Jak analizować dane w SPSS? Pierwsze kroki, import danych i podstawowe analizy statystyczne.
Zacznij analizę danych w SPSS: poznaj interfejs, zaimportuj pliki z Excela lub CSV i przygotuj zmienne. Dowiedz się, jak sprawdzać jakość danych, obliczać statystyki opisowe oraz interpretować test chi-kwadrat i korelacje.
Start w SPSS: interfejs, typy plików i organizacja projektu
Pracę w IBM SPSS Statistics warto zacząć od rozróżnienia trzech elementów: danych, poleceń i wyników. Każdy z nich ma własne okno i może być zapisany w osobnym pliku. To ważna różnica względem pracy w arkuszu kalkulacyjnym: zapisanie zbioru danych nie oznacza, że zapisane zostały również wyniki analiz albo instrukcje, które do nich doprowadziły.
Trzy okna, które warto rozpoznawać
Edytor danych (Data Editor) to główne miejsce pracy ze zbiorem. Ma dwa widoki, między którymi przełączasz się za pomocą zakładek. W Data View widzisz wartości: wiersze zwykle odpowiadają przypadkom, na przykład uczestnikom badania, a kolumny — zmiennym. W Variable View każdy wiersz opisuje jedną zmienną, a kolumny zawierają jej właściwości. Na początek wystarczy zapamiętać tę różnicę: pierwszy widok pokazuje dane, drugi — sposób ich zdefiniowania.
Okno wyników (Viewer) gromadzi rezultaty wykonywanych procedur: tabele, wykresy i komunikaty. Panel nawigacyjny po lewej stronie pozwala przechodzić między elementami raportu bez przewijania całej zawartości. Warto zwracać uwagę także na ostrzeżenia i uwagi — są częścią informacji o przebiegu analizy, a nie jedynie dodatkiem do tabel.
Edytor składni (Syntax Editor) służy do zapisywania i uruchamiania poleceń SPSS. Nie trzeba znać ich od pierwszego dnia. W wielu oknach dialogowych przycisk Paste (Wklej) przenosi polecenie odpowiadające wybranym ustawieniom do edytora składni, zamiast od razu je wykonać. Dzięki temu można zachować instrukcję analizy, później ją uruchomić i łatwiej odtworzyć własną pracę.
Gdzie szukać najważniejszych funkcji?
Menu File (Plik) służy przede wszystkim do otwierania i zapisywania plików. W Data (Dane) znajdują się operacje dotyczące organizacji zbioru, a w Transform (Przekształcenia) — narzędzia do przekształcania wartości i tworzenia zmiennych. Procedury statystyczne są dostępne w Analyze (Analiza), natomiast narzędzia do tworzenia wykresów — w Graphs (Wykresy). Nazwy i układ części opcji mogą różnić się zależnie od wersji programu oraz języka interfejsu.
Przy kilku otwartych zbiorach sprawdzaj, który zbiór jest aktywny, zanim uruchomisz procedurę. Zwracaj też uwagę na aktywne ustawienia filtrowania, ważenia przypadków i podziału pliku. Mogą one zmieniać zakres lub sposób obliczeń, nawet jeśli same wartości w edytorze danych wyglądają tak samo.
Podstawowe typy plików SPSS
Na początku najczęściej będziesz korzystać z trzech formatów:
- .sav — plik danych. Przechowuje wartości oraz definicje zmiennych. To podstawowy format roboczy zbioru w SPSS.
- .spv — plik wyników. Zawiera zapisane elementy okna Viewer, między innymi tabele i wykresy. Nie zastępuje pliku danych ani zapisu poleceń.
- .sps — plik składni. Przechowuje tekst poleceń, które można ponownie uruchomić. Pomaga dokumentować kolejne kroki i powtarzać analizę bez odtwarzania wszystkich ustawień w oknach dialogowych.
Pliki .xlsx i .csv traktuj natomiast jako częste formaty źródłowe, z których dane trafiają do SPSS. Nie są one odpowiednikami kompletnego zestawu plików roboczych programu. Jeśli chcesz udostępnić same wyniki osobie, która nie korzysta z SPSS, możesz wyeksportować je z okna Viewer, na przykład do PDF.
Jak uporządkować projekt od pierwszego uruchomienia?
Załóż osobny folder projektu i wydziel w nim miejsca na dane źródłowe, dane robocze, składnię oraz wyniki. Oryginalny plik zachowaj bez zmian; pracuj na kopii zapisanej pod inną nazwą. Taki podział pozwala wrócić do punktu wyjścia i ogranicza ryzyko nadpisania materiału otrzymanego do analizy.
Stosuj nazwy, które wskazują zawartość i wersję pliku, na przykład badanie_dane_v01.sav, badanie_analizy_v01.sps i badanie_wyniki_v01.spv. Unikaj kolejnych wariantów typu „ostateczny” i „ostateczny_poprawiony”. Przy większych zmianach zwiększaj numer wersji, a w krótkiej notatce projektu zapisuj, skąd pochodzą dane i czego dotyczą poszczególne pliki.
Przed zakończeniem pracy zapisz osobno zmieniony zbiór, składnię i potrzebne wyniki. Ten prosty nawyk sprawia, że po ponownym otwarciu projektu masz nie tylko dane, lecz także czytelny zapis tego, co zostało na nich wykonane.
Przygotowanie danych do analizy: kodowanie zmiennych, braki danych i zasady porządkowania arkusza
Poprawne obliczenia w SPSS zaczynają się od jednoznacznego zapisu danych. Jeśli ta sama odpowiedź raz występuje jako „tak”, a innym razem jako „T”, program może potraktować te zapisy jako osobne kategorie. Z kolei zero wpisane w miejsce brakującego wyniku może zaniżyć średnią. Przed analizą trzeba więc ustalić, co oznacza każda kolumna, jak zapisywane są odpowiedzi i czym różni się brak informacji od rzeczywistej wartości. W Cognity często słyszymy pytania, jak w praktyce przygotować dane do analizy w SPSS — odpowiadamy na nie także na blogu.
Uporządkuj arkusz: jeden wiersz, jedna obserwacja
W typowym zbiorze ankietowym jeden wiersz odpowiada jednemu respondentowi, a jedna kolumna — jednej zmiennej, na przykład wiekowi lub odpowiedzi na konkretne pytanie. Przy pomiarach powtarzanych układ może być inny: jeden wiersz może oznaczać pojedynczy pomiar danej osoby. Najważniejsze, aby w całym zbiorze konsekwentnie stosować tę samą zasadę.
Arkusz przeznaczony do analizy powinien zawierać prostokątny blok danych, bez elementów służących wyłącznie prezentacji. Przed jego wykorzystaniem:
- pozostaw jeden wiersz nagłówków i nadaj kolumnom krótkie, unikalne nazwy, najlepiej bez spacji, np. „wiek” lub „ocena_uslugi”;
- usuń scalone komórki, dodatkowe tytuły, puste wiersze rozdzielające grupy oraz wiersze z sumami i średnimi;
- w jednej komórce zapisuj jedną wartość — nie łącz wyniku z komentarzem ani jednostką, np. zapisuj „25” zamiast „25 lat”;
- stosuj jednakowe jednostki i formaty zapisu w obrębie kolumny, zwłaszcza dla dat, kwot i czasu;
- dodaj identyfikator pozwalający rozróżnić obserwacje; jeśli zawiera zera na początku, zadbaj o ich zachowanie.
Nie zapisuj istotnych informacji wyłącznie kolorem komórki, pogrubieniem czy komentarzem. Jeżeli kolor oznacza przynależność do grupy, utwórz osobną kolumnę z tą informacją.
Koduj odpowiedzi konsekwentnie
Kodowanie polega na przypisaniu odpowiedziom jednolitego zapisu. Kategorie można oznaczyć liczbami, na przykład 0 = „nie”, 1 = „tak”. Kod liczbowy nie sprawia jednak, że zmienna staje się wielkością, dla której sensowne jest obliczanie średniej. Numery przypisane rodzajom zatrudnienia są oznaczeniami kategorii, a nie wartościami mierzącymi ich wielkość.
Dla odpowiedzi uporządkowanych, takich jak stopień zadowolenia, zachowaj logiczną kolejność kodów: od najniższej do najwyższej oceny. Jeśli korzystasz z gotowego kwestionariusza, stosuj jego klucz kodowania, w tym zasady dotyczące pozycji odwróconych. Nie zmieniaj kierunku skali bez wyraźnego uzasadnienia i udokumentowania.
Pytania wielokrotnego wyboru wymagają innego układu niż pytania z jedną odpowiedzią. Zwykle każdej opcji przypisuje się oddzielną kolumnę, np. 1 = „wybrano”, 0 = „nie wybrano”. Pominięcie całego pytania nie powinno jednak automatycznie oznaczać zera we wszystkich kolumnach. Przygotuj też krótki opis kodowania: znaczenie zmiennych, jednostki, dopuszczalne wartości oraz oznaczenia braków.
Odróżniaj braki danych od prawidłowych odpowiedzi
Brak odpowiedzi, odmowa i sytuacja „nie dotyczy” mogą mieć różne znaczenie. Warto je rozróżniać, jeśli będzie to potrzebne przy interpretacji wyników. Odpowiedź „nie wiem” również nie zawsze jest brakiem — w niektórych badaniach stanowi pełnoprawną kategorię.
W SPSS rozróżnia się m.in. systemowe braki danych dla zmiennych liczbowych oraz braki zdefiniowane przez użytkownika. Pusta komórka po imporcie może zostać odczytana jako brak systemowy, natomiast umowny kod, np. 999, wymaga odpowiedniej definicji. Bez niej program może uwzględnić taki kod w obliczeniach jak zwykły wynik. Wybieraj oznaczenia spoza zakresu dopuszczalnych wartości i konsekwentnie dokumentuj ich znaczenie.
Nie zastępuj braków zerami ani średnią tylko po to, aby wypełnić arkusz. Zero może być rzeczywistym wynikiem, a uzupełnianie braków wpływa na rozkład danych i wyniki analiz. Na etapie przygotowania najważniejsze jest zachowanie informacji o tym, czego brakuje i — jeśli wiadomo — z jakiego powodu.
Import danych z Excela/CSV oraz ustawienia w Variable View: typy zmiennych, etykiety, value labels i miary (Measure)
Po wczytaniu pliku SPSS może rozpoznać kolumnę jako liczbową, choć zawiera ona wyłącznie kody kategorii. Dlatego import obejmuje dwa zadania: poprawne odczytanie danych oraz określenie znaczenia poszczególnych zmiennych. Pierwsze wykonujesz w oknie importu, drugie — w zakładce Variable View.
Jak zaimportować dane z Excela do SPSS?
W zależności od wersji programu skorzystaj z File → Import Data → Excel albo File → Open → Data, wybierając odpowiedni typ pliku. Po wskazaniu skoroszytu XLS lub XLSX otworzy się okno z ustawieniami odczytu.
- Wybierz właściwy arkusz. SPSS wczytuje dane z wybranego arkusza, a nie automatycznie ze wszystkich zakładek skoroszytu.
- Określ zakres komórek, jeśli analizowana tabela zajmuje tylko część arkusza. Pomiń znajdujące się poza nią tytuły, komentarze i podsumowania.
- Zaznacz odczyt nazw zmiennych z pierwszego wiersza, jeżeli zawiera on nagłówki kolumn. Jeśli pierwszy wiersz zawiera już obserwację, pozostaw tę opcję wyłączoną.
- Sprawdź podgląd przed zatwierdzeniem. Upewnij się, że wybrano właściwą tabelę i że nagłówki nie zostaną wczytane jako dane.
Nazwy kolumn z Excela mogą zostać dostosowane do reguł nazewnictwa SPSS. Po imporcie warto więc sprawdzić, jak program nazwał zmienne, szczególnie gdy nagłówki zawierały spacje, znaki specjalne lub pełną treść pytań ankietowych.
Import CSV: separator, kodowanie i zapis liczb
Plik CSV nie przechowuje ustawień komórek tak jak skoroszyt Excela. Przy jego wczytywaniu trzeba wskazać, jak program ma rozdzielić tekst na kolumny i interpretować wartości. Otwórz plik przez File → Import Data lub File → Open → Data; nazwa opcji i wygląd kreatora zależą od wersji SPSS.
Najważniejszy jest separator pól: może nim być przecinek, średnik albo — w plikach tekstowych — tabulator. Jeśli podgląd pokazuje cały wiersz w jednej kolumnie, zwykle wybrano niewłaściwy separator. Ustaw również kwalifikator tekstu, najczęściej cudzysłów, aby separator występujący wewnątrz cytowanego tekstu nie rozbijał go na dodatkowe kolumny.
Zwróć uwagę na kodowanie znaków, zwłaszcza gdy pojawiają się błędnie wyświetlane polskie litery, oraz na separator dziesiętny. Zapis „12,5” powinien zostać odczytany jako jedna liczba, a nie tekst lub dwa pola. Identyfikatory z zerami na początku, np. „00127”, importuj jako tekst — odczyt liczbowy usunie zera, których późniejsza zmiana typu nie przywróci.
Variable View: co oznaczają najważniejsze ustawienia?
Po imporcie przejdź do Variable View. W tej zakładce każdy wiersz opisuje jedną zmienną, a kolumny określają jej właściwości. Automatycznie przypisane ustawienia traktuj jako propozycję, nie jako gotową definicję danych.
| Ustawienie | Zastosowanie | Przykład |
|---|---|---|
| Name | Krótka nazwa wykorzystywana przy wyborze zmiennej i w składni poleceń. | status_zatrudnienia |
| Type | Określa sposób przechowywania lub odczytu wartości, np. Numeric, String albo format daty. | Numeric dla wieku, String dla identyfikatora „00127”. |
| Label | Opisuje całą zmienną; ułatwia rozpoznanie jej w oknach analiz i wynikach. | „Aktualny status zatrudnienia respondenta”. |
| Values | Przypisuje etykiety poszczególnym wartościom, czyli value labels. | 1 = „Pracuje”, 2 = „Nie pracuje”. |
| Measure | Określa poziom pomiaru: Nominal, Ordinal lub Scale. | Nominal dla statusu zatrudnienia. |
Aby dodać etykiety wartości, kliknij komórkę Values i otwórz jej okno ustawień. Wpisz kod w polu Value, jego opis w Label, a następnie wybierz Add. Powtórz czynność dla kolejnych kodów. Etykiety nie zastępują zapisanych wartości — nadają im czytelne znaczenie.
Type a Measure — dwie różne decyzje
Typ liczbowy nie oznacza automatycznie ilościowego poziomu pomiaru. Zmienna zawierająca kody 1 i 2 może mieć Type: Numeric, a jednocześnie Measure: Nominal, jeśli liczby oznaczają nieuporządkowane kategorie.
Wybierz Nominal dla kategorii bez naturalnej kolejności, np. rodzaju umowy. Ustaw Ordinal dla kategorii uporządkowanych, np. odpowiedzi „niska”, „średnia”, „wysoka”. Opcja Scale służy zmiennym ilościowym mierzonym na skali przedziałowej lub ilorazowej, np. wzrostowi w centymetrach czy czasowi wykonania zadania. Samo przełączenie Measure nie przelicza danych ani nie zmienia kodów kategorii w pomiar ilościowy.
Po uzupełnieniu definicji zapisz zbiór w formacie SAV. Zachowasz w nim nie tylko dane, lecz także etykiety zmiennych, etykiety wartości i ustawienia poziomu pomiaru, których zwykły CSV nie przechowuje.
Kontrola jakości danych: częstości, wykresy, wykrywanie outlierów i podstawowe czyszczenie
SPSS obliczy wyniki także wtedy, gdy w zbiorze znajdują się literówki, nieprawidłowe kody odpowiedzi lub zdublowane obserwacje. Dlatego przed analizą warto sprawdzić, czy dane odpowiadają założeniom badania. Kontrola jakości nie polega na poprawianiu rozkładów tak, aby wyglądały „ładniej”, lecz na wykrywaniu błędów i wyjaśnianiu nietypowych wartości. W Cognity omawiamy kontrolę jakości danych zarówno od strony technicznej, jak i praktycznej – zgodnie z realiami pracy uczestników szkoleń.
Tabele częstości: szybki przegląd wartości i kategorii
Wybierz Analyze → Descriptive Statistics → Frequencies, przenieś wybrane zmienne do pola analizy i pozostaw zaznaczoną opcję wyświetlania tabel częstości. Zacznij od zmiennych z niewielką liczbą dopuszczalnych odpowiedzi, takich jak kategorie wykształcenia czy pozycje kwestionariusza oceniane w skali 1–5.
Sprawdź, czy każda wyświetlona wartość jest dozwolona i czy liczebności kategorii nie budzą wątpliwości. Jeśli pytanie dopuszcza odpowiedzi od 1 do 5, wartość 55 wymaga weryfikacji w źródle. W zmiennych tekstowych zwróć uwagę na różne zapisy tej samej odpowiedzi, na przykład „tak” i „Tak”, które mogą tworzyć odrębne kategorie.
Tabela pokazuje też liczbę obserwacji uznanych przez SPSS za ważne i brakujące. Program nie rozpozna jednak automatycznie każdego kodu oznaczającego brak odpowiedzi. Jeśli 99 miało oznaczać „brak danych”, ale nie zostało tak zdefiniowane, pojawi się jako zwykła wartość. Na tym etapie istotne jest wychwycenie takiej niezgodności i sprawdzenie dokumentacji zbioru.
Wykresy: inny sposób patrzenia na jakość danych
Wykresy pomagają dostrzec problemy, które łatwo przeoczyć w tabeli. Możesz przygotować je przez Graphs → Chart Builder. Dobierz rodzaj wykresu do charakteru zmiennej:
- Wykres słupkowy pokazuje liczebności kategorii. Ułatwia zauważenie nieoczekiwanej kategorii lub dominacji jednej odpowiedzi, którą warto wyjaśnić.
- Histogram przedstawia rozkład wartości liczbowych. Pozwala wychwycić nietypowe skupienia, luki i pojedyncze wartości daleko od większości wyników.
- Wykres pudełkowy pomaga wskazać obserwacje odstające, również przy porównywaniu rozkładów w poszczególnych grupach.
Nietypowy kształt wykresu nie dowodzi błędu. Przykładowo rozkład dochodów może mieć długi prawy ogon, ponieważ niewielka część osób zarabia znacznie więcej od pozostałych. Z kolei dwa wyraźne skupienia mogą wynikać z połączenia różnych grup albo z zapisania pomiarów w różnych jednostkach.
Obserwacje odstające: najpierw sprawdzenie, potem decyzja
Do dokładniejszego przeglądu zmiennych liczbowych przydaje się Analyze → Descriptive Statistics → Explore. Umieść badaną zmienną w polu Dependent List, a w ustawieniach Plots wybierz wykresy pudełkowe. Jeśli dysponujesz identyfikatorem obserwacji, możesz wskazać go w polu Label Cases by, aby łatwiej odnaleźć oznaczone przypadki w danych.
Punkt oznaczony na wykresie jako odstający, czyli outlier, nie jest automatycznie błędnym rekordem. Sprawdź zapis źródłowy, jednostkę pomiaru i kontekst obserwacji. Wartość 180 w kolumnie zawierającej wzrost w centymetrach jest wiarygodna, natomiast 1800 sugeruje problem wymagający wyjaśnienia. Nie należy jednak samodzielnie przesuwać przecinka bez potwierdzenia.
Potwierdzony błąd można skorygować. Prawidłową, choć skrajną wartość zwykle należy zachować; jej ewentualne wyłączenie wymaga uzasadnienia metodologicznego, a nie wyłącznie chęci uzyskania korzystniejszego wyniku.
Podstawowe czyszczenie i ponowna kontrola
Oprócz rozkładów sprawdź duplikaty i zgodność informacji między kolumnami. Funkcja Data → Identify Duplicate Cases pomaga oznaczyć rekordy powtarzające się według wybranego identyfikatora lub zestawu zmiennych. Powtórzenie identyfikatora nie zawsze oznacza błąd — w badaniu z wieloma pomiarami tej samej osoby może być prawidłowe. Weryfikacji wymagają również sprzeczności logiczne, takie jak data zakończenia wcześniejsza od daty rozpoczęcia.
Pracuj na kopii zbioru, zachowując niezmieniony plik źródłowy. Dokumentuj korekty: wskaż obserwację, zmienną, poprzednią i nową wartość oraz powód zmiany. Tam, gdzie to możliwe, zapisuj operacje w składni SPSS, korzystając z przycisku Paste zamiast wykonywania wyłącznie ręcznych zmian w arkuszu.
Po czyszczeniu ponownie wygeneruj odpowiednie tabele i wykresy. Porównaj liczbę rekordów, liczbę braków danych oraz zakres wartości. To pozwala potwierdzić, że usunięto wykryty problem, nie wprowadzając przy okazji nowych błędów.
5. Statystyki opisowe w praktyce: miary tendencji centralnej, zróżnicowania i interpretacja wyników
Statystyki opisowe pozwalają odpowiedzieć na dwa podstawowe pytania: jakie wartości są typowe dla badanej grupy i jak bardzo różnią się między sobą poszczególne obserwacje. W SPSS znajdziesz je w menu Analyze → Descriptive Statistics. Wybór polecenia zależy od tego, jaką zmienną analizujesz i jakich miar potrzebujesz — nie każda liczba w zbiorze danych nadaje się do obliczania średniej.
Jak dobrać miary do rodzaju danych?
Dla zmiennych nominalnych, takich jak forma płatności, podstawą opisu są liczebności i procenty; można też wskazać dominantę, czyli najczęściej występującą kategorię. Dla danych porządkowych, np. pojedynczej oceny na skali od „bardzo źle” do „bardzo dobrze”, przydatna jest również mediana. Średnia i odchylenie standardowe służą przede wszystkim do opisu zmiennych ilościowych, takich jak wiek, czas wykonania zadania czy kwota wydatków.
| Miara | Co opisuje? | Na co zwrócić uwagę? |
|---|---|---|
| Średnia | Sumę wartości podzieloną przez liczbę obserwacji. | Jest wrażliwa na wartości skrajne; przy silnej asymetrii może słabo oddawać typowy wynik. |
| Mediana | Środek uporządkowanego zbioru wyników. | Jest mniej wrażliwa na skrajne obserwacje niż średnia, dlatego sprawdza się np. przy opisie dochodów. |
| Dominanta | Najczęściej występującą wartość lub kategorię. | Jest szczególnie użyteczna dla danych kategorialnych; kilka wartości może występować równie często. |
| Odchylenie standardowe | Rozproszenie wyników wokół średniej. | Ma tę samą jednostkę co zmienna. Większa wartość oznacza większe rozproszenie przy porównywaniu wyników na tej samej skali. |
| Rozstęp międzykwartylowy (IQR) | Różnicę między trzecim a pierwszym kwartylem, obejmującą środkowe 50% wyników. | Dobrze uzupełnia medianę i jest mniej podatny na wpływ wartości skrajnych niż pełny rozstęp. |
| Minimum i maksimum | Najmniejszą i największą zaobserwowaną wartość. | Wyznaczają zakres wyników, ale nie pokazują, jak rozkładają się pozostałe obserwacje. |
Miarę położenia warto podawać razem z miarą zróżnicowania. Dwie grupy mogą mieć taką samą średnią, choć w jednej wyniki są do siebie zbliżone, a w drugiej bardzo rozproszone. Często stosowane zestawy to średnia z odchyleniem standardowym oraz mediana z kwartylami lub IQR.
Gdzie obliczyć statystyki opisowe w SPSS?
Do podstawowej pracy wystarczą trzy polecenia. Częściowo oferują te same miary, ale różnią się wygodą zastosowania.
- Analyze → Descriptive Statistics → Descriptives — wybierz, gdy potrzebujesz szybkiego zestawienia dla kilku zmiennych ilościowych. Przenieś je do pola Variable(s), a w Options zaznacz np. Mean, Std. deviation, Minimum i Maximum. Zatwierdź wybór przyciskami Continue oraz OK. To polecenie nie udostępnia mediany.
- Analyze → Descriptive Statistics → Frequencies — przydatne, gdy chcesz uzyskać medianę lub dominantę. Po wybraniu zmiennej otwórz Statistics i zaznacz potrzebne miary, np. Median oraz Mode. Dla zmiennej liczbowej o wielu różnych wartościach możesz odznaczyć Display frequency tables, aby nie tworzyć rozbudowanej tabeli częstości.
- Analyze → Descriptive Statistics → Explore — wybierz, gdy potrzebujesz szerszego opisu, obejmującego m.in. medianę i IQR. Umieść zmienną ilościową w polu Dependent List i pozostaw zaznaczone Descriptives w ustawieniach Statistics. Jeśli interesują Cię wyłącznie tabele, w części Display wybierz Statistics.
Jak czytać wyniki i opisać je w raporcie?
W oknie wyników najpierw sprawdź N, czyli liczbę obserwacji uwzględnionych w obliczeniach. Poszczególne zmienne mogą mieć różną liczbę ważnych odpowiedzi. Następnie odczytaj wybraną miarę położenia i zróżnicowania, pamiętając o jednostce pomiaru.
Załóżmy, że w przykładowym badaniu czasu dojazdu dla 80 osób uzyskano średnią 42 minuty, medianę 35 minut i odchylenie standardowe 18 minut. Zwięzły zapis brzmi: „Średni czas dojazdu wyniósł 42 minuty (SD = 18 minut), a mediana 35 minut; analizą objęto 80 osób”. Wyższa średnia niż mediana może sugerować wpływ dłuższych dojazdów, ale sama różnica między tymi miarami nie wystarcza do ustalenia kształtu rozkładu.
Odchylenie standardowe równe 18 minut opisuje rozproszenie wyników — nie oznacza, że każda osoba dojeżdżała o 18 minut dłużej lub krócej od średniej. Nie należy też automatycznie zakładać, że określony procent wyników mieści się w przedziale średnia ± jedno odchylenie standardowe; taka interpretacja wymaga dodatkowych założeń dotyczących rozkładu.
W raporcie podawaj tylko miary, które pomagają zrozumieć dane, i stosuj dokładność odpowiednią do pomiaru. Sama tabela z SPSS nie zastępuje interpretacji: czytelnik powinien wiedzieć, jaki wynik był typowy, jak duże było zróżnicowanie i ilu obserwacji dotyczy opis.
Analizy zależności: tabele krzyżowe (Crosstabs) i test chi-kwadrat
Czy wybór formy zakupów — online lub stacjonarnie — wiąże się z grupą wiekową? Czy odsetek osób deklarujących udział w wydarzeniu różni się między kategoriami wykształcenia? Takie pytania dotyczą zależności między zmiennymi kategorialnymi. W SPSS można je analizować za pomocą procedury Analyze → Descriptive Statistics → Crosstabs.
Tabela krzyżowa, nazywana też tabelą kontyngencji, pokazuje liczebności i odsetki dla poszczególnych kombinacji kategorii. Test niezależności chi-kwadrat Pearsona pozwala natomiast ocenić, czy zaobserwowane różnice dostarczają podstaw do odrzucenia hipotezy o niezależności zmiennych. To dwa uzupełniające się elementy analizy: tabela pokazuje układ wyników, a test pomaga ocenić ich istotność statystyczną.
Jak utworzyć tabelę krzyżową w SPSS?
Po otwarciu Analyze → Descriptive Statistics → Crosstabs umieść jedną zmienną w polu Row(s), a drugą w Column(s). Przykładowo: grupę wiekową przypisz do wierszy, a formę zakupów do kolumn. Zamiana wierszy z kolumnami nie zmienia wyniku testu chi-kwadrat, ale wpływa na sposób czytania tabeli i wybór procentowania.
- W Statistics zaznacz Chi-square oraz Phi and Cramer's V, aby otrzymać test niezależności i miary siły związku.
- W Cells wybierz liczebności Observed i Expected, czyli obserwowane oraz oczekiwane przy założeniu niezależności zmiennych.
- W części Percentages zaznacz Row lub Column, zależnie od tego, w obrębie których grup chcesz porównywać odsetki.
- Zatwierdź ustawienia przyciskiem Continue, a następnie uruchom analizę przez OK.
Procenty wierszowe czy kolumnowe?
Jeżeli grupy wiekowe znajdują się w wierszach, procenty wierszowe pokażą, jaki odsetek osób w każdej grupie wybiera zakupy online, a jaki stacjonarne. To właściwy wybór, gdy chcesz porównać preferencje zakupowe między grupami wieku. Procenty kolumnowe odpowiedzą na inne pytanie: jak wygląda struktura wieku wśród osób wybierających daną formę zakupów.
Zawsze ustal, co stanowi podstawę procentowania. Sama większa liczba osób w komórce nie oznacza większej skłonności do danego wyboru — może wynikać z większej liczebności grupy. W interpretacji warto więc zestawiać odsetki z liczebnościami, zwłaszcza gdy porównywane grupy mają różne rozmiary.
Jak odczytać wynik testu chi-kwadrat?
W tabeli Chi-Square Tests odszukaj wiersz Pearson Chi-Square. Najważniejsze informacje to wartość statystyki testowej, liczba stopni swobody df oraz wartość p, zwykle podana w kolumnie Asymptotic Significance (2-sided). Przy ustalonym wcześniej poziomie istotności 0,05:
- p < 0,05 — odrzucasz hipotezę o niezależności zmiennych; wynik wskazuje na statystycznie istotny związek.
- p ≥ 0,05 — nie ma wystarczających podstaw do odrzucenia hipotezy o niezależności. Nie jest to dowód, że związek nie istnieje.
Jeżeli SPSS wyświetla 0,000, zapisz wynik jako p < 0,001, a nie „p = 0”. Istotny wynik całego testu nie wskazuje jeszcze, które konkretne kategorie różnią się istotnie. Tabela pozwala opisać widoczny układ różnic, lecz ich formalne porównania wymagają dodatkowych analiz.
Kiedy wynik testu wymaga ostrożności?
Test zakłada niezależność obserwacji: ta sama osoba nie powinna występować jako kilka niezależnych przypadków. Zwykły test niezależności chi-kwadrat nie jest właściwym wyborem do porównywania odpowiedzi tych samych osób przed interwencją i po niej.
Sprawdź także przypis pod tabelą testów dotyczący liczebności oczekiwanych. Powszechnie stosowana reguła dla przybliżenia chi-kwadrat mówi, że żadna liczebność oczekiwana nie powinna być mniejsza niż 1, a co najmniej 80% komórek powinno mieć wartość oczekiwaną wynoszącą co najmniej 5. Chodzi o liczebności oczekiwane, nie obserwowane. Przy małych liczebnościach w tabeli 2 × 2 odpowiednią alternatywą jest często dokładny test Fishera. Kategorii nie należy łączyć wyłącznie po to, by uzyskać istotność — takie połączenie musi mieć uzasadnienie merytoryczne.
Siła związku i zapis wniosków
Sama wartość p nie mówi, czy zależność jest silna ani ważna praktycznie. W tabeli Symmetric Measures sprawdź V Craméra: wartości bliższe 0 oznaczają słabszy związek, a bliższe 1 — silniejszy. Ocenę jego wielkości warto odnieść do rozmiaru tabeli i kontekstu badania, zamiast automatycznie stosować jeden zestaw progów.
W opisie wyników podaj χ², df, liczebność analizowanej próby N, p oraz V Craméra, a następnie wskaż najważniejsze różnice odsetków. Wniosek powinien mówić o związku między zmiennymi, nie o przyczynowości: zależność między wiekiem a formą zakupów nie dowodzi, że sam wiek powoduje określony wybór.
Związki między zmiennymi liczbowymi: korelacje i wprowadzenie do interpretacji
Analiza korelacji pozwala sprawdzić, czy wartości dwóch zmiennych zmieniają się wspólnie — na przykład czy większej liczbie godzin nauki towarzyszą wyższe wyniki egzaminu. W SPSS podstawowe współczynniki obliczysz przez Analyze → Correlate → Bivariate. Zanim uruchomisz procedurę, wybierz rodzaj korelacji odpowiedni do danych i charakteru badanej zależności.
Korelacja Pearsona czy Spearmana?
Korelacja Pearsona, oznaczana jako r, opisuje siłę i kierunek związku liniowego między dwiema zmiennymi ilościowymi. Jest właściwym wyborem, gdy układ punktów na wykresie rozrzutu można przybliżyć linią prostą, a pojedyncze skrajne obserwacje nie zniekształcają wyniku. Założenia dotyczące rozkładu mają znaczenie przede wszystkim dla klasycznego testu istotności i przedziałów ufności, szczególnie przy małych próbach.
Korelacja Spearmana, oznaczana jako rho, opiera się na rangach, czyli uporządkowaniu wartości. Stosuje się ją do zmiennych porządkowych oraz ilościowych, gdy interesuje nas związek monotoniczny: wraz ze wzrostem jednej zmiennej druga ma tendencję do wzrostu albo spadku, ale niekoniecznie w stałym tempie. Jest mniej wrażliwa na skrajne wartości niż korelacja Pearsona. Sam brak normalności rozkładu nie powinien jednak automatycznie przesądzać o jej wyborze.
Przed obliczeniem współczynnika obejrzyj wykres rozrzutu dla analizowanej pary. To ważne, ponieważ zależność może być wyraźna, ale mieć kształt litery U — wówczas zarówno Pearson, jak i Spearman mogą dać wynik bliski zeru.
Jak obliczyć korelację w SPSS?
- Otwórz Analyze → Correlate → Bivariate.
- Przenieś do pola Variables co najmniej dwie zmienne. Jeśli wybierzesz ich więcej, SPSS przygotuje macierz korelacji dla wszystkich par.
- W części Correlation Coefficients zaznacz Pearson albo Spearman, zgodnie z celem analizy i właściwościami danych.
- W obszarze Test of Significance zwykle pozostaw Two-tailed, czyli test dwustronny. Test jednostronny wymaga kierunkowej hipotezy uzasadnionej przed obejrzeniem wyników.
- Kliknij OK, aby wyświetlić wyniki w oknie raportu.
Zwróć również uwagę na sposób obsługi braków danych. Przy wykluczaniu parami (Exclude cases pairwise) każdy współczynnik jest obliczany na podstawie obserwacji z kompletem wartości dla danej pary zmiennych. Oznacza to, że liczebności w jednej macierzy mogą się różnić.
Jak odczytać współczynnik, wartość p i liczebność?
W tabeli wynikowej najważniejsze są trzy informacje: współczynnik korelacji, Sig. (2-tailed), czyli wartość p dla testu dwustronnego, oraz N — liczba obserwacji uwzględnionych w obliczeniu. Współczynnik mieści się w przedziale od −1 do 1. Znak dodatni oznacza, że wyższym wartościom jednej zmiennej towarzyszą zwykle wyższe wartości drugiej; ujemny wskazuje tendencję przeciwną.
O sile związku informuje wartość bezwzględna współczynnika: im bliższa 1, tym silniejsza zależność danego rodzaju. Przykładowo r = −0,70 wskazuje silniejszy związek liniowy niż r = 0,30, mimo ujemnego znaku. Określenia „słaba”, „umiarkowana” i „silna” należy odnosić do kontekstu badania — nie istnieją progi równie użyteczne w każdej dziedzinie.
Wartość p nie opisuje siły ani praktycznego znaczenia związku. Wynik poniżej przyjętego poziomu istotności, na przykład 0,05, stanowi podstawę do odrzucenia hipotezy o zerowej korelacji w populacji, przy założeniach zastosowanego testu. W dużej próbie nawet niewielka korelacja może być istotna statystycznie. Z kolei wynik nieistotny nie dowodzi braku związku. Jeśli SPSS wyświetla 0,000, zapisz p < 0,001, a nie „p = 0”.
Jak opisać wynik bez nadinterpretacji?
W opisie podaj rodzaj współczynnika, jego wartość, wartość p oraz liczebność próby; jeśli dysponujesz przedziałem ufności, warto go również uwzględnić. Następnie wyjaśnij kierunek zależności w odniesieniu do badanych zmiennych. Pisz „większej liczbie godzin nauki towarzyszyły wyższe wyniki”, zamiast „dodatkowe godziny nauki spowodowały wzrost wyników”. Korelacja sama w sobie nie dowodzi przyczynowości: obserwowany związek może zależeć od innych czynników lub mieć odwrotny kierunek przyczynowy.
Mini-przykład na danych ankietowych + checklisty „przed analizą” i „po analizie”
Analizę ankiety warto zacząć od konkretnego pytania, a nie od wyboru testu w SPSS. Prześledźmy krótki, hipotetyczny przykład: masz 100 ankiet dotyczących korzystania z usługi. Interesuje Cię przede wszystkim, jaki odsetek respondentów poleciłby ją innym. Dodatkowo chcesz sprawdzić, czy częstsze korzystanie z usługi wiąże się z wyższą oceną zadowolenia.
Od pytania badawczego do krótkiego raportu
Do tego zadania wystarczą trzy zmienne: deklaracja polecenia usługi („tak” lub „nie”), liczba skorzystań w ostatnim miesiącu oraz zadowolenie oceniane od 1 do 5. Każda odpowiada na inne pytanie: pierwsza pozwala określić udział odpowiedzi, druga opisuje intensywność korzystania, a trzecia — uporządkowaną ocenę doświadczenia.
Najpierw sprawdź rozkład deklaracji polecenia. Załóżmy, że w tym przykładzie 72 osoby zaznaczyły „tak”, 24 — „nie”, a 4 nie odpowiedziały. W tabeli częstości SPSS odróżnij procent liczony względem wszystkich ankiet od procentu ważnych odpowiedzi. Odpowiedź „tak” stanowi 72% całego zbioru, ale 75% spośród 96 osób, które odpowiedziały na to pytanie. Obie wartości są poprawne, lecz mają inny mianownik.
W raporcie możesz zapisać: „Spośród 96 respondentów, którzy odpowiedzieli na pytanie o rekomendację, 72 osoby (75%) zadeklarowały, że poleciłyby usługę. W czterech ankietach brakowało odpowiedzi”. Taki zapis jest czytelniejszy niż samo „75% poleca usługę”, ponieważ pokazuje również podstawę obliczeń.
Drugie pytanie wymaga już analizy związku, a nie samego zestawienia odpowiedzi. Przy pojedynczej ocenie zadowolenia w skali 1–5 można rozważyć korelację rang Spearmana z liczbą skorzystań. Przed jej zastosowaniem sprawdź rozkłady i przebieg zależności, zwłaszcza czy ma ona charakter monotoniczny — czy wraz ze wzrostem jednej zmiennej druga ma tendencję do wzrostu lub spadku. Nie wyciągaj wniosku o związku wyłącznie z tego, że obie zmienne mają wysokie średnie. W opisie wyników podaj wartość współczynnika korelacji, wartość p oraz liczbę uwzględnionych par obserwacji, a następnie omów kierunek i siłę zależności. Sama korelacja nie dowodzi, że częstsze korzystanie powoduje większe zadowolenie.
W Cognity łączymy teorię z praktyką — dlatego dobór analiz i interpretację wyników rozwijamy także w formie ćwiczeń na szkoleniach. Przy samodzielnej pracy z ankietą pomocne będą poniższe checklisty: pierwsza pozwoli sprawdzić przygotowanie danych, a druga — rzetelność opisu wyników.
Checklista przed analizą
- Cel: czy potrafisz zapisać jednym zdaniem pytanie, na które ma odpowiedzieć każda analiza?
- Zakres danych: czy analizowany zbiór obejmuje właściwych respondentów, bez przypadkowych duplikatów?
- Ustawienia SPSS: czy filtrowanie przypadków, ważenie i podział zbioru są wyłączone albo włączone celowo?
- Podstawa obliczeń: czy wiesz, które odpowiedzi są ważne i jak braki danych wpłyną na liczebność analizy?
- Odtwarzalność: czy masz zachowany plik źródłowy oraz zapis kroków pozwalający powtórzyć pracę?
Checklista po analizie
- Zgodność: czy wyniki rzeczywiście odpowiadają na postawione pytania?
- Liczebności: czy przy procentach i analizach zależności podajesz właściwą liczbę obserwacji?
- Kompletność: czy interpretacja uwzględnia ostrzeżenia SPSS, braki danych i ograniczenia zastosowanej metody?
- Ostrożność wniosków: czy nie utożsamiasz istotności statystycznej z dużym znaczeniem praktycznym ani związku z przyczynowością?
- Archiwizacja: czy zapisano dane robocze, wyniki oraz składnię lub dokumentację wykonanych operacji?
Najczęściej zadawane pytania i odpowiedzi odnośnie Jak analizować dane w SPSS? Pierwsze kroki, import danych i podstawowe analizy statystyczne.
Podstawowe analizy w SPSS można wykonywać bez znajomości składni, korzystając z menu i okien dialogowych. Procedury statystyczne znajdziesz w Analyze, a narzędzia do wykresów w Graphs. Przycisk Paste pozwala zapisać polecenia odpowiadające wybranym ustawieniom, co ułatwia późniejsze powtórzenie analizy. Dane, składnię i wyniki zapisuj osobno: plik SAV nie przechowuje całej dokumentacji wykonanej pracy.
SPSS może odczytać liczby jako tekst z powodu niejednolitego zapisu wartości lub niewłaściwych ustawień importu. Przed ponownym wczytaniem pliku sprawdź:
- czy komórki nie zawierają jednostek lub komentarzy, np. „25 lat” zamiast „25”;
- czy separator dziesiętny odpowiada zapisowi liczb w pliku;
- czy separator pól CSV prawidłowo rozdziela kolumny.
Po imporcie skontroluj Type w Variable View oraz porównaj odczytane wartości z plikiem źródłowym.
Ustawienie Measure dobierz do znaczenia odpowiedzi, a nie do tego, czy zapisano je cyframi. Nominal służy kategoriom bez naturalnej kolejności, takim jak rodzaj umowy. Ordinal wybierz dla uporządkowanych ocen, np. pojedynczej odpowiedzi na skali zadowolenia. Scale stosuj do zmiennych ilościowych, takich jak wiek czy czas wykonania zadania. Zmiana Measure nie przelicza wartości ani nie zmienia kategorii w pomiar ilościowy.
Mniejsza liczebność analizy może wynikać z braków danych lub aktywnego filtrowania przypadków. Sprawdź liczbę ważnych odpowiedzi, definicje braków w Variable View oraz ustawienia wyboru przypadków. Przy korelacjach z wykluczaniem parami każda para zmiennych może mieć inne N, ponieważ obliczenia wymagają kompletu wartości dla tej pary. Jeśli wyniki są prezentowane oddzielnie dla grup, sprawdź także ustawienie podziału pliku.
Średnią, medianę i odchylenie standardowe obliczysz w Analyze → Descriptive Statistics → Frequencies, wybierając odpowiednie miary w Statistics. Dla zmiennych liczbowych o wielu wartościach możesz wyłączyć wyświetlanie tabel częstości. Procedura Descriptives udostępnia średnią i odchylenie standardowe, ale nie medianę. Przy interpretacji dobierz miary do poziomu pomiaru i rozkładu: dla silnie asymetrycznych danych mediana może lepiej przedstawiać typowy wynik niż średnia.
Wartości odstających nie należy usuwać tylko dlatego, że SPSS oznaczył je na wykresie pudełkowym. Najpierw porównaj nietypowy wynik z zapisem źródłowym, sprawdź jednostkę pomiaru i kontekst obserwacji. Potwierdzony błąd można poprawić, dokumentując zmianę. Prawidłowa wartość skrajna zwykle powinna pozostać w zbiorze, a jej ewentualne wyłączenie wymaga uzasadnienia metodologicznego, nie chęci uzyskania korzystniejszego wyniku.
Wybór między testem chi-kwadrat a korelacją zależy od rodzaju zmiennych i charakteru badanego związku. Podstawowe rozróżnienie jest następujące:
- Test chi-kwadrat służy ocenie zależności między zmiennymi kategorialnymi.
- Korelacja Pearsona opisuje związek liniowy między zmiennymi ilościowymi.
- Korelacja Spearmana opisuje związek monotoniczny i nadaje się również do danych porządkowych.
Przed analizą sprawdź założenia wybranej metody; dla korelacji obejrzyj wykres rozrzutu, a dla chi-kwadrat skontroluj liczebności oczekiwane.
Wynik istotności wyświetlany jako 0,000 zapisuj jako p < 0,001, a nie p = 0. Taki odczyt nie oznacza, że prawdopodobieństwo wynosi dokładnie zero. Wartość p pomaga ocenić podstawy do odrzucenia hipotezy zerowej przy założeniach testu, ale nie określa siły ani praktycznego znaczenia zależności. Dlatego podawaj również odpowiednią miarę związku, np. współczynnik korelacji lub V Craméra, oraz liczebność analizy.