Statistica - SPSS

Introduzione

• Frequenza di una variabile
  • Analyze - Statistiche Descrittive - Frequenze
  • Inserire variabile
  • Charts: Selezionare il grafico preferito
• Selezione dei casi
  • Per lavorare solo su alcuni di essi
  • Tasto menu veloce
  • Selezione "If condition is satisfied" - IF: selezionare un criterio di selezione
  • I risultati verranno rilevati nella tabella dati e verranno evidenziati dati eliminati. Da ora in poi le analisi verranno fatte solo sui casi selezionati
• Ricodifica valori di una variabile
  • Serve a ricodificare i valori creando dei ranghi delle categorie. È possibile ricodificare nella stessa variabile o creare una nuova rimanendo solo etichette
  • Transform - Ricodifica - Inserire variabile - Old and New Values
    • Inserire i criteri in "Old values" e inserire un nuovo valore in "New values"
    • "Output variables are strings" Richiede di inserire nuovi valori nominali
  • Continue - Inserire nuovo name e cases - Change
  • Il nome non può avere spazi ed è quello che comparirà nell’output

Introduzione

• Frequenza di una variabile
• Analyze - Statistiche Descrittive - Frequenze
• Inserire variabile
• Charts: selezionare il grafico preferito
• Selezione dei casi
• Per analizzare solo gli alcuni di essi
• Tasto menu veloce
• Selezione "If condition is satisfied" - If: selezionare un criterio di selezione
• I risultati verranno rilevati nella tabella dati e verranno evidenziati quelli eliminati. Da ora in poi le analisi verranno fatte solo sui casi selezionati
• Ricodifica valori di una variabile
• Serve a ricodificare i valori creando dei range, delle categorie. é possibile ricodificare nella stessa variabile o creare una nuova, mantenendo così entrambe
• Transform - Ricodifica - Inserire variabile - Old and New Values
• Inserire i criteri in "Old Values" e inserire il nuovo valore in "New Values"
• "Output variables are strings" relativo di inserire nuovi valori nominali
• Contajner - Inserire nuovo name e cases - Chanare
• Il note non può avere spazi ed è quello che comparirà nell'output

Regressione Lineare Semplice

• La regressione serve a capire se c'è una relazione, ossia se una variabile influenza l'andamento dell'altra variabile.
• Correlazione: vedere solo se c'è relazione.
• Analyze - correlate - bivariate
• Se clicchiamo su “save standardized values” creeremo una nuova variabile coi valori standardizzati su cui potrò fare una nuova correlazione.
• Se in “options” calcoliamo media e dev. stand., otterremo la verifica che il valore della correlazione fa riferimento ad un dev. standard, ossia dirà.

Regressione Lineare

• Analyze - regression - lineare
• L'output ci darà i valori della var. ind., ossia dell'effetto che essa ha sulla var. dip.
• Per ottenere lo scatterplot:
• Graphs - scatterplot - posizionare poi sugli assi

Regressione Lineare Multipla

• 2 o più variabili indipend. su 1 variabile dipend.
• Analyze - regress. lineare - inserisco più variabili
• Metodo: “enter” gli da solo il modello con entrambi le variabili, “stepwise” gli da sia la regressione semplice sia la variabile.
• Il “model summary” gli darà il R², ossia la varianza spiegata.
• Nella tabella “coefficients” gli indici i coefficienti parziali, ossia l'effetto diretto su X, si moltiplicano i W.
• Per conoscere il contributo unico di ogni var. ind. ad una variabile dipendente, bisogna ottenere le correlazioni parziali.

=> è più veloce accedere a “statistiche, nei menù di regressioni” - cliccare partials ed obtain correlations.

- Zero ordine: correlaz correlaz tra 1 var. ind. e la var. dip.

- Parz.: correlaz parziali al netto dell’altra variabile elevando al quadrato otteniamo quanto di x spiega y ossia la varianza spiegata da x (effetto unico di x) + quota comune con x.e w

- Parz. 1: correlaz semiparziali parti di varianza spiegata da x e condivisa da w più al netto dell’altra variabile (percentuale di contributo di x nel determinare dei valori compartiti tra x e w nel determinare dei valori di y)

\(R^2\) varianza spiegata dall’intero modello data data da

\(r^2\) = effetto diretto su x + \(p^2\) correlazione semiparziale di w

Anova Fattoriale Between

• Si utilizza quando abbiano 1 o più variabili indipendenti categoriche (non quantitative)
• Si parla di differenze di medie tra gruppi di soggetti
• Divide in gruppo/variabile in più gruppi
  • Se vogliamo stabilire noi i parametri, andiamo su trasforma variabile e ricodifica!
  • Se vogliamo ottenere gruppi uguali
    • Frequenze → statistiche → cut points forz* + numero di gruppi che vogliamo
    • Otteniamo i recodinci
  • Utilizzazio questi parametri per ricodificare la variabile
    • Quando inseriamo valori, non bisogna mai ripetere i valori altrimenti alcuni dati verranno ripetuti 2 volte
    • Es. ricerche 1948/1954 = 1-0-1948 2-1949-1954 3: tutti gli altri

Anova

• Existono vari menu’
  • Analyze → compare means → one way anova
  • Neglo stesso menu troviamo ‘independent sample t test ‘che fasciagli stessi. Vaggi dell’Anova fatta su una var. ind. dichot. a
  • Il menu più completo é
    • Analyze → modello lineare generale → univariato - dipendente f - fixed factors - var inde

Disegni Fattoriali Within Subjects

• I soggetti sono esposti a tutte le condizioni sperimentali
• Tutti i fattori e le variabili sono entro i soggetti e misurati su uno stesso soggetto
• Di solito si fa la differenza tra RM-ANOVA dove la var. ind. a misure ripetute è il "tempo"

ANOVA Within Subjects

• Analyze - General Linear Model - Misure ripetute
  • Si inseriscono i fattori e i loro livelli
  • Define: inseriscono le variabili rispettando l’ordine richiesto dai valori
  • Si possono richiedere i grafici, nel caso di 1 di 2 var. ind. è meglio creare tanti grafici diversi a modulo
• Between Si
  • Test Multivariati non si guardano
  • Si guarda se Mauchly è sing o meno
  • Si guarda la tabella "Tests of within subject effects"
  • Si osservano gli effetti principali e quelli di interazione

Introduzione all'Analisi Fattoriale

• Riduzione fattoriale
  • Analisi: “Data dimension reduction” - factor in “variance”, si misurano i diversi item/fattori
  • Extraction: Bisogna di scegliere il metodo di estrazione
  • Principali componenti: PCA
  • Minimi quadrati non pesanti - unweighted least squared - AFC
  • Chei done anche lo scree plot
  • Ortho: selezionare “sorted by size” in modo che anche output le variabili siano in ordine decrescente rispetto alle saturazioni
  • Le tabelle che otteniamo sono:
    • Comunalità: le comunalità estratte sono calcolate solo sui fattori estratti, quindi le valore sarà inferiore a 1. Ogni valore è pari alla somma dei quadrati delle saturazioni per ogni fattore
    • Total varianza explained: tabella dei fattori estratti con i relativi valori di varianza spiegata percentuale o cumulata
    • Component matrix: saturazioni di ogni componente con i diversi fattori estratti. La somma dei quadrati delle saturazioni di una riga indica la percentuale di varianza che quei fattori spiegano di quella componente (per solo PCA questa corrisponde alla comunalità estratta)
  • Se non siamo soddisfatti dei componenti estratti in base all’ACP, possiamo eseguire nuovamente l’analisi impostando il numero di fattori che vogliamo estrarre
  • All’interno del “turn” - metodo: pring component. Indicare nella finestra “number of fixed effects”
• Punteggi fattoriali
  • Affinché le saturazioni possano essere usate per analisi statistiche, si creano i punteggi fattoriali che riassumono i valori delle variabili osservate
  • Se meno dell’analisi fattoriale vi sa su “cores” vavas vs variances, salvo i punteggi fattoriali per ogni soggetto direttamente dai fattori estratti
  • Visibly factor scores efficient quarl matrix of vadna etc.

- Ottenuto da tabella "component scores coefficient matrix"

• I coefficienti dei punteggi fattoriali permettono di stimare, attraverso il metodo della regressione, i punteggi fattoriali a partire dai punteggi standardizzati delle variabili osservate
• Se vogliamo valutare se esiste un effetto di "genere" sui valori del fattore Y ossia se si F hanno punteggi medi differenti nei item che compongono il fattore Y, utilizzeremo il t test
• Analyze - Compare means - Independent samples t test
• Grouping variable: Genere
• Test variable: Variabile che comprende i punteggi fattoriali dei fattori
• Si guarderà la seconda riga: "Equal variances not assumed". Richi se significativa, non si accettano H0 => c'è differenza significativà

Rotazioni

• Rotazione ortogonale
• Menù analisi fattoriali - Rotation - Varimax
• Rotazione obliqua
• Menù analisi fattoriale rotation - Direct oblim - Maximum likelihood for congruens
• Iterazioni del procedimento
• Le tabelle saranno
• Giraudicià
• Variaza totale spiegata di autovalori ruotati
• La variana totale spiegata sarà= alla non ruotata
• Matrice dei componenti
• Pattern matrix: Contributi unici dei fattori alla spieg dei singoli item/variabili
• Structure matrix: Correlazioni fattore-variabile
• Component correlation matrix: matrice di correlazioni tra i fattori
• a=0 sono ortogonali
• a≠0 ci incliniamo e tendiamo e ≠0 e≠1 sono obliqui

6

t-test

• Test di significatività
• Corrisponde al F-test nell'ANOVA
• Il t-test confronta le medie
• Nei design between subjects confronta medie di 2 gruppi campioni appaiati
• Analyze: compare means - independent sample t-test
• Nei design within a measure ripetute confronta le medie di campioni appaiati
• Analyze: compare means - paired samples t-test
• Inserendo le variabili che rappresentano le 2 diverse condizioni di visualizzazione (es. Roma-Doro)

Test delle Assunzioni

Calcolo dei residui

• Menu ANOVA o regressioni: inserisco variabili - Save - Non standardizz cu - estraggo le colonne
• Creo 2 variabili ref. val. progetti es. valori residue/errori
• Creo uno scatter-plot con y = res x = pre
• Se linearità e omoschedasticità sono rispettate ottengo una banda orizzontale omogenea
• Se ho roba cal di outlier assunto di assunzioni ed equilibrio, casignò arte si disdegno al modello

Test non parametrici

• Dal menu "Test non parametrici" si accede a numerose funzioni relative a tutti i possibili calcoli in vertical eTest
• Chi2
• Kolmogorov-Smirnov
• Normalizzazione
• Correlazioni o ordinazioni p (dal menu "correlazioni")
• Mann-Whitney U
• Kruskal-Wilcox | KW
• Viene spiegato se e perchè si accetta H0 e c'è sig.
• Per ordinarizzare in ranking: ca variabile - transform - rank cases