Hjelp til statistikk og spss...

[Aurora!]

Jeg sliter mye med sykdom og har dessverre gått glipp av mesteparten av semesterets forelesning i statistikk. Jeg prøver likevel å gjøre et forsøk på å stå i dette faget men jeg trenger hjelp!

 

Nå driver vi med en temmelig omfattende oppgave om logistic regression...vi bruker spss.

 

Jeg søker noen som kan hjelpe meg med spss, analysering av outputen og noen beregninger...

 

Betaler selvfølgelig for din tid!!

 

Trenger virkelig hjelp!!

 

Ta kontakt!

[cronbach alpha]

Jeg kan kanskje hjelpe deg, det er en stund siden, men jeg har jobbet med SPSS tidligere og har en del bøker og oppgave liggende. Men jeg trenger å vite mer hva du er ute etter innenfor SPSS, ettersom SPSS er et meget stort verktøy som benyttes av ingeniører, økonomer, markedsføring, osv. Jeg er ikke så veldig interessert i å ta på meg en betalt jobb, da dette vil sette press på meg selv, ettersom jeg har eksamener selv å leste til. Men jeg skal kunne komme med informasjon som kan hjelpe deg, men det er igjen avhengig av hva du skal benytte i SPSS. Under finner du en liste over ting jeg skal kunne forklare deg, hvordan du kjører testene, hva du skal se etter, osv.

 

Chronbach's Alpha

 

Kaiser-Meyer-Olkin (KMO)

 

Bartlett's Test

 

Total Variance Explained

 

Rotated Component Matrix

 

Reliability Statistics

 

Descriptive Statistics

 

Test of Normality

 

Coefficients

 

Dependent Variable Graph

 

ANOVA

 

Kolmogorov-Smirnov

 

Independent-samples T-test

 

One - way ANOVA test

[Aurora!]

Hei! utrolig hyggelig at du vil hjelpe meg!

 

Jeg er som sagt totalt fersk i statistikk, spss verdenen og har derfor litt problemer med å vite akkurat hva jeg trenger hjelp til, for jeg trenger hjelp til alt.. Spesielt å tyde output + gjøre div tester og beregninger...

 

Det er snakk om en binary logistic regression. Ta gjerne kontakt på inboxen min så sender jeg deg oppgave teksten...

 

Først skal jeg beskrive variablene, og forklare hvordan en logistic regression kan forbedre min forståelse av data settet osv..

Så skal jeg "fit" a logistic regression og kalkulere ut sannsynligheten, så skal jeg diskutere modellen og teste hypotesene ...

 

For å si det sånn....jeg har ikke peeeeeiling!

[cronbach alpha]

Ok, det var for det meste hypotesetesting jeg drev på med og der jeg hold på med regresjonsanalyse av variabler og tilhørende verdier. Har en oppgave som forteller deg egentlig det meste du trenger innen dette området og med tyding av output, men jeg har dessverre ikke lov å sende deg denne da jeg har avtale med bedriften jeg jobbet for før.

 

Det er et temmelig stort faglig område du snakker om her, og tiden vil være et problem. Jeg kan ta kontakt på innboksen, men jeg vil også poste informasjonen ut på denne tråden slik at eventuelt andre som lurer på noe av dette kanskje kan finne svar her.

 

Som du sier har du lite peiling og det gjør saken litt vanskeligere, jeg vil forsøke å få laget et eksempel som tar for seg en del variabler og hypoteser. Ut fra dette skal jeg få kjørt noen forskjellige analyser og fra outputen vil jeg forklare hva du skal se etter og deres betydning.

 

Tidsrom du har å operere på?

[SPSSHJELP]

Ok, det var for det meste hypotesetesting jeg drev på med og der jeg hold på med regresjonsanalyse av variabler og tilhørende verdier. Har en oppgave som forteller deg egentlig det meste du trenger innen dette området og med tyding av output, men jeg har dessverre ikke lov å sende deg denne da jeg har avtale med bedriften jeg jobbet for før.

 

Det er et temmelig stort faglig område du snakker om her, og tiden vil være et problem. Jeg kan ta kontakt på innboksen, men jeg vil også poste informasjonen ut på denne tråden slik at eventuelt andre som lurer på noe av dette kanskje kan finne svar her.

 

Som du sier har du lite peiling og det gjør saken litt vanskeligere, jeg vil forsøke å få laget et eksempel som tar for seg en del variabler og hypoteser. Ut fra dette skal jeg få kjørt noen forskjellige analyser og fra outputen vil jeg forklare hva du skal se etter og deres betydning.

 

Tidsrom du har å operere på?

 

Hei jeg så at du hadde svart personen over om du kunne hjelpe han med SPSS. lurer på om du har mulighet til å hjelp meg med spss? Det er krise jeg skal levere min BC oppgave på tirsdag og forstår ikke noe med SPSS.

[cronbach alpha]

Hei jeg så at du hadde svart personen over om du kunne hjelpe han med SPSS. lurer på om du har mulighet til å hjelp meg med spss? Det er krise jeg skal levere min BC oppgave på tirsdag og forstår ikke noe med SPSS.

 

Hallo, ja jeg har kommunisert med personen på chat/post, men kan poste det jeg har skrevet. Har dessverre ikke fått laget et godt eksempel med forklaring ettersom jeg har eksamen som tar opp mye av min tid.

[cronbach alpha]

Det har ingenting å si hvordan du legger inn variablene dine, grunnen til dette er at du ved regresjon vil måtte velge variablene dine, hvilken som er Dependent, Factor(s), Covariate(s), osv. Når du har gjort dette må du velge hva du skal benytte innenfor statistics, model, criteria og option.

 

Når du legger inne variablene dine må du passe på å gi dem navn (gjerne logiske navn), type, width, decimals, label, values, missing, columns, align og measure.

 

Om jeg har et spørsmål jeg vil sette en verdi på, for eksempel mann eller kvinne, og der 1 representerer kvinner og 2 representerer mann kan variabelen til dette settes opp for eksempel slik.

 

Name: MannKvinne

Type: Numeric

Width: 3

Decimal: 0

Label: Kjønn:

Values: Her legger du inn value og label, f.eks value 1 og label Kvinne.

Missing: None

Columns: 10

Align: right

Measure: Scale

 

Det kan godt hende at du ikke skal benytte den slags variabler, men du må bare tenke at det er irrelevant, du "lager" variablene dine og deres tilhørende verdier. Det du må tenke er: hva er det variabelen min skal representere, er det tallverdier skal den være numeric, skal den kunne ha store verdier må du sette passende bredde (width), skal verdien(e) representere noe logisk (for eksempel 1 = kvinne og 2 = mann) må du bare legge dette til under Values, hva er det du måler (Measure) er det for eksempel et spørsmål med alternativene 1-7 skal det være "Scale".

 

Men vil anbefale deg å få tak i boken "SPSS Survival Manual" av Julie Pallant til å lese.

 

Oki, så da baserer dataen du har mottatt seg på at du har noen bedrifter der noen har røykeforbud, noen ikke har det og at du har forskjellige mennesker mhp alder, kjønn, osv.

Da kan man ut i fra oppgaven si at en hypotese for eksempel er H1: "Røykeforbud på arbeidsplassen motiverer ansatte til å slutte å røyke" eller H2: "Ingen røykeforbud øker antall røykere på arbeidsplassen", osv.

Hypotese kan for eksempel være noe du selv tror eller at en teori hinter til at "slik er det", det du vil da er å finne ut om dette stemmer, og du skal gjøre alt du kan for å motbevise denne hypotesen, med andre ord skal du forsøke å forkasten den!

 

Det du vil gjøre da er å kjøre en reliabilitetstest og faktoranalyse.

 

For å kjøre en reliabilitetstest trykker du på "Analyze" og velger "Scale" og "Reliability Analysis". Her velger du variablene du vil sjekke. Velg så statistics (til høyre), her inne har du en rekke valg, du kan huke av Item, Scale if item deleted og Correlations.

 

Det reliabilitetstest gjør er å sjekket om variablene svarer til sin hensikt, at det er en sammenheng mellom de. Når du kjører denne testen, skal du se på outputen under Cronbach's Alpha. Chronbach`s Alpha (CA) dreier seg om i hvilken grad spørsmålene innenfor hver av komponentene hører sammen. Verdien på Cronbach`s Alpha går fra 0 til 1, der hvor en Cronbach`s Alpha med verdi 1 tilsvarer at det er 100 % korrelasjon mellom elementene, mens verdi 0 tilsvarer ingen korrelasjon. Statistisk sett vil en god Cronbach’s Alpha verdi være 0.70<CA<0.90.

 

Jeg har ikke tiden til å forklare innenfor hver test hvor du skal trykke deg fram inne på SPSS, men det er bare å søke på youtube eller google for stikkordene jeg har nevnt tildigere (f.eks Keiser-Meyer-Olkin (KMO)).

 

Om du har flere variabler som du mener kan settes sammen til 1 eller flere faktorer må du kjøre en Kaiser-Meyer-Olkin (KMO) og Bartlett`s Test. Om dette var litt vanskelig å skjønne kan du tenkte deg følgende. Si at du har 4 spørsmål som er litt forskjellig, da kan det hende at du mener at disse spørsmålene til sammen representerer for eksempel tilfredshet (som vil da bli din faktor). Men før du kan slå disse 4 spørsmålene sammen til en faktor må du sjekke om du har muligheten til dette, at datasettet er passende for en faktoranalyse.

 

KMO måler samplingenes tilstrekkelighet og har verdier fra 0 til 1 der 0.60 blir sett på som et minimum for å få en god faktoranalyse. Bartlett`s Test indikerer om variablene er signifikante og bør ha en verdi på p<0.05. Om verdien viser p>0.05 betyr det at i over 95 % av tilfellene er det ikke samsvar mellom variablene. Fra outputen vil du også se "Total Variance Explained", den viser hvor mye av det totale avviket (blant alle dine valgte variabler) hver faktor forklarer, der den første faktoren alltid vil forklare mest. Om bare den første komponenten har en verdi på større enn 1 og de resterende mindre enn 1 betyr dette at alle komponentene kan slås sammen til en faktor. Om flere komponenter har verdier på større enn 1 vil dette si at de kan slås sammen til like mange faktorer som antall komponenter med verdi på større enn 1. Den totale verdien på komponentene skal tilsvare antall komponenter. For å finne ut hvor mange prosent den første komponenten forklarer av variansen ser man på kolonnen ”% of Variance”, dette betyr altså hvor mange prosent den første komponenten forklarer av både seg selv og de andre. For å finne ut hvilke komponenter som bør slås sammen til en faktor ser man på den Roterte Komponent Matrisen (Rotated Component Matrix) som kommer med alternativer. Man ser på den roterte komponentmatrisen ved tester der flere komponenter har en større egenverdi enn 1.

 

Hypoteser vil vi teste ved hjelp av regresjonsanalyse der hvor outputen vil komme av formen Descriptive Statistics. Men det første vi vil se på etter at regresjonen er gjennomført er om resultatet er normalfordelt, der outputen vil komme i en tabell som heter Tests of Normality (velg Analyze + Descriptive Statistics + explor). Fra tabellen ser vi to metoder som er benyttet, Kolmogorov-Smirnov og Shapiro-Wilk. Om du har mange respondenter er det Kolmogorov-Smirnov vi må benytte. Denne måler normaliteten av distribusjonene som er målt og et sig-nivå > 0.05 viser til at restleddene er normalfordelt.

 

Det neste blir å se om at uavhengige komponenter/variabler har en korrelasjon (sammenheng), dette finner du under tabellen Coefficients. Her må du sjekke om alle har en korrelasjon > 0.3 under kolonne Zero-order. Vi vil da finne ut hvor mye av den avhengige variabelen som blir forklart av de uavhengige variablene, for å finne ut dette må vi se på verdien av R^2 som vi finner under ”model summary”. Om for eksempel R^2 = 0.50, vil dette si at de uavhengige variablene forklarer 50% av den avhengige variabelen.

 

For å kunne si om resultatene for denne modellen er signifikant (sig<0.05 eller vi skal være 95% eller mer sikker, dette kan også variere etter hvor sikker du skal være) må vi se i tabellen ANOVA. Her ser vi om at sig er mindre enn grensen vi har satt, for eksempel er et gyldig resultat for det som er sagt over sig<0.04.

 

Du benytter så det som er skrever til å kunne forkaste eller beholde hypotesen din!

[cronbach alpha]

Her er også det jeg skrev om logistic regression.

 

Nå er det lenge siden jeg har vært borti logistic regression, en god del år faktisk, men jeg har laget et eksempel av det jeg husker.

 

Logstic regression tar for seg flere variabler og mot et utfall i binært form (altså 0 eller 1) som kan for eksempel representere ja (binært 1) og nei (binært 0), eller motsatt. Det trenger ikke å representere Ja eller nei, det kan også for eksempel være falt og falt ikke.

 

Et lite eksempel: Si at du er interessert i å finne ut om alder, kjønn, osv har en påvirkning eller sammenheng med hypertensio arterialis (en tilstand der arterieblodtrykket er høyere enn normalt for pasientens kjønn og alder). Du har tatt på deg denne oppgaven og vil finne sammenhenger mellom en eller flere variabler til dette utfallet. Si at du tar for deg alder og hypertensio arterialis (representert med ja eller nei) som den avhengige variabelen. Du kjører da en logisk regresjon og finner for eksempel at Exp(B) for alder er 0.825 (I tabellen "Variables in the Equation") og at denne er signifikant. Det den da forteller deg er at sannsynligheten for å få hypertensio arterialis er større for en eldre person og at for hvert ekstra år vil sannsynligheten for å få hypertensio arterialis øke med en faktor på 0.825. Altså, for hver år som går øker sannsynligheten for hypertensio arterialis med 17,5 % (si at du har tatt for deg et sample av personer på 40år og oppover).

[Bachelorstudent]

Det har ingenting å si hvordan du legger inn variablene dine, grunnen til dette er at du ved regresjon vil måtte velge variablene dine, hvilken som er Dependent, Factor(s), Covariate(s), osv. Når du har gjort dette må du velge hva du skal benytte innenfor statistics, model, criteria og option.

 

Når du legger inne variablene dine må du passe på å gi dem navn (gjerne logiske navn), type, width, decimals, label, values, missing, columns, align og measure.

 

Om jeg har et spørsmål jeg vil sette en verdi på, for eksempel mann eller kvinne, og der 1 representerer kvinner og 2 representerer mann kan variabelen til dette settes opp for eksempel slik.

 

Name: MannKvinne

Type: Numeric

Width: 3

Decimal: 0

Label: Kjønn:

Values: Her legger du inn value og label, f.eks value 1 og label Kvinne.

Missing: None

Columns: 10

Align: right

Measure: Scale

 

Det kan godt hende at du ikke skal benytte den slags variabler, men du må bare tenke at det er irrelevant, du "lager" variablene dine og deres tilhørende verdier. Det du må tenke er: hva er det variabelen min skal representere, er det tallverdier skal den være numeric, skal den kunne ha store verdier må du sette passende bredde (width), skal verdien(e) representere noe logisk (for eksempel 1 = kvinne og 2 = mann) må du bare legge dette til under Values, hva er det du måler (Measure) er det for eksempel et spørsmål med alternativene 1-7 skal det være "Scale".

 

Men vil anbefale deg å få tak i boken "SPSS Survival Manual" av Julie Pallant til å lese.

 

Oki, så da baserer dataen du har mottatt seg på at du har noen bedrifter der noen har røykeforbud, noen ikke har det og at du har forskjellige mennesker mhp alder, kjønn, osv.

Da kan man ut i fra oppgaven si at en hypotese for eksempel er H1: "Røykeforbud på arbeidsplassen motiverer ansatte til å slutte å røyke" eller H2: "Ingen røykeforbud øker antall røykere på arbeidsplassen", osv.

Hypotese kan for eksempel være noe du selv tror eller at en teori hinter til at "slik er det", det du vil da er å finne ut om dette stemmer, og du skal gjøre alt du kan for å motbevise denne hypotesen, med andre ord skal du forsøke å forkasten den!

 

Det du vil gjøre da er å kjøre en reliabilitetstest og faktoranalyse.

 

For å kjøre en reliabilitetstest trykker du på "Analyze" og velger "Scale" og "Reliability Analysis". Her velger du variablene du vil sjekke. Velg så statistics (til høyre), her inne har du en rekke valg, du kan huke av Item, Scale if item deleted og Correlations.

 

Det reliabilitetstest gjør er å sjekket om variablene svarer til sin hensikt, at det er en sammenheng mellom de. Når du kjører denne testen, skal du se på outputen under Cronbach's Alpha. Chronbach`s Alpha (CA) dreier seg om i hvilken grad spørsmålene innenfor hver av komponentene hører sammen. Verdien på Cronbach`s Alpha går fra 0 til 1, der hvor en Cronbach`s Alpha med verdi 1 tilsvarer at det er 100 % korrelasjon mellom elementene, mens verdi 0 tilsvarer ingen korrelasjon. Statistisk sett vil en god Cronbach’s Alpha verdi være 0.70<CA<0.90.

 

Jeg har ikke tiden til å forklare innenfor hver test hvor du skal trykke deg fram inne på SPSS, men det er bare å søke på youtube eller google for stikkordene jeg har nevnt tildigere (f.eks Keiser-Meyer-Olkin (KMO)).

 

Om du har flere variabler som du mener kan settes sammen til 1 eller flere faktorer må du kjøre en Kaiser-Meyer-Olkin (KMO) og Bartlett`s Test. Om dette var litt vanskelig å skjønne kan du tenkte deg følgende. Si at du har 4 spørsmål som er litt forskjellig, da kan det hende at du mener at disse spørsmålene til sammen representerer for eksempel tilfredshet (som vil da bli din faktor). Men før du kan slå disse 4 spørsmålene sammen til en faktor må du sjekke om du har muligheten til dette, at datasettet er passende for en faktoranalyse.

 

KMO måler samplingenes tilstrekkelighet og har verdier fra 0 til 1 der 0.60 blir sett på som et minimum for å få en god faktoranalyse. Bartlett`s Test indikerer om variablene er signifikante og bør ha en verdi på p<0.05. Om verdien viser p>0.05 betyr det at i over 95 % av tilfellene er det ikke samsvar mellom variablene. Fra outputen vil du også se "Total Variance Explained", den viser hvor mye av det totale avviket (blant alle dine valgte variabler) hver faktor forklarer, der den første faktoren alltid vil forklare mest. Om bare den første komponenten har en verdi på større enn 1 og de resterende mindre enn 1 betyr dette at alle komponentene kan slås sammen til en faktor. Om flere komponenter har verdier på større enn 1 vil dette si at de kan slås sammen til like mange faktorer som antall komponenter med verdi på større enn 1. Den totale verdien på komponentene skal tilsvare antall komponenter. For å finne ut hvor mange prosent den første komponenten forklarer av variansen ser man på kolonnen ”% of Variance”, dette betyr altså hvor mange prosent den første komponenten forklarer av både seg selv og de andre. For å finne ut hvilke komponenter som bør slås sammen til en faktor ser man på den Roterte Komponent Matrisen (Rotated Component Matrix) som kommer med alternativer. Man ser på den roterte komponentmatrisen ved tester der flere komponenter har en større egenverdi enn 1.

 

Hypoteser vil vi teste ved hjelp av regresjonsanalyse der hvor outputen vil komme av formen Descriptive Statistics. Men det første vi vil se på etter at regresjonen er gjennomført er om resultatet er normalfordelt, der outputen vil komme i en tabell som heter Tests of Normality (velg Analyze + Descriptive Statistics + explor). Fra tabellen ser vi to metoder som er benyttet, Kolmogorov-Smirnov og Shapiro-Wilk. Om du har mange respondenter er det Kolmogorov-Smirnov vi må benytte. Denne måler normaliteten av distribusjonene som er målt og et sig-nivå > 0.05 viser til at restleddene er normalfordelt.

 

Det neste blir å se om at uavhengige komponenter/variabler har en korrelasjon (sammenheng), dette finner du under tabellen Coefficients. Her må du sjekke om alle har en korrelasjon > 0.3 under kolonne Zero-order. Vi vil da finne ut hvor mye av den avhengige variabelen som blir forklart av de uavhengige variablene, for å finne ut dette må vi se på verdien av R^2 som vi finner under ”model summary”. Om for eksempel R^2 = 0.50, vil dette si at de uavhengige variablene forklarer 50% av den avhengige variabelen.

 

For å kunne si om resultatene for denne modellen er signifikant (sig<0.05 eller vi skal være 95% eller mer sikker, dette kan også variere etter hvor sikker du skal være) må vi se i tabellen ANOVA. Her ser vi om at sig er mindre enn grensen vi har satt, for eksempel er et gyldig resultat for det som er sagt over sig<0.04.

 

Du benytter så det som er skrever til å kunne forkaste eller beholde hypotesen din!

Hei! Jeg er ny her inne og kunne ikke se hvor jeg postet et innlegg/spørsmål. Jeg trenger desperat hjelp til å lage stacked grafer av en analyse i SPSS. KAN NOEN være så snill å hjelpe meg?

[Bachelorstudent]

Det har ingenting å si hvordan du legger inn variablene dine, grunnen til dette er at du ved regresjon vil måtte velge variablene dine, hvilken som er Dependent, Factor(s), Covariate(s), osv. Når du har gjort dette må du velge hva du skal benytte innenfor statistics, model, criteria og option.

 

Når du legger inne variablene dine må du passe på å gi dem navn (gjerne logiske navn), type, width, decimals, label, values, missing, columns, align og measure.

 

Om jeg har et spørsmål jeg vil sette en verdi på, for eksempel mann eller kvinne, og der 1 representerer kvinner og 2 representerer mann kan variabelen til dette settes opp for eksempel slik.

 

Name: MannKvinne

Type: Numeric

Width: 3

Decimal: 0

Label: Kjønn:

Values: Her legger du inn value og label, f.eks value 1 og label Kvinne.

Missing: None

Columns: 10

Align: right

Measure: Scale

 

Det kan godt hende at du ikke skal benytte den slags variabler, men du må bare tenke at det er irrelevant, du "lager" variablene dine og deres tilhørende verdier. Det du må tenke er: hva er det variabelen min skal representere, er det tallverdier skal den være numeric, skal den kunne ha store verdier må du sette passende bredde (width), skal verdien(e) representere noe logisk (for eksempel 1 = kvinne og 2 = mann) må du bare legge dette til under Values, hva er det du måler (Measure) er det for eksempel et spørsmål med alternativene 1-7 skal det være "Scale".

 

Men vil anbefale deg å få tak i boken "SPSS Survival Manual" av Julie Pallant til å lese.

 

Oki, så da baserer dataen du har mottatt seg på at du har noen bedrifter der noen har røykeforbud, noen ikke har det og at du har forskjellige mennesker mhp alder, kjønn, osv.

Da kan man ut i fra oppgaven si at en hypotese for eksempel er H1: "Røykeforbud på arbeidsplassen motiverer ansatte til å slutte å røyke" eller H2: "Ingen røykeforbud øker antall røykere på arbeidsplassen", osv.

Hypotese kan for eksempel være noe du selv tror eller at en teori hinter til at "slik er det", det du vil da er å finne ut om dette stemmer, og du skal gjøre alt du kan for å motbevise denne hypotesen, med andre ord skal du forsøke å forkasten den!

 

Det du vil gjøre da er å kjøre en reliabilitetstest og faktoranalyse.

 

For å kjøre en reliabilitetstest trykker du på "Analyze" og velger "Scale" og "Reliability Analysis". Her velger du variablene du vil sjekke. Velg så statistics (til høyre), her inne har du en rekke valg, du kan huke av Item, Scale if item deleted og Correlations.

 

Det reliabilitetstest gjør er å sjekket om variablene svarer til sin hensikt, at det er en sammenheng mellom de. Når du kjører denne testen, skal du se på outputen under Cronbach's Alpha. Chronbach`s Alpha (CA) dreier seg om i hvilken grad spørsmålene innenfor hver av komponentene hører sammen. Verdien på Cronbach`s Alpha går fra 0 til 1, der hvor en Cronbach`s Alpha med verdi 1 tilsvarer at det er 100 % korrelasjon mellom elementene, mens verdi 0 tilsvarer ingen korrelasjon. Statistisk sett vil en god Cronbach’s Alpha verdi være 0.70<CA<0.90.

 

Jeg har ikke tiden til å forklare innenfor hver test hvor du skal trykke deg fram inne på SPSS, men det er bare å søke på youtube eller google for stikkordene jeg har nevnt tildigere (f.eks Keiser-Meyer-Olkin (KMO)).

 

Om du har flere variabler som du mener kan settes sammen til 1 eller flere faktorer må du kjøre en Kaiser-Meyer-Olkin (KMO) og Bartlett`s Test. Om dette var litt vanskelig å skjønne kan du tenkte deg følgende. Si at du har 4 spørsmål som er litt forskjellig, da kan det hende at du mener at disse spørsmålene til sammen representerer for eksempel tilfredshet (som vil da bli din faktor). Men før du kan slå disse 4 spørsmålene sammen til en faktor må du sjekke om du har muligheten til dette, at datasettet er passende for en faktoranalyse.

 

KMO måler samplingenes tilstrekkelighet og har verdier fra 0 til 1 der 0.60 blir sett på som et minimum for å få en god faktoranalyse. Bartlett`s Test indikerer om variablene er signifikante og bør ha en verdi på p<0.05. Om verdien viser p>0.05 betyr det at i over 95 % av tilfellene er det ikke samsvar mellom variablene. Fra outputen vil du også se "Total Variance Explained", den viser hvor mye av det totale avviket (blant alle dine valgte variabler) hver faktor forklarer, der den første faktoren alltid vil forklare mest. Om bare den første komponenten har en verdi på større enn 1 og de resterende mindre enn 1 betyr dette at alle komponentene kan slås sammen til en faktor. Om flere komponenter har verdier på større enn 1 vil dette si at de kan slås sammen til like mange faktorer som antall komponenter med verdi på større enn 1. Den totale verdien på komponentene skal tilsvare antall komponenter. For å finne ut hvor mange prosent den første komponenten forklarer av variansen ser man på kolonnen ”% of Variance”, dette betyr altså hvor mange prosent den første komponenten forklarer av både seg selv og de andre. For å finne ut hvilke komponenter som bør slås sammen til en faktor ser man på den Roterte Komponent Matrisen (Rotated Component Matrix) som kommer med alternativer. Man ser på den roterte komponentmatrisen ved tester der flere komponenter har en større egenverdi enn 1.

 

Hypoteser vil vi teste ved hjelp av regresjonsanalyse der hvor outputen vil komme av formen Descriptive Statistics. Men det første vi vil se på etter at regresjonen er gjennomført er om resultatet er normalfordelt, der outputen vil komme i en tabell som heter Tests of Normality (velg Analyze + Descriptive Statistics + explor). Fra tabellen ser vi to metoder som er benyttet, Kolmogorov-Smirnov og Shapiro-Wilk. Om du har mange respondenter er det Kolmogorov-Smirnov vi må benytte. Denne måler normaliteten av distribusjonene som er målt og et sig-nivå > 0.05 viser til at restleddene er normalfordelt.

 

Det neste blir å se om at uavhengige komponenter/variabler har en korrelasjon (sammenheng), dette finner du under tabellen Coefficients. Her må du sjekke om alle har en korrelasjon > 0.3 under kolonne Zero-order. Vi vil da finne ut hvor mye av den avhengige variabelen som blir forklart av de uavhengige variablene, for å finne ut dette må vi se på verdien av R^2 som vi finner under ”model summary”. Om for eksempel R^2 = 0.50, vil dette si at de uavhengige variablene forklarer 50% av den avhengige variabelen.

 

For å kunne si om resultatene for denne modellen er signifikant (sig<0.05 eller vi skal være 95% eller mer sikker, dette kan også variere etter hvor sikker du skal være) må vi se i tabellen ANOVA. Her ser vi om at sig er mindre enn grensen vi har satt, for eksempel er et gyldig resultat for det som er sagt over sig<0.04.

 

Du benytter så det som er skrever til å kunne forkaste eller beholde hypotesen din!

Hei! Du synes å ha god kjennskap og kompetanse vedrørende SPSS. Jeg har et noe mindre omfattende problem en tidligere problem du har blitt eksponert for her inne ser jeg, og håper du derfor kan hjelpe meg litt. Mitt problem er som følger: Jeg har gjort analyser, men trenger å overføre analyseresultatet(tabellen) til en "Stacked Graph". Jeg finner ikke ut av hvordan jeg enkelt kan gjøre dette uten å måtte ta utgangspunkt i råmaterialet, eller det behandlede datamaterialet.