(Variable View)... 10

1 T.E.I. ΚΡΗΤΗΣ ΣΧΟΛΗ ΕΠΑΓΓΕΛΜΑΤΩΝ ΥΓΕΙΑΣ & ΠΡΟΝΟΙΑΣ ΤΜΗΜΑ ΚΟΙΝΩΝΙΚΗΣ ΕΡΓΑΣΙΑΣ ΣΤΑΤΙΣΤΙΚΗ: ΕΦΑΡΜΟΓΕΣ ΜΕ ΤΟ SPSS Μέρος 1ο: Περιγραφική Στατιστική 4η Έκδοση Κριτσωτάκης Ι. Ευάγγελος, MSc, PhD Ηράκλειο, 2004-2013 Περιεχόµενα: Πρόλογος 1ης Έκδοσης... 2 1. Καταχώριση εδοµένων και Οργάνωση Αρχείου εδοµένων στο SPSS... 3 1.1 Επεξεργαστής εδοµένων (Data Editor)... 3 1.2 Καταχώριση και Οργάνωση των εδοµένων στην Data View... 4 1.3 Καθορισµός Ιδιοτήτων των Μεταβλητών και των Τιµών τους στην Οθόνη Μεταβλητών (Variable View)... 10 1.4 Εµφάνιση Πληροφοριών για τις Μεταβλητές που περιέχει ένα αρχείο δεδοµένων... 18 1.5 Σύνοψη Βασικών Εννοιών και ιαδικασιών της Ενότητας 1... 19 1.6 Αγγλική Ορολογία για την Ενότητα 1... 20 1.7 Άσκηση 1η... 21 2. Πίνακες Κατανοµής Συχνοτήτων... 23 2.1 Πίνακες Συχνοτήτων για Μεµονωµένες Μεταβλητές (Frequencies)... 23 2.2 Επεξεργασία Πινάκων του SPSS και Μεταφορά τους σε Προγράµµατα Office... 27 2.3 Οµαδοποίηση Ποσοτικών εδοµένων (Recode)... 30 2.4 Καταχώριση Έτοιµων Πινάκων Συχνοτήτων στο SPSS (Weight Cases)... 35 2.5 Σύνοψη Βασικών Εννοιών και ιαδικασιών της Ενότητας 2... 37 2.6 Αγγλική Ορολογία για την Ενότητα 2... 38 2.7 Άσκηση 2η... 39 3. Στατιστικά ιαγράµµατα για 1 Μεταβλητή... 40 3.1 Εισαγωγή... 40 3.2 Κυκλικό ιάγραµµα (Pie)... 41 3.3 Ραβδόγραµµα (Bar, simple)... 44 3.4 Ιστόγραµµα (Histogram)... 46 3.5 Ιστογράµµατα και Μορφές Κατανοµών Συχνοτήτων... 49 3.6 Σύνοψη Βασικών Εννοιών και ιαδικασιών της Ενότητας 3... 55 3.7 Βασική Ορολογία στα Αγγλικά για την Ενότητα 3... 56 3.8 Άσκηση 3η... 57 4. Στατιστικές Συνοπτικής Περιγραφής Ποσοτικών εδοµένων... 58 4.1 Εισαγωγή... 58 4.2 Υπολογισµός Στατιστικών Μέτρων µε την Εντολή Frequencies... 61 4.3 Υπολογισµός Στατιστικών Μέτρων µε την Εντολή Explore... 68 4.4. Επιλογή Περιπτώσεων µε την Εντολή Select Cases... 76 4.5. Θηκόγραµµα (Boxplot): διάγραµµα που συνοψίζει 5 βασικές στατιστικές... 82 4.6 Σύνοψη Βασικών Εννοιών της Ενότητας 4... 88 4.7 Άσκηση 4η... 89 5. Περιγραφή της Σχέσης ύο Μεταβλητών... 91 5.1 Εισαγωγή... 91 5.2 Συσχέτιση µιας Ποσοτικής και µιας Ποιοτικής Μεταβλητής (Explore)... 93 5.3 Συσχέτιση ύο Ποιοτικών Μεταβλητών (Crosstabs)... 96 5.3.1 Κατασκευή Πίνακα Συνάφειας µε την εντολή Crosstabs... 98 5.3.1 Υπολογισµός Ποσοστών σε έναν Πίνακα Συνάφειας... 101 5.3.2 Κατασκευή Σύνθετου Ραβδογράµµατος από το µενού Graphs... 105 5.3.4 Καταχώριση Έτοιµων Πινάκων Συνάφειας στο SPSS (Weight Cases, Crosstabs)... 109 5.4 Συσχέτιση ύο Ποσοτικών Μεταβλητών... 114 5.4.1 Εισαγωγή... 114 5.4.2 Κατασκευή ιαγράµµατος ιασποράς (Scatter Plot)... 115 5.4.3 Υπολογισµός Συντελεστών Συσχέτισης Pearson και Spearman (Correlate, Bivariate)... 119 5.5 ευτερογενείς Συσχετίσεις και Συγχυτικοί Παράγοντες... 128 5.5 Άσκηση 5η... 130

2 3 Πρόλογος 1ης Έκδοσης 1. Καταχώριση εδοµένων και Οργάνωση Αρχείου εδοµένων στο SPSS Η Στατιστική, προσαρµοσµένη για τις ανάγκες των Εφαρµοσµένων Κοινωνικών Επιστηµών, έχει πλέον καθιερωθεί ως βασικό και απαραίτητο τµήµα σε όλα τα προγράµµατα σχετικών σπουδών παγκοσµίως. Είναι γνωστό ότι η Στατιστική έχει αναπτυχθεί ραγδαία κατά τα τελευταία χρόνια και οι σύγχρονες στατιστικές τεχνικές απαιτούν εξειδικευµένες γνώσεις εφαρµοσµένων µαθηµατικών και χρησιµοποίηση ειδικού λογισµικού. Τις γνώσεις και την ευχέρεια χρήσης τέτοιων τεχνικών κατέχουν µεν επιστήµονες εξειδικευµένοι στα µαθηµατικά και τη στατιστική, αλλά οι εφαρµογές τους δεν αφορούν µόνον αυτούς. Οι σπουδαστές πρέπει να συνειδητοποιήσουν ότι οι βασικές γνώσεις στη στατιστική έχουν πρακτική αξία όχι µόνο για την εκπόνηση ερευνητικών ή διπλωµατικών εργασιών κατά τη διάρκεια των σπουδών τους αλλά και για την µετέπειτα επαγγελµατική απασχόλησή τους. 1.1 Επεξεργαστής εδοµένων (Data Editor) Για την επεξεργασία των δεδοµένων µιας έρευνας, το πρώτο βήµα είναι η καταχώρηση και οργάνωσή τους στον Data Editor (Επεξεργαστής εδοµένων) του SPSS. Ο Data Editor εµφανίζεται µε την εκκίνηση του προγράµµατος και έχει τη µορφή της εικόνας 1. Τέτοιες ανάγκες έχουν οδηγήσει στη δηµιουργία λογισµικού ικανού να υποστηρίξει την επεξεργασία µεγάλου όγκου δεδοµένων σε σύντοµο χρονικό διάστηµα, και παράλληλα εύκολου στη χρήση του ακόµη και από µη-εξειδικευµένους χρήστες. Το Στατιστικό Πακέτο για τις Κοινωνικές Επιστήµες, γνωστό ως SPSS (Statistical Package for Social Sciences), διαθέτει αυτές τις δυνατότητες και έχει καθιερωθεί ως ένα από τα παγκοσµίως δηµοφιλέστερα στατιστικά πακέτα. Οι σηµειώσεις αυτές γράφτηκαν για την υποστήριξη του εργαστηριακού µέρους του µαθήµατος της Στατιστικής στο Τµήµα Κοινωνικής Εργασίας του Τ.Ε.Ι. Κρήτης. εν αποτελούν πλήρες εγχειρίδιο στατιστικής, και δεν φιλοδοξούν ούτε στοχεύουν στην παράθεση όλων των εξειδικευµένων γνώσεων και τεχνικών που µπορεί να υποστηρίξει το SPSS. Παρουσιάζουν µόνο τα βασικότερα και απλούστερα εργαλεία που είναι απαραίτητα και µπορούν να γίνουν κατανοητά σε σπουδαστές που παρακολουθούν το εισαγωγικό µάθηµα της Στατιστικής και έχουν στοιχειώδη ευχέρεια στη χρήση των Windows. Η δυνατότητα αυτοδιδασκαλίας υπήρξε ένας από τους στόχους των σηµειώσεων. Γι αυτό καταβλήθηκε ιδιαίτερη προσπάθεια ώστε η παρουσίαση των θεµάτων να επιτρέπει στους σπουδαστές, στο βαθµό του εφικτού, να χρησιµοποιήσουν τις σηµειώσεις αυτές µόνοι τους, µπροστά στον προσωπικό υπολογιστή τους ή µέσα στα εργαστήρια Η/Υ της σχολής κατά τις ώρες ελεύθερης χρήσης. Είναι ευνόητο ότι η παρακολούθηση των σχετικών παραδόσεων και η επαφή µε τα διδασκόµενα θέµατα υπό την εποπτεία και καθοδήγηση εξειδικευµένου διδακτικού προσωπικού είναι αναντικατάστατη. Οκτώβριος 2004 Κριτσωτάκης Ευάγγελος Εικόνα 1: Το παράθυρο εργασίας του Data Editor Παρατηρείστε στο κάτω αριστερά τµήµα της οθόνης ότι υπάρχουν δύο επιλογές στον Data Editor: η Data View (Οθόνη εδοµένων) και η Variable View (Οθόνη Μεταβλητών). Το παράθυρο που βλέπετε ενεργό στην εικόνα 1 είναι το Data View, το οποίο χρησιµοποιείται για την καταχώριση, τροποποίηση και εµφάνιση των δεδοµένων της έρευνάς σας. Η επιλογή Variable View χρησιµοποιείται για να καθορίσουµε τα χαρακτηριστικά των µεταβλητών της έρευνας και γενικά το περιβάλλον της βάσης δεδοµένων που θέλουµε να κατασκευάσουµε στο SPSS. Παρόλο που στην πράξη πρώτα ετοιµάζουµε το περιβάλλον Variable View και έπειτα εισάγουµε τα δεδοµένα µας στη Data View του SPSS, για διδακτικούς σκοπούς παρουσιάζουµε πρώτα τις λειτουργίες της Data View.

4 5 1.2 Καταχώριση και Οργάνωση των εδοµένων στην Data View Η οθόνη Data View χρησιµοποιείται για την καταχώριση, την τροποποίηση και την εµφάνιση των δεδοµένων της έρευνάς µας στο SPSS. Ο βασικός κανόνας καταχώρισης δεδοµένων στην Data View είναι: Κάθε στήλη (column) της Data View αντιστοιχεί σε µία µεταβλητή (variable ή για συντοµία var), ενώ κάθε γραµµή (row) αντιστοιχεί στις απαντήσεις ενός ατόµου ή σε µια παρατήρηση (case) όπως συνηθίζουµε να λέµε στη Στατιστική. Column Variable, Row Case Με άλλα λόγια, σε κάθε στήλη καταχωρίζουµε τις απαντήσεις της ίδιας ερώτησης από το ερωτηµατολόγιο της έρευνας, ενώ σε κάθε γραµµή καταχωρίζουµε ένα διαφορετικό ερωτηµατολόγιο (τις απαντήσεις ενός ατόµου). Έτσι, αν π.χ. κάνουµε µια έρευνα σε 50 άτοµα χρησιµοποιώντας ένα ερωτηµατολόγιο 8 ερωτήσεων, η Data View θα είναι ένας πίνακας δεδοµένων µε 8 στήλες και 50 γραµµές.. Οι πιο συνηθισµένοι τύποι δεδοµένων που εισάγουµε σε ένα κελί της Data View περιλαµβάνουν: Αριθµούς (π.χ. όταν καταχωρίζουµε δεδοµένα ηλικίας), Ηµεροµηνίες (π.χ. ηµεροµηνίες γέννησης), ή Κείµενο σε συνδυασµό ενδεχοµένως µε αριθµούς («αλφαριθµητικά δεδοµένα») (π.χ. καταχώριση ονοµατεπωνύµων ή ταχυδροµικών διευθύνσεων). Η τελευταία περίπτωση, δηλαδή η καταχώριση δεδοµένων µε τη µορφή κειµένου, θα πρέπει γενικά να αποφεύγεται γιατί µπορεί να προκαλέσει πολλά πρακτικά προβλήµατα. Για παράδειγµα, θα µπορούσαµε να καταχωρίσουµε τα δεδοµένα για το φύλο των ατόµων που συµµετείχαν στην έρευνά µας µε τη µορφή κειµένου ως «Άνδρας» και «Γυναίκα». Όµως, εκτός του ότι η πληκτρολόγηση κειµένου είναι εξαιρετικά χρονοβόρα, µικρές διαφορές στο κείµενο που για µας δεν έχουν καµία σηµασία, όπως π.χ. «άνδρας» ή «ανδρας» ή «Άντρας» λαµβάνονται από το SPSS ως διαφορετικές τιµές της µεταβλητής. Επίσης, η καταχώριση δεδοµένων στη µορφή κειµένου περιορίζει τις δυνατότητες στατιστικής ανάλυσης στο SPSS. Μπορούµε να αποφύγουµε αυτά τα προβλήµατα ορίζοντας µια αριθµητική κωδικοποίηση των τιµών της µεταβλητής, όπως π.χ. 1 = Άνδρας και 2 = Γυναίκα, και καταχωρίζοντας τα δεδοµένα ως 1 και 2 αντί του κειµένου «Άνδρας» και «Γυναίκα». Παράδειγµα 1Α: Θα καταχωρίσουµε τα δεδοµένα που συλλέξαµε για τους 8 Κοινωνικούς Λειτουργούς που εργάζονται σε ένα νοσοκοµείο και τα οποία αφορούν το ονοµατεπώνυµο (τα αρχικά του), την ηλικία, το φύλο και την ευχέρεια στη χρήση του SPSS (σε 5-βαθµη κλίµακα Likert: Καθόλου, Μικρή, Μέτρια, Μεγάλη, Πολύ µεγάλη), όπως δίνονται στον παρακάτω πίνακα δεδοµένων: Ονοµατ/νο Ηλικία Φύλο Ευχέρεια χρήσης SPSS ΑΝΤ.Κ 38 Άνδρας Πολύ µεγάλη ΣΤΕ.Κ 41 Γυναίκα Καθόλου ΜΑΡ.Σ 26 Γυναίκα Μικρή ΜΑΡ.Π 35 Γυναίκα Πολύ µεγάλη ΑΘΑ.Σ 29 Άνδρας Μεγάλη ΕΛΕ.Ε 39 Άνδρας Καθόλου ΒΑΣ.Μ Γυναίκα Μικρή ΝΙΚ.Π 44 Γυναίκα Μέτρια Στα παραπάνω δεδοµένα έχουµε 4 µεταβλητές και 8 άτοµα, οπότε στην Data View θα χρησιµοποιήσουµε 4 στήλες και 8 γραµµές. Για το φύλο και την ευχέρεια χρήσης του SPSS, θα αποφύγουµε την καταχώριση κειµένου χρησιµοποιώντας τις κωδικοποιήσεις: Άνδρας = 1, Γυναίκα = 2, και Καθόλου = 1, Μικρή = 2, Μέτρια = 3, Μεγάλη = 4, Πολύ µεγάλη = 5, αντίστοιχα. Κωδικοποίηση των ονοµατεπώνυµων δεν θα είχε νόηµα (αφού θα έπρεπε να δώσουµε τόσους κωδικούς όσα και τα ονοµατεπώνυµα), οπότε θα καταχωρίσουµε τα στοιχεία αυτά σε µορφή κειµένου. Η καταχώριση των δεδοµένων για το ονοµατεπώνυµο ξεκινάει από το κελί [1,1] (1 η στήλη, 1 η γραµµή) της Data View, στο οποίο πληκτρολογούµε ΑΝΤ.Κ (αφού πρώτα ρυθµίσουµε το πληκτρολόγιο σε ελληνικά και κεφαλαία). Έπειτα πατάµε Return ή Enter ή το πλήκτρο κάτω βέλους. Το όνοµα της στήλης θα αλλάξει από var σε VAR00001 και το έντονο περίγραµµα θα µετακινηθεί στο κελί [1,2], δηλαδή στο επόµενο προς κάτω κελί. Το νέο κελί είναι τώρα ενεργό και πληκτρολογούµε ΣΤΕ.Κ. Οµοίως καταχωρίζουµε τα ονοµατεπώνυµα των υπολοίπων 6 ατόµων. Η καταχώριση των τιµών της ηλικίας ξεκινάει από το κελί [2,1] (2 η στήλη, 1 η γραµµή), στο οποίο πηγαίνουµε χρησιµοποιώντας το ποντίκι ή τα πλήκτρα βέλους, πληκτρολογούµε την τιµή 38 και πατάµε Return ή Enter ή το πλήκτρο κάτω βέλους. Το όνοµα της δεύτερης στήλης θα αλλάξει από var σε VAR00002 και το έντονο περίγραµµα θα µετακινηθεί στο κελί [2,2], δηλαδή στο επόµενο προς κάτω κελί. Το νέο κελί είναι τώρα ενεργό και πληκτρολογούµε την τιµή 41. Οµοίως καταχωρίζουµε τις υπόλοιπες τιµές της ηλικίας. Παρατηρήστε ότι για το 7 ο άτοµο δεν έχει καταγραφεί η ηλικία, και έχουµε όπως λέµε µια απούσα τιµή (missing value). Για το αντίστοιχο κελί [2,7] έχουµε δύο επιλογές: είτε να αφήσουµε το κελί κενό, είτε να καταχωρίσουµε έναν κωδικό που θα υποδεικνύει την απουσία τιµής. Ο κωδικός αυτός θα πρέπει να είναι ένας αριθµός που να µπορεί να διακριθεί εύκολα από τις τιµές της ηλικίας, όπως π.χ. 999. Θα πρέπει βέβαια να ενηµερώσουµε το SPSS ότι η τιµή 999 δεν είναι

6 7 κάποια ηλικία που θα ληφθεί υπόψη στους υπολογισµούς και αυτό θα γίνει στην οθόνη Variable View, όπως θα δούµε στην επόµενη ενότητα. Για τα δεδοµένα του φύλου, καταχωρίζουµε στο κελί [3,1] τον κωδικό 1 (που, όπως έχουµε συµφωνήσει, σηµαίνει «Άνδρας»), στο κελί [3,2] εισάγουµε τον κωδικό 2 (που σηµαίνει «Γυναίκα»), στο κελί [3,3] τον κωδικό 2, κλπ. Με όµοιο τρόπο, εισάγουµε στην τέταρτη στήλη της Data View τα (κωδικοποιηµένα) δεδοµένα για την ευχέρεια στη χρήση του SPSS. Η εικόνα 2 δείχνει τη µορφή που θα έχει πάρει η οθόνη Data View έπειτα από την παραπάνω διαδικασία: Αν ξεχάσατε να εισάγετε τα δεδοµένα κάποιου ατόµου, τα οποία θα θέλατε να καταχωρίσετε π.χ. στην 5 η γραµµή, τότε επιλέξτε την 5 η γραµµή κάνοντας κλικ πάνω στη στήλη αρίθµησης της Data View και µε δεξί κλικ επιλέξτε: Insert Case. Αν θέλετε να διαγράψετε τα δεδοµένα κάποιου ατόµου, π.χ. στην 4 η γραµµή, τότε επιλέξτε την 4 η γραµµή κάνοντας κλικ πάνω στη στήλη αρίθµησης της Data View και µε δεξί κλικ επιλέξτε: Clear. Προσοχή: Μην σβήνετε τα δεδοµένα χρησιµοποιώντας το Delete σε ένα-ένα κελί. Αν το κάνετε αυτό, πέρα ότι θα σας πάρει πολύ χρόνο, θα παρατηρήσετε ότι το SPSS αφήνει µια τελίτσα σε κάθε κελί και η στήλη αρίθµησης παραµένει ενεργοποιηµένη. ηλαδή, το SPSS θα θεωρήσει ότι εξακολουθεί να υπάρχει το άτοµο στην έρευνά σας (και θα το µετράει στις στατιστικές), το οποίο όµως δεν έχει απαντήσει σε καµιά από τις ερωτήσεις σας! Αποθήκευση Αρχείου εδοµένων: Τα δεδοµένα αποθηκεύονται σε αρχεία συστήµατος. Το όνοµα ενός αρχείου αποτελείται από 2 µέρη: 1) Ένα πρόθεµα, που µπορεί να περιλαµβάνει χαρακτήρες και αριθµούς, το οποίο ακολουθείται από µια τελεία. Πρόκειται για το όνοµα που εµείς ορίζουµε. Στο δικό µας παράδειγµα θα χρησιµοποιήσουµε το πρόθεµα παράδειγµα1α. 2) Μια κατάληξη (επίθεµα) τριών χαρακτήρων, που αντιστοιχεί στον τύπο του αρχείου. Για τα αρχεία δεδοµένων του SPSS το επίθεµα είναι sav. Για τα αρχεία εξόδου αποτελεσµάτων (output), τα οποία περιέχουν τα αποτελέσµατα της στατιστικής ανάλυσης (πίνακες, διαγράµµατα, στατιστικές κλπ), το επίθεµα είναι spo σε εκδόσεις του SPSS <= 16 και spv σε νεότερες εκδόσεις. Οι καταλήξεις αυτές προστίθενται αυτόµατα στα αρχεία του SPSS. Τα αρχεία εξόδου µε κατάληξη sav διαβάζονται µόνο µε εκδόσεις του SPSS µέχρι και την 16η, ενώ τα αρχείο εξόδου µε κατάληξη spv χρειάζονται την 17η ή µεταγενέστερη έκδοση. Εικόνα 2: Καταχώριση δεδοµένων του παραδείγµατος 1Α στην Data View. Παρατηρείστε ότι οι αριθµοί εµφανίζονται µε δύο δεκαδικά ψηφία στην Data View. Το SPSS το κάνει αυτό αυτόµατα (by default), εκτός αν του ορίσουµε κάτι άλλο (µέσω της Variable View, όπως θα δούµε στην επόµενη ενότητα). Στο παράδειγµά µας, οι τιµές είναι ακέραιες οπότε τα δύο δεκαδικά ψηφία είναι µηδενικά και δεν παίζουν κανένα ρόλο. Λάθη στις καταχωρίσεις και διορθώσεις στη Data View: Η πρώτη αποθήκευση γίνεται µε την εντολή Save As... (γραµµή µενού: File Save As...), όπου καθορίζουµε τόσο το όνοµα του αρχείου, όσο και την τοποθεσία αποθήκευσής του (φάκελος στον σκληρό δίσκο ή συσκευή αποθήκευσης / κάρτα µνήµης). Οι µετέπειτα αποθηκεύσεις τροποποιήσεων ή διορθώσεων γίνονται µε την εντολή Save και το όνοµα του αρχείου παραµένει ίδιο (γραµµή µενού: File Save). Για το παράδειγµα 1Α, δώστε όνοµα αρχείου παράδειγµα1α.sav και αποθηκεύστε στο USB stick / κάρτα µνήµης σας (Εικόνα 3). Αν πληκτρολογήσατε λάθος κάποια τιµή, µετακινηθείτε µε το ποντίκι στο αντίστοιχο κελί και πληκτρολογείστε τη σωστή τιµή (δεν χρειάζεται να σβήσετε τη λανθασµένη, απλώς πληκτρολογείτε πάνω της τη σωστή τιµή). Χρήσιµες σε τέτοιες περιπτώσεις είναι οι εντολές cut-copy-paste που παίρνουµε µε δεξί κλικ στο ποντίκι.

8 9 Κλείσιµο Αρχείων SPSS: Τοποθεσία αποθήκευσης στον Η/Υ Όνοµα αρχείου δεδοµένων Το αρχείο εξόδου αποτελεσµάτων που πήραµε στο Παράδειγµα 1Α, δεν µας είναι χρήσιµο οπότε µπορούµε να το κλείσουµε (πατώντας το κόκκινο Χ) χωρίς να το αποθηκεύσουµε. Το SPSS θα δώσει µήνυµα προειδοποίησης ρωτώντας αν θέλετε να αποθηκεύσετε το αρχείο εξόδου, όπου θα επιλέξουµε No (συνήθως επιλέγουµε Yes, αλλά εδώ δεν επιθυµούµε να γίνει αποθήκευση). Το αρχείο εξόδου θα κλείσει, αλλά το αρχείο δεδοµένων (Data Editor) θα παραµείνει ανοικτό. Εικόνα 3: Αποθήκευση αρχείου δεδοµένων µε την εντολή Save as. Επίθεµα αρχείου δεδοµένων (sav) Για να κλείσουµε και το αρχείο δεδοµένων, πατάµε το κόκκινο Χ στον Data Editor. Το SPSS θα δώσει πάλι µήνυµα προειδοποίησης, ρωτώντας αν θέλετε να προχωρήσετε στο κλείσιµο του προγράµµατος, στο οποίο θα επιλέξουµε «Yes» (εκδόσεις SPSS >= 16), όπως δείχνει η Εικόνα 5. Το αρχείο δεδοµένων (και το SPSS συνολικά) θα κλείσει, εκτός και αν δεν έχει γίνει αποθήκευση οπότε θα πάρουµε δεύτερο προειδοποιητικό µήνυµα (Εικόνα 6). Μετά την αποθήκευση του αρχείου δεδοµένων, το SPSS θα ανοίξει παράθυρο εξόδου αποτελεσµάτων (output), το οποίο θα δίνει τα αποτελέσµατα της εργασίας (δηλ. της αποθήκευσης) που ζητήσατε να κάνει το SPSS (Εικόνα 4). Εικόνα 5: Μήνυµα προειδοποίησης του SPSS κατά το κλείσιµο αρχείου δεδοµένων Εικόνα 4: Αρχείο εξόδου αποτελεσµάτων (output) του SPSS Γενικά, το παράθυρο εξόδου του SPSS περιέχει τα αποτελέσµατα οποιασδήποτε εργασίας ζητήσουµε, όπως π.χ. κατασκευή πινάκων και διαγραµµάτων, υπολογισµό στατιστικών µέτρων κλπ. Θα πρέπει να τονιστεί ότι το Οutput δεν συνδέεται δυναµικά µε τον Data Editor. ηλαδή, αν κάνετε αλλαγές στα δεδοµένα που έχετε εισάγει στην Data View δεν θα ενηµερωθούν αυτόµατα τα διαγράµµατα, τα στατιστικά στοιχεία ή όποια άλλα αποτελέσµατα έχετε στο Output. Εικόνα 6: εύτερο µήνυµα προειδοποίησης του SPSS κατά το κλείσιµο αρχείου δεδοµένων που δεν έχει αποθηκευτεί.

10 11 1.3 Καθορισµός Ιδιοτήτων των Μεταβλητών και των Τιµών τους στην Οθόνη Μεταβλητών (Variable View) Θα µας εξυπηρετήσει να δώσουµε ετικέτες (ονόµατα) στις µεταβλητές και στις τιµές τους για να αποφύγουµε τη σύγχυση. Τα ονόµατα αυτά θα εµφανίζονται στην έξοδο αποτελεσµάτων του SPSS, δηλαδή σε πίνακες, διαγράµµατα και στατιστικές που θα ζητήσουµε αργότερα. Ακόµη, είναι χρήσιµο να καθορίσουµε το είδος κάθε µεταβλητής (ποσοτική, ποιοτική ονοµαστική ή ποιοτική διατάξιµη), το οποίο παίζει σηµαντικό ρόλο στην επιλογή της κατάλληλης στατιστικής τεχνικής για την ανάλυση των δεδοµένων µας. Για τους σκοπούς αυτούς χρησιµοποιούµε την οθόνη Variable View του Data Editor. Εκτός από τον καθορισµό των ιδιοτήτων των µεταβλητών (ονόµατα, ετικέτες, είδη), η Variable View µας δίνει και επιλογές για τον τρόπο που θα εµφανίζονται τα δεδοµένα µας στη Data View. να αρχίζει από αριθµό. Απαγορεύονται επίσης λέξεις κλειδιά όπως and, or, to κλπ. Χρησιµοποιούµε, εποµένως, ένα σύντοµο όνοµα για τη µεταβλητή µας, χωρίς κενά ή σύµβολα, το οποίο συνήθως προσπαθούµε να είναι ενδεικτικό της µεταβλητής στην οποία αναφέρεται. 1 Για το παράδειγµα µας, µπορούµε να χρησιµοποιήσουµε τα ονόµατα ΟΝΟΜΑΤΕΠ, ΗΛΙΚΙΑ, ΦΥΛΟ, ΕΥΧΕΡΕΙΑ (Εικόνα 8). Παράδειγµα 1Β: Ανοίξτε το αρχείο δεδοµένων παράδειγµα1α.sav κάνοντας διπλό κλικ πάνω του (ή εκκινήστε πρώτα το SPSS και µετά ανοίξτε το αρχείο µέσω των επιλογών File Open Data). Επιλέξτε την οθόνη Variable View κάτω αριστερά στον Data Editor. Στην Εικόνα 7 εµφανίζονται οι προεπιλεγµένες (default) ρυθµίσεις των µεταβλητών για το Παράδειγµα 1Α. Κάθε γραµµή της Variable View αντιστοιχεί σε µια µεταβλητή (η οποία βρίσκεται σε στήλη στην Data View). Έτσι, η πρώτη γραµµή της Variable View (που αρχίζει µε όνοµα VAR00001) αντιστοιχεί στην πρώτη στήλη της Data View, δηλαδή στο Ονοµατεπώνυµο. Η δεύτερη γραµµή της Variable View αφορά τη δεύτερη µεταβλητή που είχαµε στη Data View, δηλαδή την Ηλικία. Η 3 η και η 4 η γραµµή της Variable View αφορούν το Φύλο και την Ευχέρεια Χρήσης του SPSS, αντίστοιχα. Εικόνα 8: Ορισµός ονοµάτων µεταβλητών στη Variable View. Στη δεύτερη επιλογή µε τίτλο Type, καθορίζουµε το είδος των δεδοµένων που είχαµε καταχωρίσει στη Data View, δηλαδή αν πρόκειται για αριθµούς (numeric), ηµεροµηνίες (date) ή κείµενο (string). Παρατηρείστε (εικόνα 8) ότι αυτές οι επιλογές γίνονται αυτόµατα από το SPSS. Θυµηθείτε ότι είχαµε καταχωρίσει τα ονοµατεπώνυµα ως κείµενο (οπότε το SPSS επέλεξε string), ενώ για όλες τις υπόλοιπες µεταβλητές είχαµε καταχωρίσει τα δεδοµένα ως αριθµούς (και το SPSS επέλεξε numeric). Σε περίπτωση που δεν γίνουν οι σωστές επιλογές από το SPSS ή όταν ετοιµάζουµε πρώτα τη Variable View πριν να εισάγουµε τα δεδοµένα µας, µπορούµε να κάνουµε την απαραίτητη ρύθµιση, κάνοντας πρώτα κλικ στο αντίστοιχο κελί και έπειτα κλικ πάνω στο µικρό γκρι τετράγωνο που θα εµφανιστεί (Εικόνα 9). Εκτός από τις τρεις συνηθισµένες επιλογές (numeric, date, string), το SPSS µας δίνει τη δυνατότητα άλλων 5 επιλογών για το είδος των δεδοµένων, που είναι όµως εξαιρετικά σπάνιο να συναντήσετε στην πράξη και δεν θα µας απασχολήσουν. Εικόνα 7: Αυτόµατες ρυθµίσεις της Variable View Στην πρώτη επιλογή µε τίτλο Name, καθορίζουµε το όνοµα µε το οποίο θα εµφανίζεται η αντίστοιχη µεταβλητή στη Data View (στην κορυφή της 1 ης στήλης της Data View), αντικαθιστώντας την ετικέτα VAR0000X. Το όνοµα που θα δώσουµε θα χρησιµοποιηθεί από το SPSS για την αναγνώριση της µεταβλητής στον κώδικα προγραµµατισµού και γι αυτό δεν επιτρέπεται να περιέχει κενά, σύµβολα ή 1 Πρέπει να τονιστεί ότι το SPSS δεν υποστηρίζει εν γένει τη χρήση Ελληνικών. Σε µερικές εκδόσεις του SPSS (ή σε µη-ενηµερωµένες εκδόσεις, χωρίς τα απαραίτητα fix packs ) η χρήση ελληνικών χαρακτήρων στα ονόµατα των µεταβλητών (NAME) ενδέχεται να δηµιουργήσει προβλήµατα στην οµαλή λειτουργία του προγράµµατος, Ακόµη, οι παλαιότερες εκδόσεις του SPSS επιτρέπουν µέχρι 8 χαρακτήρες στα ονόµατα των µεταβλητών. Έτσι, πολλοί ερευνητές και χρήστες του SPSS προτιµούν να χρησιµοποιούν µέχρι 8 λατινικούς χαρακτήρες στη θέση NAME. Στις επιλογές LABEL και VALUES είναι εξαιρετικά σπάνιο να παρουσιαστεί πρόβληµα µε τη χρήση ελληνικών, οπότε εκεί η χρήση των ελληνικών συστήνεται ανεπιφύλακτα.

12 13 Εικόνα 9: Ρυθµίσεις του είδους των δεδοµένων µε την επιλογή Type στη Variable View. Στην τέταρτη επιλογή, µε τίτλο Decimals, καθορίζουµε τον αριθµό των δεκαδικών ψηφίων που θέλουµε να εµφανίζουν οι αριθµοί στη Data View. Η προεπιλογή στο SPSS είναι 2 δεκαδικά ψηφία. Προφανώς, η επιλογή αυτή αφορά µόνον αριθµητικά δεδοµένα (numeric). Απενεργοποιείται αυτόµατα από το SPSS για δεδοµένα κειµένου (string) και ηµεροµηνίες (date), στα οποία η δήλωση δεκαδικών ψηφίων δεν έχει νόηµα. Σηµειώνουµε ότι η επιλογή Decimals καθορίζει τον αριθµό των δεκαδικών ψηφίων που θα εµφανίζονται στη Data View, χωρίς όµως να επηρεάζει τον τρόπο µε τον οποίο αποθηκεύεται ο αριθµός στη µνήµη του προγράµµατος. Για παράδειγµα, αν έχετε καταχωρίσει τον αριθµό 10,237 σε ένα κελί της Data View, τότε µε decimals = 4 ο αριθµός θα εµφανιστεί ως 10,2370, µε decimals = 3 θα εµφανιστεί ως 10,237, µε decimals = 2 θα εµφανιστεί ως 10,24 και µε decimals = 1 θα φαίνεται ως 10,2. Σε κάθε περίπτωση, ανεξάρτητα της επιλογής decimals, το SPSS θα έχει κρατήσει στη µνήµη του και θα χρησιµοποιήσει στους υπολογισµούς τον αρχικό µη-στρογγυλοποιηµένο αριθµό 10,237. Γενικά, το SPSS αποθηκεύει τους αριθµούς στη µνήµη του µε ακρίβεια έως και 16 δεκαδικών ψηφίων, ώστε οι παραγόµενοι υπολογισµοί να είναι ιδιαίτερα ακριβείς. Για το παράδειγµά µας, στο οποίο όλα τα αριθµητικά δεδοµένα είναι ακέραιοι αριθµοί, µπορούµε να δηλώσουµε Decimals = 0 για την ηλικία, το φύλο και την ευχέρεια χρήσης (Εικόνα 10). Η επιλογή Width (πλάτος), αφορά το µέγιστο πλήθος των χαρακτήρων που µπορούν να καταχωριστούν στη Data View. Για µια µεταβλητή κειµένου (string), το width ρυθµίζεται αυτόµατα από το SPSS ως το πλήθος των χαρακτήρων της πρώτης λέξης που εισάγουµε στη στήλη της Data View. Έτσι, αν σε µια στήλη της Data View εισάγουµε π.χ. το κείµενο Μαρία, τότε το width θα τεθεί αυτόµατα σε 5 και το SPSS δεν θα επιτρέπει την καταχώριση λέξεων µε περισσότερους από 5 χαρακτήρες στη στήλη αυτή. Αν έπειτα θέλουµε να καταχωρίσουµε π.χ. το κείµενο Βαγγέλης, το SPSS θα κρατήσει µόνον Βαγγέ αφού έχει καθοριστεί width = 5, και θα πρέπει να αυξήσουµε το width για να µπορέσουµε να εισάγουµε λέξεις µε περισσότερους χαρακτήρες. Σηµειώνουµε ακόµη ότι τα αλφαριθµητικά δεδοµένα αποθηκεύονται εσωτερικά στο SPSS µε ακριβώς τόσους χαρακτήρες όσους έχουµε ορίσει στο width. Για παράδειγµα, αν έχουµε ορίσει width = 8, τότε η λέξη Άκης θα καταχωριστεί ως «Άκης» (θα περιλαµβάνει 4 κενούς χαρακτήρες στο τέλος). Για αριθµητικά δεδοµένα (numeric), η ρύθµιση του width δεν έχει κάποια ιδιαίτερη επίδραση στους αριθµούς που µπορούµε να καταχωρίσουµε στη Data View. Αν π.χ. έχουµε ορίσει width = 2, τότε η καταχώριση του αριθµού π.χ. 2034 δεν θα έχει κανένα πρόβληµα, παρόλο που ο αριθµός αυτός έχει πλάτος 4 ψηφίων. Ωστόσο, για την σωστή κατασκευή του αρχείου δεδοµένων συνίσταται η ρύθµιση του width και για τα αριθµητικά δεδοµένα. Σηµειώνουµε ότι το width προσµετράει και την υποδιαστολή και τα δεκαδικά ψηφία, οπότε ρυθµίζουµε το width µετά από τη ρύθµιση του decimals. Για το παράδειγµά µας, παρατηρείστε (Εικόνα 10) ότι το width είχε ρυθµιστεί αυτόµατα σε 5 για το Ονοµατεπώνυµο, αφού η πρώτη µας καταχώριση ήταν ΑΝΤ.Κ. Επειδή όλες οι υπόλοιπες καταχωρίσεις ήταν επίσης λέξεις µε 5 χαρακτήρες, δεν χρειάστηκε στη συνέχεια να ρυθµίσουµε το width σε άλλον αριθµό. Για την ηλικία, το µέγιστο πλήθος ψηφίων που χρειαζόµαστε είναι 3 (θυµηθείτε ότι είχαµε καταχωρίσει κωδικό 999 για την απούσα τιµή), ενώ για το φύλο και την ευχέρεια χρήσης εισάγουµε µονοψήφιους αριθµούς. Έτσι, µπορούµε να ρυθµίσουµε το width σε 3, 1 και 1, αντίστοιχα (Εικόνα 10). Σηµειώνουµε ότι δεν θα υπήρχε κανένα πρόβληµα αν διατηρούσαµε την προεπιλογή width = 8 στα αριθµητικά δεδοµένα µας. Εικόνα 10: Ρυθµίσεις Decimals και Width στη Variable View Η πέµπτη στήλη της Variable View µε τίτλο Label, αφορά το όνοµα (ετικέτα) µε το οποίο θα εµφανίζεται η µεταβλητή στην έξοδο των αποτελεσµάτων (σε πίνακες και διαγράµµατα που θα παράγουµε αργότερα). Με το Label ουσιαστικά δίνουµε µια µεγαλύτερη έκδοση της ετικέτας που χρησιµοποιήσαµε στο Name, δηλαδή µια πλήρη περιγραφή που µπορεί να περιλαµβάνει αρκετά µεγάλο κείµενο, κενά και σύµβολα (το πολύ µέχρι 256 χαρακτήρες). Για το παράδειγµα 1Β, θα χρησιµοποιήσουµε τις ακόλουθες labels: «Ονοµατεπώνυµο (αρχικά)», «Ηλικία (έτη)», «Φύλο», και «Ευχέρεια χρήσης του SPSS» (Εικόνα 11).

14 15 Εικόνα 11: Καθορισµός ετικετών για τις µεταβλητές µας (Label) στη Variable View Παρατηρείστε ότι µπορούµε να δούµε τόσο το όνοµα όσο και την ετικέτα κάθε µεταβλητής στη Data View, αφήνοντας τον κέρσορα να παραµείνει για λίγο πάνω στην επικεφαλίδα της στήλης (Εικόνα 12). Εικόνα 13: Καθορισµός ετικετών (values) σε κωδικοποιηµένες τιµές των µεταβλητών Εικόνα 12: Εµφάνιση ετικετών των µεταβλητών στη Data View Τα ονόµατα και οι ετικέτες των µεταβλητών που καταχωρίσαµε στις επιλογές Name και Label θα εµφανίζονται σε όλα τα παράθυρα εργασίας και όλα τα πλαίσια διαλόγου του SPSS που θα χρησιµοποιούµε στη συνέχεια. Στους πίνακες και τα διαγράµµατα θα εµφανίζονται οι ετικέτες των µεταβλητών (αν δεν καθορίσουµε labels, θα εµφανίζονται τα names). Στο πλαίσιο διαλόγου Value Labels, δίνουµε τον κωδικό στη θέση Value (π.χ. 1), την περιγραφή στη θέση Label (π.χ. Άνδρας) και πατάµε Add (ή Enter) να γίνει η καταχώριση (Εικόνα 13). Επαναλαµβάνουµε για τις υπόλοιπες τιµές της µεταβλητής και ολοκληρώνουµε τη διαδικασία πατώντας ΟΚ. Παρόµοια διαδικασία πρέπει να γίνει για την ευχέρεια χρήσης, ώστε να δηλώσουµε την κωδικοποίηση 1 = Καθόλου, 2 = Μικρή, 3 = Μέτρια, 4 = Μεγάλη, 5 = Πολύ µεγάλη (Εικόνα 14). Η έκτη στήλη της Variable View µε τίτλο Values, αφορά τα ονόµατα µε τα οποία θα εµφανίζονται οι τιµές της µεταβλητής σε Data View και Output. Η επιλογή αυτή αφορά προφανώς τις µεταβλητές, των οποίων οι τιµές έχουν κωδικοποιηθεί. Στο παράδειγµά µας, αυτό έχει συµβεί για το φύλο και την ευχέρεια χρήσης. Για να ορίσουµε ότι στο φύλο έχουν χρησιµοποιηθεί οι κωδικοί 1 = Άνδρας και 2 = Γυναίκα, κάνουµε κλικ στη θέση none στην 3 η γραµµή της στήλης Values, και ξανά κλικ στο γκρι πλαίσιο που θα εµφανιστεί, παίρνοντας το πλαίσιο διαλόγου Value Labels της Εικόνας 13. Εικόνα 14: Ετικέτες για τις τιµές της µεταβλητής «Ευχέρεια χρήσης του SPSS» ιόρθωση ή τροποποίηση µιας καταχώρισης στο Value Labels µπορεί να γίνει κάνοντας κλικ πάνω στην καταχώριση, διορθώνοντάς την και πατώντας Change. Πλήρης διαγραφή της καταχώρισης γίνεται χρησιµοποιώντας την επιλογή Remove.

16 17 Στην έβδοµη στήλη, µε τίτλο Missing, δηλώνουµε τους κωδικούς για τις απούσες τιµές, δηλαδή αριθµητικές τιµές που δεν θέλουµε να λαµβάνονται υπόψη στην επεξεργασία και την παρουσίαση των δεδοµένων. Στο παράδειγµά µας, έχουµε απούσες τιµές στην ηλικία, για τις οποίες είχαµε συµφωνήσει να δίνουµε κωδικό 999. Για να µην συµπεριληφθεί η τιµή 999 σε οποιοδήποτε υπολογισµό που αφορά την ηλικία (π.χ. για τον µέσο όρο ηλικίας) πρέπει αυτό να δηλωθεί στη στήλη Missing. Κάνοντας κλικ στην αντίστοιχη θέση της στήλης missing, παίρνουµε το πλαίσιο διαλόγου Missing Values και δηλώνουµε το 999 ως κωδικό απούσας τιµής όπως δείχνει η Εικόνα 15. Η όγδοη επιλογή στη Variable View, µε τίτλο Columns, χρησιµοποιείται για τη ρύθµιση του πλάτους της αντίστοιχης µεταβλητής στήλης στη Data View. Η ρύθµιση αυτή µπορεί να γίνει απευθείας από τη Data View, πιάνοντας και σύροντας την αντίστοιχη στήλη. Η ένατη επιλογή µε τίτλο Align, χρησιµοποιείται για τη στοίχιση των δεδοµένων στις µεταβλητές - στήλες της Data View. Οι δυνατότητες είναι Left, Right ή Center. Στο παράδειγµά µας, έχουµε αριστερή στοίχιση για το ονοµατεπώνυµο, και δεξιά στοίχιση για τις υπόλοιπες µεταβλητές (Εικόνες 2 και 16). Στην τελευταία επιλογή µε τίτλο Measure, ορίζουµε το είδος κάθε µεταβλητής. Επιλέγουµε Scale για ποσοτική µεταβλητή, Nominal για ονοµαστική ποιοτική µεταβλητή και Ordinal για διατάξιµη ποιοτική µεταβλητή. Στο παράδειγµά µας, το ονοµατεπώνυµο και το φύλο είναι ονοµαστικές µεταβλητές (nominal), η ευχέρεια χρήσης είναι διατάξιµη (ordinal), και η ηλικία είναι ποσοτική (scale). Η Εικόνα 16 δείχνει την τελική µορφή της Variable View, µετά από τη διαδικασία αυτή. Εικόνα 15: Ορισµός κωδικού για απούσες τιµές στην επιλογή Missing της Variable View Οι επιλογές που µας δίνει το πλαίσιο διαλόγου Missing Values (Εικόνα 15) είναι οι εξής: No missing values: Ως απούσες τιµές θεωρούνται µόνον τα κελιά που έχουν αφεθεί κενά στη Data View. Discrete missing values: Ως απούσες τιµές θεωρούνται οι συγκεκριµένες τιµές που ορίζουµε εδώ. Μπορούµε να ορίσουµε µέχρι 3 τιµές, όπως φαίνεται στην Εικόνα 15. Αυτό είναι χρήσιµο στην περίπτωση που θέλουµε να καταχωρίσουµε πληροφορία σχετικά µε την αιτία για την οποία δεν έχουν καταγραφεί τα δεδοµένα, π.χ. «-9 = το άτοµο δεν ήθελε να απαντήσει», «-99 = το άτοµο δεν ήξερε να απαντήσει», και «-999 = το άτοµο δεν πρέπει να απαντήσει» (π.χ. όταν είναι άνδρας και η ερώτηση αφορά µόνον τις γυναίκες). Σε τέτοια περίπτωση θα δηλώναµε µόνον τις τιµές -9, -99 και -999 στο πλαίσιο διαλόγου Missing Values, και θα χρησιµοποιούσαµε την επιλογή Values για να καταχωρίσουµε τις ετικέτες τους. Range plus one optional discrete missing value: Ως απούσες λαµβάνονται όλες οι τιµές εντός του εύρους τιµών που καθορίζονται στα κελιά Low και High (Εικόνα 15). Αν είναι απαραίτητο µπορεί να χρησιµοποιηθεί το κελί Discrete value για να καθοριστεί ως απούσα τιµή µία επιπλέον τιµή που βρίσκεται έξω από το προκαθορισµένο εύρος (π.χ. οι κωδικοί απουσών τιµών είναι οι 100 έως 105 και το 999). Εικόνα 16: Καθορισµός του είδους µεταβλητής στην επιλογή Measure της Variable View. Η τελική µορφή της Data View µετά τον ορισµό ετικετών των µεταβλητών και των τιµών τους δείχνεται στην Εικόνα 17. Μπορούµε να επιλέξουµε να φαίνονται είτε οι αρχικές τιµές των µεταβλητών είτε οι ετικέτες που δώσαµε στις τιµές αυτές χρησιµοποιώντας το εικονίδιο ή το µενού: View Value Labels. Εικόνα 17: Εναλλαγή ανάµεσα στην εµφάνιση των αρχικών τιµών και των ετικετών των τιµών στη Data View.

18 19 1.4 Εµφάνιση Πληροφοριών για τις Μεταβλητές που περιέχει ένα αρχείο δεδοµένων 1.5 Σύνοψη Βασικών Εννοιών και ιαδικασιών της Ενότητας 1 Μετά το άνοιγµα ενός αρχείου δεδοµένων του SPSS, µπορούµε να πάρουµε πληροφορίες για τις µεταβλητές που περιέχονται στο αρχείο (ονόµατα, ετικέτες, κωδικοποιήσεις, απούσες τιµές, κλίµακες µέτρησης) χρησιµοποιώντας τη Variable View. Εναλλακτικά, µπορούµε να δούµε τις πληροφορίες αυτές για κάθε µεταβλητή ξεχωριστά, επιλέγοντας από τη γραµµή µενού: Utilities Variables που δίνει το πλαίσιο διαλόγου της Εικόνας 18, για το παράδειγµα1α.sav: Εικόνα 18: Πληροφορίες για τις µεταβλητές από το Utilities και Variables Ακόµη, µπορούµε να ζητήσουµε από το SPSS να παράγει αρχείο εξόδου (output) µε τις παραπάνω πληροφορίες για όλες τις µεταβλητές που περιέχονται στο αρχείο δεδοµένων µας, επιλέγοντας: File Display File Information Working File. Αυτό θα παράγει την έξοδο της Εικόνας 19: [DataSet1] D:\παράδειγµα1α.sav Variable Position Label Measurement Level ΟΝΟΜΑΤΕΠ 1 Ονοµατεπώνυ Variable Information Role Column Width Alignment Print Write Format Format µο (αρχικά) Nominal Input 9Left A5 A5 ΗΛΙΚΙΑ 2 Ηλικία (έτη) Scale Input 6Right F3 F3 999 ΦΥΛΟ 3 Φύλο Nominal Input 8Right F1 F1 Ευχέρεια ΕΥΧΕΡΕΙΑ 4 χρήσης του Ordinal Input 11Right F1 F1 SPSS Variables in the working file Value ΦΥΛΟ ΕΥΧΕΡΕΙΑ Variable Values Label 1 Άνδρας 2 Γυναίκα 1 Καθόλου 2 Μέτρια 3 Μέτρια 4 Μεγάλη 5 Πολύ µεγάλη Missing Values Εικόνα 19: Πληροφορίες για τις µεταβλητές από File Display File Information Working File Ενότητα 1.1: Η καταχώριση δεδοµένων στο SPSS γίνεται στην οθόνη Data View µε τρόπο ώστε κάθε στήλη να αντιστοιχεί σε µια µεταβλητή και κάθε γραµµή να αντιστοιχεί σε ένα άτοµο. Οι συνηθισµένοι τύπου δεδοµένων που καταχωρίζονται στην Data View είναι: Αριθµητικά δεδοµένα, Ηµεροµηνίες και Αλφαριθµητικά δεδοµένα (κείµενο µαζί µε αριθµούς). Η καταχώριση των δεδοµένων σε µορφή κειµένου αποφεύγεται κωδικοποιώντας αριθµητικά τις τιµές των αντίστοιχων µεταβλητών. Τα αρχεία δεδοµένων του SPSS αποθηκεύονται µε κατάληξη.sav Τα αρχεία εξόδου του SPSS αποθηκεύονται µε κατάληξη.spv (ή.spo σε παλαιότερες εκδόσεις). Ενότητα 1.2: Η καταχώριση πληροφοριών για τις µεταβλητές του αρχείου δεδοµένων γίνεται στην οθόνη VARIABLE VIEW. Κάθε γραµµή της Variable View αντιστοιχεί σε µια µεταβλητή. Οι επιλογές (στήλες) της Variable View εξυπηρετούν τις ακόλουθες λειτουργίες: NAME: Όνοµα µεταβλητής. Μπαίνει επικεφαλίδα στην αντίστοιχη στήλη της Data View. Χρησιµοποιείται από το SPSS για την αναγνώριση της στήλης στον κώδικα προγραµµατισµού, οπότε δεν επιτρέπεται να περιέχει κενά, σύµβολα ή να αρχίζει από αριθµό. Απαγορεύονται επίσης λέξεις κλειδιά όπως and, or, to κλπ. Χρήση ελληνικών χαρακτήρων µε επιφύλαξη. Το όνοµα αυτό θα εµφανίζεται σε όλα τα πλαίσια διαλόγου του SPSS. LABEL: Ετικέτα µεταβλητής. Πλήρης λεκτική περιγραφή της µεταβλητής (επιτρέπονται κενά, σύµβολα και σχετικά µεγάλο κείµενο). Η περιγραφή αυτή θα εµφανίζεται στους τίτλους πινάκων, διαγραµµάτων, αναλύσεων και πλαισίων διαλόγου του SPSS. VALUES: Ετικέτες (περιγραφές) για τις κωδικοποιηµένες τιµές των µεταβλητών (π.χ. 1 = Άνδρας, 2 = Γυναίκα). MISSING: Κωδικοποίηση των απουσών τιµών (missing values). MEASURE: Είδος της µεταβλητής, µε επιλογές: scale (ποσοτική), ordinal (ποιοτική διατάξιµη), και nominal (ποιοτική ονοµαστική). TYPE: Τύπος των δεδοµένων που καταχωρίστηκαν στην αντίστοιχη στήλη της Data View. Οι πιο συνηθισµένοι τύποι δεδοµένων είναι numeric (αριθµοί), date (ηµεροµηνίες) και string (κείµενο), και συνήθως αναγνωρίζονται αυτόµατα από το SPSS. DECIMALS: Μέγιστος αριθµός δεκαδικών ψηφίων που θα εµφανίζονται σε αριθµητικά δεδοµένα στη Data View. WIDTH: Μέγιστος αριθµός των αριθµητικών ψηφίων ή των χαρακτήρων που καταχωρίζονται στη Data View. Απαραίτητο να ρυθµίζεται για την καταχώριση δεδοµένων κειµένου. COLUMNS: Πλάτος (άνοιγµα) της αντίστοιχης στήλης της Data View. ALIGN: Στοίχιση των δεδοµένων στην αντίστοιχη στήλη της Data View.

20 21 Ενότητα 1.3: Πληροφορίες για τις µεταβλητές που περιέχει το αρχείο δεδοµένων µπορούµε να πάρουµε από: Variable View ή Utilities Variables ή File Display File Information Working File. 1.7 Άσκηση 1η Ο παρακάτω πίνακας δεδοµένων δίνει µερικά χαρακτηριστικά για ένα τυχαίο δείγµα 50 µαθητών της Γ τάξης κάποιου Λυκείου της χώρας. 1.6 Αγγλική Ορολογία για την Ενότητα 1 Add: Προσθήκη / καταχώριση Align: Ευθυγράµµιση / στοίχιση Case: Άτοµο / περίπτωση Column: Στήλη Column: Στήλη Data Editor: Επεξεργαστής εδοµένων Data View: Οθόνη εδοµένων Date: Ηµεροµηνία Decimals / decimal places: εκαδικά ψηφία Display File Information: Επίδειξη πληροφοριών αρχείου Label: Ετικέτα Missing value: Απούσα τιµή Name: Όνοµα Nominal (variable): Ονοµαστική (µεταβλητή) Numeric (data): Αριθµητικά (δεδοµένα) Ordinal (variable): ιατάξιµη (µεταβλητή) Output: Έξοδος αποτελεσµάτων Row: Γραµµή Save (As): Αποθήκευση (ως) Scale (variable): Ποσοτική (µεταβλητή) String (data): εδοµένα κειµένου ή αλφαριθµητικά Type: Τύπος / είδος Utilities: χρήσιµα εργαλεία Value Labels: Ετικέτες τιµών Values: Τιµές Variable: Μεταβλητή Variable View: Οθόνη Μεταβλητών Width: Πλάτος Working File: Αρχείο εργασίας Αριθµός Φύλο* Κυριότερη Ασχολία στον Αριθµός Βαθµός Β Ύψος Βάρος Ύψος πατέρα Ύψος µητέρας Ερωτ/γίου Ελεύθερο Χρόνο αδερφών λυκείου (cm) (Kg) (cm)# (cm)# 1 Κ Χορός / µουσική 1 15,3 170 60 172 169 2 Α Υπολογιστές 0 17,4 175 68 170 163 3 Κ Χορός / µουσική 2 18,6 176 62 180 170 11 Κ Χορός / µουσική 1 17,7 152 58 999 999 29 Κ εν απάντησε 0 15,5 149 45 166 163 4 Κ TV-Κινηµατογράφος 1 18,5 165 47 175 160 5 Κ TV-Κινηµατογράφος 0 16,0 169 56 172 167 6 Κ Χορός / µουσική 3 16,0 168 56 180 166 7 Κ Χορός / µουσική 2 15,3 175 58 173 171 8 Α Χορός / µουσική 1 15,2 175 72 172 164 9 Α Αθλητισµός 3 18,6 173 67 174 162 10 Κ Χορός / µουσική 1 13,6 162 50 167 160 12 Κ Αθλητισµός 1 15,7 160 47 170 160 13 Α Αθλητισµός 1 11,5 170 58 169 163 14 Κ ιάβασµα εξωσχ. βιβλίων 3 20,0 167 50 170 164 20 Κ Χορός / µουσική 1 14,2 165 55 180 162 16 Α Υπολογιστές 0 17,6 180 77 170 165 17 Κ Αθλητισµός 2 19,3 170 63 174 165 18 Α Αθλητισµός 0 14,3 182 75 170 170 19 Α Αθλητισµός 2 17,8 178 84 174 165 15 Α Υπολογιστές 1 18,3 177 81 174 168 21 Α TV-Κινηµατογράφος 1 16,2 174 74 170 164 22 Κ εν απάντησε 1 19,5 150 43 999 999 23 Κ TV-Κινηµατογράφος 1 12,2 156 44 168 157 24 Κ TV-Κινηµατογράφος 1 13,3 172 53 175 166 25 Α TV-Κινηµατογράφος 2 18,5 172 60 169 162 26 Κ ιάβασµα εξωσχ. βιβλίων 0 16,2 173 70 175 173 27 Κ Αθλητισµός 2 14,7 160 55 172 162 28 Α Αθλητισµός 0 14,2 187 91 178 170 30 Κ ιάβασµα εξωσχ. βιβλίων 1 18,1 170 62 174 163 43 Κ Χορός / µουσική 0 15,0 170 63 172 167 32 Α Χορός / µουσική 0 15,1 178 77 173 169 33 Α Αθλητισµός 1 10,0 196 95 182 173 34 Α Αθλητισµός 0 18,4 176 65 172 165 35 Κ Χορός / µουσική 1 12,5 163 57 170 166 36 Κ Χορός / µουσική 2 13,5 161 61 175 159 37 Κ Υπολογιστές 1 18,2 164 60 170 165 38 Α Αθλητισµός 1 19,2 179 80 175 160 39 Α Χορός / µουσική 3 17,2 165 70 165 160 47 Κ Υπολογιστές 0 18,7 160 50 170 162 41 Α TV-Κινηµατογράφος 1 18,5 185 88 183 166 42 Κ ιάβασµα εξωσχ. βιβλίων 1 19,3 162 60 184 167 31 Α Αθλητισµός 1 19,3 173 70 170 163 44 Κ Χορός / µουσική 1 14,8 170 67 173 168 45 Α Υπολογιστές 1 15,9 166 69 999 999 46 Α Υπολογιστές 2 18,3 170 69 167 161 40 Α Χορός / µουσική 1 17,8 178 72 176 162 48 Κ ιάβασµα εξωσχ. βιβλίων 1 19,4 159 50 170 156 49 Α ιάβασµα εξωσχ. βιβλίων 2 20,0 171 72 170 163 50 Κ ιάβασµα εξωσχ. βιβλίων 0 19,7 150 46 166 162 * Κ = Κορίτσι, Α = Αγόρι. # 999: Άγνωστο / δεν καταγράφηκε

22 23 Ζητούµενα: (α) Κατασκευάστε κατάλληλη βάση δεδοµένων στη Variable View του SPSS για την καταχώριση του παραπάνω πίνακα δεδοµένων, ορίζοντας τις βασικές πληροφορίες για κάθε µεταβλητή (όνοµα, τύπος δεδοµένων, ετικέτα, ετικέτες τιµών, είδος µεταβλητής κλπ). (β) Καταχωρίστε τα παραπάνω δεδοµένα για τους 50 µαθητές στη Data View του SPSS. (γ) Αποθηκεύστε το αρχείο δεδοµένων σε USB stick / κάρτα µνήµης µε όνοµα 50µαθητές.sav. (δ) Εξάγετε ένα αρχείο αποτελεσµάτων του SPSS (output) το οποίο να περιλαµβάνει συνοπτικά τις πληροφορίες του ερωτήµατος (β). Αποθηκεύστε το αρχείο εξόδου στο USB stick / κάρτα µνήµης σας µε όνοµα 50µαθητές.spv. 2. Πίνακες Κατανοµής Συχνοτήτων 2.1 Πίνακες Συχνοτήτων για Μεµονωµένες Μεταβλητές (Frequencies) Η πρώτη βασική εργασία µας µετά τη συλλογή δεδοµένων σε µια έρευνα είναι η καταχώρισή τους στον Data Editor του SPSS υπό τη µορφή ενός πίνακα δεδοµένων, όπως είδαµε στην προηγούµενη ενότητα. Παρόλο που αυτή η εργασία είναι µια πρώτη βασική οργάνωση των δεδοµένων, τα δεδοµένα εξακολουθούν να είναι σε ακατέργαστη µορφή, που δεν µας επιτρέπει εύκολα να βγάλουµε οποιοδήποτε συµπέρασµα. Για παράδειγµα, κοιτώντας τον πίνακα δεδοµένων για τους 50 µαθητές της Άσκησης 1 είναι δύσκολο ή εξαιρετικά χρονοβόρο να απαντήσουµε σε απλά ερωτήµατα όπως π.χ. πόσα αγόρια πήραν µέρος στην έρευνά µας ή ποιος ήταν ο συχνότερος βαθµός των µαθητών του δείγµατος ή πόσοι µαθητές είχαν βαθµό µικρότερο από 15, κλπ. Ένα από τα βασικότερα εργαλεία για την περιγραφή των δεδοµένων µας είναι ο Πίνακας Συχνοτήτων (Frequency Table) των τιµών µιας µεταβλητής (απευθυνθείτε στις παραδόσεις της θεωρίας για περισσότερες λεπτοµέρειες). Για κάθε τιµή της εξεταζόµενης µεταβλητής, ο Πίνακας Συχνοτήτων που παράγει το SPSS αναγράφει: Τη συχνότητά της (frequency), δηλαδή το πλήθος των εµφανίσεων της τιµής στα δεδοµένα, Τη σχετική συχνότητά της σε ποσοστό % (percent), δηλαδή το ποσοστό των εµφανίσεων της τιµής στο συνολικό δείγµα, Τo έγκυρο ποσοστό % (valid percent), δηλαδή το ποσοστό των εµφανίσεων της τιµής στο σύνολο των ατόµων που έδωσαν απαντήσεις, και Το αθροιστικό ποσοστό της (cumulative percent), δηλαδή το ποσοστό των εµφανίσεων όλων των τιµών της µεταβλητής µέχρι και τη συγκεκριµένη τιµή (εξαιρώντας τις απούσες τιµές). Οι αθροιστικές συχνότητες προϋποθέτουν την τοποθέτηση των τιµών της µεταβλητής σε αύξουσα σειρά, πράγµα που µπορεί να γίνει για ποσοτικά και για ποιοτικά διατάξιµα δεδοµένα. Αυτό όµως δεν έχει κανένα νόηµα για δεδοµένα προερχόµενα από ποιοτική ονοµαστική µεταβλητή και, εποµένως, οι αθροιστικές συχνότητες δεν πρέπει να χρησιµοποιούνται για τέτοια δεδοµένα (παρόλο που το SPSS υπολογίζει τα αθροιστικά ποσοστά σε ονοµαστικές µεταβλητές). Για την κατασκευή ενός πίνακα συχνοτήτων στο SPSS, δίνουµε την εξής σειρά εντολών: Analyze Descriptive Statistics Frequencies...

24 25 Παράδειγµα 2: Χρησιµοποιώντας τα δεδοµένα της Άσκησης 1 (αρχείο: 50µαθητές.sav) θα ζητήσουµε από το SPSS την παραγωγή πινάκων συχνοτήτων για τις τιµές του Φύλου, της Κυριότερης Ασχολίας στον Ελεύθερο Χρόνο, και του Αριθµού των Αδερφών. το αρχείο αποτελεσµάτων του SPSS (output) µε τους πίνακες συχνοτήτων για τις µεταβλητές που καθορίσαµε, όπως δείχνει η Εικόνα 21. Επιλέγουµε από το µενού του SPSS: Analyze Descriptive Statistics Frequencies... Παίρνουµε τότε το πλαίσιο διαλόγου Frequencies, όπως φαίνεται στην Εικόνα 20: Εικόνα 20: Πλαίσιο διαλόγου Frequencies για την κατασκευή πινάκων συχνοτήτων Στο αριστερό παράθυρο εµφανίζονται όλες οι µεταβλητές-στήλες του αρχείου δεδοµένων. Το SPSS δείχνει τόσο τα ονόµατα όσο και τις ετικέτες των µεταβλητών που είχαµε ορίσει στη Variable View, µε τη σειρά που εµφανίζονται στο αρχείο δεδοµένων (εκτός αν έχει γίνει διαφορετική ρύθµιση από το Edit Options). Μπορούµε επί τόπου να ρυθµίσουµε την εµφάνιση της λίστας των µεταβλητών στα αριστερά, κάνοντας δεξί κλικ και επιλέγοντας Display Variable Names για να εµφανίζονται µονάχα τα σύντοµα ονόµατα των µεταβλητών ή Display Variable Labels για να εµφανίζονται οι αναλυτικές περιγραφές των µεταβλητών. Από τις µεταβλητές στα αριστερά, επιλέγουµε εκείνη ή εκείνες για τις οποίες επιθυµούµε να κατασκευαστούν πίνακες συχνοτήτων και τις εισάγουµε στο δεξί παράθυρο. Μπορούµε να µετακινήσουµε τις µεταβλητές προς τα δεξιά επιλέγοντάς τις και πατώντας το ενδιάµεσο πλήκτρο βέλους ή πιάνοντας και σύροντάς τις προς τα δεξιά ή κάνοντας διπλό-κλικ πάνω τους. Με τον ίδιο τρόπο µπορούµε να τις επαναφέρουµε στην αρχική τους θέση στα αριστερά. Έπειτα, τσεκάρουµε την επιλογή Display frequency tables (αν δεν είναι ήδη τσεκαρισµένη) και πατάµε ΟΚ. Εµφανίζεται τότε Εικόνα 21: Έξοδος αποτελεσµάτων (output) της εντολής Frequencies Ο πρώτος πίνακας, µε τίτλο Statistics, µας ενηµερώνει για τον αριθµό των έγκυρων περιπτώσεων (Ν valid) και τον αριθµό των απουσών τιµών (Ν missing). Για το Φύλο και τον Αριθµό Αδερφών έχουµε N valid = 50 και N missing = 0, δηλαδή διαθέτουµε τα στοιχεία αυτά για όλα τα άτοµα του δείγµατός

26 27 µας. Για την Κυριότερη Ασχολία στον Ελεύθερο Χρόνο είναι N valid = 48 και N missing = 2, δηλαδή διαθέτουµε τις απαντήσεις των 48 από τους 50 µαθητές της έρευνάς µας. Οι επόµενοι τρεις πίνακες αποτελούν τους πίνακες συχνοτήτων (Frequency Tables) για το Φύλο, την Κυριότερη Ασχολία και τον Αριθµό των Αδερφών, αντίστοιχα. Σε αυτούς τους πίνακες: Η επικεφαλίδα του πίνακα συχνοτήτων αντιστοιχεί στην ετικέτα που είχαµε ορίσει για τη µεταβλητή µας στη θέση Label της Variable View. Η 1 η στήλη του πίνακα συχνοτήτων δίνει τις ετικέτες των τιµών της µεταβλητής, όπως αυτές είχαν οριστεί στη θέση Values της Variable View. Για τον Αριθµό των Αδερφών δεν είχαµε ορίσει ετικέτες τιµών, οπότε βλέπουµε απευθείας τις αριθµητικές τιµές της µεταβλητής. Για το Φύλο βλέπουµε τις ετικέτες Κορίτσι και Αγόρι, και για την Κυριότερη Ασχολία τις ετικέτες Υπολογιστές, Αθλητισµός, κλπ. H 1 η στήλη περιλαµβάνει ακόµη µια θέση για Σύνολο ή Άθροισµα (Total) και µπορεί να περιλαµβάνει και µια θέση για τις Απούσες Τιµές (Missing). [Εικόνα 21] Η 2 η στήλη, µε επικεφαλίδα Frequency, δίνει τις συχνότητες (αριθµός ατόµων) για κάθε τιµή της µεταβλητής. Έτσι, π.χ. στο δείγµα µας έχουµε 28 κορίτσια και 22 αγόρια, η κυριότερη ασχολία στον ελεύθερο χρόνο που δηλώθηκε από τους περισσότερους µαθητές ήταν Μουσική / χορός και η επόµενη πιο συχνή επιλογή ήταν Αθλητισµός (δηλώθηκαν από 15 και 12 άτοµα, αντίστοιχα), και οι περισσότεροι µαθητές (25 άτοµα) είχαν 1 αδέρφι. Το σύνολο (Total) της στήλης Frequency δίνει το άθροισµα των συχνοτήτων για όλες τις τιµές της µεταβλητής συµπεριλαµβανοµένων των απουσών τιµών και, άρα, είναι ίσο µε το µέγεθος του δείγµατος (= 50). Στην περίπτωση που υπάρχουν απούσες τιµές, όπως συµβαίνει µε τον πίνακα συχνοτήτων για την Κυριότερη Ασχολία, παρατηρήστε ότι το SPSS εµφανίζει δύο Totals: το πρώτο δεν περιλαµβάνει τις απούσες τιµές, ενώ το δεύτερο τις περιλαµβάνει [Εικόνα 21]. Η 3 η στήλη, µε τίτλο Percent, δίνει την ποσοστιαία σχετική συχνότητα (ποσοστό των ατόµων) για κάθε τιµή της µεταβλητής. Σε αυτό το ποσοστό περιλαµβάνονται οι απούσες τιµές (missing), δηλαδή τα ποσοστά στη στήλη Percent υπολογίζονται µε βάση το συνολικό µέγεθος δείγµατος (= 50). Έτσι, π.χ. το 56% των ατόµων στο δείγµα µας είναι κορίτσια (28 στους 50) και το 44% είναι αγόρια (22 στους 50). Το 14% των µαθητών στο δείγµα µας (7 στους 50) δήλωσαν τους υπολογιστές ως την κυριότερη ασχολία τους, το 24% δήλωσαν τον αθλητισµό (12 στους 50), κλπ. Για το 4% των µαθητών (2 στους 50) δεν καταγράφηκε ή δεν απαντήθηκε η κυριότερη ασχολία στον ελεύθερο χρόνο. Το σύνολο (Total) της στήλης Percent δίνει το άθροισµα των ποσοστών για όλες τις τιµές της µεταβλητής συµπεριλαµβανοµένων των απουσών τιµών και, άρα, είναι ίσο µε 100%. Παρατηρήστε πάλι την εµφάνιση δύο totals, χωρίς και µε τις απούσες τιµές αντίστοιχα, στον πίνακα συχνοτήτων για την Κυριότερη Ασχολία [Εικόνα 21]. Η 4 η στήλη, µε επικεφαλίδα Valid Percent, δίνει το ποσοστό των ατόµων σε κάθε κατηγορία της µεταβλητής, εξαιρώντας τις απούσες τιµές. ηλαδή, τα ποσοστά της στήλης Valid Percent υπολογίζονται µε βάση το σύνολο των ατόµων για τα οποία διαθέτουµε δεδοµένα. Αν δεν υπάρχουν απούσες τιµές, δηλαδή αν διαθέτουµε δεδοµένα για όλα τα άτοµα στο δείγµα µας, τότε προφανώς η στήλη Valid Percent ταυτίζεται µε την προηγούµενη στήλη Percent, όπως συµβαίνει π.χ. στους πίνακες συχνοτήτων για το Φύλο και τον Αριθµό Αδερφών. Στην περίπτωση όµως της Κυριότερης Ασχολίας, για την οποία υπάρχουν απούσες τιµές, οι δύο στήλες Percent και Valid Percent είναι διαφορετικές. Τα ποσοστά στη στήλη Percent υπολογίστηκαν για το συνολικό δείγµα (= 50), ενώ τα ποσοστά της στήλης Valid Percent υπολογίστηκαν για το σύνολο των ατόµων για τα οποία διαθέτουµε δεδοµένα (= 48). Για παράδειγµα, το ποσοστό των µαθητών που δήλωσαν ότι ασχολούνται κυρίως µε υπολογιστές είναι 14% στο σύνολο των 50 µαθητών που ρωτήθηκαν (7 στους 50, στήλη Percent), ενώ είναι 14,6% στο σύνολο των 48 µαθητών που απάντησαν την ερώτηση (7 στους 48, στήλη Valid Percent) [Εικόνα 21]. Στην πράξη, δίνουµε τα ποσοστά της στήλης Valid Percent για να αναφέρουµε τα αποτελέσµατα της έρευνάς µας, σηµειώνοντας όµως την ύπαρξη απουσών τιµών, συνήθως βάζοντας µια υποσηµείωση στον πίνακα συχνοτήτων. Η πρακτική να υπολογίζουµε και να δίνουµε τα ποσοστά µετά από την εξαίρεση των ατόµων µε απούσες τιµές (δηλ. να δίνουµε τα valid percents) είναι εύλογη, γιατί µόνον στα άτοµα για τα οποία διαθέτουµε δεδοµένα µπορούµε να δηλώσουµε µε ακρίβεια τις πληροφορίες που πήραµε. Παρατηρήστε ότι, σε αντίθεση µε τις προηγούµενες στήλες, η στήλη Valid Percent περιλαµβάνει µόνο ένα total (αφού εξαιρεί τις απούσες τιµές), το οποίο είναι το άθροισµα όλων των έγκυρων ποσοστών και προφανώς είναι πάντα ίσο µε 100%. Η 5 η στήλη, µε τίτλο Cumulative Percent, δίνει την ποσοστιαία σχετική αθροιστική συχνότητα ή αθροιστικό ποσοστό, εξαιρώντας τις απούσες τιµές. Τα αθροιστικά ποσοστά, όπως έχουµε ήδη τονίσει, δεν έχουν νόηµα σε ποιοτικές ονοµαστικές µεταβλητές. Έτσι, παρόλο που το SPSS τα υπολόγισε, αγνοούµε τα αθροιστικά ποσοστά για το Φύλο και την Κυριότερη Ασχολία. Στην περίπτωση του Αριθµού Αδερφών, που είναι ποσοτική µεταβλητή, τα αθροιστικά ποσοστά έχουν νόηµα και µπορούµε να τα χρησιµοποιήσουµε. Για παράδειγµα, βλέπουµε στην Εικόνα 21, ότι το 92% των µαθητών στο δείγµα µας έχουν µέχρι και 2 αδέρφια. Το 92% υπολογίστηκε προσθέτοντας τα ποσοστά (valid percents) όσων ατόµων είχαν 0 ή 1 ή 2 αδέρφια (92% = 24% + 50% +18%). Αποθηκεύστε το αρχείο εξόδου (της εικόνας 21) δίνοντας το όνοµα παράδειγµα_2.spν. (ή παράδειγµα_2.spο, αν έχετε έκδοση του SPSS παλαιότερη της 16). 2.2 Επεξεργασία Πινάκων του SPSS και Μεταφορά τους σε Προγράµµατα Office Όλοι οι πίνακες στο output του SPSS, όπως π.χ. οι πίνακες συχνοτήτων που κατασκευάσαµε στην προηγούµενη ενότητα, είναι πλήρως επεξεργάσιµοι. ηλαδή µπορείτε να αλλάξετε τους τίτλους, τη γραµµατοσειρά, το µέγεθος των χαρακτήρων, να διαγράψετε στήλες ή γραµµές, κλπ.

28 29 Η διαδικασία επεξεργασίας των πινάκων είναι πολύ απλή: κάνετε διπλό κλικ πάνω στον πίνακα που θέλετε να τροποποιήσετε, και µε δεξί κλικ µπορείτε να προχωρήσουµε στις καρτέλες Table Properties, Cell Properties, Table Looks, ή στις επιλογές Hide, Cut, Copy, Paste και Clear / Delete (Εικόνα 22). Μπορείτε ακόµα να πιάσετε και σύρετε τις στήλες του πίνακα για να µεγαλώσετε ή να µικρύνετε το πλάτος τους. Αν θέλετε να αλλάξετε κάτι σε συγκεκριµένο σηµείο του πίνακα (π.χ. την επικεφαλίδα) κάνετε δεύτερο διπλό κλικ πάνω στο συγκεκριµένο σηµείο. Μπορείτε ακόµη να µεταφέρετε έναν πίνακα από το output του SPSS σε προγράµµατα του Office, όπως το Word, το Excel ή το Power Point, και να τον επεξεργαστείτε εκεί, αν το βρίσκετε ευκολότερο. Απλώς πρέπει να κάνετε δεξί κλικ πάνω στον πίνακα που θέλετε να µεταφέρετε και να επιλέξετε Copy (αντιγραφή). Έπειτα, µπορείτε να κάνετε επικόλληση (paste) σε έγγραφο του Word ή του Power Point, και να επεξεργαστείτε τον πίνακα µε τα εργαλεία των προγραµµάτων αυτών. Αν θέλετε να µεταφέρετε πολλούς πίνακες σε Word, Excel ή Power Point, π.χ. όλους τους πίνακες της εικόνας 21, µπορείτε να αποφύγετε τα διαδοχικά copy paste, ζητώντας από το SPSS να κάνει εξαγωγή (export) ολόκληρου του output σε αντίστοιχο αρχείο doc, xls, ppt κλπ. Αυτό γίνεται από το µενού: File Export, που δίνει το πλαίσιο διαλόγου Export Output της Εικόνας 24, µε προφανείς επιλογές για τη διαδικασία της εξαγωγής. Εικόνα 22: Επεξεργασία πίνακα στο output του SPSS. Ο καλύτερος τρόπος για να εξοικειωθείτε µε τις διαδικασίες της επεξεργασίας πινάκων στο SPSS είναι να πειραµατιστείτε! Για παράδειγµα, δοκιµάστε να επεξεργαστείτε τον πίνακα της Εικόνας 22 ώστε να προκύψει ο πίνακας της Εικόνας 23: Εικόνα 24: Εξαγωγή (µεταφορά) του Output προς άλλα προγράµµατα µε την επιλογή File Export Εικόνα 23: Τροποποιήσεις στον πίνακα της προηγούµενης εικόνας