיל‪6............. ................................ ................................ Independent-samples t test :‬‬
‫מבחן ‪ t‬להשוואת ממוצעי שני מדגמים מזווגים ‪7 ............................. Paired samples t test -‬‬
‫תרגיל‪8....................... ................................ ................................ Paired samples t test :‬‬
‫מבחן ‪ t‬להשוואת ממוצע מדגם לממוצע האוכלוסיה ‪9 .......................... One sample t test -‬‬
‫נושא מס' ‪ :11‬ניתוח שונות חד כווני‪11 ............. ANOVA: 1-way Analysis of Variance -‬‬
‫תרגיל‪16 ........ ................................ ................................ ................................ ANOVA :‬‬
‫נושא מס' ‪ :12‬מתאמים‪ ,‬צלווח‪ ,‬ובדיקת תלות בין משתנים ע"י מבחן חי‪-‬בריבוע ‪18 .................‬‬
‫מתאמים ‪18 ..................... ................................ ................................ ................................‬‬
‫קורלציה פרמטרית ‪ -‬מקדם מתאם פירסון )‪18 ........... ................................ ................................ (Pearson‬‬
‫קורלציה אפרמטרית ‪ -‬מקדם מתאם ספירמן )‪19 ..... ................................ ................................ (Spearman‬‬
‫תרגילים‪ :‬מתאמים ‪19 ...... ................................ ................................ ................................‬‬
‫טבלאות דו‪-‬מימדיות )‪ (Crosstabs‬ובדיקת תלות בין משתנים באמצעות מבחן חי בריבוע ‪22 .....‬‬
‫טבלאות דו מימדיות – צלווח )‪22 ........................... ................................ ................................ (Crosstabs‬‬
‫מבחן חי בריבוע ‪24 ................................ ................................ ................................ ................................‬‬
‫תרגיל‪ :‬צלווח ‪26 ............... ................................ ................................ ................................‬‬
‫נושא מס' ‪ :13‬בדיקת כלי המחקר – מהימנות‪ ,‬ניתוח פריטים וניתוח גורמים ‪28 .....................‬‬
‫מהימנות )‪ (Reliability‬וניתוח פריטים ‪28 ........... ................................ ................................‬‬
‫תרגיל‪ :‬מהימנות וניתוח פריטים ‪33 .................... ................................ ................................‬‬
‫ניתוח גורמים )‪35 .................. ................................ ................................(Factor Analysis‬‬
‫תרגיל‪ :‬ניתוח גורמים‪45 .... ................................ ................................ ................................‬‬
‫נושא מס' ‪ :14‬מבחנים אפרמטריים ‪51 ..... ................................ Nonparametric Tests -‬‬
‫מבחן ‪ :Mann-Whitney‬השוואת שני מדגמים בלתי תלויים ‪51 ............ ................................‬‬
‫מבחן ‪ - Wilcoxon‬השוואת שני משתנים באותה קבוצה ‪53 ................. ................................‬‬
‫מבחן ‪ - Kriskal - Wallis‬השוואת ‪ 3‬מדגמים ומעלה ‪55 ....................... ................................‬‬
‫מבחן ‪ - Friedman‬השוואת שלושה משתנים ומעלה באותה קבוצה ‪58 .. ................................‬‬
‫מבחן חי בריבוע )‪ (Chi Square‬להשוואת משתנה קטגוריאלי‪-‬שמי להתפלגותו באוכלוסיה ‪60 ...‬‬
‫נושא מס' ‪ :15‬הפקת גרפים ‪62 ................... ................................ ................................‬‬
‫אפשרות ראשונה‪ :‬ממוצע של משתנה רציף כפונקציה של משתנה קטגוריאלי ‪62 ......................‬‬
‫אפשרות שניה‪ :‬השוואה בין ממוצעים של כמה משתנים רציפים ‪68 ........ ................................‬‬
‫אפשרות שלישית‪ :‬גרף שכיחות של משתנה קטגוריאלי ‪75 ..................... ................................‬‬
‫נושא מס' ‪ :16‬עיצוב‪ ,‬יצוא פלטים ויבוא קבצים ל‪77 .............. ................................ SPSS-‬‬
‫עיצוב טבלאות פלט ‪77 ...... ................................ ................................ ................................‬‬
‫יצוא פלטים ‪79 ................. ................................ ................................ ................................‬‬
‫יבוא קובץ אקסל ל‪80 ............................. ................................ ................................ SPSS-‬‬
‫‪2‬‬
‫יסודות ‪ - SPSS‬סמסטר ב'‬
‫נושא מס' ‪ :10‬הסקה סטטיסטית – ‪T Test‬‬
‫הסקה סטטיסטית‬
‫עד כה עסקנו אך ורק בסטטיסטיקה תיאורית )הצגה של ממוצע‪ ,‬חציון‪ ,‬סטיית תקן וכד'( לגבי‬
‫מדגם או אוכלוסייה‪ .‬הנושא שלפנינו פותח סדרת נושאים הדנים בהסקה סטטיסטית‪ .‬הסקה‬
‫סטטיסטית נדרשת כאשר יש צורך להשוות בין סטטיסטים של מספר מדגמים‪ ,‬למשל‪ ,‬הממוצע‬
‫שלהם‪ .‬נניח לדוגמה‪ ,‬כי הממוצע של מדגם א' הוא ‪ 3.1‬ואילו ממוצע מדגם ב' הוא ‪ .3.02‬לו היה‬
‫מדובר בממוצעי שתי אוכלוסיות מלאות‪ ,‬לא היה צורך בהסקה סטטיסטית והיה ברור שהממוצע‬
‫של אוכלוסיה א' גבוה משל אוכלוסיה ב'‪ .‬אולם‪ ,‬כאשר אנו עוסקים במדגמים‪ ,‬ובד"כ זהו המצב‬
‫במחקר כמותי‪ ,‬נשאלת השאלה האם ההבדל שנמצא )בדוגמה שלפנינו‪ ,‬בין ‪ 3.1‬ל‪ (3.02 -‬הוא אכן‬
‫הבדל מובהק כלומר מעיד )ברמת ביטחון מסוימת( על הבדל הקיים גם באוכלוסיות‪ .‬לשאלה זו יש‬
‫חשיבות רבה שכן מטרתנו במחקר כמותי היא ללמוד על מאפייני אוכלוסיות בהסתמך על בדיקת‬
‫מדגמים‪ .‬סדרת המבחנים הסטטיסטיים שיפורטו בהמשך‪ ,‬נועדו להשיב על שאלות מסוג זה עבור‬
‫מקרים שונים‪ .‬מבחני ההסקה הסטטיסטית הראשונים שבהם נעסוק נקראים "מבחנים‬
‫פרמטריים"‪ .‬בהמשך נעסוק גם במבחנים אפרמטריים‪.‬‬
‫הכלי הראשון שבו נעסוק נקרא מבחן ‪ t‬והוא מתחלק ל‪ 3-‬סוגים כפי שיוסבר בהמשך‪.‬‬
‫מטרת מבחן ‪ t‬וסוגי המבחן‬
‫מבחן ‪ t‬נועד לבחון האם ההבדל בין שני ערכי ממוצע של ‪ 2‬מדגמים )או מדגם בהשוואה‬
‫לאוכלוסיה נתונה( הוא מובהק סטטיסטית )ברמת מובהקות נתונה(‪ .‬כלומר‪ ,‬כאשר אנו מסתמכים‬
‫על בדיקת מדגם )ולא על תוצאות האוכלוסיה כולה(‪ ,‬יש צורך לבדוק האם ההבדל שהתקבל הוא‬
‫משמעותי כלומר מעיד על הבדל הקיים גם בשתי האוכלוסיות שמהן נגזר המדגם‪ .‬לחילופין‪ ,‬יכול‬
‫להיות שההבדל הוא מקרי בלבד‪ .‬כאשר נשווה ממוצעים של שתי אוכלוסיות מלאות ולא מדגמים‬
‫מתוכן‪ ,‬לא יהיה צורך כלל להשתמש במבחן ‪ .t‬לעומת זאת‪ ,‬כאשר אנו עוסקים במדגם )או‬
‫באוכלוסיה עם שיעור החזר לא מלא( אזי יש צורך בהסקה סטטיסטית‪ .‬אם התברר שההבדל בין‬
‫‪ 2‬הממוצעים שנבחנו אינו מובהק‪ ,‬פירוש הדבר הוא כי ברמת ביטחון נתונה‪ ,‬קיים שוויון בין‬
‫ממוצעי שתי האוכלוסיות‪ .‬כאשר נמצא שההבדל הוא מובהק‪ ,‬משמעות הדבר היא כי ברמת‬
‫ביטחון נתונה‪ ,‬הדבר מעיד על קיומו של הבדל בין שתי האוכלוסיות‪ .‬במדעי החברה מקובל‬
‫להשתמש ברמת ביטחון של ‪ 95%‬אולם ניתן לקבוע גם רמות ביטחון אחרות )למשל ‪.(99%‬‬
‫הקביעה של רמת הביטחון נתונה בידי החוקר ועלין לציין זאת בדו"ח המחקר‪ .‬בקורס שלפנינו‪,‬‬
‫נשתמש באופן קבוע ברמה של ‪.95%‬‬
‫ישנם שלושה סוגים של מבחני ‪:t‬‬
‫•‬
‫•‬
‫•‬
‫מבחן להשוואת ממוצעי ‪ 2‬מדגמים בלתי תלויים‪:‬‬
‫)‪.Independent-samples t test (two-sample t test‬‬
‫מבחן להשוואת ממוצעי ‪ 2‬מדגמים מזווגים‪:‬‬
‫)‪.Paired samples t test (dependent t test‬‬
‫מבחן להשוואת ממוצע מדגם לממוצע האוכלוסיה‪.One-sample t test :‬‬
‫‪3‬‬
‫מבחן ‪ t‬מבוסס על בדיקת ההסתברות לדחיית השערת האפס ‪ H 0‬בטעות )טעות מסוג ראשון(‪.‬‬
‫עפ"י השערת האפס שני הממוצעים של האוכלוסיה שווים‪ . H 0 : µ1 = µ 2 :‬במדעי החברה נהוג‬
‫לדחות את השערת האפס )כלומר לקבוע כי ‪ ( µ1 ≠ µ 2‬אם ההסתברות לטעות בדחיית ‪ H 0‬קטנה‬
‫או שווה ל‪) 0.05 -‬רמת ביטחון של ‪.(95%‬‬
‫מבחן ‪ t‬להשוואת ממוצעי שני מדגמים בלתי תלויים ‪Independent-samples t test -‬‬
‫מבחן זה מיועד להשוואת ‪ 2‬ממוצעים של מדגמים שאינם תלויים זה בזה‪ .‬נתייחס למשתנה בלתי‬
‫תלוי הכולל שתי קטגוריות שביניהן יש להשוות‪ .‬למשל‪ ,‬נדרש להשוות ציון ממוצע במתמטיקה‬
‫)משתנה תלוי( בקבוצה א' וקבוצה ב' )משתנה בלתי תלוי(‪.‬‬
‫_‬
‫נוסחת הסטטיסטי ‪ t‬היא‪:‬‬
‫_‬
‫‪X1 − X 2‬‬
‫‪(n1 − 1) ⋅ s12 + (n2 − 1) ⋅ s22 1 1‬‬
‫) ‪⋅( +‬‬
‫‪n1 + n2 − 2‬‬
‫‪n1 n2‬‬
‫‪df = n1 + n2 − 2‬‬
‫דרגות חופש‪:‬‬
‫_‬
‫כאשר‪:‬‬
‫‪n1‬‬
‫=‪t‬‬
‫_‬
‫‪ = X 2‬ממוצע מדגם ‪.2‬‬
‫‪ = X 1‬ממוצע מדגם ‪.1‬‬
‫= גודל מדגם ‪.2‬‬
‫= גודל מדגם ‪n2 .1‬‬
‫‪ = s12‬שונות מדגם ‪.1‬‬
‫‪ = s22‬שונות מדגם ‪.1‬‬
‫המבחן מתבסס על ‪ 3‬הנחות יסוד‪:‬‬
‫•‬
‫•‬
‫•‬
‫התפלגות המשתנה הנבדק )התלוי( באוכלוסיה תהיה נורמאלית‪.‬‬
‫השונות בשתי האוכלוסיות שווה‪.‬‬
‫שתי הקבוצות הן בלתי תלויות אחת בשניה‪.‬‬
‫למרות האמור לעיל‪ ,‬מקובל כי המבחן הנ"ל תקף גם אם התפלגות האוכלוסיה אינה נורמאלית‬
‫ובתנאי שהמדגמים בעלי גודל זהה )גדול מ‪ (25-‬והמבחן דו‪-‬כווני‪ .‬המבחן מאפשר לבדוק האם‬
‫השונויות שוות ואם לא‪ ,‬להסתמך על תיקון למבחן המקורי‪ .‬במקרה שלא ניתן לבצע מבחן ‪,t‬‬
‫אפשר לבצע מבחן אחר אפרמטרי )‪.(Mann-Whitney‬‬
‫נתייחס כעת לקובץ ‪ :employee data.sav‬נדרש לבדוק האם קיים הבדל מובהק בין מספר‬
‫שנות הלימוד של פקידים לעומת מנהלים‪.‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Analyze‬‬
‫‪Compare Means‬‬
‫‪Independent samples t-test...‬‬
‫‪ .2‬בחר במשתנה התלוי ]‪ Educational Level (years) [educ‬בחלון )‪.Test Variable(s‬‬
‫‪ .3‬בחר במשתנה הבלתי תלוי ]‪ Employment Category [jobcat‬בחלון ‪.Grouping Variable‬‬
4
.Define Groups ‫( הקש על‬3 ‫( למנהלים )קוד‬1 ‫ כדי להשוות בין פקידים )קוד‬.4
.Use specified values ‫ בחר באופציה‬.5
.Group 1 ‫ עבור‬1 ‫ הקלד‬.6
.Group 2 ‫ עבור‬3 ‫ הקלד‬.7
: ‫ הסינטקס המתקבל הוא‬.OK ‫ ואח"כ‬Continue ‫ הקש‬.8
T-TEST GROUPS=jobcat(1 3)
/MISSING=ANALYSIS
/VARIABLES=educ
/CRITERIA=CI(.95).
‫‪5‬‬
‫הפלט המתקבל הוא‪:‬‬
‫‪T-Test‬‬
‫‪Group Statistics‬‬
‫‪Employme‬‬
‫‪Std. Error Mean‬‬
‫‪Std. Deviation‬‬
‫‪N‬‬
‫‪Mean‬‬
‫‪.122‬‬
‫‪2.333‬‬
‫‪12.87‬‬
‫‪363‬‬
‫‪.176‬‬
‫‪1.612‬‬
‫‪17.25‬‬
‫‪84‬‬
‫‪nt Category‬‬
‫‪Clerical‬‬
‫)‪Educational Level (years‬‬
‫‪Manager‬‬
‫‪Independent Sam ple s Te st‬‬
‫‪Levene's Test‬‬
‫‪for Equality of‬‬
‫‪Variances‬‬
‫‪t-t est for E quality of Means‬‬
‫‪95% Confidenc e‬‬
‫‪Int erval of t he‬‬
‫‪Difference‬‬
‫‪Upper‬‬
‫‪Lower‬‬
‫‪St d.‬‬
‫‪Error‬‬
‫‪Differ‬‬
‫‪ence‬‬
‫‪Mean‬‬
‫‪Differe‬‬
‫‪nc e‬‬
‫‪Sig.‬‬
‫‪(2-ta‬‬
‫)‪iled‬‬
‫‪df‬‬
‫‪t‬‬
‫‪Sig.‬‬
‫‪F‬‬
‫‪-3.855‬‬
‫‪-4.910‬‬
‫‪.268‬‬
‫‪-4.382‬‬
‫‪.000‬‬
‫‪445‬‬
‫‪-16‬‬
‫‪.001‬‬
‫‪10.47‬‬
‫‪-3.959‬‬
‫‪-4.805‬‬
‫‪.214‬‬
‫‪-4.382‬‬
‫‪.000‬‬
‫‪174‬‬
‫‪-20‬‬
‫‪Equal‬‬
‫‪varianc es‬‬
‫‪as sumed‬‬
‫‪Equal‬‬
‫‪varianc es not‬‬
‫‪as sumed‬‬
‫‪Educational‬‬
‫)‪Level (years‬‬
‫הפלט כולל ‪ 2‬טבלאות‪ .‬מהטבלה הראשונה ניתן ללמוד כי ההשכלה הממוצעת של מנהלים היא‬
‫‪ 17.25‬ואילו של פקידים היא ‪ .12.87‬נשאלת השאלה האם ההבדל בין שני ממוצעים אלה הוא‬
‫מובהק‪ .‬כדי לענות על השאלה‪ ,‬נתבונן בטבלה השניה‪ .‬תחילה‪ ,‬יש לבדוק האם השונויות של שתי‬
‫הקבוצות שוות או לא‪ .‬נשתמש בתוצאות מבחן ‪ Levene‬הבודק האם ההבדל בין השונויות‬
‫מובהק‪ .‬ממבחן לוין מתברר כי ‪ , Sig < 0.05‬כלומר ההבדל בין השונויות מובהק סטטיסטית‪.‬‬
‫ההסבר לכך הוא כדלקמן‪ :‬קיימת הסתברות קטנה מ‪ 0.05 -‬לדחות בטעות את השערת האפס‬
‫)שהשונויות שוות( לכן אנו דוחים את השערת האפס ומסיקים כי קיים הבדל מובהק בין‬
‫השונויות‪ .‬כיוון שכך‪ ,‬לא ניתן במקרה זה להסתמך על מבחן ‪ t‬המבוסס על שוויון שונויות אלא על‬
‫כזה המבוסס על אי שוויון‪.‬‬
‫לכן נקרא את התוצאות בשורה השניה )‪ (Equal variances not assumed‬שעל‪-‬פיה רמת‬
‫המובהקות של מבחן ‪ t‬הוא ‪) 0.000‬כלומר ההסתברות לדחיית השערת האפס בטעות היא נמוכה‬
‫מאד(‪ .‬המסקנה‪ :‬קיים הבדל מובהק סטטיסטית בין הממוצעים – ההשכלה הממוצעת של‬
‫מנהלים גבוהה מזו של הפקידים‪.‬‬
‫‪6‬‬
‫תרגיל‪Independent-samples t test :‬‬
‫קובץ‪s-klali-5 scale-rek.sav :‬‬
‫האם קיים הבדל מובהק בין ממוצע תלמידים בבית ספר א' בהשוואה ל‪-‬ב' בשאלה ‪) q2_s‬מצוי‪:‬‬
‫שיתוף פעולה בין תלמידים ומורים(?‬
‫תשובה‪ :‬עפ"י מבחן לוין ‪ ,sig=.628‬כלומר לא קיים הבדל מובהק בין שונויות ‪ 2‬המדגמים‬
‫)כלומר‪ ,‬השונויות שוות( ולכן נקרא את השורה הראשונה )‪ .(Equal variances assumed‬בשורה‬
‫זו‪ .sig=.000 ,‬מסקנה‪ :‬קיים הבדל מובהק סטטיסטית בין ממוצע בי"ס א' לממוצע בי"ס ב'‬
‫)ממוצע ב' גבוה יותר(‪.‬‬
‫נדווח‪t (349 ) = −3.937, p < 0.001 :‬‬
‫‪Group Statistics‬‬
‫‪Std. Error Mean‬‬
‫‪Mean‬‬
‫‪Std. Deviation‬‬
‫בית ספר‬
‫‪N‬‬
‫‪.086‬‬
‫‪1.173‬‬
‫‪2.85‬‬
‫‪187‬‬
‫בית ספר א‬
‫‪.090‬‬
‫‪1.159‬‬
‫‪3.34‬‬
‫‪164‬‬
‫בית ספר ב‬
‫מצוי ‪:‬שיתוף פעולה בין תלמידים‬
‫ומורים‬
‫‪Independent Samples Test‬‬
‫‪Levene's Test for‬‬
‫‪Equality of‬‬
‫‪Variances‬‬
‫‪t-test for Equality of Means‬‬
‫‪95% Confidence‬‬
‫‪Interval of the‬‬
‫‪Difference‬‬
‫‪Upper‬‬
‫‪Lower‬‬
‫‪Std. Error‬‬
‫‪Mean‬‬
‫‪Sig. (2- Differenc Differenc‬‬
‫‪e‬‬
‫‪e‬‬
‫‪df‬‬
‫)‪tailed‬‬
‫‪t‬‬
‫‪-3.937‬‬
‫‪-.246‬‬
‫‪.125 -.737‬‬
‫‪-.491‬‬
‫‪.000‬‬
‫‪349‬‬
‫‪-.246‬‬
‫‪.125 -.736‬‬
‫‪-.491‬‬
‫‪.000‬‬
‫‪-3.940 344.064‬‬
‫‪Sig.‬‬
‫‪.628‬‬
‫‪F‬‬
‫‪.236‬‬
‫‪Equal‬‬
‫‪:‬מצוי‬
‫‪variance‬‬
‫שיתוף‬
‫‪ s‬בין פעולה‬
‫‪assumed‬‬
‫תלמידים‬
‫‪Equal‬‬
‫ומורים‬
‫‪variance‬‬
‫‪s not‬‬
‫‪assumed‬‬
‫‪7‬‬
‫מבחן ‪ t‬להשוואת ממוצעי שני מדגמים מזווגים ‪Paired samples t test -‬‬
‫מבחן זה מיועד להשוואת ממוצעים של שני משתנים באותה קבוצה או השוואת אותו משתנה‬
‫בשני מועדים שונים )למשל‪ ,‬לפני התערבות ואחריה( או השוואת ממוצעי שני משתנים מזווגים‬
‫)למשל הורים וילדים‪ ,‬בני זוג וכד'(‪.‬‬
‫נתייחס כעת לקובץ ‪ .world95.sav‬נבדוק האם קיים הבדל מובהק בין תוחלת חיים ממוצעת של‬
‫נשים וגברים )הקובץ כולל תוחלת חיים של גברים ונשים במדינות שונות(‪.‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Analyze‬‬
‫‪Compare Means‬‬
‫‪Paired samples t-test...‬‬
‫‪ .2‬בחר בתיבת השיח ‪ 2‬משתנים‪ Average female life expectancy [lifeexpf] :‬ו‪Average -‬‬
‫]‪.male life expectancy [lifeexpm‬‬
‫‪ .3‬העבר אותם לטבלה ‪ Paired Variables‬והקלק ‪ .OK‬הסינטקס המתקבל הוא‪:‬‬
‫)‪T-TEST PAIRS=lifeexpf WITH lifeexpm (PAIRED‬‬
‫)‪/CRITERIA=CI(.9500‬‬
‫‪/MISSING=ANALYSIS.‬‬
‫הפלט המתקבל‪:‬‬
‫‪Paired Samples Statistics‬‬
‫‪Std. Error Mean‬‬
‫‪Std. Deviation‬‬
‫‪Mean‬‬
‫‪N‬‬
‫‪1.013‬‬
‫‪10.572‬‬
‫‪109‬‬
‫‪70.16‬‬
‫‪.888‬‬
‫‪9.273‬‬
‫‪109‬‬
‫‪64.92‬‬
‫‪Average female life‬‬
‫‪expectancy‬‬
‫‪Average male life‬‬
‫‪expectancy‬‬
‫‪Pair 1‬‬
‫‪8‬‬
‫‪Paired Samples Test‬‬
‫‪Paired Differences‬‬
‫‪95% Confidence‬‬
‫‪Interval of the‬‬
‫‪Std.‬‬
‫‪Difference‬‬
‫‪Error‬‬
‫‪Std.‬‬
‫‪Mean‬‬
‫‪Deviation‬‬
‫‪Sig. (2‬‬‫‪df‬‬
‫)‪tailed‬‬
‫‪t‬‬
‫‪Lower‬‬
‫‪Upper‬‬
‫‪Mean‬‬
‫‪Average‬‬
‫‪Pair 1‬‬
‫‪female life‬‬
‫‪.000‬‬
‫‪108‬‬
‫‪5.669 24.109‬‬
‫‪.217‬‬
‫‪4.808‬‬
‫‪5.239‬‬
‫‪2.269‬‬
‫ ‪expectancy‬‬‫‪Average male‬‬
‫‪life‬‬
‫‪expectancy‬‬
‫מהטבלה השניה ניתן לראות את הפרש הממוצעים )‪ (5.239‬ואת מובהקות המבחן ) ‪.( Sig = 0.000‬‬
‫מסקנה‪ :‬קיים הבדל מובהק בין שני הממוצעים – תוחלת החיים של נשים גבוהה משל גברים‪.‬‬
‫תרגיל‪Paired samples t test :‬‬
‫קובץ‪s-klali-5 scale-rek.sav :‬‬
‫האם קיים הבדל מובהק בין השאלה ‪)) q2‬רצוי‪ :‬שיתוף פעולה בין תלמידים ומורים( בהשוואה‬
‫לשאלה ‪) q2_s‬מצוי‪ :‬שיתוף פעולה בין תלמידים ומורים( עבור כלל המדגם שבקובץ?‬
‫תשובה‪ :‬קיים הבדל מובהק )בטבלה השלישית ‪.(sig=.000‬‬
‫‪Paired Samples Statistics‬‬
‫‪Std. Error Mean‬‬
‫‪Std. Deviation‬‬
‫‪Mean‬‬
‫‪N‬‬
‫‪.025‬‬
‫‪.796‬‬
‫‪1009‬‬
‫‪4.65‬‬
‫‪.038‬‬
‫‪1.192‬‬
‫‪1009‬‬
‫‪3.34‬‬
‫תלמידים בין פעולה שיתוף ‪:‬רצוי‬
‫‪Pair 1‬‬
‫ומורים‬
‫תלמידים בין פעולה שיתוף ‪:‬מצוי‬
‫ומורים‬
‫‪Paired Samples Correlations‬‬
‫‪Sig.‬‬
‫‪Correlation‬‬
‫‪N‬‬
‫תלמידים בין פעולה שיתוף ‪:‬רצוי‬
‫‪.000‬‬
‫‪.204‬‬
‫‪1009‬‬
‫בין פעולה שיתוף ‪:‬מצוי & ומורים‬
‫ומורים תלמידים‬
‫‪Paired Samples Test‬‬
‫‪Pair 1‬‬
‫‪9‬‬
‫‪Paired Differences‬‬
‫‪Sig.‬‬
‫‪95% Confidence‬‬
‫‪(2-‬‬
‫‪Interval of the‬‬
‫‪Std.‬‬
‫‪tailed‬‬
‫‪Difference‬‬
‫‪Error‬‬
‫‪Deviatio‬‬
‫‪Mean‬‬
‫‪n‬‬
‫)‬
‫‪df‬‬
‫‪Upper‬‬
‫‪t‬‬
‫‪Lower‬‬
‫‪Std.‬‬
‫‪Mean‬‬
‫תלמידים בין פעולה שיתוף ‪:‬רצוי ‪Pair 1‬‬
‫‪1008 .000‬‬
‫‪31.994‬‬
‫‪.041 1.221 1.380‬‬
‫בין פעולה שיתוף ‪:‬מצוי ‪ -‬ומורים‬
‫‪1.300 1.291‬‬
‫ומורים תלמידים‬
‫מבחן ‪ t‬להשוואת ממוצע מדגם לממוצע האוכלוסיה ‪One sample t test -‬‬
‫מבחן זה מתאים לבדיקת מובהקות ההבדל בין ממוצע של משתנה בקובץ לבין ממוצע האוכלוסיה‬
‫המתפלגת נורמאלית‪.‬‬
‫נתייחס כעת לקובץ ‪ world95.sav‬ונבדוק האם קיים הבדל מובהק בין תוחלת החיים הממוצעת‬
‫של נשים הידועה עפ"י פרסום מדעי של ‪ 75‬לעומת תוחלת החיים הממוצעת במדגם שבקובץ‪.‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Analyze‬‬
‫‪Compare Means‬‬
‫‪One sample t-test...‬‬
‫‪ .2‬בחר במשתנה]‪Average female life expectancy [lifeexpf‬‬
‫והעבירו לרשימה‬
‫‪.Test Variables‬‬
‫‪ .3‬בחלון ‪ Test Value‬הקלד ‪.75‬‬
‫‪ .4‬הקשה ‪ .OK/Paste‬מתקבל הסינטקס‪:‬‬
‫‪T-TEST‬‬
‫‪/TESTVAL = 75‬‬
‫‪/MISSING = ANALYSIS‬‬
‫‪/VARIABLES = lifeexpf‬‬
‫‪/CRITERIA = CI(.95) .‬‬
‫יתקבל הפלט‪:‬‬
‫‪T-Test‬‬
‫‪One-Sample Statistics‬‬
‫‪Std. Error Mean‬‬
‫‪1.013‬‬
‫‪Std. Deviation‬‬
‫‪10.572‬‬
‫‪Mean‬‬
‫‪70.16‬‬
‫‪N‬‬
‫‪109‬‬
‫‪Average female life‬‬
‫‪expectancy‬‬
‫‪10‬‬
‫‪One-Sample Test‬‬
‫‪Test Value = 75‬‬
‫‪95% Confidence Interval of‬‬
‫‪the Difference‬‬
‫‪Upper‬‬
‫‪-2.84‬‬
‫‪Lower‬‬
‫‪-6.85‬‬
‫‪Mean‬‬
‫‪Difference‬‬
‫‪-4.844‬‬
‫)‪Sig. (2-tailed‬‬
‫‪.000‬‬
‫‪df‬‬
‫‪108‬‬
‫‪t‬‬
‫‪-4.784‬‬
‫‪Average female life‬‬
‫‪expectancy‬‬
‫משמעות הפלט‪ :‬הטבלה הראשונה מציגה )בין היתר( ממוצע וסטיית תקן של המשתנה הנבדק‬
‫)מהמדגם(‪ .‬הממוצע במדגם הוא ‪ 70.16‬ונשאלת השאלה האם קיים הבדל מובהק בינו לבין הנתון‬
‫‪ .75‬מקריאת הטבלה השניה ניתן ללמוד כי ‪ Sig=0.000‬כלומר ההסתברות לדחיית השערת‬
‫האפס בטעות )שקיים שוויון( נמוכה נאד )בוודאי נמוכה מ‪ .(0.05 -‬מסקנה‪ :‬נדחה את השערת‬
‫האפס ונסיק כי קיים הבדל מובהק סטטיסטית בין שני הממוצעים )תוחלת החיים במדגם נמוכה‬
‫יותר(‪.‬‬
‫‪11‬‬
‫נושא מס' ‪ :11‬ניתוח שונות חד כווני‪ANOVA: 1-way Analysis of Variance -‬‬
‫מבחן זה מיועד לבחון אם קיים הבדל מובהק בין ממוצעים של משתנה תלוי כמותי ב‪ 3 -‬קבוצות‬
‫או יותר וכן בין אילו קבוצות ההבדל הוא מובהק‪ .‬המבחן מתייחס למשתנה תלוי אחד ומשתנה‬
‫בלתי תלוי אחד‪.‬‬
‫המבחן מתבסס על סטטיסטי ‪ F‬המחושב ע"י התוכנה כדלקמן‪:‬‬
‫‪SS b‬‬
‫‪F = m −1‬‬
‫‪SSW‬‬
‫‪n−m‬‬
‫כאשר‪) Sum of squares between groups = SSb :‬סכום ריבועי הסטיות בין ממוצע של כל‬
‫קבוצה לממוצע הכללי מוכפל בשכיחות הקבוצה(‪.‬‬
‫‪) Sum of squares within groups = SS w‬סכום ריבועי הסטיות בין כל תצפית לממוצע‬
‫הקבוצה ‪.‬‬
‫‪ = m‬מספר קבוצות )מדגמים(‪.‬‬
‫‪ = n‬שכיחות כללית )גודל כל המדגמים ביחד(‪.‬‬
‫דרגות חופש‪:‬‬
‫‪ df‬עבור ‪m − 1 =Between groups‬‬
‫‪ df‬עבור ‪n − m = Within groups‬‬
‫ניתוח שונות בדומה למבחן ‪ t‬הוא מבחן פרמטרי וגם הוא מתבסס על ההנחות הבאות‪:‬‬
‫•‬
‫•‬
‫•‬
‫התפלגות המשתנה הנבדק )התלוי( בכל אחת מהאוכלוסיות היא נורמאלית‪.‬‬
‫השונויות בכל הקבוצות המושוות שוות‪.‬‬
‫כל הקבוצות הן בלתי תלויות זו בזו‪.‬‬
‫ניתן להפר את שתי ההנחות הראשונות בתנאי שהמדגמים שווים בגודלם וגדולים מספיק‪ .‬ההנחה‬
‫השלישית חייבת להתקיים עבור מבחן זה‪.‬‬
‫נתייחס כעת לקובץ ‪ cars.sav‬ונבדוק האם קיים הבדל מובהק בין התאוצה הממוצעת של‬
‫מכוניות אמריקאיות‪ ,‬אירופאיות ויפניות ואם כן בין אילו זוגות הוא אכן קיים )ישנן ‪ 3‬חלופות(‪.‬‬
‫נבחן את המשתנה התלוי ]‪.Time to Accelerate from 0 to 60 mph (sec) [accel‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Analyze‬‬
‫‪Compare Means‬‬
‫‪One way ANOVA...‬‬
‫‪12‬‬
‫‪ .2‬בחר במשתנה ]‪ Time to Accelerate from 0 to 60 mph (sec) [accel‬והעבירו לתיבה‬
‫‪.Dependent List‬‬
‫‪ .3‬בחר במשתנה ]‪ Country of Origin [origin‬והעבירו לחלון ‪) Factor‬האפשרויות הן‬
‫‪-1‬אמריקה ‪-2‬אירופה ‪-3‬יפן(‪ .‬כעת‪ ,‬אם נקיש ‪ OK‬נקבל פלט המשווה בין שלוש הקבוצות אולם‬
‫יש צורך במרכיבים נוספים כדי ללמוד על ההבדלים בין הקבוצות‪ :‬סטטיסטיקה תיאורית‬
‫ומבחן ‪.Post-hoc‬‬
‫‪ .4‬בחר את האופציה ‪ .Options‬תתקבל תיבת השיח הבאה‪:‬‬
‫‪13‬‬
‫‪ .5‬סמן את החלופות הבאות‪:‬‬
‫•‬
‫‪ :Decriptive‬סטטיסטיקה תיאורית‪.‬‬
‫•‬
‫‪ :Homogeneity of variance test‬מבחן לוין להשוואת שונויות בין הקבוצות‪.‬‬
‫•‬
‫‪ :Means plot‬גרפי ממוצעים‪.‬‬
‫כעת נבצע בדיקות של כל הזוגות האפשריים באמצעות שגרת ‪) post hoc‬במקרה שלפנינו ישנם ‪3‬‬
‫זוגות‪ :‬אמריקאיות‪-‬אירופאיות‪ ,‬אמריקאיות‪-‬יפניות ואירופאיות‪ -‬יפניות(‪ .‬שגרת ‪post hoc‬‬
‫אקוויוולנטית לביצוע מספר מבחני ‪ .t‬אם נבצע מספר מבחני ‪ t‬לא נוכל לשלוט בטעות‬
‫הסטטיסטית )מסוג ‪ (1‬המצטברת‪ .‬המבחנים הכלולים בשגרת ‪post hoc‬‬
‫עורכת את כל‬
‫ההשוואות אוטומטית בלי צורך להגדיר זוגות וכן מתגברת על בעיית הטעות המצטברת )כמפורט‬
‫בהמשך(‪.‬‬
‫‪ .6‬בחר באפשרות ‪ post hoc‬מתוך תיבת השיח הראשית‪ .‬מתקבלת תיבת השיח הבאה‪:‬‬
‫ניתן לבחור מבחן יחיד או מספר מבחנים מתוך שתי קבוצות‪ :‬מבחנים המתאימים כאשר השונות‬
‫בין הקבוצות שווה )‪ (Equal Variance Assumed‬או מבחנים המתאימים כאשר השונות בין‬
‫הקבוצות אינה שווה )‪:(Equal Variance Not Assumed‬‬
‫‪Equal Variance Assumed‬‬
‫•‬
‫•‬
‫‪ :(Least significant Difference) LSD‬דומה לביצוע של מספר מבחני ‪ t‬ללא שליטה‬
‫בצבירת גודל הטעות הסטטיסטית‪ .‬כיוון שכך‪ ,‬אינו מומלץ בד"כ‪.‬‬
‫‪ :(Stundentized Newman Keuls) S-N-K‬מבקר אך במעט את גודל הטעות‬
‫הסטטיסטית )כנ"ל(‪.‬‬
‫‪14‬‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫‪ :Bonferroni‬מבקר את גודל הטעות מסוג ‪ 1‬אולם בעל עוצמת מבחן )‪ (Power‬חלשה‪.‬‬
‫מתאים יותר כאשר מספר הקבוצות קטן‪.‬‬
‫‪ :Tukey‬מבקר את גודל הטעות מסוג ‪ 1‬אולם בעל עוצמת מבחן )‪ (Power‬חלשה‪ .‬מתאים‬
‫יותר כאשר מספר רב של קבוצות‪.‬‬
‫‪ Dunn‬ו‪ Schefee -‬חזקים בשמירה על הטעות הסטטיסטית אולם הם בעלי עוצמת מבחן‬
‫נמוכה משל ‪.Tukey‬‬
‫‪ :Gabriel‬מתאים להשוות בין מדגמים בעלי גודל השונה במעט‪.‬‬
‫‪ :Hochberg's GT2l‬מתאים רק כאשר השונויות בין הקבוצות דומות‪.‬‬
‫‪Equal Variance Not Assumed‬‬
‫כל המבחנים הללו )‪ (Tamhane's T2 , Dunnett's T3 , Dunnett's C‬מתאימים למצב שבו‬
‫השונות של הקבוצות אינן שוות‪ .‬מבחן ‪ Games-Howell‬מתאים גם כן למצב זה אולם רק כאשר‬
‫הקבוצות אינן קטנות‪.‬‬
‫‪ .7‬כיוון ששוניות הקבוצות אינן שוות )כפי שניתן לראות בהמשך במבחן לוין שבפלט(‪ ,‬יש לבחור‬
‫במבחן המתאים לשונויות בלתי שוות ‪.(Equal Variance Not Assumed‬‬
‫‪ .8‬סמן אם כן את המבחן ‪ Games-Howell‬והקש ‪.Continue‬‬
‫‪ .9‬הקש ‪ OK/Paste‬בתיבת השיח הראשית‪.‬‬
‫מתקבל הסינטקס‪:‬‬
‫‪ONEWAY accel BY origin‬‬
‫‪/STATISTICS DESCRIPTIVES HOMOGENEITY‬‬
‫‪/PLOT MEANS‬‬
‫‪/MISSING ANALYSIS‬‬
‫‪/POSTHOC=GH ALPHA(0.05).‬‬
‫מתקבל הפלט הבא‪:‬‬
‫‪Descriptives‬‬
‫)‪Time to Accelerate from 0 to 60 mph (sec‬‬
‫‪95% Confidence Interval‬‬
‫‪for Mean‬‬
‫‪Std.‬‬
‫‪Deviation‬‬
‫‪Mean‬‬
‫‪N‬‬
‫‪Std. Error Lower Bound Upper Bound‬‬
‫‪Maximum‬‬
‫‪Minimum‬‬
‫‪14.58‬‬
‫‪.176‬‬
‫‪2.801‬‬
‫‪14.93‬‬
‫‪253‬‬
‫‪American‬‬
‫‪22‬‬
‫‪8‬‬
‫‪15.28‬‬
‫‪.352‬‬
‫‪3.011‬‬
‫‪16.82‬‬
‫‪73‬‬
‫‪European‬‬
‫‪25‬‬
‫‪12‬‬
‫‪17.52‬‬
‫‪16.12‬‬
‫‪1.955‬‬
‫‪16.17‬‬
‫‪79‬‬
‫‪Japanese‬‬
‫‪21‬‬
‫‪11‬‬
‫‪16.61‬‬
‫‪15.73‬‬
‫‪.220‬‬
‫‪2.803‬‬
‫‪15.51‬‬
‫‪405‬‬
‫‪25‬‬
‫‪8‬‬
‫‪15.79‬‬
‫‪15.24‬‬
‫‪.139‬‬
‫‪Total‬‬
‫‪Test of Homogeneity of Variances‬‬
‫)‪Time to Accelerate from 0 to 60 mph (sec‬‬
‫‪Sig.‬‬
‫‪.002‬‬
‫‪df2‬‬
‫‪402‬‬
‫‪df1‬‬
‫‪2‬‬
‫‪Levene Statistic‬‬
‫‪6.317‬‬
15
ANOVA
Time to Accelerate from 0 to 60 mph (sec)
Sum of Squares
df
Mean Square
245.840
2
122.920
Within Groups
2928.079
402
7.284
Total
3173.918
404
Between Groups
F
Sig.
16.876
SS b
245.84
122.92
2
=
= 16.876
F = m −1 =
2928.1 7.284
SSW
402
n−m
.000
:‫הסבר החישוב‬
Post Hoc Tests
Multiple Comparisons
Time to Accelerate from 0 to 60 mph (sec)
Games-Howell
(I) Country of (J) Country
95% Confidence Interval
Mean Difference
Origin
of Origin
(I-J)
Std. Error
Sig.
Lower Bound
Upper Bound
American
European
-1.893*
.394
.000
-2.83
-.96
Japanese
-1.244*
.282
.000
-1.91
-.58
American
1.893*
.394
.000
.96
2.83
Japanese
.650
.415
.265
-.34
1.64
American
1.244*
.282
.000
.58
1.91
European
-.650
.415
.265
-1.64
.34
European
Japanese
*. The mean difference is significant at the 0.05 level.
16
Means Plots
ANOVA :‫תרגיל‬
s-klali-5 scale-rek.sav :‫קובץ‬
‫ ידע ויכולת הדרכה‬:‫ )מצוי‬q15_s ‫האם קיים הבדל מובהק בין שלושת בתי הספר באשר לשאלה‬
?‫טובה של המורים( עבור הורים בלבד‬
Post ‫ השתמש במבחן‬,‫ בין אלו בתי ספר קיים הבדל? )אם קיים הבדל‬,‫אם קיים הבדל מובהק‬
.(Tamhane ‫ מסוג‬Hoc
.'‫ג‬-‫ב' וכן בין א' ל‬-‫ קיים הבדל מובהק בין בית ספר א' ל‬:‫תשובה‬
USE ALL.
COMPUTE filter_$=(group=2).
VARIABLE LABEL filter_$ 'group=2 (FILTER)'.
VALUE LABELS filter_$ 0 'Not Selected' 1 'Selected'.
FORMAT filter_$ (f1.0).
FILTER BY filter_$.
EXECUTE.
ONEWAY q15_s BY school
/STATISTICS DESCRIPTIVES HOMOGENEITY
/MISSING ANALYSIS
/POSTHOC=T2 ALPHA(0.05).
17
Oneway
Descriptives
‫מצוי‬: ‫המורים של טובה הדרכה ויכולת ידע‬
95% Confidence Interval
for Mean
Std.
Lower
Upper
N
Mean
Deviation
Std. Error
Bound
Bound
Minimum
Maximum
‫בית ספר א‬
208
3.33
1.138
.079
3.18
3.49
1
5
‫בית ספר ב‬
144
3.70
1.091
.091
3.52
3.88
1
5
‫בית ספר ג‬
123
3.80
.757
.068
3.66
3.93
2
5
Total
475
3.56
1.056
.048
3.47
3.66
1
5
Test of Homogeneity of Variances
‫ידע ויכולת הדרכה טובה של המורים‬: ‫מצוי‬
Levene Statistic
df1
11.198
df2
2
Sig.
472
.000
ANOVA
‫ידע ויכולת הדרכה טובה של המורים‬: ‫מצוי‬
Sum of Squares
df
Mean Square
20.603
2
10.301
Within Groups
508.189
472
1.077
Total
528.792
474
Between Groups
F
Sig.
9.568
.000
Post Hoc Tests
Multiple Comparisons
‫ידע ויכולת הדרכה טובה של המורים‬: ‫מצוי‬
Tamhane
95% Confidence Interval
Mean Difference
‫(בית ספר‬I)
‫(בית ספר‬J)
(I-J)
Std. Error
Sig.
Lower Bound
Upper Bound
‫בית ספר א‬
‫בית ספר ב‬
-.370*
.120
.007
-.66
-.08
‫בית ספר ג‬
-.465*
.104
.000
-.72
-.21
‫בית ספר א‬
.370*
.120
.007
.08
.66
‫בית ספר ג‬
-.095
.114
.787
-.37
.18
‫בית ספר א‬
.465*
.104
.000
.21
.72
‫בית ספר ב‬
.095
.114
.787
-.18
.37
‫בית ספר ב‬
‫בית ספר ג‬
*. The mean difference is significant at the 0.05 level.
‫‪18‬‬
‫נושא מס' ‪ :12‬מתאמים‪ ,‬צלווח‪ ,‬ובדיקת תלות בין משתנים ע"י מבחן חי‪-‬בריבוע‬
‫מתאמים‬
‫קורלציה פרמטרית ‪ -‬מקדם מתאם פירסון )‪(Pearson‬‬
‫מקדם מתאם פירסון מודד קשר ליניארי בין שני משתנים רציפים )כמותיים( ומבוסס על‬
‫פרוצדורה פרמטרית‪ .‬טווח ערכי המקדם הוא בין ‪ -1‬לבין ‪ .1‬ערכים חיוביים מצביעים על קשר ישר‬
‫ואילו ערכים שליליים – קשר הפוך‪ .‬אם ערך המקדם נמוך‪ ,‬משמעות הדבר כי אין קשר ליניארי‬
‫בין שני המשתנים אולם יתכן כי קיים קשר מסוג אחר שאינו ליניארי‪ .‬מקובל במדעי החברה‬
‫לסווג מקדם קטן מ‪ 0.2‬כנמוך‪ ,‬בין ‪ 0.2‬ל‪ 0.4 -‬כבינוני ואילו מקדם מעל ‪ 0.4‬נחשב כגבוה‪ .‬הקשר בין‬
‫שני משתנים אינו מעיד על סיבתיות כלומר‪ ,‬אין פירוש הדבר שאחד הוא הסיבה והשני‪ ,‬התוצאה‪.‬‬
‫מקדם מתאם פירסון מחושב עפ"י הנוסחה הבאה‪:‬‬
‫_‬
‫_‬
‫) ‪Σ( xi − x)( yi − y‬‬
‫= ‪rxy‬‬
‫‪(n − 1) s x s y‬‬
‫_‬
‫כאשר‪ = xi :‬תצפית מס' ‪ i‬של משתנה ‪ = x . x‬ממוצע משתנה ‪x‬‬
‫_‬
‫‪ = yi‬תצפית מס' ‪ i‬של משתנה ‪ = y . y‬ממוצע משתנה ‪y‬‬
‫‪ = n‬מספר התצפיות‪.‬‬
‫‪ = s x‬סטיית תקן של ‪x‬‬
‫‪ = s y‬סטיית תקן של ‪. y‬‬
‫נתייחס כעת לקובץ ‪.1991 U.S. General Social Survey‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Analyze‬‬
‫‪Correlate‬‬
‫‪Bivariate...‬‬
‫‪19‬‬
‫‪ .2‬בחר מהרשימה את שני המשתנים ]‪ Highest Year of School Completed[educ‬וכן‬
‫]‪) Number of Children[childs‬ניתן לבחור מספר רב של משתנים(‪ .‬ברירת המחדל היא‬
‫‪ .Pearson‬כמו כן‪ ,‬החלופה ‪ Flag significant correlations‬מסומנת גם כן כברירת‬
‫מחדל‪ .‬משמעותה‪ ,‬מקדמי מתאם שמובהקותם ‪ 0.05‬יסומנו ע"י * ואילו כאלה שמובהקותם‬
‫‪ 0.01‬יסומנו ע"י **‪.‬‬
‫‪ .3‬הקש ‪ OK/Paste‬בתיבת השיח הראשית‪.‬‬
‫יתקבל הסינטקס הבא‪:‬‬
‫‪CORRELATIONS‬‬
‫‪/VARIABLES=educ childs‬‬
‫‪/PRINT=TWOTAIL NOSIG‬‬
‫‪/MISSING=PAIRWISE.‬‬
‫יתקבל הפלט הבא‪:‬‬
‫‪Correlations‬‬
‫‪Highest Year of‬‬
‫‪Number of‬‬
‫‪School‬‬
‫‪Children‬‬
‫‪Completed‬‬
‫**‪-.270‬‬
‫‪1.000‬‬
‫‪.000‬‬
‫)‪Sig. (2-tailed‬‬
‫‪1507‬‬
‫‪1510‬‬
‫‪1.000‬‬
‫**‪-.270‬‬
‫‪.000‬‬
‫‪1509‬‬
‫‪Pearson Correlation‬‬
‫‪1507‬‬
‫‪Highest Year of School‬‬
‫‪Completed‬‬
‫‪N‬‬
‫‪Pearson Correlation‬‬
‫‪Number of Children‬‬
‫)‪Sig. (2-tailed‬‬
‫‪N‬‬
‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬
‫קורלציה אפרמטרית ‪ -‬מקדם מתאם ספירמן )‪(Spearman‬‬
‫מקדם מתאם ספירמן מודד קשר ליניארי בין שני משתנים אשר אחד מהם או שניהם בסולם סודר‬
‫או משתנים כמותיים שנמדדו במדגם קטן מ‪ .30-‬תהליך הביצוע של הפרוצדורה זהה לזה של‬
‫מקדם פירסון אלא שיש לבחור בתיבת השיח הראשית ‪ .Spearman‬הטווח המתקבל והמשמעות‬
‫זהה למקדם פירסון‪.‬‬
‫תרגילים‪ :‬מתאמים‬
‫קובץ‪s-klali-5 scale-rek.sav :‬‬
‫‪ .1‬חשב מקדמי מתאם פירסון בין המשתנים ‪) q5_s ,q4_s ,q3_s ,q2_s ,q1_s‬עבור תלמידים‬
‫בלבד(‪ .‬בין אילו משתנים מתקבל מקדם המתאם הגבוה ביותר‪ ,‬מה ערכו ומהי המובהקות?‬
‫‪20‬‬
‫תשובה‪:‬‬
‫המשתנים‪ :‬מצוי‪ -‬שיתוף פעולה בין הורים ומנהלים ומצוי‪ :‬שיתוף פעולה בין מורים והורים‬
‫מתאם מכסימלי‪0.519 :‬‬
‫מובהקות‪0.01 :‬‬
‫‪USE ALL.‬‬
‫‪COMPUTE filter_$=(group=1).‬‬
‫‪VARIABLE LABEL filter_$ 'group=1 (FILTER)'.‬‬
‫‪VALUE LABELS filter_$ 0 'Not Selected' 1 'Selected'.‬‬
‫‪FORMAT filter_$ (f1.0).‬‬
‫‪FILTER BY filter_$.‬‬
‫‪EXECUTE.‬‬
‫‪CORRELATIONS‬‬
‫‪/VARIABLES=q1_s q2_s q3_s q4_s q5_s‬‬
‫‪/PRINT=TWOTAIL NOSIG‬‬
‫‪/MISSING=PAIRWISE.‬‬
‫‪Correlations‬‬
‫מצוי ‪:‬הסכמת‬
‫מורים‬
‫למעורבות‬
‫הורים בבית‪-‬‬
‫הספר‬
‫מצוי ‪:‬שיתוף‬
‫פעולה בין‬
‫מצוי ‪:‬שיתוף‬
‫מצוי ‪:‬שיתוף‬
‫מצוי ‪:‬שיתוף‬
‫תלמידים‬
‫פעולה בין מורים פעולה בין‬
‫פעולה בין‬
‫תלמידים ומורים והורים‬
‫הורים ומנהלים והורים‬
‫‪ Pearson‬מצוי ‪:‬שיתוף פעולה בין‬
‫‪ Correlation‬תלמידים והורים‬
‫**‪.382‬‬
‫**‪.405‬‬
‫**‪.470‬‬
‫**‪.452‬‬
‫‪.000‬‬
‫‪.000‬‬
‫‪.000‬‬
‫‪.000‬‬
‫‪493‬‬
‫‪500‬‬
‫‪497‬‬
‫‪510‬‬
‫**‪.428‬‬
‫**‪.313‬‬
‫**‪.387‬‬
‫**‪.452‬‬
‫‪.000‬‬
‫‪.000‬‬
‫‪.000‬‬
‫‪.000‬‬
‫)‪Sig. (2-tailed‬‬
‫‪496‬‬
‫‪504‬‬
‫‪503‬‬
‫‪517‬‬
‫‪510‬‬
‫‪N‬‬
‫**‪.458‬‬
‫**‪.519‬‬
‫**‪.387‬‬
‫**‪.470‬‬
‫‪.000‬‬
‫‪.000‬‬
‫‪.000‬‬
‫‪.000‬‬
‫)‪Sig. (2-tailed‬‬
‫‪486‬‬
‫‪492‬‬
‫‪503‬‬
‫‪497‬‬
‫‪N‬‬
‫‪505‬‬
‫‪512‬‬
‫‪ Pearson‬מצוי ‪:‬שיתוף פעולה בין‬
‫‪ Correlation‬תלמידים ומורים‬
‫‪ Pearson‬מצוי ‪:‬שיתוף פעולה בין‬
‫‪ Correlation‬מורים והורים‬
‫‪ Pearson‬מצוי ‪:‬שיתוף פעולה בין‬
‫‪ Correlation‬הורים ומנהלים‬
‫**‪.413‬‬
‫‪.519‬‬
‫‪.313‬‬
‫‪.000‬‬
‫‪.000‬‬
‫‪.000‬‬
‫‪.000‬‬
‫)‪Sig. (2-tailed‬‬
‫‪507‬‬
‫‪492‬‬
‫‪504‬‬
‫‪500‬‬
‫‪N‬‬
‫**‪.413‬‬
‫**‪.458‬‬
‫**‪.428‬‬
‫**‪.382‬‬
‫‪.000‬‬
‫‪.000‬‬
‫‪.000‬‬
‫‪.000‬‬
‫‪492‬‬
‫‪486‬‬
‫‪496‬‬
‫‪493‬‬
‫‪499‬‬
‫**‬
‫‪N‬‬
‫‪.405‬‬
‫‪492‬‬
‫**‬
‫**‬
‫)‪Sig. (2-tailed‬‬
‫‪ Pearson‬מצוי ‪:‬הסכמת מורים‬
‫‪ Correlation‬למעורבות הורים בבית‪-‬‬
‫)‪ Sig. (2-tailed‬הספר‬
‫‪N‬‬
‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬
‫‪ .2‬חשב מקדמי מתאם פירסון ןספירמן בין המשתנים ‪) q21_s ,q20_s‬עבור הורים ותלמידים‬
‫יחד(‪ .‬באיזו שיטה מתקבל מקדם מתאם גבוה ביותר‪ ,‬מה ערכו ומה המובהקות?‬
‫תשובה‪:‬‬
‫‪21‬‬
‫מתאם פירסון – ‪) 0.467‬מובהקות – ‪.(0.01‬‬
‫מתאם ספירמן – ‪) 0.482‬מובהקות – ‪.(0.01‬‬
‫)ראה טבלאות בעמוד הבא(‪.‬‬
‫‪Correlations‬‬
‫מצוי ‪:‬מוטיבציה‬
‫מצוי ‪:‬מוטיבציה‬
‫גבוהה של המורים‬
‫גבוהה של‬
‫ללמד‬
‫התלמידים ללמוד‬
‫**‪.467‬‬
‫‪1.000‬‬
‫‪Pearson Correlation‬‬
‫מצוי ‪:‬מוטיבציה גבוהה של‬
‫)‪Sig. (2-tailed‬‬
‫התלמידים ללמוד‬
‫‪.000‬‬
‫‪984‬‬
‫‪1.000‬‬
‫‪1011‬‬
‫‪990‬‬
‫‪N‬‬
‫**‬
‫‪Pearson Correlation‬‬
‫מצוי ‪:‬מוטיבציה גבוהה של המורים‬
‫‪.000‬‬
‫)‪Sig. (2-tailed‬‬
‫ללמד‬
‫‪984‬‬
‫‪N‬‬
‫‪.467‬‬
‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬
‫‪Correlations‬‬
‫מצוי ‪:‬מוטיבציה‬
‫מצוי ‪:‬מוטיבציה‬
‫גבוהה של המורים‬
‫גבוהה של‬
‫ללמד‬
‫התלמידים ללמוד‬
‫**‪.482‬‬
‫‪1.000‬‬
‫‪Correlation Coefficient‬‬
‫מצוי ‪:‬מוטיבציה גבוהה של‬
‫‪.000‬‬
‫‪.‬‬
‫)‪Sig. (2-tailed‬‬
‫התלמידים ללמוד‬
‫‪984‬‬
‫‪990‬‬
‫‪N‬‬
‫‪1.000‬‬
‫**‪.482‬‬
‫‪Correlation Coefficient‬‬
‫מצוי ‪:‬מוטיבציה גבוהה של המורים‬
‫‪.‬‬
‫‪.000‬‬
‫)‪Sig. (2-tailed‬‬
‫ללמד‬
‫‪1011‬‬
‫‪984‬‬
‫‪N‬‬
‫‪Spearman's rho‬‬
‫‪**. Correlation is significant at the 0.01 level (2-tailed).‬‬
‫‪22‬‬
‫טבלאות דו‪-‬מימדיות )‪ (Crosstabs‬ובדיקת תלות בין משתנים באמצעות מבחן חי בריבוע‬
‫טבלאות דו מימדיות – צלווח )‪(Crosstabs‬‬
‫טבלאות דו מימדיות )טבלאות צלווח( מציגות שכיחות של שני משתנים בתצוגה טבלאית‪.‬‬
‫טבלאות אלה עשויות לכלול גם מדדי קשר שונים )חי בריבוע‪ ,‬קרמר‪ ,‬למבדא וכד'(‪ .‬יש לכלול שני‬
‫משתנים לפחות )אחד בשורה ואחד בטור(‪ .‬המשתנים חייבים להיות קטגוריאליים ולא משתנים‬
‫רציפים‪.‬‬
‫נתייחס כעת לקובץ ‪:1991 U.S. General Social Survey‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Analyze‬‬
‫‪Decriptive Statistics‬‬
‫‪Crosstabs...‬‬
‫‪ .2‬בחר במשתנה ‪ sex‬והעבירו לחלון ‪.Row(s):‬‬
‫‪ .3‬בחר במשתנה ‪ happy‬והעבירו לחלון ‪.Column(s):‬‬
‫‪ .4‬הקש ‪ OK/Paste‬בתיבת השיח הראשית‪ .‬מתקבל הסינטקס‪:‬‬
‫‪CROSSTABS‬‬
‫‪/TABLES=sex BY happy‬‬
‫‪/FORMAT=AVALUE TABLES‬‬
‫‪/CELLS=COUNT‬‬
‫‪/COUNT ROUND CELL.‬‬
23
:‫מתקבל הפלט‬
Case Processing Summary
Cases
Valid
Respondent's Sex * General
Happiness
Missing
Total
N
Percent
N
Percent
N
Percent
1504
99.1%
13
.9%
1517
100.0%
Respondent's Sex * General Happiness Crosstabulation
Count
General Happiness
Respondent's Sex
Very Happy
Pretty Happy
Not Too Happy
Total
Male
206
374
53
633
Female
261
498
112
871
Total
467
872
165
1504
‫בחירת מדדים נוספים‬
:‫ מתקבלת תיבת השיח הבאה‬.‫ בתיבת השיח הראשית‬Cells… ‫ הקש‬.5
‫‪24‬‬
‫‪ .6‬סמן את החלופות הבאות‪:‬‬
‫בתפריט ‪) Counts‬שכיחויות(‪:‬‬
‫‪ :Observed‬מספר תצפיות בפועל בתא‪.‬‬
‫‪ :Expected‬מספר תצפיות בתא אם לא היתה כל תלות בין המשתנים‪.‬‬
‫בתפריט ‪) Percentages‬אחוזים(‪:‬‬
‫‪ :Row‬אחוזים מחושבים ביחס לסה"כ בשורה‪.‬‬
‫‪ :Column‬אחוזים מחושבים ביחס לסה"כ בטור‪.‬‬
‫‪ :Total‬אחוזים מחושבים ביחס לסה"כ הכללי בטבלה‪.‬‬
‫בתפריט ‪) Residuals‬שארית(‪ :‬שארית היא ההפרש בין שכיחות נצפית )בפועל( לבין שכיחות‬
‫צפויה‪ .‬שארית גבוהה מצביעה על תלות בין המשתנים‪.‬‬
‫‪ :Unstandardized‬הפרש בין שכיחות נצפית לשכיחות בפועל )ללא תקנון(‪ .‬אחוזים מחושבים‬
‫ביחס לסה"כ בשורה‪.‬‬
‫‪ .7‬הקש ‪.Continue‬‬
‫מבחן חי בריבוע‬
‫מבחן זה הוא אפרמטרי ותפקידו לבדוק האם קיימת תלות בין שני משתנים קטגוריאליים‪-‬שמיים‬
‫)השערת האפס היא שאין תלות(‪ .‬חי בריבוע מחושב ע"י הנוסחה הבאה‪:‬‬
‫‪(Oi − Ei ) 2‬‬
‫‪i −1‬‬
‫‪Ei‬‬
‫‪n‬‬
‫∑ = ‪χ2‬‬
‫כאשר‪ = Oi :‬שכיחות נצפית‪.‬‬
‫‪ = Ei‬שכיחות צפויה‪.‬‬
‫‪ .8‬בתיבת השיח הראשית הקש ‪ .Statistics‬מתקבלת תיבת השיח הבאה‪:‬‬
25
.Continue ‫ ו הקש‬Chi-square ‫ בחר‬.9
:‫ מתקבל הסינטקס‬.‫ בתיבת השיח הראשית‬OK/Paste ‫ הקש‬.10
CROSSTABS
/TABLES=sex BY happy
/FORMAT=AVALUE TABLES
/STATISTICS=CHISQ
/CELLS=COUNT EXPECTED ROW COLUMN TOTAL RESID
/COUNT ROUND CELL.
:‫מתקבל הפלט‬
Case Processing Summary
Valid
N
Respondent's Sex *
General Happiness
Percent
1504
99.1%
Cases
Mis sing
Percent
N
13
.9%
Total
N
Percent
1517
100.0%
Respondent's Sex * General Happiness Crosstabulation
General Happiness
Respondent's
Sex
Male
Count
Expected Count
% within
Respondent's Sex
% within General
Happiness
% of Total
Residual
Female
Count
Expected Count
% within
Respondent's Sex
% within General
Happiness
% of Total
Residual
Total
Count
Expected Count
% within
Respondent's Sex
% within General
Happiness
% of Total
Not Too
Happy
Very Happy
Pretty Happy
Total
206
196.5
374
367.0
53
69.4
633
633.0
32.5%
59.1%
8.4%
100.0%
44.1%
42.9%
32.1%
42.1%
13.7%
9.5
261
270.5
24.9%
7.0
498
505.0
3.5%
-16.4
112
95.6
42.1%
30.0%
57.2%
12.9%
100.0%
55.9%
57.1%
67.9%
57.9%
17.4%
-9.5
467
467.0
33.1%
-7.0
872
872.0
7.4%
16.4
165
165.0
57.9%
1504
1504.0
31.1%
58.0%
11.0%
100.0%
100.0%
100.0%
100.0%
100.0%
31.1%
58.0%
11.0%
100.0%
871
871.0
‫‪26‬‬
‫‪Chi-Square Tests‬‬
‫‪As ymp. Sig.‬‬
‫)‪(2-sided‬‬
‫‪Value‬‬
‫‪df‬‬
‫‪.021‬‬
‫‪.019‬‬
‫‪2‬‬
‫‪2‬‬
‫‪7.739 a‬‬
‫‪7.936‬‬
‫‪.028‬‬
‫‪1‬‬
‫‪4.812‬‬
‫‪Pearson Chi-Square‬‬
‫‪Likelihood Ratio‬‬
‫‪Linear-by-Linear‬‬
‫‪As sociation‬‬
‫‪N of Valid Cases‬‬
‫‪1504‬‬
‫‪a. 0 cells (.0%) have expected count less than 5. The‬‬
‫‪minimum expected count is 69.44.‬‬
‫הסבר‪ :‬מספר דרגות החופש ) ‪ ( df‬מחושב ע"י מכפלת מספר העמודות פחות ‪ 1‬במספר השורות‬
‫פחות ‪(3 − 1) ⋅ (2 − 1) = 2 :1‬‬
‫התקבל ערך ‪ Sig‬של ‪ 0.021‬כלומר ההסתברות לדחות את השערת האפס )האומרת שאין תלות‬
‫בין המשתנים( בטעות נמוכה מ‪ 0.05 -‬ולכן נדחה את השערת האפס‪ .‬מסקנה‪ :‬יש תלות בין‬
‫המשתנים‪.‬‬
‫תרגיל‪ :‬צלווח‬
‫קובץ‪s-klali-5 scale-rek.sav :‬‬
‫בדוק אם קיימת תלות בין המשתנה שכבה למשתנה בית‪-‬ספר )תלמידים בלבד(?‬
‫תשובה‪:‬‬
‫לא‪.‬‬
‫נימוק‪. Sig = 0.133 > 0.05 :‬‬
‫‪ Crosstabulation‬שכבה * ספר בית‬
‫שכבה‬
‫‪Total‬‬
‫כתה י"ב‬
‫כתה י"א‬
‫כתה י‬
‫כתה ט‬
‫כתה ח‬
‫כתה ז‬
‫‪190‬‬
‫‪32‬‬
‫‪35‬‬
‫‪35‬‬
‫‪28‬‬
‫‪28‬‬
‫‪32‬‬
‫‪18.4%‬‬
‫‪18.4%‬‬
‫‪14.7%‬‬
‫‪14.7%‬‬
‫‪16.8%‬‬
‫‪29‬‬
‫‪18‬‬
‫‪25‬‬
‫‪34‬‬
‫‪31‬‬
‫‪17.4%‬‬
‫‪10.8%‬‬
‫‪15.0%‬‬
‫‪20.4%‬‬
‫‪18.6%‬‬
‫‪17‬‬
‫‪31‬‬
‫‪32‬‬
‫‪36‬‬
‫‪31‬‬
‫‪10.2%‬‬
‫‪18.6%‬‬
‫‪19.2%‬‬
‫‪21.6%‬‬
‫‪18.6%‬‬
‫‪81‬‬
‫‪84‬‬
‫‪85‬‬
‫‪98‬‬
‫‪94‬‬
‫‪15.5%‬‬
‫‪16.0%‬‬
‫‪16.2%‬‬
‫‪18.7%‬‬
‫‪17.9%‬‬
‫‪16.8% 100.0%‬‬
‫‪167‬‬
‫‪30‬‬
‫‪18.0% 100.0%‬‬
‫‪167‬‬
‫‪20‬‬
‫‪12.0% 100.0%‬‬
‫‪524‬‬
‫‪82‬‬
‫‪15.6% 100.0%‬‬
‫‪Count‬‬
‫בית ספר א בית ספר‬
‫‪% within‬בית‬
‫ספר‬
‫‪Count‬‬
‫בית ספר ב‬
‫‪% within‬בית‬
‫ספר‬
‫‪Count‬‬
‫בית ספר ג‬
‫‪% within‬בית‬
‫ספר‬
‫‪Count‬‬
‫‪% within‬בית‬
‫ספר‬
‫‪Total‬‬
27
Chi-Square Tests
Asymp. Sig.
Value
df
(2-sided)
Pearson Chi-Square
14.965a
10
.133
Likelihood Ratio
15.766
10
.107
5.081
1
.024
Linear-by-Linear
Association
N of Valid Cases
524
a. 0 cells (.0%) have expected count less than 5. The minimum
expected count is 25.81.
‫‪28‬‬
‫נושא מס' ‪ :13‬בדיקת כלי המחקר – מהימנות‪ ,‬ניתוח פריטים וניתוח גורמים‬
‫מהימנות )‪ (Reliability‬וניתוח פריטים‬
‫נעסוק במהימנות מסוג עקיבות פנימית )‪ .(Internal consistency‬מטרת המהימנות לבדוק את‬
‫רמת העקיבות הפנימית של פריטים )שאלות בשאלון המחקר( שלהם עולם תוכן משותף‪ .‬כאשר‬
‫נמצאים מספר פריטים כאלה‪ ,‬ניתן להחליף אותם במשתנה חדש המחושב על‪-‬פיהם )למשל –‬
‫ממוצע חשבוני של אותם פריטים(‪ .‬היתרון של גישה זו הוא שהיא מאפשרת לחוקר להקטין את‬
‫מספר המשתנים וליצור משתנה אחד המכיל את כל המשתנים השייכים לעולם תוכן אחד‪ .‬כך ניתן‬
‫להקטין בצורה משמעותית את מספר המשתנים המוצגים בדו"ח המחקר‪ .‬לדוגמה‪ ,‬שאלון מחקר‬
‫כולל ‪ 12‬שאלות המודדות שביעות רצון של תלמידים מההוראה בבית הספר‪ .‬אם יש לכל ‪12‬‬
‫הפריטים הללו עקיבות פנימית מספקת הבאה לידי ביטוי במקדם מהימנות של ‪ 0.7‬ומעלה‪ ,‬נוכל‬
‫להחליף את כל השאלות הללו בגורם יחיד שיחושב ע"י הממוצע של כולם וייקרא "שביעות רצון‬
‫תלמידים מההוראה בבית הספר"‪.‬‬
‫מקדם מהימנות אלפא של קרונבאך מוגדר כדלקמן‪:‬‬
‫‪σ x − Σ iN=1σ yi‬‬
‫‪N‬‬
‫=‪α‬‬
‫(⋅‬
‫)‬
‫‪N −1‬‬
‫‪σ x2‬‬
‫‪2‬‬
‫‪2‬‬
‫כאשר‪ =N :‬מספר הפריטים סה"כ‪.‬‬
‫‪ = σ x2‬שונות כללית של הפריטים‪.‬‬
‫‪ = σ yi2‬שונות של הפריט ה‪.i -‬‬
‫נוסחה נוספת‪:‬‬
‫̅𝑟∙𝑁‬
‫̅𝑟∙)‪1+(𝑁−1‬‬
‫= 𝑑𝑒𝑧𝑖𝑑𝑟𝑎𝑑𝑛𝑎𝑡𝑠∝‬
‫כאשר‪ =N :‬מספר הפריטים סה"כ‪.‬‬
‫_‬
‫‪ = r‬מקדם מתאם ממוצע בין כל הפריטים‪.‬‬
‫נוסחה זו של אלפא מתוקננת ) 𝑑𝑒𝑧𝑖𝑑𝑟𝑎𝑑𝑛𝑎𝑡𝑠∝( שונה במעט מהקודמת ונותנת בדרך כלל ערך‬
‫_‬
‫מעט יותר גבוה‪ .‬מנוסחה זו ברור שככל ש‪ r -‬גדל‪ ,‬כך הערך של אלפא של קרונבאך יגדל גם כן‬
‫_‬
‫)במצב קיצון שבו ‪ r = 1‬יתקבל אלפא מכסימלי שערכו ‪.(1‬‬
‫תוכנת ‪ SPSS‬מאפשרת לחשב את שני הסוגים של אלפא קרונבאך )הרגילה והמתוקננת( ולקבל‬
‫החלטה על מידת העקיבות הפנימית של הפריטים בשאלון‪ .‬במסגרת הקורס נחשב בדרך כלל את‬
‫אלפא קרונבאך עפ"י הנוסחה הרגילה )הראשונה(‪.‬‬
‫‪29‬‬
‫נתייחס כעת לקובץ ‪ Reliability.sav‬הכולל תשובות של נבדקים באשר ליכולתם להקשיב‬
‫להרצאה ולהבינה בע"פ‪ .‬השאלות שנשאלו הן הבאות‪:‬‬
‫‪.1‬‬
‫‪.2‬‬
‫‪.3‬‬
‫‪.4‬‬
‫‪.5‬‬
‫‪.6‬‬
‫‪.7‬‬
‫‪.8‬‬
‫‪.9‬‬
‫‪.10‬‬
‫לא חשוב לי כמה אני משתדל‪ ,‬ההרצאות אינו מובנות לי‪.‬‬
‫יש לי קושי להבין הרצאות הניתנות בדיבור‪.‬‬
‫קשה לי להאזין להרצאות‪.‬‬
‫קשה לי להאזין בכיתה‪.‬‬
‫אני הולך לאיבוד בהרצאות ארוכות‪.‬‬
‫קשה לי להבין מה אנשים אומרים‪.‬‬
‫קשה לי להבין הרצאות כי אוצר המילים שלי אינו מספיק‪.‬‬
‫מילים הנשמעות דומות מבלבלות אותי‪.‬‬
‫אני צריך שיחזרו על ההוראות עד שאני מבין‪.‬‬
‫קשה לי להאזין אם איני רואה את הדובר‪.‬‬
‫התשובות ניתנו על סולם ליקרט של ‪ 1-5‬כדלקמן‪:‬‬
‫‪ – 1‬לגמרי לא מסכים‪.‬‬
‫‪ – 2‬לא מסכים‪.‬‬
‫‪ – 3‬מסכים‪.‬‬
‫‪ – 4‬מסכים במידה רבה‪.‬‬
‫‪ - 5‬מסכים במידה רבה מאד‪.‬‬
‫כדי לבדוק את מהימנות הפריטים הנ"ל‪ ,‬בצע את הר"מ‪:‬‬
‫א‪.‬‬
‫בחר מהתפריט הראשי‪:‬‬
‫ב‪.‬‬
‫העבר את המשתנים ‪ Q 1‬עד ‪ Q10‬לרשימה ‪.Items‬‬
‫‪Analyze‬‬
‫‪Scale‬‬
‫‪Reliability Analysis...‬‬
‫ג‪.‬‬
‫בחלון‬
‫‪.Items‬‬
‫‪ Model‬בחר באפשרות ‪Alpha‬‬
‫העבר את המשתנים ‪ Q 1‬עד ‪ Q10‬לרשימה‬
‫‪30‬‬
‫ד‪.‬‬
‫במשבצת ‪ ,Scale Label‬רשום "הבנת הרצאה בע"פ"‪.‬‬
‫ה‪.‬‬
‫הקש על חלון …‪ .Statistics‬נפתחת תיבת השיח הבאה‪:‬‬
‫ו‪.‬‬
‫תחת הכותרת ‪ Descriptives for‬סמן את החלופות הבאות‪:‬‬
‫•‬
‫‪ :Item‬סטטיסטיקה תיאורית לכל פריט‪.‬‬
‫•‬
‫‪ :Scale‬סטטיסטיקה תיאורית לכל האינדקס )כלומר למשתנה המורכב מסכום ‪10‬‬
‫הפריטים(‪.‬‬
‫•‬
‫‪ :Scale if item deleted‬מדדים סטטיסטיים שיתקבלו אם הפריט שבאותה שורה‬
‫יושמט‪ .‬נתון זה חשוב בעיקר כדי לבצע ניתוח רגישות אשר יצביע על הערך החדש של‬
‫אלפא של קרונבך במקרה שאותו פריט יושמט מתוך הקבוצה‪.‬‬
‫‪ .11‬הקש ‪.Continue‬‬
‫‪ .12‬הקש ‪ OK/Paste‬בתיבת השיח הראשית‪ .‬מתקבל הסינטקס‪:‬‬
‫‪RELIABILITY‬‬
‫‪/VARIABLES=Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10‬‬
‫‪') ALL‬הבנת הרצאה בע"פ'(‪/SCALE‬‬
‫‪/MODEL=ALPHA‬‬
‫‪/STATISTICS=DESCRIPTIVE SCALE‬‬
‫‪/SUMMARY=TOTAL.‬‬
‫‪31‬‬
‫מתקבל הפלט‪:‬‬
‫‪Case Processing Summary‬‬
‫‪N‬‬
‫‪%‬‬
‫‪100.0‬‬
‫‪.0‬‬
‫‪100.0‬‬
‫‪Valid‬‬
‫‪30‬‬
‫‪0‬‬
‫‪30‬‬
‫‪Cases‬‬
‫‪Excludeda‬‬
‫‪Total‬‬
‫‪a. Lis twis e deletion based on all‬‬
‫‪variables in the procedure.‬‬
‫‪Re liability Statistics‬‬
‫‪N of Items‬‬
‫‪10‬‬
‫‪Cronbach's‬‬
‫‪Alpha‬‬
‫‪.788‬‬
‫‪Item Statistics‬‬
‫‪N‬‬
‫‪Std. Deviation‬‬
‫‪Mean‬‬
‫‪30‬‬
‫‪.606‬‬
‫‪1.33‬‬
‫‪30‬‬
‫‪.556‬‬
‫‪1.37‬‬
‫‪30‬‬
‫‪30‬‬
‫‪.615‬‬
‫‪.521‬‬
‫‪1.37‬‬
‫‪1.27‬‬
‫‪30‬‬
‫‪1.143‬‬
‫‪2.07‬‬
‫‪30‬‬
‫‪.596‬‬
‫‪1.30‬‬
‫‪30‬‬
‫‪.679‬‬
‫‪1.57‬‬
‫‪30‬‬
‫‪.776‬‬
‫‪1.47‬‬
‫‪30‬‬
‫‪.724‬‬
‫‪1.40‬‬
‫‪30‬‬
‫‪.935‬‬
‫‪1.77‬‬
‫‪,‬לדתשמ ינא המכ יל בושח אל‬
‫יל תונבומ וניא תואצרהה‬
‫תואצרה ןיבהל ישוק יל שי‬
‫רובידב תונתינה‬
‫תואצרהל ןיזאהל יל השק‬
‫התיכב ןיזאהל יל השק‬
‫תואצרהב דוביאל ךלוה ינא‬
‫תוכורא‬
‫םירמוא םישנא המ ןיבהל יל השק‬
‫רצוא יכ תואצרה ןיבהל יל השק‬
‫קיפסמ וניא ילש םילימה‬
‫תולבלבמ תומוד תועמשנה םילימ‬
‫יתוא‬
‫דע תוארוהה לע ורזחיש ךירצ ינא‬
‫ןיבמ ינאש‬
‫תא האור יניא םא ןיזאהל יל השק‬
‫רבודה‬
‫‪32‬‬
‫‪Ite m-Tota l Sta tistics‬‬
‫‪Sc ale‬‬
‫‪Variance if‬‬
‫‪Item Delet ed‬‬
‫‪Sc ale Mean if‬‬
‫‪Item Delet ed‬‬
‫‪.744‬‬
‫‪.709‬‬
‫‪15.013‬‬
‫‪13.57‬‬
‫‪.742‬‬
‫‪.769‬‬
‫‪15.085‬‬
‫‪13.53‬‬
‫‪.740‬‬
‫‪.762‬‬
‫‪.745‬‬
‫‪.578‬‬
‫‪14.809‬‬
‫‪16.033‬‬
‫‪13.53‬‬
‫‪13.63‬‬
‫‪.794‬‬
‫‪.389‬‬
‫‪14.075‬‬
‫‪12.83‬‬
‫‪.761‬‬
‫‪.548‬‬
‫‪15.766‬‬
‫‪13.60‬‬
‫‪.795‬‬
‫‪.226‬‬
‫‪16.989‬‬
‫‪13.33‬‬
‫‪.811‬‬
‫‪.117‬‬
‫‪17.357‬‬
‫‪13.43‬‬
‫‪.777‬‬
‫‪.394‬‬
‫‪15.914‬‬
‫‪13.50‬‬
‫‪.761‬‬
‫‪.529‬‬
‫‪14.120‬‬
‫‪13.13‬‬
‫‪Cronbach's‬‬
‫‪Alpha if Item‬‬
‫‪Deleted‬‬
‫‪Correc ted‬‬
‫‪Item-Total‬‬
‫‪Correlation‬‬
‫‪,‬לדתשמ ינא המכ יל בושח אל‬
‫יל תונבומ וניא תואצרהה‬
‫תואצרה ןיבהל ישוק יל שי‬
‫רובידב תונתינה‬
‫תואצרהל ןיזאהל יל השק‬
‫התיכב ןיזאהל יל השק‬
‫תואצרהב דוביאל ךלוה י נא‬
‫תוכורא‬
‫םירמוא םישנא המ ןיבהל יל השק‬
‫רצוא יכ תואצרה ןיבהל יל השק‬
‫קיפסמ וניא ילש םילימה‬
‫תולבלבמ תומוד תועמשנה םילימ‬
‫יתוא‬
‫דע תוארוהה לע ורזחיש ךירצ י נא‬
‫ןיבמ ינאש‬
‫תא האור יניא םא ןיזאהל יל השק‬
‫רבודה‬
‫‪Scale Statistics‬‬
‫‪N of Items‬‬
‫‪Std. Deviation‬‬
‫‪Variance‬‬
‫‪Mean‬‬
‫‪10‬‬
‫‪4.326‬‬
‫‪18.714‬‬
‫‪14.90‬‬
‫עפ"י הטבלה השניה‪ ,‬התקבל מקדם מהימנות )‪ (Cronbach Alpha‬של ‪ .0.788‬מהימנות גבוהה מ‪-‬‬
‫‪ 0.7‬משמעותה שיש לפריטים עקיבות פנימית טובה‪.‬‬
‫ניתוח פריטים‪ :‬הטבלה הרביעית מאפשרת לבצע ניתוח פריטים‪ ,‬כלומר לבחון אם קיימים‬
‫פריטים שכדאי להסירם כדי שהמהימנות תשתפר‪ .‬הטבלה מציגה תוצאות שיתקבלו אם יושמט‬
‫הפריט הנמצא באותה שורה‪ .‬העמודות החשובות ביותר הן הבאות‪:‬‬
‫•‬
‫‪ :Cronbach's Alpha if Item Deleted‬ערך אלפא של קרונבאך במקרה שאותו פריט יימחק‪.‬‬
‫•‬
‫‪ :Corrected Item-Total Correlation‬המתאם של כל פריט עם האינדקס שיישאר לאחר‬
‫השמטת הפריט )האינדקס הנשאר = סכום כל הפריטים למעט זה שהושמט(‪.‬‬
‫כך למשל ניתן ללמוד שאם יושמט הפריט השמיני‪ ,‬הנמצא במתאם נמוך )‪ (.117‬עם יתרת‬
‫האינדקס‪ ,‬תתקבל מהימנות ‪) 0.811‬גבוהה יותר מאשר ‪ .(0.788‬מכל מקום‪ ,‬גם ללא השמטת פריט‬
‫זה המהימנות המתקבלת גבוהה מ‪.0.7 -‬‬
‫‪33‬‬
‫תרגיל‪ :‬מהימנות וניתוח פריטים‬
‫קובץ‪s-klali-5 scale-rek.sav :‬‬
‫בדוק מהימנות מסוג עקיבות פנימית באמצעות חישוב אלפא של קרונבאך עבור המשתנים‬
‫‪. q10_s q15_s q16_s q17_s q18_s q21_s‬‬
‫א‪ .‬האם ניתן להשמיט את אחד המשתנים כדי לשפר את המהימנות?‬
‫ב‪ .‬איזה משתנה כדאי להשמיט?‬
‫ג‪ .‬השמט את המשתנה הנ"ל והרץ שגרת מהימנות מחדש‪ .‬בדוק שאכן מתקבלת המהימנות‬
‫הצפויה‪.‬‬
‫תשובה‪:‬‬
‫המהימנות המקורית – ‪0.847‬‬
‫ניתן להשמיט את הפריט הראשון )‪ - q10_s‬מצוי‪ :‬יכולת המנהל לטפל במצבים קשים( ואז‬
‫תתקבל מהימנות ‪) 0.853‬גבוהה יותר(‪.‬‬
‫‪Reliability Statistics‬‬
‫‪Cronbach's‬‬
‫‪N of Items‬‬
‫‪6‬‬
‫‪Alpha‬‬
‫‪.847‬‬
‫‪Item Statistics‬‬
‫‪Std.‬‬
‫‪N‬‬
‫‪Deviation‬‬
‫‪Mean‬‬
‫‪920‬‬
‫‪1.244‬‬
‫‪3.59‬‬
‫מצוי ‪:‬יכולת המנהל לטפל במצבים קשים‬
‫‪920‬‬
‫‪1.141‬‬
‫‪3.38‬‬
‫מצוי ‪:‬ידע ויכולת הדרכה טובה של המורים‬
‫‪920‬‬
‫‪1.162‬‬
‫‪3.29‬‬
‫‪920‬‬
‫‪1.212‬‬
‫‪3.28‬‬
‫מצוי ‪:‬אישיות נעימה של המורים‬
‫‪920‬‬
‫‪1.201‬‬
‫‪3.36‬‬
‫מצוי ‪:‬יכולת המורים לתקשר עם תלמידים‬
‫‪920‬‬
‫‪1.195‬‬
‫‪3.37‬‬
‫מצוי ‪:‬מוטיבציה גבוהה של המורים ללמד‬
‫מצוי ‪:‬יכולת גבוהה של המורים להעריך( ציונים )‬
‫את התלמידים‬
‫‪Item-Total Statistics‬‬
‫‪Cronbach's‬‬
‫‪Alpha if Item‬‬
‫‪Deleted‬‬
‫‪Scale‬‬
‫‪Variance if Corrected Item‬‬‫‪Item Deleted Total Correlation‬‬
‫‪Scale‬‬
‫‪Mean if‬‬
‫‪Item‬‬
‫‪Deleted‬‬
‫‪.853‬‬
‫‪.463‬‬
‫‪22.032‬‬
‫‪16.68‬‬
‫מצוי ‪:‬יכולת המנהל לטפל במצבים קשים‬
‫‪.814‬‬
‫‪.669‬‬
‫‪20.732‬‬
‫‪16.89‬‬
‫מצוי ‪:‬ידע ויכולת הדרכה טובה של המורים‬
‫‪.817‬‬
‫‪.648‬‬
‫‪20.779‬‬
‫‪16.99‬‬
‫‪.807‬‬
‫‪.701‬‬
‫‪19.939‬‬
‫‪16.99‬‬
‫מצוי ‪:‬אישיות נעימה של המורים‬
‫‪.812‬‬
‫‪.675‬‬
‫‪20.244‬‬
‫‪16.91‬‬
‫מצוי ‪:‬יכולת המורים לתקשר עם תלמידים‬
‫מצוי ‪:‬יכולת גבוהה של המורים להעריך( ציונים )‬
‫את התלמידים‬
‫‪34‬‬
‫‪Item-Total Statistics‬‬
‫‪Cronbach's‬‬
‫‪Alpha if Item‬‬
‫‪Deleted‬‬
‫‪Scale‬‬
‫‪Variance if Corrected Item‬‬‫‪Item Deleted Total Correlation‬‬
‫‪Scale‬‬
‫‪Mean if‬‬
‫‪Item‬‬
‫‪Deleted‬‬
‫‪.853‬‬
‫‪.463‬‬
‫‪22.032‬‬
‫‪16.68‬‬
‫מצוי ‪:‬יכולת המנהל לטפל במצבים קשים‬
‫‪.814‬‬
‫‪.669‬‬
‫‪20.732‬‬
‫‪16.89‬‬
‫מצוי ‪:‬ידע ויכולת הדרכה טובה של המורים‬
‫‪.817‬‬
‫‪.648‬‬
‫‪20.779‬‬
‫‪16.99‬‬
‫‪.807‬‬
‫‪.701‬‬
‫‪19.939‬‬
‫‪16.99‬‬
‫מצוי ‪:‬אישיות נעימה של המורים‬
‫‪.812‬‬
‫‪.675‬‬
‫‪20.244‬‬
‫‪16.91‬‬
‫מצוי ‪:‬יכולת המורים לתקשר עם תלמידים‬
‫‪.822‬‬
‫‪.623‬‬
‫‪20.768‬‬
‫‪16.90‬‬
‫מצוי ‪:‬מוטיבציה גבוהה של המורים ללמד‬
‫מצוי ‪:‬יכולת גבוהה של המורים להעריך( ציונים )‬
‫את התלמידים‬
‫מהימנות חדשה‪:‬‬
‫‪Reliability Statistics‬‬
‫‪Cronbach's‬‬
‫‪N of Items‬‬
‫‪Alpha‬‬
‫‪5‬‬
‫‪.853‬‬
‫‪Item-Total Statistics‬‬
‫‪Scale‬‬
‫‪Scale‬‬
‫‪Variance if‬‬
‫‪Mean if‬‬
‫‪Item‬‬
‫‪Item‬‬
‫‪Deleted‬‬
‫‪Correlation‬‬
‫‪Deleted‬‬
‫‪Deleted‬‬
‫‪.818‬‬
‫‪.680‬‬
‫‪14.757‬‬
‫‪13.32‬‬
‫‪.828‬‬
‫‪.643‬‬
‫‪14.882‬‬
‫‪13.43‬‬
‫‪.811‬‬
‫‪.707‬‬
‫‪14.146‬‬
‫‪13.43‬‬
‫מצוי ‪:‬אישיות נעימה של המורים‬
‫‪.818‬‬
‫‪.679‬‬
‫‪14.380‬‬
‫‪13.34‬‬
‫מצוי ‪:‬יכולת המורים לתקשר עם תלמידים‬
‫‪.835‬‬
‫‪.615‬‬
‫‪14.886‬‬
‫‪13.34‬‬
‫מצוי ‪:‬מוטיבציה גבוהה של המורים ללמד‬
‫‪Cronbach's‬‬
‫‪Corrected Item-Total Alpha if Item‬‬
‫מצוי ‪:‬ידע ויכולת הדרכה טובה של המורים‬
‫מצוי ‪:‬יכולת גבוהה של המורים להעריך )ציונים(‬
‫את התלמידים‬
‫‪35‬‬
‫ניתוח גורמים )‪(Factor Analysis‬‬
‫באמצעות ניתוח גורמים ניתן לזהות קבוצות של משתנים שלהם עולם תוכן משותף ע"ב מתאמים‪.‬‬
‫לאחר בניית קבוצת משתנים‪ ,‬ניתן להשתמש במשתנה אחד במקום בכל מרכיבי הקבוצה‪ .‬לאחר‬
‫קבלת קבוצת משתנים‪ ,‬מומלץ לבדוק עבורה את אלפא של קרונבאך כדי לוודא שקיימת עקיבות‬
‫פנימית )אם ערך אלפא של קרונבאך ‪ 0.7‬ומעלה(‪ .‬לצורך הדגמת הפרוצדורה של ניתוח גורמים‬
‫נשתמש בקובץ ‪ .GSS93 Subset.sav‬בקובץ זה קיימים )בין היתר( ‪ 11‬סוגי מוסיקה והנבדקים‬
‫ציינו את מידת העדפתם את כל אחד מהסוגים הנ"ל‪.‬‬
‫סוגי המוסיקה שנבדקו הם‪:‬‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫‪Bigband Music‬‬
‫‪Bluegrass Music‬‬
‫‪Country Western Music‬‬
‫‪Blues or R & B Music‬‬
‫‪Broadway Musicals‬‬
‫‪Classical Music‬‬
‫‪Folk Music‬‬
‫‪Jazz Music‬‬
‫‪Opera‬‬
‫‪Rap Music‬‬
‫‪Heavy Metal Music‬‬
‫התשובות ניתנו בסקלה הבאה‪:‬‬
‫‪.1‬‬
‫‪.2‬‬
‫‪.3‬‬
‫‪.4‬‬
‫‪.5‬‬
‫אוהב מאד‪.‬‬
‫אוהב‪.‬‬
‫רגשות מעורבים‪.‬‬
‫לא אוהב‪.‬‬
‫מאד לא אוהב‪.‬‬
‫שגרת ניתוח גורמים כוללת ‪ 3‬שלבים‪:‬‬
‫‪ .1‬הפקת מתאמים בין כל הגורמים הנבדקים‪.‬‬
‫‪ .2‬הפקת ראשונה של גורמים )קבוצות משתנים( ע"ב המתאמים‪.‬‬
‫‪ .3‬רוטציה של הגורמים – תהליך שבו חל שיפור של שלב ‪ 2‬שכן הגורמים המתקבלים בלתי‬
‫תלויים אחד בשני‪ .‬כמו כן‪ ,‬כל גורם מורכב ממשתנים בעלי קשר גבוה‪ .‬קיימות בתוכנת‬
‫‪ SPSS‬מספר שיטות לביצוע רוטציה‪ .‬השיטה המומלצת היא ‪ Varimax‬שכן היא שומרת‬
‫בצורה טובה מאד על אורתוגונאליות בין הגורמים )אי תלות(‪.‬‬
‫להרצת ניתוח גורמים‪ ,‬בצע את הר"מ‪:‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Analyze‬‬
‫‪Data Reduction‬‬
‫‪Factor...‬‬
36
:Variables ‫ בחר את המשתנים הבאים והעבירם לחלון‬.2
bigband
blugrass
country
blues
musicals
classicl
folk
jazz
opera
Rap
hvymetal
:Factor Analysis: Description ‫ ייפתח חלון‬.Descriptives ‫ הקש על לחצן‬.3
:‫סמן את החלופות הבאות‬
.‫ חישוב ממוצע וסטיית תקן‬:Univariate Descriptives
•
.(‫ פתרון ראשוני )לפני רוטציה‬:Initial solution
•
.‫ מקדמי מתאם‬:Coefficients
•
‫‪37‬‬
‫‪ .4‬הקש ‪.Continue‬‬
‫‪ .5‬הקש על לחצן ‪ .Rotation‬ייפתח חלון ‪ .Factor Analysis: Rotation‬סמן תחת‬
‫הכותרת ‪ Method‬את האפשרות ‪ .Varimax‬הקש ‪.Continue‬‬
‫‪ .6‬הקש על לחצן ‪ .Options‬ייפתח חלון ‪ .Factor Analysis: Options‬סמן תחת‬
‫הכותרת ‪ Coefficient Display Format‬את האפשרויות הבאות‪:‬‬
‫•‬
‫‪ :Sorted by Size‬המשתנים בפלט ימוינו בסדר יורד של טעינויות )מקדם‬
‫המתאם של כל משתנה והגורם אליו הוא שייך(‪.‬‬
‫•‬
‫‪ :Suppress absolute values less than 0.40‬ערך טעינות מינימלי‬
‫אשר יוצג בטבלת הפלט )לפני רוטציה ואחריה(‪ .‬ערך נמוך מ‪ 0.4 -‬לא יוצג‬
‫בטבלה‪ .‬הגבלה זו מסייעת בפענוח מטריצת הגורמים כפי שיוסבר בהמשך‪.‬‬
38
.Continue ‫ הקש‬.7
:‫ מתקבל הסינטקס‬.‫ בתיבת השיח הראשית‬OK/Paste ‫ הקש‬.8
FACTOR
/VARIABLES bigband blugrass country blues musicals classicl folk
jazz opera rap hvymetal
/MISSING LISTWISE
/ANALYSIS bigband blugrass country blues musicals classicl folk
jazz opera rap hvymetal
/PRINT UNIVARIATE INITIAL CORRELATION EXTRACTION ROTATION
/FORMAT SORT BLANK(.40)
/CRITERIA MINEIGEN(1) ITERATE(25)
/EXTRACTION PC
/CRITERIA ITERATE(25)
/ROTATION VARIMAX
/METHOD=CORRELATION.
:‫מתקבל הפלט‬
Factor Analysis
Descriptive Statistics
Bigband Music
Bluegrass Music
Country Western Music
Blues or R & B Music
Broadway Musicals
Classical Music
Folk Music
Jazz Music
Opera
Rap Music
Heavy Metal Music
Mean
2.47
2.67
2.33
2.47
2.56
2.60
2.75
2.59
3.46
3.98
4.15
Std. Deviation
1.088
1.015
1.096
1.016
1.116
1.211
1.028
1.097
1.123
1.079
1.096
Analys is N
1106
1106
1106
1106
1106
1106
1106
1106
1106
1106
1106
39
Communalities
Bigband Music
Bluegrass Mus ic
Country Western Music
Blues or R & B Music
Broadway Musicals
Classical Music
Folk Music
Jazz Music
Opera
Rap Music
Heavy Metal Music
Initial
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
Extraction
.550
.708
.691
.771
.629
.725
.581
.769
.635
.650
.678
Extraction Method: Principal Component Analysis.
Compone nt Matriax
2
1
Broadway Mus icals
Classical Music
Bigband Music
Opera
Folk Music
Blues or R & B Music
Jazz Music
Rap Music
Heavy Met al Music
Country W estern Music
Bluegrass Mus ic
.743
.741
.713
.712
.625
.531
.526
.426
Component
3
.491
.592
.549
-.557
-.430
Ex trac tion Met hod: Principal Component Analys is.
a. 4 c omponents extracted.
4
-.497
-.485
.404
.600
.584
.462
40
Rotated Component Matrix a
1
Classical Music
Opera
Broadway Musicals
Folk Music
Bigband Music
Blues or R & B Music
Jazz Music
Country Western Music
Bluegrass Music
Heavy Metal Music
Rap Music
2
Component
3
.841
.785
.764
.604
.597
4
.463
.850
.843
.825
.813
.822
.793
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations .
.(Components) ‫ גורמים‬4 ‫ נתקבלו‬,‫ לפיה‬.‫ הטבלה האחרונה היא החשובה ביותר‬:‫הסבר‬
‫ שיש‬Options ‫ חלק מהתאים ריקים כיוון שהגדרנו בחלון‬.4 -‫ ו‬,3 ,2 ,1
‫הגורמים ממוספרים‬
‫ המשתנים של כל גורם ממוינים בטבלה בסדר יורד‬,‫ בנוסף לכך‬.0.4 -‫להשמיט טעינויות נמוכות מ‬
‫ קריאת‬.‫ כך קל יותר לקרוא את הטבלה ולהחליט אילו משתנים שייכים לכל גורם‬.‫של טעינויות‬
‫הטבלה ופירושה נעשית ע"י החוקר ועליו להחליט האם לקבוצות הנ"ל יש מכנה משותף בעל‬
.‫משמעות‬
41
:‫מסקנות מהטבלה‬
‫ מוסיקת תזמורת‬:1 ‫גורם‬
Classical Music
Opera
Broadway Musicals
Folk Music
Bigband Music
"‫ "מוסיקה שחורה‬:2 ‫גורם‬
Blues or R & B Music
Jazz Music
.‫ מוסיקה כפרית עממית‬:3 ‫גורם‬
Country Western Music
Bluegrass Music
"‫ מוסיקה "כבדה‬:4 ‫גורם‬
Heavy Metal Music
Rap Music
:‫ ניתן לבדוק את המהימנות של הפריטים בכל קבוצה‬,‫כדי לתת משנה תוקף לגורמים הנ"ל‬
:‫ בחר מהתפריט הראשי‬.1
Analyze
Scale
Reliability Analysis...
:‫ בחר את המשתנים עבור הגורם הראשון‬.2
classicl
opera
musicals
folk
bigband
.Statistics ‫ הקלק על החלון‬.3
‫ ואח"כ‬Continue ‫ הקש‬,Item ‫ סמן את‬Descriptives for ‫ מתחת לכותרת‬.4
:‫ יתקבל הסינטקס הבא‬.Paste
RELIABILITY
/VARIABLES=classicl opera musicals folk bigband
/SCALE('ALL VARIABLES') ALL/MODEL=ALPHA
/STATISTICS=DESCRIPTIVE .
:‫ חזור על הנ"ל עבור משתני הגורם השני‬.5
blues
jazz
:‫יתקבל הסינטקס הבא‬
RELIABILITY
/VARIABLES=blues jazz
/SCALE('ALL VARIABLES')
ALL/MODEL=ALPHA
42
/STATISTICS=DESCRIPTIVE .
:‫ חזור על הנ"ל עבור משתני הגורם השלישי‬.6
country
blugrass
:‫יתקבל הסינטקס הבא‬
RELIABILITY
/VARIABLES=country blugrass
/SCALE('ALL VARIABLES') ALL/MODEL=ALPHA
/STATISTICS=DESCRIPTIVE .
:‫ חזור על הנ"ל עבור משתני הגורם הרביעי‬.7
hvymetal
rap
:‫יתקבל הסינטקס הבא‬
RELIABILITY
/VARIABLES=hvymetal rap
/SCALE('ALL VARIABLES')
/STATISTICS=DESCRIPTIVE .
ALL/MODEL=ALPHA
:‫ מתקבל הפלט הבא‬.‫ פקודות הסינטקס הנ"ל עבור מהימנות‬4 ‫ הרץ את‬.8
Reliability Statistics
Cronbach's
Alpha
.795
N of Items
5
Ite m S tati stics
Classical Music
Opera
Broadway Mus icals
Folk Music
Bigband Music
Mean
2.60
3.44
2.55
2.74
2.46
Reliability Statistics
Cronbach's
Alpha
.714
N of Items
2
St d. Deviat ion
1.201
1.138
1.106
1.025
1.089
N
1217
1217
1217
1217
1217
43
Ite m S tati stics
Mean
2.50
2.60
Blues or R & B Mus ic
Jazz Music
St d. Deviat ion
1.031
1.101
N
1416
1416
Reliability Statistics
Cronbach's
Alpha
.580
N of Items
2
Ite m S tati stics
Country W estern Music
Bluegrass Mus ic
Mean
2.30
2.66
St d. Deviation
1.091
1.016
N
1331
1331
Reliability Statistics
Cronbach's
Alpha
.529
N of Items
2
Ite m S tati stics
Heavy Met al Music
Rap Music
Mean
4.12
3.94
St d. Deviation
1.112
1.114
N
1392
1392
‫ המשתנים המקוריים באמצעות‬11 ‫ במקום‬F_1 , F_2 , F_3 , F_4 ‫ משתנים חדשים‬4 ‫כעת ניצור‬
.‫ שתחשב את הממוצע של כל המשתנים שבגורם‬Compute ‫פקודת‬
:‫ בחר‬Data Editor ‫ מהתפריט הראשי במסך‬.1
Transform
Compute Variable...
‫ הקלד "מוסיקת‬Type and Label ‫ בחלון‬. F_1 ‫ הקלד‬Target Variable ‫ בחלון‬.2
."‫תזמורת‬
‫לחלון‬
‫והעבירה‬
Mean
‫הפונקציה‬
‫את‬
‫בחר‬
Statistical
‫הקבוצה‬
‫ מתוך‬.3
.Numerical Expression
:(‫פסיקים‬-‫ הכנס את המשתנים הבאים )בין המשתנים‬Mean ‫ לפונקציה‬.4
classicl,opera,musicals,folk,bigband
‫‪44‬‬
‫‪ .5‬הקש ‪ .Paste‬יתקבל הסינטקס הבא‪:‬‬
‫‪COMPUTE F_1 = MEAN(classicl,opera,musicals,folk,bigband) .‬‬
‫‪ ' .‬מוסיקת תזמורת' ‪VARIABLE LABELS F_1‬‬
‫‪EXECUTE .‬‬
‫‪ .6‬חזור על הנ"ל עבור הגורם ‪ F_2‬הכולל את המשתנים הבאים‪:‬‬
‫‪blues,jazz‬‬
‫שנה את ה‪ Label-‬ל‪" -‬מוסיקה שחורה"‪.‬‬
‫יתקבל הסינטקס הבא‪:‬‬
‫‪COMPUTE F_2 = MEAN(blues,jazz) .‬‬
‫‪' .‬מוסיקה שחורה' ‪VARIABLE LABELS F_2‬‬
‫‪EXECUTE .‬‬
‫‪ .7‬חזור על הנ"ל עבור הגורם ‪ F_3‬הכולל את המשתנים הבאים‪:‬‬
‫‪country,blugrass‬‬
‫שנה את ה‪ Label-‬ל‪" -‬מוסיקה כפרית עממית"‪.‬‬
‫יתקבל הסינטקס הבא‪:‬‬
‫‪COMPUTE F_3 = MEAN(country,blugrass) .‬‬
‫‪' .‬מוסיקה כפרית עממית' ‪VARIABLE LABELS F_3‬‬
‫‪EXECUTE .‬‬
‫‪ .8‬חזור על הנ"ל עבור הגורם ‪ F_4‬הכולל את המשתנים הבאים‪:‬‬
‫‪hvymetal,rap‬‬
‫שנה את ה‪ Label-‬ל‪" -‬מוסיקה כבדה"‪.‬‬
‫יתקבל הסינטקס הבא‪:‬‬
‫‪COMPUTE F_4 = MEAN(hvymetal,rap) .‬‬
‫‪' .‬מוסיקה כבדה' ‪VARIABLE LABELS F_4‬‬
‫‪EXECUTE .‬‬
‫‪ .9‬הרץ את ‪ 4‬פקודות הסינטקס הנ"ל‪ .‬נקבל בקובץ ה‪ 4 Data-‬משתנים חדשים‬
‫‪ F_1 , F_2 , F_3 , F_4‬במקום ‪ 11‬המשתנים המקוריים‪ .‬המשתנים מופיעים בקובץ עם‬
‫הכינויים )‪ (Labels‬וכן ערכיהם אשר חושבו ע"ב ממוצע המשתנים הנכללים בכל גורם‪.‬‬
‫‪ .10‬חשב באמצעות שגרת ‪ , Frequencies‬ממוצע‪ ,‬חציון וסטיית תקן של ‪ 4‬הגורמים הנ"ל‪:‬‬
‫‪FREQUENCIES VARIABLES=F_1 F_2 F_3 F_4‬‬
‫‪/FORMAT=NOTABLE‬‬
‫‪/STATISTICS=STDDEV MEAN MEDIAN‬‬
‫‪/ORDER=ANALYSIS.‬‬
‫‪Statistics‬‬
‫מוסיקה כפרית‬
‫מוסיקה כבדה‬
‫עממית‬
‫מוסיקה שחורה‬
‫מוסיקת תזמורת‬
‫‪1462‬‬
‫‪1472‬‬
‫‪1469‬‬
‫‪1480‬‬
‫‪38‬‬
‫‪28‬‬
‫‪31‬‬
‫‪20‬‬
‫‪4.0256‬‬
‫‪2.4874‬‬
‫‪2.5722‬‬
‫‪2.8097‬‬
‫‪Mean‬‬
‫‪4.0000‬‬
‫‪2.5000‬‬
‫‪2.5000‬‬
‫‪2.7500‬‬
‫‪Median‬‬
‫‪.92804‬‬
‫‪.90302‬‬
‫‪.95071‬‬
‫‪.82462‬‬
‫‪Std. Deviation‬‬
‫‪Valid‬‬
‫‪Missing‬‬
‫‪N‬‬
45
‫ ניתוח גורמים‬:‫תרגיל‬
s-klali-5 scale-rek.sav :‫קובץ‬
:‫בצע ניתוח גורמים עבור הפריטים הבאים‬
q1_s q2_s q3_s q4_s q5_s q6_s q7_s q8_s q9_s q10_s q11_s q12_s q13_s
q14_s q15_s q16_s q17_s q18_s q21_s
:‫ גורמים‬3 ‫מתקבלים‬
‫• איכות המנהל‬
‫• איכות המורים‬
‫• שיתוף פעולה בין בעלי עניין‬
?‫מאילו פריטים מורכב כל אחד מהגורמים הנ"ל‬
?‫מהי המהימנות )אלפא של קרונבאך( של כל קבוצת פריטים המרכיבה את כל אחד מהגורמים‬
:‫תשובה‬
FACTOR
/VARIABLES q1_s q2_s q3_s q4_s q5_s q6_s q7_s q8_s q9_s q10_s q11_s
q12_s q13_s q14_s q15_s q16_s
q17_s q18_s q21_s
/MISSING LISTWISE
/ANALYSIS q1_s q2_s q3_s q4_s q5_s q6_s q7_s q8_s q9_s q10_s q11_s
q12_s q13_s q14_s q15_s q16_s
q17_s q18_s q21_s
/PRINT UNIVARIATE INITIAL EXTRACTION ROTATION
/FORMAT SORT BLANK(.40)
/CRITERIA MINEIGEN(1) ITERATE(25)
/EXTRACTION PC
/CRITERIA ITERATE(25)
/ROTATION VARIMAX
/METHOD=CORRELATION.
RELIABILITY
/VARIABLES= q6_s q7_s q8_s q9_s q10_s q11_s q12_s q13_s q14_s
/SCALE('‫ )'איכות מנהל‬ALL
/MODEL=ALPHA
/STATISTICS=DESCRIPTIVE
/SUMMARY=TOTAL.
RELIABILITY
/VARIABLES=q15_s q16_s q17_s q18_s q21_s
/SCALE('‫ )'איכות מורים‬ALL
/MODEL=ALPHA
/STATISTICS=DESCRIPTIVE
/SUMMARY=TOTAL.
RELIABILITY
/VARIABLES=q1_s q2_s q3_s q4_s q5_s
/SCALE('‫ )'שיתוף פעולה בין בעלי עניין‬ALL
/MODEL=ALPHA
/STATISTICS=DESCRIPTIVE
/SUMMARY=TOTAL.
‫‪46‬‬
‫‪a‬‬
‫‪Rotated Component Matrix‬‬
‫‪Component‬‬
‫‪3‬‬
‫‪2‬‬
‫‪1‬‬
‫‪.769‬‬
‫מצוי ‪:‬יחסי אנוש טובים של המנהל עם הצוות ‪,‬הורים ותלמידים‬
‫‪.746‬‬
‫מצוי ‪:‬יכולת טובה של המנהל לבצע שינויים ויוזמות‬
‫‪.728‬‬
‫מצוי ‪:‬חזון ‪,‬ערכים ודרך החשיבה של מנהל ביה"ס‬
‫‪.723‬‬
‫מצוי ‪:‬נגישות המנהל למורים ‪,‬תלמידים והורים‬
‫‪.711‬‬
‫מצוי ‪:‬יכולת המנהל לטפל במצבים קשים‬
‫‪.674‬‬
‫מצוי ‪:‬מידת אימון גבוהה של התלמידים במנהל‬
‫‪.651‬‬
‫מצוי ‪:‬יכולת המנהל להשיג ולנהל משאבים ותקציבים‬
‫‪.620‬‬
‫מצוי ‪:‬ניהול משותף עם הצוות והתלמידים‬
‫‪.598‬‬
‫מצוי ‪:‬רצון המנהל לפעול משפיע על רצון המורים‬
‫‪.776‬‬
‫מצוי ‪:‬ידע ויכולת הדרכה טובה של המורים‬
‫‪.744‬‬
‫מצוי ‪:‬אישיות נעימה של המורים‬
‫‪.733‬‬
‫מצוי ‪:‬מוטיבציה גבוהה של המורים ללמד‬
‫‪.698‬‬
‫מצוי ‪:‬יכולת המורים לתקשר עם תלמידים‬
‫‪.693‬‬
‫מצוי ‪:‬יכולת גבוהה של המורים להעריך( ציונים )את התלמידים‬
‫‪.781‬‬
‫מצוי ‪:‬שיתוף פעולה בין מורים והורים‬
‫‪.720‬‬
‫מצוי ‪:‬שיתוף פעולה בין תלמידים והורים‬
‫‪.696‬‬
‫מצוי ‪:‬הסכמת מורים למעורבות הורים בבית‪-‬הספר‬
‫‪.635‬‬
‫‪.464‬‬
‫‪.461‬‬
‫‪.432‬‬
‫מצוי ‪:‬שיתוף פעולה בין הורים ומנהלים‬
‫מצוי ‪:‬שיתוף פעולה בין תלמידים ומורים‬
‫‪Extraction Method: Principal Component Analysis.‬‬
‫‪Rotation Method: Varimax with Kaiser Normalization.‬‬
‫‪a. Rotation converged in 5 iterations.‬‬
47
‫אותה מטריצת ניתוח גורמים ללא כינויים )מאפשרת לראות ביתר קלות אילו פריטים שייכים‬
:(‫לאיזה גורם‬
Rotated Component Matrix
a
Component
1
q8_s
.769
q7_s
.746
q6_s
.728
q14_s
.723
q10_s
.711
q11_s
.674
q9_s
.651
q13_s
.620
q12_s
.598
2
q15_s
.776
q17_s
.744
q21_s
.733
q18_s
.698
q16_s
.693
3
q3_s
.781
q1_s
.720
q5_s
.696
q4_s
q2_s
.461
.635
.432
Extraction Method: Principal Component
Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
a. Rotation converged in 5 iterations.
.464
‫‪48‬‬
‫איכות מנהל ‪Scale:‬‬
‫‪Case Processing Summary‬‬
‫‪%‬‬
‫‪N‬‬
‫‪84.1‬‬
‫‪881‬‬
‫‪15.9‬‬
‫‪167‬‬
‫‪100.0‬‬
‫‪1048‬‬
‫‪Valid‬‬
‫‪Cases‬‬
‫‪a‬‬
‫‪Excluded‬‬
‫‪Total‬‬
‫‪a. Listwise deletion based on all variables in the‬‬
‫‪procedure.‬‬
‫‪Reliability Statistics‬‬
‫‪Cronbach's‬‬
‫‪N of Items‬‬
‫‪9‬‬
‫‪Alpha‬‬
‫‪.898‬‬
‫‪Item Statistics‬‬
‫‪N‬‬
‫‪Std. Deviation‬‬
‫‪Mean‬‬
‫‪881‬‬
‫‪1.180‬‬
‫‪3.73‬‬
‫מצוי ‪:‬חזון ‪,‬ערכים ודרך החשיבה של מנהל ביה"ס‬
‫‪881‬‬
‫‪1.233‬‬
‫‪3.60‬‬
‫מצוי ‪:‬יכולת טובה של המנהל לבצע שינויים ויוזמות‬
‫‪881‬‬
‫‪1.272‬‬
‫‪3.78‬‬
‫מצוי ‪:‬יחסי אנוש טובים של המנהל עם הצוות ‪,‬הורים ותלמידים‬
‫‪881‬‬
‫‪1.166‬‬
‫‪3.33‬‬
‫מצוי ‪:‬יכולת המנהל להשיג ולנהל משאבים ותקציבים‬
‫‪881‬‬
‫‪1.224‬‬
‫‪3.58‬‬
‫מצוי ‪:‬יכולת המנהל לטפל במצבים קשים‬
‫‪881‬‬
‫‪1.284‬‬
‫‪3.45‬‬
‫מצוי ‪:‬מידת אימון גבוהה של התלמידים במנהל‬
‫‪881‬‬
‫‪1.174‬‬
‫‪3.50‬‬
‫מצוי ‪:‬רצון המנהל לפעול משפיע על רצון המורים‬
‫‪881‬‬
‫‪1.243‬‬
‫‪3.35‬‬
‫מצוי ‪:‬ניהול משותף עם הצוות והתלמידים‬
‫‪881‬‬
‫‪1.435‬‬
‫‪3.58‬‬
‫מצוי ‪:‬נגישות המנהל למורים ‪,‬תלמידים והורים‬
‫איכות מורים ‪Scale:‬‬
‫‪Case Processing Summary‬‬
‫‪N‬‬
‫‪%‬‬
‫‪90.1‬‬
‫‪944‬‬
‫‪9.9‬‬
‫‪104‬‬
‫‪100.0‬‬
‫‪1048‬‬
‫‪Valid‬‬
‫‪Cases‬‬
‫‪a‬‬
‫‪Excluded‬‬
‫‪Total‬‬
‫‪a. Listwise deletion based on all variables in the‬‬
‫‪procedure.‬‬
‫‪49‬‬
‫‪Reliability Statistics‬‬
‫‪Cronbach's Alpha‬‬
‫‪N of Items‬‬
‫‪.853‬‬
‫‪5‬‬
‫‪Item Statistics‬‬
‫‪N‬‬
‫‪Std. Deviation‬‬
‫‪Mean‬‬
‫‪944‬‬
‫‪1.141‬‬
‫‪3.39‬‬
‫מצוי ‪:‬ידע ויכולת הדרכה טובה של המורים‬
‫‪944‬‬
‫‪1.165‬‬
‫‪3.28‬‬
‫מצוי ‪:‬יכולת גבוהה של המורים להעריך( ציונים )את התלמידים‬
‫‪944‬‬
‫‪1.207‬‬
‫‪3.29‬‬
‫מצוי ‪:‬אישיות נעימה של המורים‬
‫‪944‬‬
‫‪1.203‬‬
‫‪3.38‬‬
‫מצוי ‪:‬יכולת המורים לתקשר עם תלמידים‬
‫‪944‬‬
‫‪1.199‬‬
‫‪3.38‬‬
‫מצוי ‪:‬מוטיבציה גבוהה של המורים ללמד‬
‫‪Scale:‬‬
‫שיתוף פעולה בין בעלי עניין‬
‫‪Case Processing Summary‬‬
‫‪N‬‬
‫‪%‬‬
‫‪90.2‬‬
‫‪945‬‬
‫‪9.8‬‬
‫‪103‬‬
‫‪100.0‬‬
‫‪1048‬‬
‫‪Valid‬‬
‫‪Cases‬‬
‫‪a‬‬
‫‪Excluded‬‬
‫‪Total‬‬
‫‪a. Listwise deletion based on all variables in the‬‬
‫‪procedure.‬‬
‫‪Reliability Statistics‬‬
‫‪N of Items‬‬
‫‪5‬‬
‫‪Cronbach's Alpha‬‬
‫‪.817‬‬
‫‪Item Statistics‬‬
‫‪N‬‬
‫‪Std. Deviation‬‬
‫‪Mean‬‬
‫‪945‬‬
‫‪1.065‬‬
‫‪3.18‬‬
‫מצוי ‪:‬שיתוף פעולה בין תלמידים והורים‬
‫‪945‬‬
‫‪1.181‬‬
‫‪3.36‬‬
‫מצוי ‪:‬שיתוף פעולה בין תלמידים ומורים‬
‫‪945‬‬
‫‪1.215‬‬
‫‪3.21‬‬
‫מצוי ‪:‬שיתוף פעולה בין מורים והורים‬
‫‪945‬‬
‫‪1.303‬‬
‫‪3.09‬‬
‫מצוי ‪:‬שיתוף פעולה בין הורים ומנהלים‬
‫‪50‬‬
‫‪Item Statistics‬‬
‫‪N‬‬
‫‪Std. Deviation‬‬
‫‪Mean‬‬
‫‪945‬‬
‫‪1.065‬‬
‫‪3.18‬‬
‫מצוי ‪:‬שיתוף פעולה בין תלמידים והורים‬
‫‪945‬‬
‫‪1.181‬‬
‫‪3.36‬‬
‫מצוי ‪:‬שיתוף פעולה בין תלמידים ומורים‬
‫‪945‬‬
‫‪1.215‬‬
‫‪3.21‬‬
‫מצוי ‪:‬שיתוף פעולה בין מורים והורים‬
‫‪945‬‬
‫‪1.303‬‬
‫‪3.09‬‬
‫מצוי ‪:‬שיתוף פעולה בין הורים ומנהלים‬
‫‪945‬‬
‫‪1.230‬‬
‫‪3.34‬‬
‫מצוי ‪:‬הסכמת מורים למעורבות הורים בבית‪-‬הספר‬
‫‪51‬‬
‫נושא מס' ‪ :14‬מבחנים אפרמטריים ‪Nonparametric Tests -‬‬
‫עד כה עסקנו במבחנים פרמטריים המבוססים על הנחות מסוימות באשר להתפלגות המשתנים‪.‬‬
‫מבחנים אפרמטריים מתאימים לבדיקת השערות בכל אחד מהמקרים הבאים‪:‬‬
‫א‪ .‬המשתנה התלוי הוא קטגוריאלי‪.‬‬
‫ב‪ .‬אין אפשרות להניח הנחות כלשהן לגבי התפלגות המשתנה באוכלוסיה‪.‬‬
‫ג‪ .‬המדגם קטן מ‪.30-‬‬
‫תוכנת ‪ SPSS‬מאפשרת להריץ את המבחנים האפרמטריים הבאים )לרובם יש הקבלה למבחנים‬
‫פרמטריים(‪:‬‬
‫‪ .1‬השוואת משתנה תלוי )רציף או קטגוריאלי‪-‬סודר( במדגמים בלתי תלויים‪:‬‬
‫א‪ .‬מבחן ‪ :Mann-Whitney‬השוואת שני מדגמים בלתי תלויים )מקביל‬
‫ל‪.(Independent-samples t test -‬‬
‫ב‪ .‬מבחן ‪ – Kruskal Wallis‬השוואת בין שלושה מדגמים ומעלה‬
‫)מקביל ל‪.(1 way ANOVA -‬‬
‫‪ .2‬השוואת משתנים בתוך אותה קבוצת נבדקים )מדגמים מזווגים(‪:‬‬
‫א‪.‬‬
‫ב‪.‬‬
‫מבחני ‪ :Wilcoxon, Sign, McNemar‬השוואת שני מדגמים בתוך אותה קבוצת‬
‫נבדקים )מקביל ל‪.(Paired-samples t test -‬‬
‫מבחן ‪ :Friedman‬השוואה בין שלושה משתנים ומעלה בתוך אותה קבוצה‪.‬‬
‫‪ .3‬השוואת התפלגות משתנה קטגוריאלי‪-‬שמי להתפלגות באוכלוסיה‪ :‬מבחן חי בריבוע‪.‬‬
‫במסגרת הקורס נתמקד בכל המבחנים הנ"ל למעט ‪ Sign‬ו‪. McNemar-‬‬
‫מבחן ‪ :Mann-Whitney‬השוואת שני מדגמים בלתי תלויים‬
‫מבחן זה מיועד להשוואת ‪ 2‬מדגמים שאינם תלויים זה בזה )מקביל למבחן הפרמטרי ‪ .(t‬מבחן זה‬
‫מתאים למצב שבו המשתנה התלוי הוא קטגוריאלי‪-‬סודר או שהוא רציף ולא ניתן להניח מהי‬
‫התפלגותו באוכלוסייה‪ .‬הדוגמה הבאה מתייחסת לקובץ ‪ .nonparametric1.sav‬ברצוננו לבחון‬
‫האם קיים הבדל מובהק בין בנים לבנות באשר לחרדת מבחנים‪ .‬המשתנה התלוי הוא חרדת‬
‫מבחנים )‪ (TestAnxiety‬והמשתנה הבלתי תלוי הוא מגדר )‪.(Gender‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Analyze‬‬
‫‪Non-Parametric tests‬‬
‫‪2 Independent samples...‬‬
‫‪ .2‬העבר את המשתנה חרדת מבחנים )‪ (TestAnxiety‬לחלון ‪ Test Variable Test‬ואת המשתנה‬
‫מגדר לחלון ‪.Grouping Variable‬‬
52
.Define Groups ‫ הקש על‬.3
.Group 1-‫ ב‬1 ‫ סמן‬.4
.Group 2-‫ ב‬2 ‫ סמן‬.5
.Continue ‫ הקש‬.6
‫ הסינטקס המתקבל הוא‬.‫ בתיבת השיח הראשית‬OK/Paste ‫ הקש‬.7
NPAR TESTS
/M-W= TestAnxiety BY Gender(1 2)
/MISSING ANALYSIS.
:‫מתקבל הפלט‬
NPar Tests
Mann-Whitney Test
Ra nks
Gender
TestAnxiet y ‫םי נב‬
‫תו נב‬
Total
N
10
10
20
Mean Rank
Sum of Ranks
10.65
10.35
106.50
103.50
‫‪53‬‬
‫‪Te st S tati sticsb‬‬
‫‪TestAnxiet y‬‬
‫‪a‬‬
‫‪Mann-Whitney U‬‬
‫‪48.500‬‬
‫‪103.500‬‬
‫‪-.118‬‬
‫‪.906‬‬
‫)‪As ymp. Sig. (2-tailed‬‬
‫‪.912‬‬
‫‪Ex act Sig. [2*(1-tailed‬‬
‫])‪Sig.‬‬
‫‪W ilcox on W‬‬
‫‪Z‬‬
‫‪a. Not correc ted for ties.‬‬
‫‪b. Grouping V ariable: Gender‬‬
‫הסבר‪ :‬המטרה היתה לבדוק האם קיים הבדל מובהק בין חרדת בחינות של בנים לזו של בנות‪.‬‬
‫עפ"י הטבלה הראשונה ניתן ללמוד כי הדירוג הממוצע של בנים גבוה במקצת מזה של הבנות‬
‫ונשאלת השאלה האם הבדל זה מובהק‪ .‬לשם כך יש לבחון את הטבלה השניה‪ .‬מובהקות המבחן‬
‫ניתנת בנתון ‪ Exact Sig‬שערכו ‪ .0.912‬ערך זה גבוה מהקריטריון המקובל של ‪ 0.05‬ולכן נסיק‬
‫שאין הבדל מובהק בין חרדת בנים לבנות )כיוון שהערך של ‪ Exact Sig‬גבוה מ‪ 0.05 -‬לא נוכל‬
‫לדחות את השערת האפס כי קיים סיכוי גבוה לטעות‪ .‬כיוון שכך‪ ,‬נסיק כי ערכי המשתנה שווים‬
‫עבור שתי הקבוצות‪ .‬אם הערך של ‪ Exact Sig‬היה נמוך מ‪ 0.05 -‬היינו מסיקים כי קיים הבדל‬
‫מובהק בין שתי הקבוצות )השערת האפס היתה נדחית כי הסיכוי לטעות‪ ,‬מספיק קטן(‪.‬‬
‫מבחן ‪ - Wilcoxon‬השוואת שני משתנים באותה קבוצה‬
‫מבחן זה מיועד לבדיקת ההבדל בין שני משתנים באותה קבוצה והוא מקביל למבחן ‪ t‬להשוואת ‪2‬‬
‫ממוצעים של מדגמים מזווגים‪ .‬מבחן זה מתאים למצב שבו המשתנה הנבדק הוא בסולם‬
‫קטגוריאלי‪-‬סודר או במצבים שבהם המדגם קטן מ‪ 30-‬או שלא ניתן להניח הנחות לגבי התפלגות‬
‫נורמלית של המשתנה התלוי‪.‬‬
‫הדוגמה הבאה מתייחסת לקובץ ‪ .nonparametric2.sav‬ברצוננו לבחון האם קיים הבדל מובהק‬
‫בין חרדת קהל לפני התערבות ואחריה‪ .‬המשתנים התלויים הם חרדת קהל לפני התערבות‬
‫)‪ (Anxiety1‬וחרדת קהל אחרי התערבות )‪.(Anxiety2‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Analyze‬‬
‫‪Non-Parametric tests‬‬
‫‪2 Related samples...‬‬
‫‪ .2‬העבר את המשתנים ‪ Anxiety1‬ו‪ Anxiety2 -‬לחלון האמצעי‪.‬‬
54
:‫ נפתח החלון הבא‬.Options ‫ הקש‬.3
.(‫ גם סטטיסטיקה תיאורית‬,‫ )כלומר‬Descriptive ‫ בחר‬.4
:‫ מתקבל הסינטקס‬. Paste-‫ ו‬OK ‫ הקש‬.5
NPAR TEST
/WILCOXON=Anxiety1 WITH Anxiety2 (PAIRED)
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
:‫מתקבל הפלט הבא‬
‫‪55‬‬
‫‪Descriptive Statistics‬‬
‫‪Minimum‬‬
‫‪Maximum‬‬
‫‪Std. Deviation‬‬
‫‪N‬‬
‫‪Mean‬‬
‫‪4‬‬
‫‪1‬‬
‫‪1.084‬‬
‫‪2.42‬‬
‫‪12‬‬
‫‪Anxiety1‬‬
‫‪4‬‬
‫‪2‬‬
‫‪.778‬‬
‫‪2.67‬‬
‫‪12‬‬
‫‪Anxiety2‬‬
‫‪Ranks‬‬
‫‪Sum of Ranks‬‬
‫‪N‬‬
‫‪Mean Rank‬‬
‫‪16.00‬‬
‫‪4.00‬‬
‫‪4a‬‬
‫‪29.00‬‬
‫‪5.80‬‬
‫‪5b‬‬
‫‪Positive Ranks‬‬
‫‪3c‬‬
‫‪Ties‬‬
‫‪12‬‬
‫‪Total‬‬
‫‪Anxiety2 - Anxiety1 Negative Ranks‬‬
‫‪a. Anxiety2 < Anxiety1‬‬
‫‪b. Anxiety2 > Anxiety1‬‬
‫‪c. Anxiety2 = Anxiety1‬‬
‫‪b‬‬
‫‪Test Statistics‬‬
‫ ‪Anxiety2‬‬‫‪Anxiety1‬‬
‫‪-.812a‬‬
‫‪.417‬‬
‫‪Z‬‬
‫)‪Asymp. Sig. (2-tailed‬‬
‫‪a. Based on negative ranks.‬‬
‫‪b. Wilcoxon Signed Ranks Test‬‬
‫משמעות הפלט‪ :‬התקבלה מובהקות )‪ ,0.417 (Asymp. Sig‬כלומר ערך גבוה מ‪ 0.05 -‬ולכן אין‬
‫הבדל מובהק‪ .‬מסקנה‪ :‬רמת חרדת הקהל לא השתנתה בעקבות ההתערבות‪.‬‬
‫מבחן ‪ - Kriskal - Wallis‬השוואת ‪ 3‬מדגמים ומעלה‬
‫מבחן זה מיועד לבדיקת ההבדל בין ‪ 3‬מדגמים או יותר‪ .‬המבחן מקביל למבחן ‪.1 way ANOVA‬‬
‫מבחן זה מתאים למצב שבו המשתנה הנבדק הוא בסולם קטגוריאלי‪-‬סודר או במצבים שבהם לא‬
‫ניתן להניח הנחות לגבי התפלגות נורמלית של המשתנה התלוי‪ .‬ניתן לבדוק באמצעות המבחן‬
‫הבדלים לגבי משתנה תלוי סודר או כמותי‪.‬‬
‫הדוגמה הבאה מתייחסת לקובץ ‪ .nonparametric3.sav‬ברצוננו לבחון האם קיים הבדל מובהק‬
‫בין מספר שעות הלימוד שמשקיעים סטודנטים בשנה ראשונה‪ ,‬שניה ושלישית‪.‬‬
56
:‫ בחר מהתפריט הראשי‬.1
Analyze
Non-Parametric tests
k Independent samples...
:‫מתקבל החלון‬
‫ ואת‬Test Variable List ‫ לחלון שתחת הכותרת‬Learntime ‫ העבר את המשתנה‬.2
:Grouping Variable ‫ לחלון‬Studyear ‫המשתנה‬
:‫ מתקבל חלון‬.Define Range ‫ לחץ על‬.3
57
.Continue ‫ )מכסימום( ובסיום‬3 ‫ )מינימום( וכן‬1 ‫ הקלד‬.4
.Descriptive ‫ את האפשרות‬Options -‫ סמן ב‬.5
:‫ מתקבל הסינטקס הבא‬.Paste ‫ הקש‬.6
NPAR TESTS
/K-W=Learntime BY Studyear(1 3)
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS.
:‫ מתקבל הפלט‬.‫ הרץ את הסינטקס‬.7
Kruskal-Wallis Test
Ranks
‫שנת‬
‫לימודים‬
‫למידה זמן‬
N
1
6
9.42
2
6
10.58
3
6
8.50
18
Total
a,b
Test Statistics
‫למידה זמן‬
Chi-Square
.500
2
df
Asymp. Sig.
.779
a. Kruskal Wallis Test
b. Grouping Variable: ‫שנת‬
‫לימודים‬
Mean Rank
‫‪58‬‬
‫משמעות הפלט‪ :‬נשאלת השאלה האם ההבדלים בין הדירוגים של ‪ 3‬השנים מובהקים‪.‬‬
‫המובהקות הסטטיסטית שנתקבלה היא ‪ 0.779‬כלומר ערך גבוה מ‪ .0.05 -‬מסקנה‪ :‬לא קיים‬
‫הבדל מובהק בזמן הלמידה בין ‪ 3‬הקבוצות‪.‬‬
‫מבחן ‪ - Friedman‬השוואת שלושה משתנים ומעלה באותה קבוצה‬
‫מבחן זה מיועד לבדיקת ההבדל בין ‪ 3‬משתנים ומעלה באותה קבוצה‪ .‬מבחן זה מתאים למצב שבו‬
‫המשתנה הנבדק הוא בסולם קטגוריאלי‪-‬סודר או שלא ניתן להניח הנחות לגבי התפלגות נורמלית‬
‫של המשתנה‪.‬‬
‫הדוגמה הבאה מתייחסת לקובץ ‪ .nonparametric3.sav‬ברצוננו לבחון האם קיים הבדל מובהק‬
‫בין ‪ 3‬העדפות למידה של סטודנטים‪ :‬לבד‪ ,‬עם חבר ובקבוצה‪.‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Analyze‬‬
‫‪Non-Parametric tests‬‬
‫‪K Related samples...‬‬
‫נפתח חלון‪:‬‬
‫‪ .2‬העבר את המשתנים ‪ Learn1, Learn2, Learn3‬לחלון ‪.Test Variables‬‬
‫‪ .3‬סמן ב‪ Statistics -‬את האפשרות‬
‫הבא‪:‬‬
‫‪ Descriptives‬והקש ‪ .Paste‬מתקבל הסינטקס‬
‫‪NPAR TESTS‬‬
‫‪/FRIEDMAN=Learn1 Learn2 Learn3‬‬
‫‪/STATISTICS DESCRIPTIVES‬‬
‫‪/MISSING LISTWISE.‬‬
‫‪59‬‬
‫‪ .8‬הרץ את הסינטקס‪ .‬מתקבל הפלט‪:‬‬
‫‪NPar Tests‬‬
‫‪Descriptive Statistics‬‬
‫‪Minimum‬‬
‫‪Maximum‬‬
‫‪Std. Deviation‬‬
‫‪N‬‬
‫‪Mean‬‬
‫‪5‬‬
‫‪1‬‬
‫‪1.602‬‬
‫‪3.28‬‬
‫‪18‬‬
‫לבד‬
‫‪5‬‬
‫‪1‬‬
‫‪1.614‬‬
‫‪3.39‬‬
‫‪18‬‬
‫חבר עם‬
‫‪5‬‬
‫‪1‬‬
‫‪1.447‬‬
‫‪3.72‬‬
‫‪18‬‬
‫בקבוצה‬
‫‪Friedman Test‬‬
‫‪Ranks‬‬
‫‪Mean Rank‬‬
‫‪1.83‬‬
‫לבד‬
‫‪1.86‬‬
‫חבר עם‬
‫‪2.31‬‬
‫בקבוצה‬
‫‪a‬‬
‫‪Test Statistics‬‬
‫‪18‬‬
‫‪3.569‬‬
‫‪N‬‬
‫‪Chi-Square‬‬
‫‪2‬‬
‫‪.168‬‬
‫‪df‬‬
‫‪Asymp. Sig.‬‬
‫‪a. Friedman Test‬‬
‫משמעות הפלט‪ :‬נשאלת השאלה האם קיים הבדל מובהק בין ‪ 3‬סגנונות הלמידה הנ"ל‪ .‬עפ"י‬
‫הטבלה האחרונה‪ ,‬המובהקות הסטטיסטית שנתקבלה )‪ (Asymp. Sig‬היא ‪ 0.168‬כלומר ערך‬
‫גבוה מ‪.0.05 -‬‬
‫מסקנה‪ :‬לא קיים הבדל מובהק בין ‪ 3‬סגנונות הלמידה‪.‬‬
‫‪60‬‬
‫מבחן חי בריבוע )‪ (Chi Square‬להשוואת משתנה קטגוריאלי‪-‬שמי להתפלגותו באוכלוסיה‬
‫מבחן זה מתאים לבדיקת התאמה בין משתנה שמי להתפלגותו הצפויה באוכלוסייה‪ .‬המטרה היא‬
‫לבחון האם קיים הבדל מובהק בין השכיחות הנצפית במדגם )‪ (Observed‬לבין השכיחות‬
‫הצפויה באוכלוסייה )‪ .(Expected‬בקובץ ‪ ,GSS93 Subset.sav‬נבדוק האם קיים הבדל‬
‫מובהק בין התפלגות המידה שבה אנשים חובבים מוסיקה קלאסית )‪ (classic3‬להתפלגות‬
‫באוכלוסיה‪ .‬לצורך הדוגמה נניח כי ההתפלגות באוכלוסיה שווה בכל אחת משלוש הקטגוריות )‪-1‬‬
‫אוהב‪-2 ,‬רגשות מעורבים‪-3 ,‬לא אוהב(‪.‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Analyze‬‬
‫‪Non-Parametric tests‬‬
‫‪Chi Square...‬‬
‫‪ .2‬בחר את המשתנה ‪ classic3‬והעבירו לחלון ‪.Test Variable Test‬‬
‫ברירת המחדל באשר ל‪ Expected Values -‬היא שכל הקטגוריות שוות‬
‫)‪ .(All categories equal‬ניתן להגדיר פרופורציות אחרות ע"י בחירה באופציה ‪.Values‬‬
‫‪61‬‬
‫‪ .3‬הקש ‪ OK/Paste‬בתיבת השיח הראשית‪ .‬הסינטקס המתקבל הוא‪:‬‬
‫‪NPAR TEST‬‬
‫‪/CHISQUARE=classic3‬‬
‫‪/EXPECTED=EQUAL‬‬
‫‪/MISSING ANALYSIS.‬‬
‫הפלט המתקבל‪:‬‬
‫)‪Cl assi cal Music (3‬‬
‫‪Residual‬‬
‫‪242.0‬‬
‫‪-135.0‬‬
‫‪-107.0‬‬
‫‪Ex pec ted N‬‬
‫‪475.0‬‬
‫‪475.0‬‬
‫‪475.0‬‬
‫‪Observed N‬‬
‫‪Lik e It‬‬
‫‪717‬‬
‫‪340‬‬
‫‪368‬‬
‫‪1425‬‬
‫‪Mixed Feelings‬‬
‫‪Dislike It‬‬
‫‪Total‬‬
‫‪Te st S tatistics‬‬
‫‪Classical‬‬
‫)‪Music (3‬‬
‫‪185.764‬‬
‫‪2‬‬
‫‪.000‬‬
‫‪Chi-Squarea‬‬
‫‪df‬‬
‫‪As ymp. Sig.‬‬
‫‪a. 0 c ells (.0% ) have expected frequencies les s than‬‬
‫‪5. The minimum ex pec ted cell frequenc y is 475.0.‬‬
‫הסבר‪ :‬בטבלה הראשונה‪ ,‬העמודה הראשונה מפרטת את שכיחות הקטגוריות השונות במדגם‬
‫)‪ .(Observed N‬העמודה השניה מציגה את השכיחות המצופה באוכלוסיה )‪.(Expected N‬‬
‫הטבלה השניה מציגה את ערך הסטטיסטי חי בריבוע‪ ,‬את דרגות החופש ואת המובהקות‬
‫הסטטיסטית )‪ (Asymp. Sig‬הקטנה מ‪ .0.05 -‬מסקנה‪ :‬קיים הבדל מובהק בין התפלגות המדגם לבין‬
‫ההתפלגות הצפויה באוכלוסיה‪.‬‬
‫‪62‬‬
‫נושא מס' ‪ :15‬הפקת גרפים‬
‫תוכנת ‪ SPSS‬מאפשרת להפיק גרפים בתצורות שונות וכן לשמור את שגרת ההפקה בקובץ‬
‫סינטקס לצורך הפקה עתידית של הגרף ללא צורך בהגדרות כלשהן‪ .‬מגירסה ‪ 15‬ואילך‪ ,‬שופרה‬
‫במידה משמעותית פונקצית הפקת הגרפים וכדאי מאד לבצע את הכל )טבלאות וכן גרפים(‬
‫באמצעות התוכנה ללא צורך להעביר נתונים לעיבוד גרפי בגיליון אלקטרוני‪.‬‬
‫אפשרות ראשונה‪ :‬ממוצע של משתנה רציף כפונקציה של משתנה קטגוריאלי‬
‫הסוג הראשון מתייחס להפקת גרף המתאר ממוצע של משתנה רציף )או סטטיסטי אחר כגון‬
‫חציון‪ ,‬שכיח וכד'( כפונקציה של משתנה קטגוריאלי כגון‪ :‬הכנסה כפונקציה של מגדר‪ ,‬שביעות‬
‫רצון מהמנהל בבתי ספר שונים וכד'‪.‬‬
‫נתייחס כעת לקובץ ‪ demo.sav‬ונפיק גרף עמודות המתאר את הכנסה ממוצעת כפונקציה של‬
‫שביעות רצון‪.‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Graphs‬‬
‫‪Chart Builder...‬‬
‫נפתח החלון הבא‪:‬‬
‫‪ .2‬הקש ‪.OK‬‬
‫‪63‬‬
‫‪ .3‬נפתח החלון‪:‬‬
‫‪ .4‬מתוך תפריט ‪ Gallery‬בצד שמאל‪ ,‬בחר ב"‪ ."Bar‬מהחלופות האפשריות לדיאגרמת עמודות‬
‫בחר בציור העליון משמאל וגרור אותו באמצעות העכבר למרכז השטח הריק )למעלה מימין(‪.‬‬
‫מתקבל החלון‪:‬‬
‫‪64‬‬
‫‪ .5‬בחר את המשתנה ‪ Job satisfaction‬ובאמצעות המקש הימני של העכבר שנה את הגדרתו מ‪-‬‬
‫‪ Scale‬ל‪ .Ordinal-‬מדובר בשינוי זמני שיהיה תקף רק לצורך הפקת הגרף‪ .‬יש לשים לב שציר‬
‫ה‪ X-‬חייב להיות מוגדר כמשתנה קטגוריאלי כאשר רוצים לתאר משתנה ‪ Y‬כפונקציה שלו‪.‬‬
‫‪ .6‬גרור את המשתנה‬
‫‪ Job satisfaction‬באמצעות העכבר לתוך המסגרת ‪.X-Axis‬‬
‫‪ .7‬גרור את המשתנה‬
‫‪ Household income‬באמצעות העכבר לתוך המסגרת ‪ .Y-Axis‬מתקבל החלון‪:‬‬
‫‪ .8‬הקש ‪ .OK‬מקבל הפלט‪:‬‬
‫‪120.00‬‬
‫‪80.00‬‬
‫‪60.00‬‬
‫‪40.00‬‬
‫‪20.00‬‬
‫‪0.00‬‬
‫‪Highly‬‬
‫‪satisfied‬‬
‫‪Somewhat‬‬
‫‪satisfied‬‬
‫‪Neutral‬‬
‫‪Somewhat‬‬
‫‪dissatisfied‬‬
‫‪Job satisfaction‬‬
‫‪Highly‬‬
‫‪dissatisfied‬‬
‫‪Mean Household income in thousands‬‬
‫‪100.00‬‬
‫‪65‬‬
‫‪ .9‬כעת נוסיף ערכים מספריים לכל אחת מהעמודות‪ :‬הקש הקשה כפולה על פלט הדיאגרמה‬
‫לפתיחת ‪.Chart Editor‬‬
‫‪ .10‬בחר בתפריט ‪ Elements‬את האפשרות ‪ . Show Data Labels‬הדבר גורם להוספת ערך מספרי‬
‫בכל אחת מהעמודות )במרכז(‪.‬‬
‫‪ .11‬כדי לעדכן את צורת הצגת המספרים )למשל‪ ,‬הגדלת הספרות לגודל ‪ 12‬והצגתם בראש‬
‫העמודה(‪ ,‬עבור לחלון ‪: Properties‬‬
‫‪ .12‬לקביעת מיקום הספרות בראש העמודה‪ ,‬בחר בחלופה העליונה מתוך השלוש המוצגות בצד‬
‫השמאלי התחתון של חלון ‪.Properties‬‬
‫‪ .13‬לבחירת גודל הספרות‪ ,‬הקלק על ‪ Text Style‬וב‪ Preferred Size -‬הקש ‪ 12‬ובסיום ‪ Apply‬ו‪-‬‬
‫‪.Close‬‬
‫‪ .14‬לשמירת כל ההגדרות המיוחדות של הגרף בתבנית ‪) Template -‬גודל ספרות‪ ,‬צבע וכד'(‪ ,‬עבור‬
‫לתפריט ה‪ Chart Editor -‬והקש‪:‬‬
‫‪File‬‬
‫…‪Save Chart Template‬‬
‫‪66‬‬
‫נפתח החלון הבא‪:‬‬
‫‪ .15‬סמן ‪ All settings‬כדי שכל המאפיינים יישמרו בתבנית והקש ‪.Continue‬‬
‫‪.16‬‬
‫בצע שמירה של הקובץ בספריה מתאימה תחת השם ‪.bars demo.sgt‬‬
‫‪ .17‬כדי לשמור את כל ההגדרות בקובץ סינטקס לצורך הרצות עתידיות‪ ,‬הקלק על‬
‫וחזור שנית לחלון ‪.Chart Builder‬‬
‫‪ .18‬הקש על ‪) Options‬בצד שמאל למטה(‪ .‬נפתח החלון הבא‪:‬‬
‫‪ .19‬הקש על …‪) Add‬בצד ימין למטה( ובחר את הקובץ שנשמר קודם )‪.(bars demo‬‬
‫‪Dialog Recall‬‬
67
:‫ מתקבל הסינטקס הבא‬.Paste ‫ ואח"כ‬OK ‫ הקש‬.20
* Chart Builder.
GGRAPH
/GRAPHDATASET NAME="graphdataset" VARIABLES=jobsat[LEVEL=ORDINAL]
MEAN(
income)[name="MEAN_income"] MISSING=LISTWISE REPORTMISSING=NO
/GRAPHSPEC SOURCE=INLINE
TEMPLATE=["D:\My "+
"Documents\yaron\professional\vizo\spss\graphs\bars-demo.sgt"].
BEGIN GPL
SOURCE: s=userSource(id("graphdataset"))
DATA: jobsat=col(source(s), name("jobsat"), unit.category())
DATA: MEAN_income=col(source(s), name("MEAN_income"))
GUIDE: axis(dim(1), label("Job satisfaction"))
GUIDE: axis(dim(2), label("Mean Household income in thousands"))
SCALE: cat(dim(1), include("1", "2", "3", "4", "5"))
SCALE: linear(dim(2), include(0))
ELEMENT: interval(position(jobsat*MEAN_income), shape.interior(
shape.square))
END GPL.
:‫ יתקבל גרף המתאר הכנסה כפונקציה של שביעות רצון‬.‫ הרץ את הסינטקס‬.21
."‫ ניתן לבצע פעולות "העתק" ואח"כ "הדבק‬,‫כדי להעביר את הגרף למסמך וורד‬
‫‪68‬‬
‫אפשרות שניה‪ :‬השוואה בין ממוצעים של כמה משתנים רציפים‬
‫הסוג השני מתייחס להפקת גרף המשווה ממוצעים )או סטטיסטים אחרים( בין כמה משתנים‬
‫רציפים למשל הוצאה כספית על מזון‪ ,‬ביגוד ונופש או הצגת ממוצעי ‪ 5‬תשובות לשאלון שביעות‬
‫רצון‪.‬‬
‫נתייחס כעת לקובץ ‪ l5.sav‬ונפיק גרף עמודות המתאר את ממוצע הציונים במקצועות חשבונאות‪,‬‬
‫מינהל‪ ,‬ניהול אסטרטגי ומתמטיקה‪.‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Graphs‬‬
‫‪Legacy Dialog‬‬
‫‪Bar...‬‬
‫נפתח החלון הבא‪:‬‬
‫‪ .2‬בחר בחלון ‪ Simple‬וסמן למטה את האפשרות ‪.Summaries of separate variables‬‬
‫הקש ‪.Define‬‬
‫‪ .3‬בחר במשתנים ציון בחשבונאות‪ ,‬ציון במינהל‪ ,‬ציון בניהול אסטרטגי וציון במתמטיקה‬
‫והעבר אותם לחלון ‪:Bars Represent‬‬
‫‪69‬‬
‫‪ .4‬הקלק על ‪ Options‬ובחר באפשרות ‪ .Exclude cases variable by variable‬משמעות‬
‫הבחירה היא שכל משתנה מחושב באופן נפרד עבור ‪ .Missing‬אם נבחר‬
‫‪ ,Exclude cases listwise‬אזי לא יילקחו בחשבון רשומות שיש להן ‪ Missing‬באחד‬
‫המשתנים לפחות‪.‬‬
‫‪ .5‬הקש ‪ .OK‬מתקבל הגרף הבא‪:‬‬
‫‪70‬‬
‫‪ .6‬הקש הקשה כפולה על הגרף‪ .‬נפתח מסך ‪.Chart Editor‬‬
‫‪ .7‬בחר בתפריט‪:‬‬
‫‪Elements‬‬
‫‪Data Label Mode‬‬
‫‪ .8‬הקש על אחת העמודות‪ .‬על אותה עמודה מתקבל ערכה המספרי‪.‬‬
‫‪ .9‬בחר שוב בתפריט )לביטול ההגדרה הקודמת(‪:‬‬
‫‪Elements‬‬
‫‪Data Label Mode‬‬
‫‪ .10‬הקש עם המקש השמאלי של העכבר על הערך שהתקבל ואח"כ לחץ על המקש הימני שלו‪.‬‬
‫בחלון שנפתח בחר ‪ .Properties Window‬נפתח החלון הבא‪:‬‬
‫‪ .11‬שנה את גודל הספרות ל‪ 12-‬ואת מיקומן לראש העמודה‪ .‬סגור את חלון ‪.Properties‬‬
‫‪ .12‬בצע שמירה ‪:‬‬
‫‪File‬‬
‫…‪Save Chart Template‬‬
‫‪71‬‬
‫נפתח החלון הבא‪:‬‬
‫וודא שמסומן ‪ All settings‬והקש ‪.Continue‬‬
‫‪ .13‬שמור את ה‪ Template -‬בשולחן העבודה תחת השם ‪.t2‬‬
‫‪ .14‬סגור את מסך ‪.Chart Editor‬‬
‫‪ .15‬הקש על ‪ Recall‬ובחר שוב באופציה האחרונה שהיתה בשימוש‪.‬‬
‫‪ .16‬סמן בצד שמאל למטה ‪.Use chart specifications from‬‬
‫‪ .17‬במסך ‪ ,Define Simple Bar‬סמן בצד שמאל למטה‬
‫"‪ ."Use chart specifications from‬הקלק על "‪ "File‬ובחר את ה קובץ ‪. t2.sgt‬‬
72
:‫ יתקבל הסינטקס הבא‬.Paste ‫ הקש‬.18
GRAPH
/BAR(SIMPLE)=MEAN(q6) MEAN(q7) MEAN(q8) MEAN(q9)
/MISSING=VARIABLEWISE
/TEMPLATE='C:\Documents and Settings\ ‫ירון גילאי\שולחן‬
‫\העבודה‬t2.sgt'.
:‫ יתקבל הגרף‬.‫ הרץ את הסינטקס‬.19
‫‪73‬‬
‫‪ .20‬כדי לקבל את הגרף הנ"ל בנפרד לבנים ולבנות‪ ,‬חזור לתפריט הקודם ע"י ‪.Recall‬‬
‫‪ .21‬בחר במשתנה "מגדר" והעבר אותו ל‪) Rows-‬במשבצת האמצעית(‪.‬‬
‫‪ .22‬הקלק על ‪ .Options‬וודא שמסומנת האפשרות ‪.Exclude cases variable by variable‬‬
‫‪ .23‬הקש ‪ .Paste‬יתקבל הסינטקס הבא‪:‬‬
‫‪GRAPH‬‬
‫)‪/BAR(SIMPLE)=MEAN(q6) MEAN(q7) MEAN(q8) MEAN(q9‬‬
‫‪/PANEL ROWVAR=q2 ROWOP=CROSS‬‬
‫‪/MISSING=VARIABLEWISE‬‬
‫ירון גילאי\שולחן \‪/TEMPLATE='C:\Documents and Settings‬‬
‫‪\t2.sgt'.‬העבודה‬
‫‪ .24‬הרץ את הסינטקס‪ .‬יתקבלו הגרפים הבאים‪:‬‬
‫‪ .25‬כדי לקבל את הגרף הנ"ל בנפרד למכללות ובחלוקה לבנים ולבנות‪ ,‬חזור לתפריט הקודם‬
‫ע"י ‪.Recall‬‬
‫‪ .26‬החזר את השדה "מגדר" לרשימת השדות‪.‬‬
‫‪ .27‬בחר במשתנה "מוסד" והעבר אותו ל‪) Rows-‬במשבצת האמצעית(‪.‬‬
‫‪ .28‬בחר במשתנה "מגדר" והעבר אותו ל‪) Columns-‬במשבצת האמצעית(‪.‬‬
74
.Exclude cases variable by variable ‫ וודא שמסומנת האפשרות‬.Options ‫ הקלק על‬.29
:‫ יתקבל הסינטקס הבא‬.Paste ‫ הקש‬.30
GRAPH
/BAR(SIMPLE)=MEAN(q6) MEAN(q7) MEAN(q8) MEAN(q9)
/PANEL COLVAR=q2 COLOP=CROSS ROWVAR=institute ROWOP=CROSS
/MISSING=VARIABLEWISE
/TEMPLATE='C:\Documents and Settings\ ‫ירון גילאי\שולחן‬
‫\העבודה‬t2.sgt'.
:‫ יתקבלו הגרפים הבאים‬.‫ הרץ את הסינטקס‬.31
‫‪75‬‬
‫אפשרות שלישית‪ :‬גרף שכיחות של משתנה קטגוריאלי‬
‫האפשרות השלישית מתייחסת להפקת גרף המציג התפלגות שכיחות של משתנה קטגוריאלי‪.‬‬
‫נתייחס כעת לקובץ ‪ l2-targil5 patur.sav‬ונפיק גרף עמודות המתאר את התפלגות שכיחות‬
‫ההשכלה‪.‬‬
‫‪ .1‬בחר מהתפריט הראשי‪:‬‬
‫‪Graphs‬‬
‫‪Legacy Dialog‬‬
‫‪Bar...‬‬
‫‪.2‬‬
‫בחר בחלון ‪ Simple‬וסמן למטה את האפשרות ‪.Summaries for groups of cases‬‬
‫הקש ‪.Define‬‬
‫‪ .3‬בחר במשתנה השכלה )‪ (q3‬והעבר אותו לחלון ‪.Category Axis‬‬
‫‪ .4‬סמן בצד שמאל למטה ‪.Use chart specifications from‬‬
‫‪ .5‬במסך ‪ ,Define Simple Bar‬סמן בצד שמאל למטה‬
‫"‪ ."Use chart specifications from‬הקלק על "‪ "File‬ובחר את ה קובץ ‪. t2.sgt‬‬
‫‪ .6‬הקש ‪ .Paste‬יתקבל הסינטקס הבא‪:‬‬
‫‪GRAPH‬‬
‫‪/BAR(SIMPLE)=COUNT BY q3‬‬
‫ירון גילאי\שולחן \‪/TEMPLATE='C:\Documents and Settings‬‬
‫‪\t2.sgt'.‬העבודה‬
‫‪ .7‬הרץ את הסינטקס‪ .‬יתקבל הגרף הבא‪:‬‬
‫‪76‬‬
‫‪ .8‬כדי לקבל את הגרף הקודם תוך הפרדה בין נשים וגברים‪ ,‬חזור על הפעולות הקודמות ע"י‬
‫‪.Recall‬‬
‫‪ .9‬בחר במשתנה "מגדר" והעבר אותו לחלון ‪.Rows‬‬
‫‪ .10‬הקש ‪ .Paste‬יתקבל הסינטקס הבא‪:‬‬
‫‪GRAPH‬‬
‫‪/BAR(SIMPLE)=COUNT BY q3‬‬
‫‪/PANEL ROWVAR=q2 ROWOP=CROSS‬‬
‫ירון גילאי\שולחן \‪/TEMPLATE='C:\Documents and Settings‬‬
‫‪\t2.sgt'.‬העבודה‬
‫‪ .11‬הרץ את הסינטקס‪ .‬יתקבל הגרף הבא‪:‬‬
‫‪77‬‬
‫נושא מס' ‪ :16‬עיצוב‪ ,‬יצוא פלטים ויבוא קבצים ל‪SPSS-‬‬
‫תוכנת ‪ SPSS‬מאפשרת לעצב את טבלאות הפלט לאחר הפקתן ע"י הוספת קווים‪ ,‬שינוי פונטים‪,‬‬
‫הפיכת שורות ועמודות ולהפך וכד'‪ .‬לאחר הגדרת הטבלאות‪ ,‬ניתן לשמור את הגדרות הפורמט‬
‫בקובץ לצורך הפקה עתידית דומה באמצעות פקודות סינטקס‪.‬‬
‫עיצוב טבלאות פלט‬
‫הדוגמה הבאה מתייחסת לקובץ ‪.L2.sav‬‬
‫‪ .1‬הרץ את הסינטקס הבא המציג טבלת שכיחות השכלה‪:‬‬
‫‪.‬שכיחות השכלה*‬
‫‪FREQUENCIES‬‬
‫‪VARIABLES=q3‬‬
‫‪/ORDER= ANALYSIS .‬‬
‫מקבל הפלט‪:‬‬
‫הלכשה‬
‫‪Cumulative‬‬
‫‪Percent‬‬
‫‪20.5‬‬
‫‪46.2‬‬
‫‪64.1‬‬
‫‪82.1‬‬
‫‪94.9‬‬
‫‪100.0‬‬
‫‪Valid Percent‬‬
‫‪20.5‬‬
‫‪25.6‬‬
‫‪17.9‬‬
‫‪17.9‬‬
‫‪12.8‬‬
‫‪5.1‬‬
‫‪100.0‬‬
‫‪Percent‬‬
‫‪20.0‬‬
‫‪25.0‬‬
‫‪17.5‬‬
‫‪17.5‬‬
‫‪12.5‬‬
‫‪5.0‬‬
‫‪97.5‬‬
‫‪2.5‬‬
‫‪100.0‬‬
‫‪Frequency‬‬
‫‪8‬‬
‫‪10‬‬
‫‪7‬‬
‫‪7‬‬
‫‪5‬‬
‫‪2‬‬
‫‪39‬‬
‫‪1‬‬
‫‪40‬‬
‫תידוסי‬
‫תינוכית‬
‫תינוכית‪-‬לע‬
‫ןושאר ראות‬
‫ינש ראות‬
‫ישילש ראות‬
‫‪Total‬‬
‫הבושת ןיא‬
‫‪ .2‬לעיצוב הטבלה הקש עליה הקשה כפולה‪.‬‬
‫הוספת קווים‬
‫‪ .3‬הקש במקש הימני ובחר ‪ .Table Properties‬נפתח החלון הבא‪:‬‬
‫‪ .4‬בחר באפשרות ‪.Borders‬‬
‫‪Valid‬‬
‫‪Missing‬‬
‫‪Total‬‬
‫‪78‬‬
‫‪ .5‬צבע את האפשרות )‪ Horizontal category border (rows‬עד‬
‫)‪.Vertical category border (rows‬‬
‫‪ .6‬בחר קו דק )ראשון( בחלון )מופיע ‪.(None‬‬
‫‪ .7‬הקש אישור‪ .‬מתקבלת טבלה עם קווים אופקיים ואנכיים‪:‬‬
‫הלכשה‬
‫‪Cumulative‬‬
‫‪Percent‬‬
‫‪20.5‬‬
‫‪46.2‬‬
‫‪64.1‬‬
‫‪82.1‬‬
‫‪94.9‬‬
‫‪100.0‬‬
‫‪Valid Percent‬‬
‫‪20.5‬‬
‫‪25.6‬‬
‫‪17.9‬‬
‫‪17.9‬‬
‫‪12.8‬‬
‫‪5.1‬‬
‫‪100.0‬‬
‫‪Percent‬‬
‫‪20.0‬‬
‫‪25.0‬‬
‫‪17.5‬‬
‫‪17.5‬‬
‫‪12.5‬‬
‫‪5.0‬‬
‫‪97.5‬‬
‫‪2.5‬‬
‫‪100.0‬‬
‫‪Frequency‬‬
‫‪8‬‬
‫‪10‬‬
‫‪7‬‬
‫‪7‬‬
‫‪5‬‬
‫‪2‬‬
‫‪39‬‬
‫‪1‬‬
‫‪40‬‬
‫תידוסי‬
‫תינוכית‬
‫תינוכית‪-‬לע‬
‫ןושאר ראות‬
‫ינש ראות‬
‫ישילש ראות‬
‫‪Total‬‬
‫הבושת ןיא‬
‫‪Valid‬‬
‫‪Missing‬‬
‫‪Total‬‬
‫באותו אופן‪ ,‬ניתן לשנות את גודל הספרות‪ ,‬להדגיש וכד'‪.‬‬
‫לאחר ביצוע ההגדרות הנ"ל‪ ,‬ניתן לשמור אותן )כדי לא לחזור על ההגדרות כל פעם מחדש(‪:‬‬
‫‪ .8‬הקש על הטבלה במקש הימני של העכבר )לאחר דבל קליק( ובחר …‪ .Tablelooks‬נפתח‬
‫החלון‪:‬‬
‫‪ .9‬הקש על ‪.Save As‬‬
‫‪ .10‬קבע שם לקובץ ההגדרות‪ ,‬למשל‪) table-1 ,‬הסיומת תהיה אוטומטית ‪.(tlo‬‬
‫‪ .11‬הקש ‪.Save‬‬
‫‪79‬‬
‫‪ .12‬כדי להפעיל את קובץ ההגדרות הנ"ל‪ ,‬הכנס לתפריט הראשי‪:‬‬
‫‪Edit‬‬
‫‪Options‬‬
‫‪Pivot Tables‬‬
‫תחת הכותרת ‪ ,Table Look‬מצא את קובץ ההגדרות והקלק "החל" ו"אישור"‪ .‬מרגע זה ואילך‪,‬‬
‫הטבלאות הבאות יודפסו בפורמט הנ"ל‪ .‬בדף הפלט תודפס פקודת סינטקס המתאימה להגדרה‬
‫הנ"ל ‪:‬‬
‫‪SET TLook 'D\:My Documents\yaron\professional\vizo\spss\tables\table‬‬‫‪1.tlo' TFit‬‬
‫‪Labels.‬‬
‫ניתן להפעיל את ההגדרה הנ"ל ע"י סינטקס זה‪.‬‬
‫יצוא פלטים‬
‫תוכנת ‪ SPSS‬מאפשרת לייצא פלטים למגוון תצורות כגון‪Html, Doc, Text, Excel, PDF ,‬‬
‫ו‪ .Power point -‬בדוגמה הבאה‪ ,‬נייצא את הפלט הקודם לפורמט ‪.PDF‬‬
‫‪ .1‬סמן את הטבלה שיש לייצא‪.‬‬
‫‪ .2‬בחר מהתפריט הראשי‪:‬‬
‫‪File‬‬
‫‪Export...‬‬
‫מתקבל החלון הבא‪:‬‬
‫‪ .3‬הכנס ל‪ Browse -‬ובחר את המקום ואת שם הקובץ החדש‪.‬‬
‫‪ .4‬תחת ‪ Export what‬סמן "‪ "Selected objects‬אם ברצונך לייצא פריט אחד‪ .‬אם‬
‫נדרש לייצא את כל הקובץ‪ ,‬בחר "‪."All visible objects‬‬
‫‪ .5‬לבחירת הפורמט הדרוש סמן ב‪Export Format -‬‬
‫")‪."Portable Document Format (*.pdf‬‬
‫תחת הכותרת ‪File Type‬‬
‫‪80‬‬
‫‪ .6‬הקש ‪ .OK‬התוצאה‪ :‬נוצר קובץ ‪ PDF‬הכולל את הטבלה הנ"ל‪ .‬היתרון של פעולות יצוא‬
‫כאלה הוא שניתן להעביר פלטי ‪ SPSS‬בפורמטים שונים עפ"י נוחות הנמענים השונים‬
‫)גם למי שאין ברשותו תוכנת ‪ .(SPSS‬ניתן לשלוח קובץ ‪ PDF‬או ‪ jpg‬בדואר אלקטרוני‪,‬‬
‫ליצור מצגת פאואר פוינט‪ ,‬גיליון אלקטרוני או דף בפורמט ‪ Html‬לפרסום הפלט באתר‬
‫אינטרנט‪.‬‬
‫יבוא קובץ אקסל ל‪SPSS-‬‬
‫תוכנת ‪ SPSS‬מאפשרת לייבא קבצים מסוגים שונים שאינם קבצי ‪ .SPSS‬כך למשל‪ ,‬אם נתוני‬
‫שאלון הוקלדו לגיליון אלקטרוני אקסל‪ ,‬תוכנת ‪ SPSS‬מסוגלת לייבא קובץ כזה ולהופכו לקובץ‬
‫‪ sav‬ללא צורך בהקלדה ידנית‪ .‬לאחר קליטת הנתונים הגולמיים יש צורך לבצע הגדרות למשתנים‬
‫כגון ‪ Type, Label, Missing‬וכד'‪ .‬הדוגמה הבאה מתייחסת לקובץ אקסל ‪ kesher.xls‬שיש‬
‫לקלוט כקובץ ‪ kesher.sav‬ב‪.SPSS-‬‬
‫‪ .9‬בחר מהתפריט הראשי‪:‬‬
‫‪File‬‬
‫‪Open‬‬
‫…‪Data‬‬
‫נפתח החלון‪:‬‬
‫‪ .10‬בחלון "‪ "Files of type‬בחר באפשרות )‪.Excel(*.xls‬‬
‫‪ .11‬בחר בקובץ ‪ kesher‬והקש על ‪.Open‬‬
‫‪81‬‬
‫נפתח החלון‪:‬‬
‫‪ .12‬הקש ‪.OK‬‬
‫‪ .13‬כעת נפתח חלון ‪ sav‬חדש‪ .‬כעת יש לשמור את הקובץ‪.‬‬
‫קובץ ה‪ sav -‬החדש קרא את שמות המשתנים מתוך השורה הראשונה של קובץ האקסל‪ .‬כעת‬
‫יש להגדיר את המשתנים כמו בקובץ ‪ sav‬חדש )‪ Type, Label, Missing‬וכד'(‪.‬‬