Analiza ankiet i badań naukowych w SPSS – praktyczny poradnik krok po kroku.

Przeprowadź analizę ankiet i badań naukowych w SPSS: od kodowania odpowiedzi i czyszczenia danych, przez ocenę rzetelności skal, po dobór testów statystycznych. Poradnik pokazuje też, jak tworzyć wykresy i dokumentować wyniki.
21 listopada 2026
blog

1. Przygotowanie kwestionariusza do analizy w SPSS: skalowanie odpowiedzi, kodowanie i pytania odwrócone

O tym, czy ankietę będzie można sensownie przeanalizować w SPSS, decyduje już sposób zadawania pytań. Program pozwoli zestawić odpowiedzi i przeprowadzić obliczenia, ale nie naprawi niejednoznacznej treści pytania ani źle dobranych kategorii. Przed rozpoczęciem zbierania danych warto ustalić, co mierzy każde pytanie, jakie odpowiedzi dopuszcza i jak zostaną one zapisane liczbowo. Jeśli korzystasz z gotowego narzędzia badawczego, punktem odniesienia powinny być jego instrukcja, klucz punktowania oraz zasady stosowania.

Dobierz sposób odpowiedzi do tego, co chcesz zmierzyć

Pytania o kategorię, na przykład rodzaj zatrudnienia, wymagają innego podejścia niż pytania o nasilenie stresu czy liczbę godzin pracy. W pierwszym przypadku odpowiedzi służą do podziału badanych na grupy. W drugim mają odzwierciedlać stopień nasilenia cechy, a w trzecim dostarczać konkretnej wartości liczbowej. Ta różnica wpływa na późniejsze możliwości analizy, dlatego formatu odpowiedzi nie należy wybierać wyłącznie ze względu na wygodę formularza.

Przy pytaniach o postawy często stosuje się pozycje typu Likerta, na przykład z odpowiedziami od „zdecydowanie się nie zgadzam” do „zdecydowanie się zgadzam”. Kategorie powinny mieć jasny porządek, a ich opisy odpowiadać treści pytania. Jeśli pytasz o częstotliwość zachowania, użyj określeń częstotliwości, nie stopnia zgody. Wskaż również okres odniesienia, na przykład ostatnie cztery tygodnie, aby respondenci oceniali porównywalne doświadczenia.

Pojedyncza pozycja z odpowiedziami od 1 do 5 nie jest tym samym co wielopozycyjna skala mierząca określoną cechę. Samo przypisanie liczb uporządkowanym kategoriom nie gwarantuje też równych odległości między nimi. Jeżeli kilka pytań ma wspólnie mierzyć jeden konstrukt, zaplanuj je jako spójny zestaw, a nie przypadkową grupę podobnie brzmiących stwierdzeń.

Przygotuj jednoznaczny klucz kodowania

Kodowanie polega na przypisaniu odpowiedziom ustalonych wartości. W pytaniu o zgodę ze stwierdzeniem kod 1 może oznaczać „zdecydowanie się nie zgadzam”, a kod 5 — „zdecydowanie się zgadzam”. Natomiast w pytaniu o kategorię liczby pełnią jedynie funkcję identyfikatorów: wyższy kod nie oznacza większego nasilenia cechy.

Jeszcze przed badaniem przygotuj słownik kodowania. Dla każdego pytania zapisz jego identyfikator, pełną treść, dopuszczalne odpowiedzi oraz odpowiadające im kody. Zaznacz także, czy respondent może wybrać jedną odpowiedź, kilka możliwości, czy wpisać własną wartość. Dzięki temu osoby przygotowujące dane będą korzystać z tych samych reguł.

W pytaniach wielokrotnego wyboru każdą opcję zwykle przewiduje się jako osobną zmienną, na przykład z kodami 1 — wybrano i 0 — nie wybrano. Trzeba jednak zachować możliwość odróżnienia niewybrania konkretnej opcji od pominięcia całego pytania. Podobnie odpowiedzi „nie wiem” i „nie dotyczy” nie powinny automatycznie otrzymywać wartości środkowej skali: nie oznaczają neutralnej opinii.

Oznacz pozycje wymagające odwrócenia punktacji

W kwestionariuszu mogą występować stwierdzenia o przeciwnym kierunku znaczeniowym. Jeśli mierzysz satysfakcję z pracy, zgoda ze zdaniem „Jestem zadowolony ze swojej pracy” wskazuje na większą satysfakcję, natomiast zgoda ze zdaniem „Moja praca przynosi mi rozczarowanie” — na mniejszą. Takich odpowiedzi nie można traktować jednakowo przy wyznaczaniu wspólnego wyniku.

Pozycje odwrócone wymagają takiej punktacji, aby wyższa wartość oznaczała ten sam kierunek mierzonej cechy w całym zestawie. Przy zakresie od 1 do 5 oznacza to zamianę punktacji 1 na 5 i 2 na 4, z pozostawieniem 3 bez zmian. Na etapie przygotowania kwestionariusza wystarczy jednoznacznie oznaczyć te pozycje w kluczu; techniczne przekształcenie danych jest osobnym zadaniem.

O potrzebie odwrócenia punktacji decyduje znaczenie stwierdzenia względem mierzonej cechy, a nie samo występowanie słowa „nie”. Nie warto też dodawać przeczeń wyłącznie po to, by sprawdzać uważność respondentów — złożone sformułowania mogą powodować pomyłki. Przed uruchomieniem własnej ankiety przeprowadź krótki pilotaż: sprawdź, czy odbiorcy rozumieją pytania zgodnie z intencją i potrafią wskazać odpowiedź odpowiadającą ich sytuacji.

2. Import danych do SPSS i organizacja pliku

Poprawny import to nie tylko przeniesienie odpowiedzi do programu. Trzeba jeszcze zadbać o to, aby SPSS właściwie rozpoznawał liczby, tekst i daty, a każda zmienna miała czytelny opis oraz odpowiedni poziom pomiaru. Sama obecność danych w arkuszu nie oznacza, że plik jest gotowy do analizy. W Cognity często słyszymy pytania, jak przygotować zaimportowane dane do dalszej pracy w SPSS — odpowiadamy na nie także na blogu.

Przygotuj plik i wybierz sposób importu

W typowym zbiorze danych ankietowych jeden wiersz odpowiada jednemu respondentowi, a jedna kolumna — jednej zmiennej, na przykład odpowiedzi na konkretne pytanie. Pierwszy wiersz powinien zawierać krótkie, jednoznaczne nazwy zmiennych. Tytuły badania, komentarze i podsumowania nie powinny znajdować się w zakresie importowanych danych. W pliku Excel unikaj także scalonych komórek, ponieważ utrudniają poprawne odczytanie struktury arkusza.

Import rozpocznij w menu Plik, korzystając z opcji otwierania lub importowania danych — nazwy poleceń mogą się różnić zależnie od wersji i języka interfejsu. Dla pliku Excel wybierz właściwy arkusz i zakres komórek oraz zaznacz odczyt nazw zmiennych z pierwszego wiersza, jeśli rzeczywiście się tam znajdują. Nie zakładaj, że program automatycznie wybierze arkusz z odpowiedziami.

Przy imporcie CSV sprawdź separator pól, na przykład przecinek lub średnik, kodowanie znaków oraz sposób zapisu części dziesiętnych. Nieprawidłowe ustawienia mogą spowodować umieszczenie całego wiersza w jednej kolumnie, zniekształcenie polskich znaków albo odczytanie liczb jako tekstu. Przed zatwierdzeniem importu obejrzyj podgląd danych.

Rozróżnij Data View i Variable View

Data View, czyli Widok danych, pokazuje poszczególne obserwacje i ich wartości. To tutaj sprawdzisz, czy kolumny trafiły na właściwe miejsca oraz czy liczba zaimportowanych rekordów odpowiada źródłu. Variable View, czyli Widok zmiennych, służy natomiast do opisywania struktury zbioru. Każdy wiersz reprezentuje w nim jedną zmienną, a kolumny określają jej właściwości.

W polu Name nadaj zmiennej krótką nazwę bez spacji, na przykład „wiek” lub „p01”. W polu Type sprawdź typ danych: liczbowy, tekstowy lub odpowiedni format daty. Identyfikatory zawierające zera na początku warto importować jako tekst, jeżeli zera są częścią oznaczenia. Utraconych podczas importu zer nie przywróci sama późniejsza zmiana typu zmiennej. Pole Decimals określa liczbę wyświetlanych miejsc dziesiętnych — nie zmienia precyzji zapisanych wartości.

Dodaj etykiety zmiennych i wartości

Pole Label pozwala rozwinąć techniczną nazwę zmiennej. Zamiast pozostawiać samo „p01”, wpisz treść pytania lub zwięzły opis, który będzie zrozumiały również w wynikach analizy. Stosuj jeden schemat nazewnictwa w całym pliku, aby łatwo odnajdywać pytania z poszczególnych części kwestionariusza.

W polu Values przypisz opisowe etykiety istniejącym kodom odpowiedzi, zgodnie z dokumentacją kwestionariusza. Przykładowo kod 1 może otrzymać etykietę „Tak”, a kod 2 — „Nie”. Etykieta wartości nie zmienia zapisanej odpowiedzi; ułatwia jedynie jej odczytanie w widoku danych i wynikach. Nie jest to więc ponowne kodowanie zmiennej.

Ustaw poziomy pomiaru i zapisz plik roboczy

W kolumnie Measure określ poziom pomiaru na podstawie znaczenia zmiennej, a nie tego, czy jej wartości zapisano cyframi:

  • Nominal — kategorie bez naturalnego uporządkowania, na przykład kierunek studiów. Numeryczne kody kategorii nie oznaczają wielkości.
  • Ordinal — kategorie uporządkowane, między którymi nie zakładamy równych odległości. Przykładem jest pojedyncza odpowiedź na pięciostopniowej skali zgody.
  • Scale — zmienne mierzone na poziomie przedziałowym lub ilorazowym, na przykład wiek w latach czy czas wykonania zadania w sekundach.

Sprawdź ustawienia przypisane automatycznie podczas importu. Wybór poziomu pomiaru pomaga SPSS obsługiwać zmienne w określonych procedurach i wykresach, ale sam w sobie nie przesądza o właściwej metodzie analizy.

Gotowy plik roboczy zapisz w formacie .sav, zachowując osobno niezmieniony plik źródłowy. Format SPSS przechowuje zarówno dane, jak i ich opisy, w tym etykiety wartości oraz poziomy pomiaru. Eksport do CSV nie zachowuje tych ustawień, dlatego nie powinien zastępować zapisu uporządkowanego zbioru w formacie programu.

3. Czyszczenie i walidacja danych: braki, wartości odstające i spójność odpowiedzi

Poprawnie zaimportowany plik nie musi zawierać poprawnych danych. Wiek równy 250 lat, kod „99” potraktowany jak odpowiedź na skali czy odpowiedzi sprzeczne z pytaniami filtrującymi mogą zniekształcić wyniki. Czyszczenie danych służy wykryciu takich problemów, a walidacja — sprawdzeniu, czy wartości spełniają reguły kwestionariusza i badania. Nie chodzi przy tym o usuwanie każdej nietypowej obserwacji.

Pracuj na kopii zbioru, zachowując niezmieniony plik źródłowy. Prowadź też rejestr korekt: identyfikator rekordu, wykryty problem, podjęta decyzja i jej uzasadnienie. Dzięki temu zmiany pozostaną możliwe do odtworzenia.

Sprawdź zakresy wartości i kompletność rekordów

Zacznij od prostych kontroli. W SPSS polecenie Analyze → Descriptive Statistics → Frequencies pozwala wyświetlić występujące wartości oraz ich liczebności. Na tym etapie wykorzystaj je do wychwycenia kodów spoza dopuszczalnego zakresu, a nie do interpretowania wyników badania. Jeśli pytanie przewiduje odpowiedzi od 1 do 5, sprawdzenia wymagają zarówno wartości 0 i 6, jak i nietypowe liczby dziesiętne.

Porównaj liczbę rekordów z dokumentacją zbierania danych i zweryfikuj powtarzające się identyfikatory. Powtórzony identyfikator nie zawsze oznacza duplikat — może być prawidłowy w badaniu z kilkoma pomiarami tej samej osoby. Rekordów nie usuwaj wyłącznie dlatego, że mają podobne odpowiedzi.

Rozróżnij braki danych i ustal sposób postępowania

W SPSS brak systemowy w zmiennej liczbowej jest zwykle widoczny jako kropka. Braki zdefiniowane przez użytkownika to natomiast konkretne kody, np. 99 lub 999, którym nadano znaczenie brakującej odpowiedzi. Sprawdź, czy zostały prawidłowo oznaczone — w przeciwnym razie program może uwzględnić je w obliczeniach jako zwykłe liczby.

Nie wszystkie braki mają to samo znaczenie. Pominięcie pytania, odmowa odpowiedzi oraz brak wynikający z reguły przejścia w ankiecie powinny pozostać rozróżnialne. Podobnie odpowiedź „nie wiem” może być albo istotną kategorią, albo brakiem danych, zależnie od celu pytania. Nie należy automatycznie zamieniać jej na środek skali.

Rodzaj problemuCo sprawdzić?Podstawowa zasada
Pojedyncze pominięte odpowiedziOdsetek braków w pytaniach i u poszczególnych respondentówNie odrzucaj całej ankiety bez ustalonego kryterium.
Braki wynikające z filtrowaniaCzy respondent powinien był zobaczyć dane pytanie?Nie traktuj poprawnego pominięcia jako błędu ani nie uzupełniaj go sztucznie.
Braki skupione w określonej grupieCzy ich występowanie wiąże się z dostępnymi cechami respondentów?Oceń ryzyko zniekształcenia wyników przy usuwaniu niekompletnych przypadków.

Sam niski odsetek braków nie przesądza, że można je bezpiecznie pominąć. Ważne jest również to, dlaczego powstały. Usuwanie całych przypadków ogranicza liczebność próby, a w niektórych sytuacjach może prowadzić do obciążonych wyników. Z kolei zastępowanie braków średnią nie jest uniwersalnym rozwiązaniem: sztucznie zmniejsza zróżnicowanie danych i może zmieniać zależności między zmiennymi. Sposób postępowania dobierz do charakteru braków oraz planowanej analizy.

Zweryfikuj wartości odstające, zamiast automatycznie je usuwać

Wartość odstająca wyraźnie różni się od pozostałych obserwacji, ale nie musi być błędna. Do wstępnego wyszukiwania takich przypadków można wykorzystać wykres pudełkowy dostępny w Analyze → Descriptive Statistics → Explore. Oznaczenie punktu na wykresie jest sygnałem do kontroli, nie zaleceniem usunięcia rekordu.

Najpierw sprawdź źródło danych i jednostkę pomiaru: nietypowy wynik może wynikać z przesuniętego przecinka, dodatkowego zera lub wpisania dochodu rocznego zamiast miesięcznego. Jeśli dokumentacja potwierdza pomyłkę, popraw ją. Gdy prawidłowej wartości nie da się ustalić, nie zgaduj. Obserwację rzadką, lecz wiarygodną, co do zasady zachowaj; jej znaczenie zależy od konkretnej analizy.

Sprawdź logiczną zgodność odpowiedzi

Ustal reguły kontroli wynikające bezpośrednio z kwestionariusza. Przykładowo liczba lat zatrudnienia nie powinna przekraczać wieku respondenta, a deklaracja niekorzystania z usługi wymaga sprawdzenia, jeśli ta sama osoba ocenia częstotliwość korzystania z niej. Takie rozbieżności mogą oznaczać błąd odpowiedzi, ale również niejasne sformułowanie pytania lub niesprawny mechanizm filtrowania.

Zwróć też uwagę na wyjątkowo krótki czas wypełnienia i identyczne odpowiedzi w długich blokach pytań, jeśli dysponujesz odpowiednimi informacjami. Pojedynczy sygnał nie dowodzi nierzetelności respondenta. Decyzję o wykluczeniu oprzyj na jawnych, najlepiej ustalonych przed analizą kryteriach oraz kilku przesłankach. Zapisz liczbę usuniętych rekordów i przyczyny wykluczeń — to część dokumentacji badania, a nie wyłącznie techniczny porządek w pliku.

💡 Pro tip: Zamiast od razu usuwać podejrzane rekordy, utwórz zmienne oznaczające wykryte problemy, np. sprzeczność z filtrem lub wartość poza zakresem. Pozwoli to odtworzyć decyzje i sprawdzić, czy wnioski zmieniają się po wykluczeniu przypadków zakwalifikowanych do dodatkowej kontroli.

4. Tworzenie i przekształcanie zmiennych w SPSS — RECODE, COMPUTE, indeksy i standaryzacja

Pojedyncze odpowiedzi z ankiety nie zawsze są zmiennymi, które bezpośrednio wykorzystasz w analizie. Czasem potrzebujesz wyniku całej skali, kategorii utworzonych na podstawie wartości liczbowych albo wskaźników wyrażonych we wspólnej jednostce. W SPSS służą do tego przede wszystkim polecenia RECODE i COMPUTE. Każde przekształcenie powinno wynikać z celu badania lub instrukcji narzędzia, a nie wyłącznie z wygody obsługi programu. W Cognity omawiamy tworzenie i przekształcanie zmiennych zarówno od strony technicznej, jak i praktycznej — zgodnie z realiami pracy uczestników.

RECODE czy COMPUTE — którą operację wybrać?

RECODE przypisuje dotychczasowym wartościom nowe wartości, natomiast COMPUTE oblicza wynik na podstawie formuły. Ta różnica pozwala szybko dobrać właściwe narzędzie.

OperacjaZastosowaniePrzykład
RECODEZmiana wartości lub łączenie ich w kategorieUtworzenie grup stażu pracy według progów przyjętych w projekcie badania
COMPUTEObliczenia z wykorzystaniem jednej lub kilku zmiennychWyliczenie średniego wyniku z pięciu pytań albo różnicy między dwoma pomiarami

W menu Transform dostępne są opcje Recode into Different Variables oraz Compute Variable. Przy rekodowaniu warto wybierać zapis do nowej zmiennej: zachowasz dane źródłowe i możliwość sprawdzenia, jak powstał wynik. Unikaj zastępowania zmiennej liczbowej kategoriami bez wyraźnego uzasadnienia. Podział wieku czy wyniku skali na kilka grup oznacza utratę części informacji.

Sumy i średnie skal — jak utworzyć wynik zbiorczy?

Jeżeli zgodnie z konstrukcją kwestionariusza kilka pytań tworzy jedną skalę, możesz połączyć odpowiedzi w wynik zbiorczy. Przed obliczeniem upewnij się, że wszystkie pozycje mają już właściwy kierunek punktacji. Sposób agregacji powinien być zgodny z instrukcją narzędzia; nie należy dowolnie zamieniać sumy na średnią, jeśli interpretacja wyników opiera się na określonym sposobie liczenia.

Dla pięciu pytań ocenianych od 1 do 5 suma kompletnych odpowiedzi mieści się w zakresie 5–25, a średnia pozostaje w zakresie 1–5. Przy jednakowej liczbie uwzględnionych pozycji oba wyniki różnią się jedynie skalą liczbową. Średnią łatwiej odnieść do pierwotnych kategorii odpowiedzi, ale nie oznacza to, że zawsze jest właściwszym wyborem.

W obliczeniach trzeba jawnie określić minimalną liczbę ważnych odpowiedzi. Sama funkcja MEAN może wyznaczyć wynik nawet na podstawie jednej dostępnej pozycji. Jeśli zasady stosowania skali dopuszczają obliczenie średniej przy co najmniej czterech odpowiedziach z pięciu, można użyć następującej składni:

COMPUTE wynik_sredni = MEAN.4(p1, p2, p3, p4, p5).
EXECUTE.

Przy mniej niż czterech ważnych odpowiedziach wynik pozostanie brakiem systemowym. Próg czterech pozycji jest tu wyłącznie przykładem, nie uniwersalną regułą. Analogicznie SUM.5(p1, p2, p3, p4, p5) obliczy sumę tylko dla kompletu pięciu odpowiedzi. To istotne, ponieważ zwykłe SUM pomija braki i może tworzyć sumy oparte na różnej liczbie pytań. Z kolei zapis p1 + p2 + p3 + p4 + p5 nie jest równoważny funkcji SUM pod względem obsługi braków systemowych.

Indeksy — kiedy prosta suma nie wystarcza?

Indeks może łączyć różne wskaźniki opisujące szersze zjawisko, niekoniecznie odpowiedzi mierzone identyczną skalą. Przed jego utworzeniem ustal kierunek interpretacji, sposób ujednolicenia jednostek oraz ewentualne wagi. Dodanie wartości z zakresów 0–10 i 0–100 bez przemyślanego przekształcenia może sprawić, że drugi składnik zdominuje wynik. Wagi również wymagają uzasadnienia — nie powinny być dobierane tylko po to, aby uzyskać oczekiwany rezultat.

Standaryzacja — wspólna jednostka dla różnych zmiennych

Standaryzacja do wyników z polega na odjęciu średniej od wartości zmiennej i podzieleniu różnicy przez jej odchylenie standardowe. Wynik z = 1 oznacza wartość o jedno odchylenie standardowe powyżej średniej grupy, względem której wykonano przekształcenie. W SPSS takie zmienne można zapisać przez Analyze → Descriptive Statistics → Descriptives, zaznaczając opcję zapisywania wartości standaryzowanych.

To rozwiązanie bywa przydatne przy zestawianiu wskaźników o różnych jednostkach, ale nie zmienia kształtu rozkładu na normalny i nie uzasadnia automatycznie łączenia zmiennych w indeks. Wyniki z zależą też od zbioru odniesienia: standaryzacja wykonana osobno w każdej grupie usunie różnice ich średnich w tak przekształconych zmiennych.

Zapisuj formuły w składni SPSS i nadawaj nowym zmiennym nazwy wskazujące sposób obliczenia. Po wykonaniu operacji sprawdź kilka przypadków ręcznie oraz dopuszczalny zakres wyniku. Dzięki temu zachowasz przejrzystą ścieżkę od odpowiedzi źródłowych do zmiennych wykorzystywanych w badaniu.

5. Analiza rzetelności i jakości skali — alfa Cronbacha, analiza pozycji i decyzje o usuwaniu itemów

Zanim wykorzystasz łączny wynik skali w analizach, sprawdź, czy jej pozycje tworzą spójny zestaw. Analiza rzetelności ma sens w odniesieniu do pytań, które zgodnie z założeniami mają mierzyć ten sam konstrukt, na przykład satysfakcję z pracy. Nie należy obliczać jednej alfy dla całego kwestionariusza, jeśli obejmuje on niezależne obszary, pytania metryczkowe i różne rodzaje ocen. W narzędziu wielowymiarowym zwykle analizuje się osobno każdą podskalę, zgodnie z jej uzasadnieniem teoretycznym.

Co mówi alfa Cronbacha, a czego nie potwierdza?

Alfa Cronbacha jest wskaźnikiem spójności wewnętrznej: opisuje, na ile odpowiedzi na poszczególne pozycje są ze sobą powiązane. Jej wartość zależy zarówno od zależności między pytaniami, jak i od liczby pozycji. Dłuższa skala może więc osiągnąć wyższą alfę bez wyraźnej poprawy jakości poszczególnych pytań.

Wartość około 0,70 bywa przyjmowana jako orientacyjny punkt odniesienia w badaniach grupowych, ale nie jest uniwersalnym progiem akceptacji. Ocena zależy od celu pomiaru, etapu rozwoju narzędzia i konsekwencji podejmowanych decyzji. Bardzo wysoki wynik, na przykład powyżej 0,95, może sugerować nadmierne podobieństwo pytań — nie oznacza automatycznie doskonałej skali.

Wysoka alfa nie dowodzi też jednowymiarowości ani trafności. Skala może dawać spójne odpowiedzi, a mimo to nie mierzyć właściwego konstruktu. Ocena struktury skali wymaga odrębnych metod, takich jak analiza czynnikowa. Interpretacja alfy jako oszacowania rzetelności opiera się ponadto na założeniach dotyczących modelu pomiarowego, między innymi zbliżonego wkładu pozycji w mierzony konstrukt i nieskorelowanych błędów pomiaru. Gdy założenia te są wątpliwe, warto rozważyć dodatkowy wskaźnik, na przykład omegę McDonalda.

Jak przeprowadzić analizę rzetelności w SPSS?

Do analizy wybierz przygotowane wcześniej pozycje jednej skali. Pytania odwrócone muszą już mieć kierunek punktacji zgodny z pozostałymi; w przeciwnym razie wyniki mogą sugerować problem, który wynika jedynie z kodowania.

  1. Otwórz Analiza → Skala → Analiza rzetelności (Analyze → Scale → Reliability Analysis).
  2. Przenieś pytania wybranej skali do pola pozycji i ustaw model Alfa (Alpha).
  3. W oknie statystyk zaznacz statystyki opisowe pozycji i skali, opcję skala po usunięciu pozycji (Scale if item deleted) oraz korelacje między pozycjami.
  4. Po uruchomieniu analizy sprawdź liczbę uwzględnionych przypadków, wartość alfy i tabelę statystyk pozycji względem skali (Item-Total Statistics).

Liczba analizowanych osób może być mniejsza niż liczebność całej próby ze względu na braki odpowiedzi. Uwzględnij to przy interpretacji: współczynnik dotyczy danych faktycznie wykorzystanych w obliczeniach, a nie automatycznie wszystkich respondentów.

Jak czytać wyniki analizy pozycji?

WskaźnikCo pokazuje?Na co zwrócić uwagę?
Skorygowana korelacja pozycji z wynikiem skaliZwiązek pytania z sumą pozostałych pozycji, bez uwzględniania go w tej sumie.Wartość poniżej około 0,30 jest sygnałem do przeglądu pytania, nie automatyczną podstawą jego usunięcia. Korelacja ujemna wymaga szczególnej uwagi.
Alfa po usunięciu pozycjiWartość alfy dla skali bez danego pytania.Porównaj ją z alfą pełnego zestawu. Niewielki wzrost sam w sobie nie uzasadnia skracania skali.
Korelacje między pozycjamiSiłę i kierunek zależności między parami pytań.Słabe związki mogą wskazywać na różne treści pomiarowe, a bardzo silne — na powielanie pytań.

Kiedy usunąć pytanie ze skali?

Usuwanie pozycji powinno wynikać z połączenia przesłanek statystycznych i merytorycznych. Jeżeli pytanie słabo koreluje z pozostałymi, najpierw oceń poprawność jego punktacji, zrozumiałość sformułowania oraz zgodność z definicją mierzonej cechy. Pozycja może dotyczyć ważnego aspektu konstruktu, którego inne pytania nie obejmują. Jej usunięcie podniesie wtedy spójność, ale zawęzi zakres pomiaru.

Przykładowo, wzrost alfy z 0,78 do 0,79 po usunięciu pytania nie jest przekonującym argumentem, jeśli pytanie wnosi istotną treść. W przypadku narzędzia standaryzowanego ingerencja w zestaw pozycji może dodatkowo ograniczyć porównywalność z wcześniejszymi badaniami oraz możliwość stosowania oryginalnych norm.

Unikaj wielokrotnego usuwania pytań wyłącznie po to, aby maksymalizować alfę w jednej próbie. Tak zmodyfikowana skala może wypaść gorzej w nowych danych. Jeżeli wprowadzasz zmiany, udokumentuj ich uzasadnienie i, gdy to możliwe, sprawdź zmienioną wersję na niezależnej próbie.

W opisie wyników podaj nazwę skali lub podskali, liczbę pozycji, liczebność analizowanej próby i uzyskaną alfę. Wskaż również ewentualne wykluczenia pytań oraz ich przyczyny. Rzetelność oceniaj jako właściwość wyników uzyskanych w określonych warunkach badania, a nie jako niezmienną cechę kwestionariusza.

💡 Pro tip: Porównując rzetelność pełnej i skróconej skali, wykonaj obie analizy na tym samym zestawie respondentów. Jeśli usuwana pozycja zawierała braki odpowiedzi, ponowne obliczenie alfy może objąć więcej osób, a zmiana wyniku będzie wtedy odzwierciedlać nie tylko skrócenie skali, lecz także zmianę próby.

6. Statystyki opisowe i eksploracja danych w SPSS — rozkłady, normalność, tabele i podstawowe wnioski

Statystyki opisowe pokazują, jakie odpowiedzi uzyskano w badaniu: które dominują, jak bardzo różnią się wyniki respondentów i czy średnia dobrze reprezentuje badaną grupę. Na tym etapie nie rozstrzygasz jeszcze, czy zależności są istotne statystycznie. Najpierw ustalasz, co rzeczywiście widać w danych i jak rzetelnie to przedstawić.

Dobierz statystyki do rodzaju zmiennej

Nie każdą zmienną warto opisywać średnią. Liczbowe kody kategorii, np. oznaczenia miejsca zamieszkania, nie są wielkościami, które można sensownie uśredniać. Wybór miar powinien wynikać ze znaczenia odpowiedzi, a przy zmiennych ilościowych także z kształtu rozkładu.

Rodzaj danychPodstawowy opisPrzydatny wykres
Kategorie nominalne, np. forma zatrudnieniaLiczebności i odsetki poszczególnych kategoriiWykres słupkowy
Odpowiedzi uporządkowane, np. pojedyncza pozycja LikertaLiczebności, odsetki, mediana i kwartyleWykres słupkowy z zachowaniem kolejności odpowiedzi
Zmienne ilościowe o w przybliżeniu symetrycznym rozkładzieŚrednia i odchylenie standardowe; pomocniczo minimum i maksimumHistogram oraz wykres pudełkowy
Zmienne ilościowe o wyraźnie asymetrycznym rozkładzieMediana i kwartyle lub rozstęp międzykwartylowy (IQR)Histogram oraz wykres pudełkowy

Średnia informuje o przeciętnym wyniku, ale jest wrażliwa na wartości skrajne. Mediana wskazuje środek uporządkowanego zbioru i zwykle lepiej oddaje typowy wynik przy silnej asymetrii. Odchylenie standardowe opisuje zróżnicowanie obserwacji, a nie precyzję oszacowania średniej — nie należy go utożsamiać z błędem standardowym.

Wynik wielopozycyjnej skali bywa opisywany średnią i odchyleniem standardowym, jeśli uzasadniają to sposób interpretacji skali oraz przyjęte podejście analityczne. Nie oznacza to jednak, że identycznie należy traktować każdą pojedynczą odpowiedź na skali porządkowej.

Wykonaj podstawowy opis w SPSS

Do pierwszego przeglądu danych wystarczą trzy procedury dostępne w menu Analyze → Descriptive Statistics (Analiza → Statystyki opisowe). Angielskie nazwy ułatwiają odnalezienie poleceń niezależnie od tłumaczenia interfejsu.

  • Frequencies — Częstości: wybierz dla pytań z kategoriami odpowiedzi. Otrzymasz liczebności i odsetki, a opcjonalnie także wykresy słupkowe. Dla zmiennych z wieloma różnymi wartościami pełna tabela częstości zwykle jest mało czytelna.
  • Descriptives — Statystyki opisowe: wykorzystaj do szybkiego zestawienia średnich, odchyleń standardowych oraz wartości minimalnych i maksymalnych dla kilku zmiennych ilościowych.
  • Explore — Eksploracja: wybierz, gdy potrzebujesz dokładniej obejrzeć rozkład, uzyskać medianę i kwartyle, przedziały ufności dla średniej oraz wykresy i testy normalności.

W oknie Explore przenieś analizowane zmienne do pola Dependent List. Jeśli chcesz obejrzeć je osobno w określonych grupach, umieść zmienną grupującą w Factor List. W ustawieniach Plots zaznacz histogram oraz opcję Normality plots with tests. Takie zestawienie pozwala ocenić nie tylko poziom wyników, lecz także ich rozproszenie i kształt rozkładu w każdej grupie.

Oceń rozkład, zanim zinterpretujesz średnią

Na histogramie sprawdź, czy wyniki układają się w przybliżeniu symetrycznie, czy tworzą długi ogon po jednej stronie. Zwróć również uwagę na kilka wyraźnych skupień oraz nagromadzenie odpowiedzi przy dolnej lub górnej granicy skali. Takie nagromadzenie może wskazywać na efekt podłogowy lub sufitowy: skala słabo różnicuje osoby o odpowiednio niskim lub wysokim poziomie badanej cechy.

Wykres pudełkowy ułatwia porównanie median i rozproszenia wyników między grupami. Sama różnica średnich może być myląca, jeśli w jednej grupie odpowiedzi są do siebie podobne, a w drugiej silnie zróżnicowane. Na etapie eksploracji opisuj te różnice jako zaobserwowane w próbie, bez przypisywania im istotności statystycznej.

Sprawdź normalność bez automatycznych decyzji

Wynik testu Shapiro–Wilka należy czytać razem z histogramem i wykresem Q–Q. W teście hipoteza zerowa zakłada rozkład normalny. Wartość p poniżej przyjętego progu, np. 0,05, przemawia przeciwko tej hipotezie. Wynik nieistotny nie dowodzi jednak normalności rozkładu.

Przy dużych próbach test może wykrywać niewielkie, praktycznie mało istotne odchylenia, a przy małych — nie ujawniać wyraźnych odstępstw. Na wykresie Q–Q oceń więc, jak mocno punkty odbiegają od linii odniesienia i czy odstępstwa mają systematyczny charakter. Nie traktuj pojedynczej wartości p jako automatycznej instrukcji wyboru metody analizy. W zależności od planowanej metody założenie normalności może dotyczyć rozkładu w grupach lub reszt modelu, a nie wszystkich obserwacji połączonych w jeden zbiór.

Przygotuj czytelną tabelę i ostrożne wnioski

Do raportu wybierz najważniejsze wyniki zamiast kopiować cały wydruk z SPSS. Dla zmiennych ilościowych podaj nazwę zmiennej, liczbę analizowanych obserwacji (N) oraz odpowiednie miary położenia i rozproszenia. Dla kategorii przedstaw liczebności i odsetki. Zachowaj spójną, uzasadnioną dokładność zaokrągleń.

W tabelach częstości rozróżniaj Percent od Valid Percent. Pierwszy odsetek odnosi się do wszystkich przypadków, drugi do przypadków z ważną odpowiedzią, po wyłączeniu braków rozpoznawanych przez SPSS. W opisie zawsze powinno być jasne, jaka liczebność stanowi podstawę procentowania.

Wnioski formułuj na poziomie, który uzasadnia opis danych: „najczęściej wybierano odpowiedź…”, „wyniki były bardziej zróżnicowane w grupie…” lub „rozkład był prawostronnie asymetryczny”. Stwierdzenia o przyczynach, istotności różnic czy prawidłowościach w całej populacji wykraczają poza samą analizę opisową.

7. Analizy wnioskowania statystycznego — porównania między grupami, korelacje i regresja

Metodę analizy wybieraj na podstawie pytania badawczego, rodzaju zmiennych i schematu badania. Innego podejścia wymaga porównanie satysfakcji dwóch grup respondentów, innego sprawdzenie związku między stresem a jakością snu, a jeszcze innego ocena kilku czynników powiązanych z zamiarem rezygnacji z pracy. Sam fakt, że SPSS pozwala wykonać dany test, nie oznacza, że odpowiada on celowi badania.

Porównania między grupami: czy wyniki się różnią?

Najpierw ustal, czy porównujesz niezależne grupy, czy pomiary powiązane. Odpowiedzi osób z dwóch różnych działów zwykle traktuje się jako niezależne. Wyniki tych samych uczestników przed interwencją i po niej są natomiast zależne — analiza musi uwzględniać to powiązanie.

  • Dwie niezależne grupy i wynik ilościowy: rozważ test t dla prób niezależnych. Przy nierównych wariancjach odpowiednim rozwiązaniem może być wariant Welcha.
  • Dwa pomiary u tych samych osób: zastosowanie może mieć test t dla prób zależnych. Założenie normalności dotyczy tu rozkładu różnic między pomiarami, a nie każdego pomiaru osobno.
  • Trzy lub więcej niezależnych grup: rozważ jednoczynnikową analizę wariancji, a przy nierównych wariancjach — analizę Welcha. Istotny wynik ogólny nie wskazuje jeszcze, które grupy się różnią; do tego służą odpowiednio dobrane porównania post hoc.
  • Zmienne kategorialne: do oceny związku między kategoriami, np. grupą respondentów a wyborem odpowiedzi „tak” lub „nie”, wykorzystuje się test niezależności chi-kwadrat. Przy zbyt małych liczebnościach oczekiwanych potrzebna może być metoda dokładna, np. test Fishera dla tabeli 2 × 2.

Dla danych porządkowych lub sytuacji, w których metody parametryczne są nieadekwatne, rozważ testy rangowe: U Manna–Whitneya, Wilcoxona albo Kruskala–Wallisa. Nie traktuj ich jednak automatycznie jako testów różnic median — taka interpretacja wymaga dodatkowych założeń dotyczących kształtu rozkładów. W SPSS podstawowe porównania średnich znajdziesz w menu Analyze → Compare Means, a testy nieparametryczne w Analyze → Nonparametric Tests; nazwy mogą zależeć od wersji językowej programu.

Korelacje: czy zmienne są ze sobą związane?

Korelacja pozwala określić kierunek i siłę związku dwóch zmiennych. Współczynnik Pearsona opisuje związek liniowy między zmiennymi ilościowymi. Korelacja Spearmana, oparta na rangach, sprawdza się m.in. przy danych porządkowych i związkach monotonicznych, które nie muszą być liniowe. Nie wybieraj współczynnika wyłącznie na podstawie wyniku testu normalności — znaczenie mają również charakter pomiaru, kształt zależności i obserwacje wpływowe.

W SPSS przejdź do Analyze → Correlate → Bivariate. Interpretuj znak oraz wielkość współczynnika, a nie tylko jego istotność. Korelacja nie dowodzi przyczynowości: związek stresu z jakością snu nie rozstrzyga, która zmienna wpływa na drugą ani czy zależność nie wynika z dodatkowego czynnika.

Regresja: jak uwzględnić kilka czynników jednocześnie?

Regresja umożliwia ocenę związku wyniku z wybranym predyktorem przy uwzględnieniu innych zmiennych w modelu. Gdy zmienna zależna jest ilościowa, punktem wyjścia może być regresja liniowa. Dla wyniku dwukategorialnego, np. „rezygnacja: tak/nie”, stosuje się regresję logistyczną. W SPSS obie procedury znajdziesz w menu Analyze → Regression.

Predyktory dobieraj na podstawie hipotez i wiedzy o badanym zjawisku, nie tylko ich wcześniejszej istotności statystycznej. Interpretacja wymaga sprawdzenia założeń właściwych dla modelu, współliniowości predyktorów oraz dopasowania. W regresji logistycznej iloraz szans nie jest tym samym co iloraz prawdopodobieństw. Samo uwzględnienie dodatkowych zmiennych również nie uprawnia do wnioskowania o przyczynach.

Jak raportować i interpretować wyniki?

Podawaj zastosowaną metodę, liczebność analizowanej próby, oszacowanie efektu, przedział ufności oraz wartość p. Dla porównań grup warto przedstawić różnicę średnich i odpowiednią miarę wielkości efektu; dla korelacji — współczynnik; dla regresji — współczynniki modelu i miary jego dopasowania.

Istotność statystyczna nie oznacza znaczenia praktycznego, a wynik nieistotny nie dowodzi braku efektu. Przy wielu testach uwzględnij problem wielokrotnych porównań i odróżniaj analizy zaplanowane od eksploracyjnych. Zakres uogólnień uzależnij od sposobu doboru próby i konstrukcji badania — nawet poprawnie wykonany test nie zapewnia reprezentatywności ankiety.

💡 Pro tip: Przed analizą ustal, jaka wielkość różnicy lub związku miałaby znaczenie praktyczne w Twoim badaniu, i odnieś do niej oszacowany efekt oraz jego przedział ufności. Jeśli przedział obejmuje zarówno efekty pomijalne, jak i istotne praktycznie, dane nie pozwalają jeszcze na jednoznaczną ocenę znaczenia wyniku — niezależnie od wartości p.

8. Wizualizacje, eksport wyników i dokumentowanie analizy w SPSS

Wynik widoczny w oknie wyników SPSS nie jest jeszcze gotowym materiałem do pracy dyplomowej. Raport powinien pokazywać, co ustalono w odniesieniu do pytań badawczych, a dokumentacja — pozwalać odtworzyć drogę od danych do wniosków. Warto więc rozdzielić trzy zadania: wybór wyników do prezentacji, ich czytelne opracowanie oraz zachowanie zapisu wykonanych analiz.

Tabela czy wykres — jak dobrać formę prezentacji?

Tabela służy przede wszystkim do przedstawiania dokładnych wartości, a wykres do uwidaczniania wzorców i różnic. Tabelę wybierz wtedy, gdy czytelnik potrzebuje porównać konkretne liczebności, oszacowania lub przedziały ufności. Wykres będzie przydatniejszy, gdy chcesz pokazać rozkład odpowiedzi, relację między zmiennymi albo wielkość różnic między grupami. Nie prezentuj automatycznie tych samych danych w obu formach — każda powinna wnosić coś użytecznego.

W badaniach ankietowych wykres słupkowy dobrze pokazuje częstości odpowiedzi, histogram — rozkład zmiennej ilościowej, a wykres rozrzutu — zależność między dwiema zmiennymi ilościowymi. Przy prezentowaniu oszacowań dla grup przydatne bywają wykresy punktowe z przedziałami ufności. Jeśli stosujesz słupki błędów, wyjaśnij w podpisie, czy oznaczają przedziały ufności, odchylenia standardowe czy błędy standardowe.

Wykresy można przygotować w kreatorze wykresów SPSS, a następnie dopracować w edytorze. Zastąp techniczne nazwy zmiennych zrozumiałymi etykietami, opisz jednostki i zachowaj logiczną kolejność kategorii odpowiedzi. Unikaj efektów trójwymiarowych oraz nadmiaru kolorów. Na wykresach słupkowych oś wartości powinna zaczynać się od zera, ponieważ długość słupka koduje wielkość. Nie polegaj wyłącznie na kolorze — wykres musi pozostać czytelny także po wydrukowaniu w odcieniach szarości.

Eksport wyników do pracy dyplomowej

W oknie wyników SPSS, czyli Output Viewer, zaznacz potrzebne obiekty i skorzystaj z funkcji eksportu. Przed zapisaniem sprawdź, czy eksportujesz zaznaczone elementy, czy całą zawartość okna. Dokument Word ułatwia dalszą redakcję, Excel może służyć do opracowania tabel, a PDF zachowuje układ materiału przeznaczonego do przeglądu. Dostępne formaty zależą od wersji programu i rodzaju eksportowanego obiektu.

Nie przenoś do pracy całego wydruku z SPSS. Wybierz wyniki istotne dla pytań badawczych, usuń zbędne elementy techniczne i dostosuj nazewnictwo do tekstu. Ujednolić należy również liczbę miejsc po przecinku, zapis symboli statystycznych oraz numerację tabel i rysunków. Zachowaj przy tym informacje potrzebne do interpretacji: liczebność analizowanej próby, jednostki, definicje skrótów i objaśnienia prezentowanych miar.

Po eksporcie sprawdź szerokość tabel, kompletność nagłówków i czytelność wykresów w docelowym rozmiarze. Zrzut ekranu zwykle sprawdza się gorzej niż eksport: utrudnia edycję i może pogarszać jakość wydruku. W tekście raportu objaśnij najważniejszy wynik, zamiast przepisywać wszystkie liczby z tabeli. Zapis SPSS „0,000” dla wartości p nie oznacza prawdopodobieństwa równego zeru — przy raportowaniu do trzech miejsc po przecinku należy użyć zapisu p < 0,001.

W Cognity łączymy teorię z praktyką — dlatego zagadnienia czytelnej prezentacji wyników rozwijamy także w formie ćwiczeń na szkoleniach.

Dokumentacja, która pozwala odtworzyć analizę

Zachowaj oddzielnie dane źródłowe, plik danych wykorzystany w analizie, składnię poleceń oraz plik wyników. Plik .sav przechowuje dane i ich definicje, .sps — zapis poleceń, a .spv — wyniki. Sam plik wyników nie zastępuje dokumentacji procedury. W wielu oknach dialogowych przycisk Paste pozwala wkleić polecenia do edytora składni zamiast uruchamiać je bez zapisu.

Prowadź krótki dziennik decyzji: zapisuj datę, zakres zmiany i jej uzasadnienie. Odnotuj również wersję SPSS oraz użycie dodatkowych modułów, jeśli były potrzebne. Stosuj jednoznaczne nazwy plików i kontrolę wersji, aby było wiadomo, z którego zbioru powstały wyniki zamieszczone w pracy. Dokumentacja udostępniana promotorowi lub współpracownikom nie powinna ujawniać danych identyfikujących respondentów.

Plan analizy i checklista przed oddaniem pracy

Plan analizy najlepiej przygotować przed poznaniem wyników. Powinien łączyć każde pytanie badawcze z analizowanymi zmiennymi, zaplanowaną metodą oraz sposobem przedstawienia rezultatu. Wskaż analizy główne i dodatkowe, a późniejsze odstępstwa od planu opisz z uzasadnieniem. Dzięki temu łatwiej odróżnić weryfikację wcześniej postawionych hipotez od eksploracji danych.

  • Czy każde pytanie badawcze ma odpowiedź w raporcie, również gdy wynik nie potwierdził hipotezy?
  • Czy tabele i wykresy mają samodzielnie zrozumiałe tytuły, podpisy oraz objaśnienia?
  • Czy liczebności, wartości i oznaczenia są zgodne w tekście oraz materiałach graficznych?
  • Czy zachowano dane, składnię i wyniki pozwalające odtworzyć analizę?
  • Czy opisano odstępstwa od planu i zabezpieczono poufność danych?
  • Czy format raportu odpowiada wymaganiom uczelni i przyjętemu standardowi redakcyjnemu?

Najczęściej zadawane pytania i odpowiedzi odnośnie Analiza ankiet i badań naukowych w SPSS – praktyczny poradnik krok po kroku.

Jak przygotować dane z Excela do analizy ankiety w SPSS?

Plik Excel przygotuj tak, aby jeden wiersz odpowiadał respondentowi, a jedna kolumna — jednej zmiennej. Pierwszy wiersz powinien zawierać krótkie, jednoznaczne nazwy zmiennych. Przed importem:

  • usuń scalone komórki oraz podsumowania z zakresu danych;
  • sprawdź spójność zapisu liczb, dat i odpowiedzi tekstowych;
  • wybierz właściwy arkusz i zakres komórek.

Po imporcie porównaj liczbę rekordów ze źródłem oraz zweryfikuj typy zmiennych i etykiety odpowiedzi.

Czy odpowiedzi na skali Likerta można analizować za pomocą średniej?

Średnia bywa uzasadniona dla wyniku wielopozycyjnej skali, ale nie należy automatycznie stosować jej do pojedynczej odpowiedzi typu Likerta. Pojedyncza pozycja ma charakter porządkowy: przypisanie kodów liczbowych nie gwarantuje równych odległości między kategoriami. Takie odpowiedzi opisuj przede wszystkim liczebnościami, odsetkami, medianą i kwartylami. Przy wyniku zbiorczym kieruj się instrukcją kwestionariusza, sposobem interpretacji skali oraz przyjętym podejściem analitycznym.

Co zrobić z niepełnymi ankietami podczas analizy w SPSS?

Nie odrzucaj niepełnej ankiety automatycznie — najpierw sprawdź zakres i przyczyny brakujących odpowiedzi. Rozróżnij pominięcia pytań, odmowy odpowiedzi oraz braki wynikające z filtrowania. Zweryfikuj również, czy kody braków są prawidłowo zdefiniowane w SPSS. Usuwanie całych przypadków może ograniczać próbę i zniekształcać wyniki, a zastępowanie braków średnią zmniejsza zróżnicowanie danych. Sposób postępowania dopasuj do planowanej analizy i udokumentuj przyjęte zasady.

Jak odwrócić punktację pytań w SPSS przed obliczeniem wyniku skali?

Punktację pytań odwróconych możesz zmienić poleceniem RECODE, najlepiej zapisując wynik w nowych zmiennych. Dla odpowiedzi od 1 do 5 zamień 1 na 5, 2 na 4, 4 na 2 i 5 na 1; wartość 3 pozostaje bez zmian. Kieruj się kluczem kwestionariusza, nie samą obecnością przeczenia. Przed obliczeniem wyniku skali sprawdź, czy wyższe wartości wszystkich pozycji oznaczają ten sam kierunek mierzonej cechy.

Czy wysoka alfa Cronbacha oznacza, że kwestionariusz jest poprawny?

Wysoka alfa Cronbacha nie potwierdza ani trafności kwestionariusza, ani jednowymiarowości skali. Współczynnik opisuje spójność wewnętrzną zestawu pozycji, a jego wartość zależy także od liczby pytań. Bardzo wysoka alfa może wskazywać na powtarzalność treści. Oceniaj ją razem z korelacjami pozycji i uzasadnieniem teoretycznym skali. Nie usuwaj pytań wyłącznie po to, aby zwiększyć współczynnik, ponieważ możesz zawęzić zakres mierzonej cechy.

Jak dobrać test statystyczny do wyników ankiety w SPSS?

Test statystyczny dobierz do pytania badawczego, rodzaju zmiennych i schematu badania. Najpierw ustal, czy oceniasz różnice między grupami, czy zależność między zmiennymi:

  • dla dwóch niezależnych grup i wyniku ilościowego rozważ test t;
  • dla dwóch pomiarów tych samych osób — test t dla prób zależnych;
  • dla związku zmiennych kategorialnych — test chi-kwadrat.

Sprawdź założenia wybranej metody. Sam wynik testu normalności nie wystarcza do podjęcia decyzji.

Czy nieistotny statystycznie wynik oznacza, że hipoteza badawcza jest błędna?

Wynik nieistotny statystycznie nie dowodzi braku efektu ani nie rozstrzyga automatycznie o błędności hipotezy badawczej. Interpretuj wartość p razem z oszacowaniem efektu i przedziałem ufności. Jeśli przedział obejmuje zarówno efekty pomijalne, jak i ważne praktycznie, wynik pozostaje niejednoznaczny. W raporcie przedstaw także analizy, które nie potwierdziły oczekiwań, zamiast ograniczać opis do rezultatów istotnych statystycznie.

Jakie pliki SPSS zachować, aby można było odtworzyć analizę do pracy dyplomowej?

Zachowaj dane źródłowe, analizowany zbiór .sav, składnię .sps oraz wyniki .spv. Sam plik wyników nie pokazuje pełnej drogi od odpowiedzi respondentów do wniosków. Składnię możesz zapisywać przyciskiem Paste dostępnym w wielu oknach dialogowych. Dołącz dziennik korekt i decyzji analitycznych, odnotuj wersję programu oraz stosuj jednoznaczne nazwy plików. Przed udostępnieniem dokumentacji usuń informacje pozwalające zidentyfikować respondentów.

icon

Formularz kontaktowyContact form

Imię *Name
NazwiskoSurname
Adres e-mail *E-mail address
Telefon *Phone number
UwagiComments