Spss sessies
Sessie 1
Scale score: De scale score is de gemiddelde prestatie van groep studenten op een opdracht. Je
berekend dit door all individuele student scores op te tellen en deze te delen door het totale aantal
scores. De sccale score gebruik je vooral om gedrag en houdingen te meten. Voor prestatie testen
gebruik je vaak de SUM functie.
SPSS: Gebruikt de functie MEAN.N om de scale score te berekenen voor een test die gedrag
of houdingen. De ‘.N’ geeft het aantal observaties wat minimaal nodig is om een scale score
te berekenen. MEAN.8 betekent bv. dat een participant tenminste 8 antwoorden moet
hebben voordat de scale score berekent kan worden. Als een participant dus minder dan 8
antwoorden heeft, wordt de scale score niet berekend voor de participant.
Om de scale score geen decimalen te geven doe je het x het aantal items. Je krijgt dan dus
MEAN.20*30. Voor kinderen die echter niet 30 items hebben ingevuld krijg je dan alsnog decimalen,
daarom gebruik je vaak RND om het gemiddelde af te ronden.
Je vult bij Transform Compute variable dus in Rnd(MEAN.22(bva01 to bva26)*26)
aangezien je vraag 1 tot 26 wil.
Bar chart: Ga naar Graphs Legacy dialogs Bar. Aangezien de bar chart voor jongens en meisjes
is vul je bij category axis Gender in. Klik bij ‘Bars represent’ other statistic aan zodat je het
gemiddelde krijgt. Laat de ‘Data in chart are’ op Summaries for groups of cases staan.
Z-score: Stel je wil de Z-scores van de Scale scores. Ga naar Analyze Descriptive statistics
Descriptives. Vul hier de variabele van de Scale scores in en vink het vakje met ‘Save standardized
values as variables’ aan. Je ziet nu in de Data view de Z-scores van de Scale scores.
T-score: Om vervolgens de T-score te berekenen voor het verschil in gemiddelde tussen jongens en
meisjes ga je een independent-samples t-test uitvoeren. Ga naar Analyze Compare Means
Independent-samples t-test. Vul als test variabele de Z-scores in en als grouping variabele Gender
(bedenk welk getal de jongens weergeeft en welk getal de meisjes, dus bv. 0 en 1).
Denk aan de Levene test, als deze significant is zijn de varianties dus niet gelijk.
De t-test kan je uitvoeren met de Z-scores of met de Scale scores, je zal dezelfde t-waarde krijgen
aangezien de Z-scores eigenlijk hetzelfde weergeven als de ruwe Scale scores.
Waarschijnlijkheid: Stel je wil weten wat de waarschijnlijkheid is dat een kind een score van 20 of
lager heeft waarbij je aanneemt dat het een normale verdeling is. Je gebruikt CDF.normal. Ga naar
Transform Compute variable en vul in CDF.NORMAL (Zscalescore,0,1). De 0 en de 1 staan voor het
gemiddelde van de Z-score van 0 en de 1 voor de standaarddeviatie van de Z-score. Vervolgens wordt
er een nieuwe variabele weergeven in data view namelijk “p_value” (dit heb je zelf ingevuld). Ga
vervolgens kijken welke waarschijnlijkheid bij een Scale score van 20 staat.
Normaal verdeling checken: Ga naar Analyze Descriptive statistic Explore. Vul in de
‘Dependent list’ de scalescore in. Ga vervolgens naar Plots om de histogram en de Normality plots
with tests aan te vinken. Door Normality plots with tests aan te vinken zullen de ‘Test of normality’
van Kolmogorov-Smirnov en de Q-Q plots ook weergegeven worden.
- Skewness en Kurtosis: Deel deze waardes door hun eigen standaard error. De waarde die je
krijgt moet tussen de -1.96 en 1.96 liggen om te kunnen concluderen dat de distributie
ongeveer normaal verdeeld is. De Skewness geeft dus aan hoe scheef hij is en de Kurtosis
hoe plat. Een Kurtosis groter dan 1.96 geeft aan dat de distributie platter dan normaal is.
- Kolmogorov-Smirnov: Als de significantie kleiner dan 0.05 is betekent dit dat de distributie
niet normaal verdeeld is. Deze test is echter enorm conservatief dus zegt dit al snel.
- Histogram: Je kan bijvoorbeeld bimodaliteit zien, check of de distributie normaal is.
- Q-Q plot: Als de data normaal verdeeld is liggen de punten op één lijn.
, Percentielen: Ga naar Transform Rank cases. Vul de Scale score bij de variabele in en vink bij ‘Rank
types’ fractional rank as % aan. Ga vervolgens naar een Scale score van 20 en kijk welk percentiel
daarbij past.
Je gebruikt de percentielen als je het wil berekenen voor jouw data. Je gebruikt de p-waarde
als je wil kijken naar de hele populatie waarbij je aanneemt dat deze normaal verdeeld is. De
p-waarde en percentielen zullen dus vaak ook niet gelijk zijn aangezien de percentielen niet
normaal verdeeld zijn meestal.
Welke Scale score hoort bij percentiel 85?: Ga naar Analyze Descriptive Statistics Explore. Vul
bij de dependent list de Scale score in en bij ‘Statistics’ Vink je percentielen aan. Aangezien percentiel
85 niet in de data staat klik je op ‘Paste’. Hier staat (5, 10, 25, 50, 75, 90, 95), vul hier in Percentiles
(85) en klik op ‘Run’. De output geeft vervolgens aan welke score bij een percentiel van 85 hoort.
Genormaliseerde, afgeronde score met gem. 20 en STD 5: Ga naar Transform Rank cases. Vul de
variabele Scale score in en vink bij ‘Rank types’ Rankit aan (let hierbij op dat Normal scores ook
aangevinkt staat). In de data view krijg je nu een Normale scores variabele te zien. Ga vervolgens
naar Transform Compute variable en vul in Rnd (Nscalesc*5+20). Je hebt nu dus twee nieuwe
variabelen, de Nscalesc die je gemaakt hebt bij rank cases en de ‘Norm’ met een nieuw gemiddelde
en standaarddeviatie die je bij compute variable gemaakt hebt.
Gemiddelde van genormaliseerde scores vergelijken voor item 1: Hierbij wordt er ook gevraagd om
de Eta square. Ga naar Analyze General linear model Univariate. Vul bij dependent variable de
normale scores ‘norm’ in en bij fixed factors item 1 aangezien we hiervan het gemiddelde willen
berekenen. Om de eta square ook te krijgen klik je op ‘Options’ en vink je Estimates of effect size aan.
Stel de effect size is .4 betekent dat dat 40% van de variantie in de genormaliseerde scores
verklaart kan worden door verschillende categorieën bij item 1. Dit is een groot effect.
Verdeel in vier groepen van best naar slechtst: Gebruik de percentiel scores die je al hebt. Ga naar
Transform Recode Recode into different variables. Vul hier de Percentielscalescore in en noem
deze ‘groep’. Vul vervolgens de percentielen in en maak hier nieuwe groepen van, dus:
1. Lowest thru 25
2. 25 thru 50
3. 50 thru 75
4. 75 thru highest
Daarna moeten we het gemiddelde voor elke groep berekenen op vraag 12. Ga naar Analyze
Compare means Means. Vul bij de afhankelijke lijst item 12 in en bij de onafhankelijke lijst de
variabele groep. De output geeft het gemiddelde voor elke groep weer.
Line chart met gemiddelde van items 20 t/m 25 voor de 4 groepen: Ga naar Graph Legacy dialogs
Line en vink Multiple aan. Let erop dat je kiest voor summaries of seperate variables. Vul bij ‘Lines
represent’ de items in. Vul bij category axis de variabele groep in. De output geeft de line chart voor
elke groep. Je kan hier dus zien hoeveel elk item beïnvloed wordt door de daadwerkelijke ADHD
niveau’s. Je ziet bv. dat één lijn recht is, dit betekent dan dus dat dit item niks met ADHD te maken
heeft aangezien de andere lijnen per groep toe of afnemen. Dit is logisch aangezien de groepen ook
van hoog naar laag gesorteerd zijn.
Sessie 1
Scale score: De scale score is de gemiddelde prestatie van groep studenten op een opdracht. Je
berekend dit door all individuele student scores op te tellen en deze te delen door het totale aantal
scores. De sccale score gebruik je vooral om gedrag en houdingen te meten. Voor prestatie testen
gebruik je vaak de SUM functie.
SPSS: Gebruikt de functie MEAN.N om de scale score te berekenen voor een test die gedrag
of houdingen. De ‘.N’ geeft het aantal observaties wat minimaal nodig is om een scale score
te berekenen. MEAN.8 betekent bv. dat een participant tenminste 8 antwoorden moet
hebben voordat de scale score berekent kan worden. Als een participant dus minder dan 8
antwoorden heeft, wordt de scale score niet berekend voor de participant.
Om de scale score geen decimalen te geven doe je het x het aantal items. Je krijgt dan dus
MEAN.20*30. Voor kinderen die echter niet 30 items hebben ingevuld krijg je dan alsnog decimalen,
daarom gebruik je vaak RND om het gemiddelde af te ronden.
Je vult bij Transform Compute variable dus in Rnd(MEAN.22(bva01 to bva26)*26)
aangezien je vraag 1 tot 26 wil.
Bar chart: Ga naar Graphs Legacy dialogs Bar. Aangezien de bar chart voor jongens en meisjes
is vul je bij category axis Gender in. Klik bij ‘Bars represent’ other statistic aan zodat je het
gemiddelde krijgt. Laat de ‘Data in chart are’ op Summaries for groups of cases staan.
Z-score: Stel je wil de Z-scores van de Scale scores. Ga naar Analyze Descriptive statistics
Descriptives. Vul hier de variabele van de Scale scores in en vink het vakje met ‘Save standardized
values as variables’ aan. Je ziet nu in de Data view de Z-scores van de Scale scores.
T-score: Om vervolgens de T-score te berekenen voor het verschil in gemiddelde tussen jongens en
meisjes ga je een independent-samples t-test uitvoeren. Ga naar Analyze Compare Means
Independent-samples t-test. Vul als test variabele de Z-scores in en als grouping variabele Gender
(bedenk welk getal de jongens weergeeft en welk getal de meisjes, dus bv. 0 en 1).
Denk aan de Levene test, als deze significant is zijn de varianties dus niet gelijk.
De t-test kan je uitvoeren met de Z-scores of met de Scale scores, je zal dezelfde t-waarde krijgen
aangezien de Z-scores eigenlijk hetzelfde weergeven als de ruwe Scale scores.
Waarschijnlijkheid: Stel je wil weten wat de waarschijnlijkheid is dat een kind een score van 20 of
lager heeft waarbij je aanneemt dat het een normale verdeling is. Je gebruikt CDF.normal. Ga naar
Transform Compute variable en vul in CDF.NORMAL (Zscalescore,0,1). De 0 en de 1 staan voor het
gemiddelde van de Z-score van 0 en de 1 voor de standaarddeviatie van de Z-score. Vervolgens wordt
er een nieuwe variabele weergeven in data view namelijk “p_value” (dit heb je zelf ingevuld). Ga
vervolgens kijken welke waarschijnlijkheid bij een Scale score van 20 staat.
Normaal verdeling checken: Ga naar Analyze Descriptive statistic Explore. Vul in de
‘Dependent list’ de scalescore in. Ga vervolgens naar Plots om de histogram en de Normality plots
with tests aan te vinken. Door Normality plots with tests aan te vinken zullen de ‘Test of normality’
van Kolmogorov-Smirnov en de Q-Q plots ook weergegeven worden.
- Skewness en Kurtosis: Deel deze waardes door hun eigen standaard error. De waarde die je
krijgt moet tussen de -1.96 en 1.96 liggen om te kunnen concluderen dat de distributie
ongeveer normaal verdeeld is. De Skewness geeft dus aan hoe scheef hij is en de Kurtosis
hoe plat. Een Kurtosis groter dan 1.96 geeft aan dat de distributie platter dan normaal is.
- Kolmogorov-Smirnov: Als de significantie kleiner dan 0.05 is betekent dit dat de distributie
niet normaal verdeeld is. Deze test is echter enorm conservatief dus zegt dit al snel.
- Histogram: Je kan bijvoorbeeld bimodaliteit zien, check of de distributie normaal is.
- Q-Q plot: Als de data normaal verdeeld is liggen de punten op één lijn.
, Percentielen: Ga naar Transform Rank cases. Vul de Scale score bij de variabele in en vink bij ‘Rank
types’ fractional rank as % aan. Ga vervolgens naar een Scale score van 20 en kijk welk percentiel
daarbij past.
Je gebruikt de percentielen als je het wil berekenen voor jouw data. Je gebruikt de p-waarde
als je wil kijken naar de hele populatie waarbij je aanneemt dat deze normaal verdeeld is. De
p-waarde en percentielen zullen dus vaak ook niet gelijk zijn aangezien de percentielen niet
normaal verdeeld zijn meestal.
Welke Scale score hoort bij percentiel 85?: Ga naar Analyze Descriptive Statistics Explore. Vul
bij de dependent list de Scale score in en bij ‘Statistics’ Vink je percentielen aan. Aangezien percentiel
85 niet in de data staat klik je op ‘Paste’. Hier staat (5, 10, 25, 50, 75, 90, 95), vul hier in Percentiles
(85) en klik op ‘Run’. De output geeft vervolgens aan welke score bij een percentiel van 85 hoort.
Genormaliseerde, afgeronde score met gem. 20 en STD 5: Ga naar Transform Rank cases. Vul de
variabele Scale score in en vink bij ‘Rank types’ Rankit aan (let hierbij op dat Normal scores ook
aangevinkt staat). In de data view krijg je nu een Normale scores variabele te zien. Ga vervolgens
naar Transform Compute variable en vul in Rnd (Nscalesc*5+20). Je hebt nu dus twee nieuwe
variabelen, de Nscalesc die je gemaakt hebt bij rank cases en de ‘Norm’ met een nieuw gemiddelde
en standaarddeviatie die je bij compute variable gemaakt hebt.
Gemiddelde van genormaliseerde scores vergelijken voor item 1: Hierbij wordt er ook gevraagd om
de Eta square. Ga naar Analyze General linear model Univariate. Vul bij dependent variable de
normale scores ‘norm’ in en bij fixed factors item 1 aangezien we hiervan het gemiddelde willen
berekenen. Om de eta square ook te krijgen klik je op ‘Options’ en vink je Estimates of effect size aan.
Stel de effect size is .4 betekent dat dat 40% van de variantie in de genormaliseerde scores
verklaart kan worden door verschillende categorieën bij item 1. Dit is een groot effect.
Verdeel in vier groepen van best naar slechtst: Gebruik de percentiel scores die je al hebt. Ga naar
Transform Recode Recode into different variables. Vul hier de Percentielscalescore in en noem
deze ‘groep’. Vul vervolgens de percentielen in en maak hier nieuwe groepen van, dus:
1. Lowest thru 25
2. 25 thru 50
3. 50 thru 75
4. 75 thru highest
Daarna moeten we het gemiddelde voor elke groep berekenen op vraag 12. Ga naar Analyze
Compare means Means. Vul bij de afhankelijke lijst item 12 in en bij de onafhankelijke lijst de
variabele groep. De output geeft het gemiddelde voor elke groep weer.
Line chart met gemiddelde van items 20 t/m 25 voor de 4 groepen: Ga naar Graph Legacy dialogs
Line en vink Multiple aan. Let erop dat je kiest voor summaries of seperate variables. Vul bij ‘Lines
represent’ de items in. Vul bij category axis de variabele groep in. De output geeft de line chart voor
elke groep. Je kan hier dus zien hoeveel elk item beïnvloed wordt door de daadwerkelijke ADHD
niveau’s. Je ziet bv. dat één lijn recht is, dit betekent dan dus dat dit item niks met ADHD te maken
heeft aangezien de andere lijnen per groep toe of afnemen. Dit is logisch aangezien de groepen ook
van hoog naar laag gesorteerd zijn.
