στατιστική

1. ΜΕΘΟΔΟΛΟΓΙΑ ΕΡΕΥΝΑΣ ΚΑΙ
ΣΤΑΤΙΣΤΙΚΗ

2. ΠΟΣΟΤΙΚΕΣ ΚΑΙ ΠΟΙΟΤΙΚΕΣ ΠΡΟΣΕΓΓΙΣΕΙΣ
 Ποσοτική έρευνα
 Αποφάσεις/καθοδήγηση ερευνητή
 Ερωτήματα μικρού εύρους
 Ποσοτικά δεδομένα
 Στατιστική ανάλυση
 Αντικειμενικότητα, αμεροληψία
 Ποιοτική έρευνα
 Απόψεις συμμετεχόντων
 Γενικές ερωτήσεις μεγάλου εύρους
 Δεδομένα (λέξεις, κείμενα κλπ)
 Περιγραφή & συμπεράσματα πάνω στα δεδομένα
 Υποκειμενικότητα, μεροληψία

3. ΕΠΙΛΟΓΗ: ΠΟΣΟΤΙΚΗ Ή ΠΟΙΟΤΙΚΗ?
❑Η επιλογή καθορίζεται από:
• Ερευνητικό πρόβλημα
• Ποσοτική: τάσεις, εξηγήσεις, πρόβλεψη
• Ποιοτική: διερεύνηση, βαθιά κατανόηση
• Ανάγκες αναγνωστικού κοινού
• Εμπειρία τους σε ποσοτική ή ποιοτική έρευνα
• Σύνδεση με εμπειρίες ερευνητή
• Εκπαίδευση, δεξιότητες και προτίμηση του ερευνητή
• Για παράδειγμα ο διδάσκων σας δεν έχει χρησιμοποιήσει εκτεταμένα τις
ποιοτικές μεθόδους έρευνας, ούτε έχει εκπαιδευτεί σε αυτές εις βάθος,
αντίθετα με τις ποσοτικές μεθόδους. Για αυτό το λόγο παρουσιάζονται
επιφανειακά μόνο κάποια στοιχεία των ποιοτικών μεθόδων στο εισαγωγικό
αυτό μάθημα απλά για την εξοικείωσή σας μαζί τους, και για να επισημανθούν
οι διαφορές από τις ποσοτικές μεθόδους

4. ΣΤΑΔΙΑ ΕΠΙΣΤΗΜΟΝΙΚΗΣ ΕΡΕΥΝΑΣ
❑ Διατύπωση ερωτήματος
✓ Βιβλιογραφική έρευνα →
1) Διατύπωση εξειδικευμένου ερωτήματος & 2) σχηματισμός υποθέσεων
❑ Σχεδιασμός έρευνας
✓ Ερευνητικό σχέδιο – επιλογή μεθοδολογίας & τρόπου ανάλυσης
❑ Συλλογή δεδομένων
❑ Ανάλυση αποτελεσμάτων
❑ Κατάληξη σε συμπεράσματα
❑ και Κοινοποίηση ευρημμάτων

5. ΕΠΙΛΟΓΗ ΘΕΜΑΤΟΣ
ΓΙΑΤΙ ΚΑΙ ΠΩΣ ΕΠΙΛΕΓΟΥΜΕ ΤΟ ΕΡΕΥΝΗΤΙΚΟ
ΜΑΣ ΑΝΤΙΚΕΙΜΕΝΟ?
 Επισκόπηση προϋπάρχουσας βιβλιογραφίας
 Τι είναι ήδη γνωστό και ποιες ερωτήσεις παραμένουν
αναπάντητες
 Προσωπικές θεωρητικές αναζητήσεις

6. ΟΛΟΚΛΗΡΩΣΗ ΜΕΛΕΤΗΣ ΒΙΒΛΙΟΓΡΑΦΙΑΣ.
ΤΙ ΧΡΕΙΑΖΟΜΑΣΤΕ ΠΡΙΝ ΔΙΑΤΥΠΩΣΟΥΜΕ ΤΟ
ΕΡΩΤΗΜΑ ΜΑΣ ΚΑΙ ΠΡΙΝ ΑΡΧΙΣΟΥΜΕ ΤΗΝ
ΕΡΕΥΝΑ;
.
.
.
ΜΕΤΑΒΛΗΤΕΣ

7. ΜΕΤΑΒΛΗΤΕΣ ΚΑΙ Η ΜΕΤΡΗΣΗ
ΤΟΥΣ
 Μεταβλητή: Οποιαδήποτε
ποσότητα/ιδιότητα/χαρακτηριστικό μπορεί να
λάβει μεταβαλλόμενες τιμές
 Κάθε γεγονός ή χαρακτηριστικό των φαινομένων,
αντικειμένων ή οργανισμών που μπορεί να
αλλάξει και να μετρηθεί

8. 1) Ονομαστικές – κατηγορικές μεταβλητές
2) Τακτικές μεταβλητές
3) Διαστημικές μεταβλητές
4) Μεταβλητές Ratio
Διάκριτες κατηγορίες οι οποίες δεν μπορούν να ταξινομηθούν με
κάποιο κριτήριο π.χ. Φύλο, οικογενειακή κατάσταση.
Διάκριτες κατηγορίες που μπορούν να ταξινομηθούν με κριτήριο την
ποσότητα, την συχνότητα,το μέγεθος κ.ο.κ. Π.χ. Βαθμός στον στράτο,
το μορφωτικό επίπεδο, ο βαθμός στρες κ.ο.κ
Ποσοτική μεταβλητή με δυνατότητα καθορισμού όχι μόνο ιεράρχησης
αλλά και ακριβούς διαφοράς μεταξύ βαθμίδων, π.χ σχολική απόδοση,
νοημοσύνη
Ποσοτική μεταβλητή με δυνατότητα καθορισμού όχι μόνο ιεράρχησης
αλλά και ακριβούς διαφοράς μεταξύ βαθμίδων στην οποία το 0
αποτελεί πραγματική τιμή. Π.χ θερμοκρασία, το εισόδημα

9. ΚΑΤΗΓΟΡΙΚΕΣ Ή ΟΝΟΜΑΣΤΙΚΕΣ
ΜΕΤΑΒΛΗΤΕΣ (NOMINAL DATA)
Απλή κατηγοριοποίηση με βάση κάποιο κριτήριο
Δεν υπάρχει διάταξη
ΠΑΡΑΔΕΙΓΜΑ
Θρήσκευμα, Χρώμα ματιών, Χρώμα μαλλιών,
Εθνικότητα ...
Τόπος γέννησης
 Αθήνα
 Θεσσαλονίκη
 Λαμία
 Πάτρα

10. ΙΕΡΑΡΧΙΚΈΣ Ή ΔΙΑΤΑΞΙΜΕΣ Ή
ΔΙΑΒΑΘΜΙΣΤΙΚΈΣ (ORDINAL DATA)
Κατηγοριοποίηση με βάση τη θέση ή τη σειρά σε μια
ομάδα
ΑΡΑ
Υπάρχει η δυνατότητα διάταξης των τιμών.
ΠΑΡΑΔΕΙΓΜΑ
Η θέση σε αγώνα, η χρονική σειρά...
• Η κατάσταση της υγείας ενός ασθενή (πολύ σοβαρή,
σοβαρή, μέτρια, ομαλή)
• Το επίπεδο εκπαίδευσης (πρωτοβάθμια, δευτεροβάθμια,
πανεπιστημιακή κλπ)

11. ΜΕΤΑΒΛΗΤEΣ ΙΣΩΝ ΔΙΑΣΤΗΜΑΤΩΝ
(INTERVAL DATA)
Τα διαστήματα ανάμεσα στις τιμές της μεταβλητής
είναι ίσα. Δεν υπάρχει το απόλυτο μηδέν (δηλαδή
ανυπαρξία φαινομένου)
ΠΑΡΑΔΕΙΓΜΑ
 Θερμοκρασία - Βαθμοί Κελσίου (oC)
Η διαφορά μεταξύ 5 και 10 βαθμών είναι ίδια με τη
διαφορά μεταξύ 20 και 25 βαθμών, αλλά δεν έχει
νόημα να πούμε ότι η ζέστη στους 20 βαθμούς είναι
διπλή από αυτή στους 10
 IQ scores

12. ΑΝΑΛΟΓΙΚΕΣ ΜΕΤΑΒΛΗΤEΣ
(RATIO DATA)
Υπάρχει το απόλυτο μηδέν (δηλαδή η απόλυτη απουσία της
ιδιότητας που μετράται) και οι αναλογίες έχουν νόημα.
ΠΑΡΑΔΕΙΓΜΑ
 Ύψος: Ο πατέρας ύψους 2,10 μέτρα έχει το διπλάσιο
ύψος από το παιδί ύψους 1,05.
 Η διαφορά των 50 χιλιομέτρων μεταξύ της απόστασης
Θεσσαλονίκης - Χαλκιδικής μπορούμε να πούμε ότι είναι
διπλάσια από την απόσταση των 25 χιλιομέτρων μεταξύ
Θεσσαλονίκης – Λαγκαδά (η σύγκριση έχει νόημα λόγω
της φυσικής μηδενικής τιμής).
 Η ποσότητα φαγητού που καταναλώνω ημερησίως
(θερμίδες / γραμμάρια).

13. ΈΛΕΓΧΟΣ - ΠΑΡΑΔΕΙΓΜΑΤΑ
Προσπαθήστε να βρείτε σε ποια κλίμακα μέτρησης μετριέται η κάθε
μεταβλητή στα παρακάτω παραδείγματα. Δώστε προσοχή στη
μεταβλητή «ηλικία» της οποίας η κλίμακα μέτρησης αλλάζει ανάλογα
με τον τρόπο που την έχει καταγράψει ο ερευνητής.
Η κατάσταση της υγείας ενός ασθενή (πολύ σοβαρή, σοβαρή, μέτρια, ομαλή)
Το επίπεδο εκπαίδευσης (πρωτοβάθμια, δευτεροβάθμια, πανεπιστημιακή κλπ)
Ο βαθμός ικανοποίησης κάποιου από ένα προϊόν (πάρα πολύ / πολύ / λίγο /
καθόλου)
Η εθνικότητα (Έλληνας, Γάλλος, Γερμανός, Φινλανδός, Κορεάτης)
Ο χρόνος τερματισμού σε μαραθώνιο αγώνα.
Ηλικία → ΑΝΑΛΟΓΙΚΗ
Ηλικιακό γκρούπ (10-15, 15-20, 20-25, …) → ΔΙΑΤΑΞΙΜΗ/ΙΕΡΑΡΧΙΚΗ
Το σύστημα αξιολόγησης για τα μαθήματα του πανεπιστημίου (ανεπαρκές = 1,
μέτριο = 2, καλό = 3, πολύ καλό = 4, άριστο = 5)

14. ΔΙΑΚΡΙΣΗ ΜΕΤΑΒΛΗΤΩΝ ΣΤΑ ΠΛΑΙΣΙΑ
ΠΕΙΡΑΜΑΤΙΚΟΥ ΣΧΕΔΙΟΥ
 Ανεξάρτητη/-ες μεταβλητή/-ές (Χ):
Οι υποτιθέμενες αιτίες.
Τυχαίνει άμεσου χειρισμού από τον πειραματιστή.
 Εξαρτημένη/-ες μεταβλητή/-ές (Υ):
Το υποτιθέμενο αποτέλεσμα (π.χ. επίδοση,
συμπεριφορά)
 ΠΡΟΣΟΧΗ: Μια μεταβλητή δεν είναι πάντα ανεξάρτητη ή
εξαρτημένη. Εξαρτάται από το είδος του προβλήματος που
εξετάζεται (δείτε το παράδειγμα στην επόμενη διαφάνεια).
 Η ανεξάρτητη μεταβλητή X προβλέπει την
εξαρτημένη μεταβλητή Υ

15. ΑΝΕΞΆΡΤΗΤΕΣ ΚΑΙ ΕΞΑΡΤΗΜΈΝΕΣ
ΜΕΤΑΒΛΗΤΈΣ
Ανεξάρτητη Μεταβλητή
(Independent Variable)
Η μεταβλητή που
μεταβάλλει ο ερευνητής
για να διαπιστώσει την
επίπτωση που έχει η
αλλαγή της σε μια άλλη
μεταβλητή. Σε μια σχέση
αιτίας-αποτελέσματος, η
ανεξάρτητη μεταβλητή
παίζει το ρόλο της αιτίας
Εξαρτημένη Μεταβλητή
(Dependent Variable)
Η μεταβλητή που
επηρεάζεται από τις
μεταβολές που επιφέρει ο
ερευνητής στην ανεξάρτητη
μεταβλητή. Σε μια σχέση
αιτίας-αποτελέσματος, η
εξαρτημένη μεταβλητή
παίζει το ρόλο του
αποτελέσματος

16. ΠΑΡΑΔΕΙΓΜΑ
Ανεξάρτητη
Μεταβλητή
Εξαρτημένη
Μεταβλητή
Στάση μαθητή
απέναντι στο
σχολείο
Επίδοση του
μαθητή στο
σχολείο
Ανεξάρτητη
Μεταβλητή
Εξαρτημένη
Μεταβλητή
Μορφωτικό
επίπεδο γονέων
Στάση μαθητή
απέναντι στο
σχολείο

17. ΕΤΟΙΜΟΙ ΝΑ ΠΡΟΧΩΡΗΣΟΥΜΕ ΣΤΟ
ΣΧΕΔΙΑΣΜΟ ΤΗΣ ΕΡΕΥΝΑΣ ΜΑΣ…

18. ΒΗΜΑ 1Ο: ΔΙΑΤΥΠΩΣΗ ΕΡΩΤΗΜΑΤΟΣ
 Ποια η σχέση ανάμεσα σε τουλάχιστον 1
ανεξάρτητη μεταβλητή και 1 εξαρτημένη
 Καλό είναι η διατύπωση του ερωτήματος να
ακολουθεί αυτή τη μορφή, π.χ. «ποια η σχέση του
ενδιαφέροντος του μαθητή για ένα μάθημα με την
επίδοσή του σε αυτό το μάθημα;»

19. ΒΗΜΑ 1Ο:
ΔΙΑΤΥΠΩΣΗ & ΑΞΙΟΛΟΓΗΣΗ ΕΡΩΤΗΜΑΤΟΣ
 Μορφή ερώτησης: άμεση, ξεκάθαρη
 Κριτήρια καλού ερευνητικού ερωτήματος:
✓ Νόημα κατάλληλο για εμπειρική μελέτη
✓ Έκφραση της σχέσης μεταξύ 2 ή περισσοτέρων μεταβλητών
✓ Είναι το πρόβλημα αρκετά σημαντικό για να μελετηθεί?

20. ΒΗΜΑ 2Ο:
Η ΥΠΟΘΕΣΗ
 Υπόθεση: Προσωρινή δοκιμαστική απάντηση στο ορισθέν
ερώτημα – πρόβλημα, σύμφωνα με την προσωπική εμπειρία
του πειραματιστή ή τη γνώση που έχει συγκεντρωθεί γύρω
από το ζήτημα
 Συνδέει τουλάχιστον 1 ανεξάρτητη με 1 εξαρτημένη
μεταβλητή και καθορίζει τη μεταξύ τους σχέση
 Διατυπώνεται ως πρόβλεψη. Αναλόγως των αποτελεσμάτων,
επιβεβαίωση ή απόρριψη

21. Όσο υψηλότερο είναι το ετήσιο οικογενειακό εισόδημα, τόσο
υψηλότερη είναι η επίδοση ενός μαθητή.
 Όσο υψηλότερη είναι η αυτοεκτίμηση ενός μαθητή, τόσο
υψηλότερη είναι η επίδοσή του.
 Όσο υψηλότερο είναι το άγχος ενός μαθητή, τόσο χαμηλότερη είναι
η επίδοσή του.
 Όσο πιο αυταρχικό είναι το οικογενειακό κλίμα ενός μαθητή, τόσο
πιο υποτακτικό άτομο γίνεται.
 Όσο πιο υψηλό είναι το μορφωτικό επίπεδο της οικογένειας ενός
μαθητή, τόσο μεγαλύτερη είναι η ευχέρειά του στο γραπτό λόγο.
 Η επίδοση ενός μαθητή δεν εξαρτάται από το μέγεθος της τάξης
του.
ΠΑΡΑΔΕΙΓΜΑΤΑ ΕΡΕΥΝΗΤΙΚΩΝ
ΥΠΟΘΕΣΕΩΝ

22. ΠΑΡΑΔΕΙΓΜΑΤΑ ΕΡΕΥΝΗΤΙΚΩΝ ΕΡΩΤΗΜΑΤΩΝ
⚫ Διαφοροποιούνται τα αγόρια από τα κορίτσια ως προς την επίδοσή τους
στο τεστ των Μαθηματικών;
⚫ Διαφοροποιούνται οι δ/ντές σχολείων Α΄/θμιας από τους δ/ντές σχολείων
Β΄/θμιας ως προς το βαθμό ενημέρωσής τους σε θέματα εκπαιδευτικής
αξιολόγησης;
⚫ Διαφοροποιούνται τα αγόρια από τα κορίτσια ως προς την επίδοσή τους
στο τεστ της Γλώσσας;

23. ΕIΔΗ ΥΠΟΘEΣΕΩΝ
Μηδενική Υπόθεση –
Η0
Η υπόθεση που
υποστηρίζει ότι δεν
υπάρχει σχέση μεταξύ
των μεταβλητών
Παράδειγμα:
Δεν υπάρχει σχέση ανάμεσα στη
στάση των μαθητών απέναντι στο
σχολείο και την επίδοσή τους
Εναλλακτική Υπόθεση – Η1
Ο ερευνητής κάνει μια
πρόγνωση του αποτελέσματος
που αναμένει ότι θα βρει στην
έρευνα, σύμφωνα με το
θεωρητικό υπόβαθρο
Παραδείγματα:
• Υπάρχει θετική σχέση ανάμεσα στη στάση
των μαθητών απέναντι στο σχολείο και την
επίδοσή τους
• Τα παιδιά με μέσο άγχος σε σύγκριση με
τα παιδιά με χαμηλό ή υψηλό άγχος έχουν
τη μεγαλύτερη επίδοση στα γραπτά
διαγωνίσματα

24. ΚΑΤΕΥΘΥΝΌΜΕΝΕΣ ΥΠΟΘΈΣΕΙΣ
Directional (one-tailed).
Μιας κατεύθυνσης: Προβλέπουν συγκεκριμένα την
κατεύθυνση της σχέσης των δυο μεταβλητών
Όσοι κάνουν τα μαθήματά τους χωρίς να έχουν ανοιχτή την
τηλεόραση έχουν καλύτερη επίδοση από όσους κάνουν τα
μαθήματά τους με ανοιχτή την τηλεόραση.
Non-directional (two-tailed).
Δυο κατευθύνσεων: Προβλέπουν γενικά τη σχέση των
μεταβλητών, χωρίς να ορίζουν την κατεύθυνση της
Υπάρχει διαφορά στην ποιότητα της εργασίας που
διεκπεραιώνεται σε συνθήκες φασαρίας από αυτή που
διεκπεραιώνεται σε συνθήκες ησυχίας.

25. ΔΕΙΓΜΑΤΟΛΗΨΙΑ:
ΔΕΙΓΜΑ - ΠΛΗΘΥΣΜΟΣ
 Δείγμα: Το υποσύνολο (ή κλασματικό μέρος) που
επιλέγεται από ένα ευρύτερο σύνολο ατόμων με
ίδια χαρακτηριστικά για να το αντιπροσωπεύσουν
για τους σκοπούς της έρευνας
 Πληθυσμός: Ευρύτερο σύνολο ατόμων από όπου
προέρχεται το δείγμα
 Αντιπροσωπευτικότητα δείγματος καθορίζεται
από:
 τρόπο επιλογής ατόμων που θα συμπεριληφθούν
 μέγεθος δείγματος

26. ΕΙΔΗ/ΚΑΤΗΓΟΡΙΕΣ ΔΕΙΓΜΑΤΟΛΗΨΙΑΣ
 Υπάρχουν δυο κατηγορίες δειγματοληψίας, η
τυχαία και η μη τυχαία. Κάθε κατηγορία έχει
επιμέρους υποκατηγορίες:
 Τυχαία δειγματοληψία (επιτρέπει σε όλες τις
μονάδες του ερευνητικού πληθυσμού να έχουν την
ίδια πιθανότητα επιλογής στο ερευνητικό
δείγμα)
 Μη τυχαία δειγματοληψία (δεν επιτρέπει σε όλες
τις πληθυσμιακές μονάδες ίση πιθανότητα
επιλογής στο δείγμα)

27. ΠΑΡΑΓΟΝΤΕΣ ΠΟΥ ΠΑΙΖΟΥΝ ΡΟΛΟ ΣΤΟΝ
ΚΑΘΟΡΙΣΜΟ ΜΕΓΕΘΟΥΣ ΔΕΙΓΜΑΤΟΣ
Αριθμός επιμέρους ομάδων του πληθυσμού που
πρόκειται επιπρόσθετα να συγκριθούν
 Αν προχωρήσουμε σε επιπλέον συγκρίσεις
ομάδων, π.χ. φύλο, κοινωνικοοικονονική
κατάσταση θα χρειαστούμε μεγαλύτερο δείγμα,
ανάλογο με τον αριθμό των ομάδων
 Μια εναλλακτική προσέγγιση είναι να
διατήρησουμε αυτούς τους παράγοντες σταθερούς,
μέσα από τη χρήση
 εξίσωσης κατά ζεύγη (matching) ή
 επαναληπτικών μετρήσεων
Το μέγεθος του πληθυσμού
 Μικρός αριθμητικά πληθυσμός μπορεί να
αντιπροσωπευθεί από μικρότερο δείγμα

28. Ανομοιογένεια πληθυσμού ως προς
μελετώμενη μεταβλητή
 Όσο μεγαλώνει η ανομοιογένεια, τόσο
μεγαλύτερο δείγμα χρειαζόμαστε
 Εναλλακτική προσέγγιση: Περιορισμός του
εύρους του πληθυσμού / πληθυσμιακού
πεδίου έρευνας
 Π.χ. αντί να μελετήσουμε το εύρος IQ από 50 – 200
επιλέγουμε ένα πιο ομοιογενές πληθυσμό, από 100 – 120
μονάδες IQ

29. Επιθυμητός βαθμός ακρίβειας στις εκτιμήσεις μας
Όσο μεγαλύτερος ο βαθμός ακρίβειας τόσο μεγαλύτερο το
αναγκαίο δείγμα
Μέγεθος αναμενόμενων διαφορών
 Όσο μικρότερες οι αναμενόμενες διαφορές, τόσο μεγαλύτερο το
αναγκαίο μέγεθος δείγματος, ώστε να μη συγκαληφθούν, όσο
μικρές κι αν είναι
Πόσο “καινοφανές” αναμένεται να είναι το αποτέλεσμα της
έρευνας μας
 Αν δεν υπάρχουν πολλές προηγούμενες έρευνες αλλά
μελετούμε κάτι καινούριο και καινοφανές, καλό είναι να
πάρουμε μεγαλύτερο δείγμα, σε σχέση π.χ. με μια έρευνα
που προσπαθεί να ελέγξει την πρόβλεψη μιας
συγκεκριμένης θεωρίας για την οποία υπήρξαν κι άλλες
έρευνες

30. Η “διαρροή – απώλεια” συμμετεχόντων
 Π.χ. σε μια διαχρονική μελέτη στην οποία αναμένουμε ότι θα
χάσουμε κάποιους συμμετέχοντες, το δείγμα θέλουμε να είναι
όσο το δυνατόν μεγαλύτερο.
 Συνεχής έλεγχος αντιπροσωπευτικότητας. Προτιμότερο 90%
χαμηλού αρχικού δείγματος, παρά 30% μεγάλου δείγματος
Αριθμός πληροφοριών που παίρνουμε από κάθε συμμετέχοντα
 Όσο λιγότερες πληροφορίες – μετρήσεις, τόσο περισσότερο το
δείγμα.
 Π.χ. μελέτη περίπτωσης (πολλές πληροφορίες από ένα
συμμετέχοντα) vs. ερωτηματολόγια (λίγες πληροφορίες από
εκατοντάδες συμμετέχοντες)
Βαθμός αξιοπιστίας δεδομένων
 Όσο ακριβέστερες οι μετρήσεις, όσο πιο “νοικοκυρεμένη” και
ελεγχόμενη η διαδικασία συλλογής και ανάλυσης δεδομένων,
τόσο λιγότεροι οι αναγκαίοι συμμετέχοντες

31. ΥΠΟΛΟΓΙΣΜΟΣ ΜΕΓΕΘΟΥΣ ΔΕΙΓΜΑΤΟΣ
 Εκτίμηση κατά προσέγγιση:
 Μεγέθη σε αντίστοιχες μελέτες από άλλους ερευνητές
 Όσα πιο πολλά άτομα πρόθυμα/διαθέσιμα
 Ανάλογα με το αναμενόμενο κόστος μελέτης
 Μέγεθος δείγματος πρέπει να υπολογίζεται με βάση τον επιθυμητό
βαθμό ακρίβειας των αποτελεσμάτων, και το μέγιστο σφάλμα
μέτρησης που θα ήταν ανεκτό
 Στατιστικές μέθοδοι εκτίμησης αναγκαίου δείγματος (π.χ. ανάλυση
δύναμης – power analysis)
 Ο επιθυμητός βαθμός ακρίβειας (αυτό που ονομάσαμε
προηγουμένως δειγματοληπτικό σφάλμα) πρέπει να καθορίζεται
πριν τη διεξαγωγή της έρευνας. Συνήθως το αποδεκτό ποσοστό
δειγματοληπτικού σφάλματος ορίζεται ως (p < .05; p < .01; p
< .001), δηλαδή 5%, 1%, ή 0.1% ποσοστό σφάλματος

32. ΑΞΙΟΠΙΣΤΙΑ & ΕΓΚΥΡΟΤΗΤΑ

33. 3 ΣΤΟΧΟΙ ΕΡΕΥΝΑΣ: ΑΞΙΟΠΙΣΤΙΑ,
ΕΓΚΥΡΟΤΗΤΑ, ΓΕΝΙΚΕΥΣΙΜΟΤΗΤΑ
 Εγκυρότητα: Μέτρηση αυτού που μας ενδιέφερε να
μετρήσουμε.
 Αξιοπιστία: Δυνατότητα επανεκτέλεσης από εμάς ή
κάποιον άλλον
 Δείχνει βαθμό σταθερότητας των μετρήσεων/συμφωνίας μεταξύ
επαναλαμβανόμενων μετρήσεων κάτω από ίδιες συνθήκες.
 Εκφράζεται με αριθμητική τιμή – δείκτη συνάφειας:
Συντελεστής Αξιοπιστίας (0-1)
 Γενικευσιμότητα ή εξωτερική εγκυρότητα:
Γενίκευση και εφαρμογή πέρα από τους συγκεκριμένους
συμμετέχοντες και τις συγκεκριμένες συνθήκες σε
άλλους συμμετέχοντες και συνθήκες
 Στατιστική σημαντικότητα: Δείκτης που εκφράζει το
βαθμό στον οποίο τα αποτελέσματα της έρευνας μπορούν
να γενικευτούν στο σύνολο του πληθυσμού (συμβολίζεται
με το γράμμα p).

34. ΑΞΙΟΠΙΣΤΙΑ
 Η αξιοπιστία είναι το πρώτο χαρακτηριστικό που
θα πρέπει να διαθέτει ένα εργαλείο μέτρησης και
αναφέρεται στη σταθερότητα που εμφανίζει σε
διαδοχικές μετρήσεις.
 Ένα εργαλείο μέτρησης θεωρείται αξιόπιστο όταν
σε επαναλαμβανόμενες μετρήσεις σε ίδιο δείγμα
και σε διαφορετικές χρονικές στιγμές, εμφανίζει
σταθερά τα ίδια αποτελέσματα, εκτός εάν έχει
συμβεί μια σημαντική αλλαγή μεταξύ των
μετρήσεων.

35. ΕΓΚΥΡΌΤΗΤΑ
 Συγκεκριμένα, όταν ένα εργαλείο μέτρησης είναι
πράγματι έγκυρο, «αντανακλά» την έννοια (τη
μεταβλητή) που προτίθεται ότι μετράει.
 Δηλαδή, ένα εργαλείο μέτρησης που δηλώνεται ότι
μετράει την ανησυχία, δεν μπορεί να μετράει
ταυτόχρονα και το άγχος.
 Ένα εργαλείο μέτρησης θεωρείται έγκυρο όταν
έχει χρησιμοποιηθεί επανειλημμένα με επιτυχία
σε πληθυσμό για τον οποίο έχει σχεδιαστεί
ερευνητικά.

36. ΜΕΘΟΔΟΙ ΕΡΕΥΝΑΣ
 Παρατήρηση
 Κανένας άμεσος χειρισμός μεταβλητών
 Συστηματική / πλήρης καταγραφή συμπεριφορών
 Περιγραφή/Συσχέτιση
 Καταγραφή των σχέσεων μεταξύ μεταβλητών (π.χ. τι
σχέση έχουν τα χρόνια υπηρεσίας σε μια δουλειά με το
μισθό του εργαζόμενου;)
 Πείραμα
 Χειρισμός μίας ή περισσοτέρων μεταβλητών
 Αποτελεσματικός τρόπος μέτρησης τους (π.χ. κάνει η
κλασική μουσική τα μωρά ποιο έξυπνα;)
✓ Αιτιότητα

37. ΜΕΘΟΔΟΙ ΠΑΡΑΤΗΡΗΣΗΣ
(MARTIN & BATESON, 1993)
 Φυσική παρατήρηση μπορεί να χρησιμοποιηθεί ως
έναυσμα για περαιτέρω πειραματικές έρευνες
 Η παρατήρηση ως επιστημονική μεθοδολογία έχει τα
στοιχεία της επιμονής και μεθοδικότητας
 Δίνει την εικόνα της συνήθισμένης συμπεριφοράς του
υπό μελέτη αντικειμένου (ανθρώπου, ζώου, ομάδας,
προϊόντος κ.ο.κ.)
 Τα αντικείμενα παρατήρησης μπορεί να είναι διάφορα και
όχι μόνο οι άνθρωποί ή τα ζώα
 Δυο είδη παρατήρησης:
✓ Παρατήρηση στο εργαστήριο
✓ Φυσική παρατήρηση

38. ΠΑΡΑΤΗΡΗΣΗ ΣΤΟ ΕΡΓΑΣΤΗΡΙΟ
 Στο εργαστήριο, αντί για φυσικό πλαίσιο
Πλεονεκτήματα
• Πιο άμεσος ο χειρισμός της
μεταβλητής.
• Έλεγχος
πλαισίου/περιβάλλοντος
• Πρόσβαση σε σύγχρονα μέσα
μέτρησης και καταγραφής της
συνπεριφοράς των
συμμετεχόντων
• Χρήσιμη για την δημιουργία
υποθέσεων
Μειονεκτήματα
• Μπορεί να οδηγήσει σε
προκατειλημμένα αποτελέσματα
• Κίνδυνος διαφοροποίησης της
παρατηρηθείσας συμπεριφοράς
από την φυσική συμπεριφορά
• Ειδικά όταν κάποιος
γνωρίζει ότι παρατηρείται
• Δεν επιτρέπει συμπεράσματα για
σχέσεις αιτίας-αποτελέσματος

39. ΜΕΘΟΔΟΙ ΦΥΣΙΚΗΣ ΠΑΡΑΤΗΡΗΣΗΣ
 Οι κατηγορίες των υπό παρατήρηση συμπεριφορών
μπορεί να είναι προκαθορισμένες εκ των προτέρων,
μπορεί και όχι
✓ Καταγραφή πότε και πόσες φορές συμβαίνει μια συμπεριφορά
✓ Καταγραφή σημειώσεων του παρατηρητή σε ρέοντα λόγο και
ανάλυση σημειώσεων για εντοπισμό προτύπων συμπεριφοράς
✓ Καταγραφή ηχητικών/οπτικών δειγμάτων (audio/video
recordings)
 Συχνότητα καταγραφής (δειγματισμός):
✓ Χρονικά διαστήματα: προ-καθορισμένα ή τυχαία
✓ Δείγματα καταστάσεων: παρατήρηση συμπεριφοράς σε
διαφορετικά πλαίσια / καταστάσεις
❖ Goodwin, C.J. (2004). Research in Psychology: Methods and Design. Wiley.

40. ΦΥΣΙΚΉ ΠΑΡΑΤΉΡΗΣΗ
Πλεονεκτήματα
• Χρήσιμη για τη
δημιουργία υποθέσεων
• Παρέχει πληροφορίες
για τη συμπεριφορά στο
φυσικό της πλαίσιο -
περιβάλλον
Μειονεκτήματα
• Μπορεί να δώσει
προκατειλημμένα
αποτελέσματα
• Μπορεί να είναι δύσκολο
να γίνει χωρίς να
παρεμβαίνει ο
παρατηρητής
• Δεν επιτρέπει
συμπεράσματα αιτίας -
αποτελέσματος

41. ΜΕΛΕΤΗ ΠΕΡΙΠΤΩΣΗΣ
 Μελέτη ενός συμμετέχοντα σε βάθος (π.χ. το είδος
των μελετών που έκανε ο Freud)
 Κάθε τομέας της ζωής του συμμετέχοντα
αναλύεται για εύρεση προτύπων/αιτίων
συμπεριφορών
 Στόχος είναι η γενίκευση αποτελεσμάτων σε
μεγαλύτερο πληθυσμό,
 ΑΛΛΑ συχνά τα ευρήματα είναι υποκειμενικά,
και συγχρόνως δύσκολο να γενικευθούν

42. ΠΗΓΕΣ ΜΕΛΕΤΩΝ ΠΕΡΙΠΤΩΣΗΣ
 Άμεση παρατήρηση
 Συνεντεύξεις
 Κείμενα: Γράμματα, άρθρα εφημερίδων κ.λ.π.
 Αρχειακό υλικό (π.χ. Απογραφή, λίστες...)
 Φυσικές μετρήσεις – εργαλεία
 Συμμετοχική παρατήρηση

43. ΣΥΝΟΨΗ ΜΕΛΕΤΗΣ ΠΕΡΙΠΤΩΣΗΣ
Πλεονεκτήματα
• Μπορεί να χρησιμοποιηθεί
για τη δημιουργία υποθέσεων
• Δίνει δεδομένα που δε
μπορούν να αποκτηθούν με
άλλες μεθόδους
• Πλούτος
• Βάθος
Μεινεκτήματα
• Μπορεί να δώσει ατελείς
πληροφορίες
• Μπορεί να εξαρτάται
αρκετά από αυτό-αναφορά,
οπότε υπάρχει ο κίνδυνος
παραπληροφόρησης
• Ύποκειμενικότητα,
κίνδυνος προκατάληψης
• Δεν επιτρέπει την εξαγωγή
συμπερασμάτων αιτίας-
αποτελέσματος

44. ΕΡΩΤΗΜΑΤΟΛΟΓΙΑ
 Τρόπος συλλογής πληροφοριών για μια συγκεκριμένη
συμπεριφορά, εμπειρία ή γεγονός. Τα ερωτηματολόγια
μπορούν να συνδυαστούν και με συνεντεύξεις.
 Αυτοαναφορά (self-report data): Όταν οι
συμμετέχοντες συμπληρώνουν πληροφορίες για τον
εαυτό τους μόνοι τους.
 Πηγές σφάλματος:
 Ψέμμα (σκόπιμο)
 Απάντηση με βάση το επιθυμητό και όχι το πραγματικό
 Αποτυχία κατανόησης της ερώτησης
 Λήθη λεπτομερειών για την περιγραφόμενη εμπειρία

45. ΕΡΩΤΗΜΑΤΟΛΟΓΙΑ
 Είδη ερωτήσεων:
 Κλειστές (καθορισμένες απαντήσεις)
 Ανοιχτές
 Ερωτήσεις που καλούν σε απάντηση με βάση διαβαθμισμένη κλίμακα
Μπορεί να σταλεί και επιστραφεί ταχυδρομικώς ή προσωπικώς.
Πλεονεκτήματα και μειονεκτήματα έναντι συνέντευξης.
 Μεγαλύτερο δείγμα - Οικονομία
 Γραπτές οι ερωτήσεις, άρα δεν επηρεάζονται οι συμμετέχοντες από τον
ερωτώντα και τον τρόπο που κάνει την ερώτηση
 Τυποποίηση διατύπωσης, ίδιες για όλους οι ερωτήσεις
 ΑΛΛΑ
 Χαμηλό ποσοστό απαντήσεων (15-50% έναντι 70-89% στις συνεντεύξεις) και
αυτοεπιλεγμένη η ομάδα που αποφασίζει να επιστρέψει τα ερωτηματολόγια
(αυτό βλάπτει την αντιπροσωπευτικότητα του δείγματος)
 Δεν γνωρίζουμε αν συμπληρώθηκε από τον στόχο, αν το άτομο επηρεάστηκε
από άλλα άτομα κ.ο.κ....
 Δεν υπάρχει ευκαιρία για το συμμετέχοντα να ζητήσει διευκρινήσεις
 Εξαρτάται αρκετά από το μορφωτικό επίπεδο συμμετέχοντα (ξέρουμε ότι
συνήθως τα ερωτηματολόγια είναι πιο αποτελεσματικά σε μέσα και ανώτερα
μορφωτικά επίπεδα)

46. ΣΥΝΟΨΗ ΕΡΩΤΗΜΑΤΟΛΟΓΙΩΝ /
ΣΥΝΕΝΤΕΎΞΕΩΝ
Πλεονεκτήματα
• Συλλογή πολλών
πληροφοριών
• Καλό έναυσμα για τη
δημιουργία υποθέσεων
• Μπορούμε να
συλλέξουμε πληροφορίες
από πολλούς ανθρώπους
• Εύκολο
• Φθηνό
Μειονεκτήματα
• Πληροφορίες για
συμπεριφορές που δε
μπορούν να παρατηρηθούν
άμεσα ώστε να
διασταυρωθούν
• Βασίζεται στην αυτό-
αναφορά, οπότε υπάρχει ο
κίνδυνος
παραπληροφόρησης
• Δεν επιτρέπει την εξαγωγή
συμπερασμάτων αιτίας-
αποτελέσματος

47. ΜΕΡΗ ΕΡΕΥΝΗΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
• Τίτλος → Ορισμός θέματος
• Περίληψη → Γρήγορη ιδέα για βασικά σημεία
• Εισαγωγή → ΓΙΑΤΙ?
• Μέθοδος: → ΠΩΣ?
(Ερευνητικό σχέδιο, Συμμετέχοντες, Εργαλεία,
Διαδικασία)
• Αποτελέσματα → ΤΙ?
• Συζήτηση → ΚΑΙ ΤΙ ΕΓΙΝΕ?
(SO WHAT?!)
• Βιβλιογραφία (references) → περαιτέρω
πληροφορίες, έλεγχος αναφορών ερευνητή
• Παράρτημα (όχι πάντα παρόν)

48. ΠΡΟΚΑΤΑΡΚΤΙΚΗ – ΠΙΛΟΤΙΚΗ
ΕΡΕΥΝΑ
 Καθορισμός του θέματος της έρευνας
 Έλεγχος προβλημάτων στο σχεδιασμό της έρευνας
 Διατύπωση ερευνητικών υποθέσεων

49. ΣΤΑΤΙΣΤΙΚΗ

50. ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΓΡΑΦΙΚΈΣ ΜΈΘΟΔΟΙ, ΤΥΠΟΙ ΚΑΤΑΝΟΜΩΝ
 Περιγραφική στατιστική
 Σκοπός: η συνοπτική παρουσίαση δείγματος και
έλεγχος τιμών
 Έχει 2 μορφές:
 Αριθμητικές μέθοδοι (μέτρα θέσης, μέτρα διασποράς)
 Γραφικές μέθοδοι (π.χ. κατανομή συχνοτήτων)
 Επιλέγουμε αν θα χρησιμοποιήσουμε αριθμητικές ή
γραφικές μεθόδους με βάση τον τύπο της μεταβλητής που
θέλουμε να παρουσιάσουμε
Παράδειγμα γραφικής μεθόδου: Η κατανομή συχνοτήτων

51. ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟΔΟΙ:
ΜΕΤΡΑ ΚΕΝΤΡΙΚΗΣ ΤΑΣΗΣ Ι
 Μια κεντρική τιμή που να αντιπροσωπεύει το δείγμα
1. Επικρατούσα τιμή / Δειγματική Κορυφή (Mode)
Η παρατήρηση (τιμή) με τη μεγαλύτερη συχνότητα.
 Κατάλληλη για μετρήσεις με πολλές επαναλήψεις (π.χ. η
ηλικία των μαθητών Α’ Γυμνασίου, όπου μια τιμή (π.χ. 12)
επαναλαμβάνεται πολλές φορές)
 Δεν επηρεάζεται από ακραίες τιμές
 Μπορεί να έχουμε περισσότερες από 1
❖ ΠΑΡΑΔΕΙΓΜΑ
✓ 10 10 8 1 3 5 7 2 3 10 6 10
→ Το 10 είναι η τιμή με τη μεγαλύτερη συχνότητα

52. ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟΔΟΙ:
ΜΕΤΡΑ ΚΕΝΤΡΙΚΗΣ ΤΑΣΗΣ ΙΙ
2. Δειγματική Διάμεσος (Median)
Η μεσαία τιμή σε ένα δείγμα, αφού τις έχουμε παρατάξει
σε αύξουσα ή φθίνουσα σειρά (βρίσκεται στη θέση n+1 /
2, όπου n ο συνολικός αριθμός των παρατηρήσεων).
Αν το σύνολο των τιμών είναι ζυγό, τότε θα πάρουμε τον
μέσο όρο των 2 μεσαίων παρατηρήσεων.
 Δεν επηρεάζεται από ακραίες τιμές και μη ομαλή κατανομή
 Κατάλληλο για διατάξιμες/ίσων διαστημάτων/αναλογικές
μεταβλητές (όχι κατηγορικές μεταβλητές)
 Ευαίσθητο σε διακυμάνσεις δειγματοληψίας. Δε λαμβάνει
υπόψη όλα τα δεδομένα δείγματος.
❖ ΠΑΡΑΔΕΙΓΜΑ
✓ 10 8 1 3 5 7 2 3 10 6 10
✓ 1 2 3 3 5 6 7 8 10 10 10
→ (βάλαμε τις παρατηρήσεις σε σειρά και βρήκαμε τη
μεσαία – 6η θέση, που είναι ο αριθμός 6

53. ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟΔΟΙ:
ΜΕΤΡΑ ΚΕΝΤΡΙΚΗΣ ΤΑΣΗΣ ΙΙΙ
3. Δειγματικός Μέσος / Μέσος όρος (Mean).
x = ∑xi / n (ο τύπος λέει πως βρίσκουμε το μέσο
όρο των τιμών x αθροίζοντας όλες τις τιμές x και
διαιρώντας με τον αριθμό τους)
 Επηρεάζεται από ακραίες τιμές / μη-ομαλές
κατανομές.
 Κατάλληλος για ίσων διαστημάτων/αναλογικές
μεταβλητές
 Χρησιμοποιεί όλες τις τιμές του δείγματος
❖ ΠΑΡΑΔΕΙΓΜΑ
✓ 9 7 6 6 7 - 4 3 9 9 10
✓ Ο Μ.Ο. x = 7 και για τις δυο ομάδες

54. ΑΚΡΙΒΕΙΑ ΜΕΣΟΥ ΟΡΟΥ
 Ο μέσος όρος (Μ.Ο. ή x) μπορεί να θεωρηθεί ως ένα
στατιστικό μοντέλο που αντιπροσωπεύει τα δεδομένα μας
 Αυτή η αντιπροσωπευτικότητα είναι εμφανής από την
ομοιογένεια των δεδομένων, πόσο διαφέρουν από το μέσο
όρο οι επιμέρους τιμές (xi-x)
 Δηλαδή, όσο πιο ομοιογενείς οι διάφορες τιμές με τον Μ.Ο.
τόσο καλύτερα τις αντιπροσωπεύει
 Για παράδειγμα, στην προηγούμενη ομάδα ο Μ.Ο.
αντιπροσωπεύει καλύτερα την 1η ομάδα από τη 2η ομάδα
 Έλεγχος μοντέλου: Αυτό που μας ενδιαφέρει είναι η
διασπορά (μεταβλητότητα) των τιμών γύρω από το μέσο
όρο ∑(xi-x)

55. ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟΔΟΙ – ΚΥΡΙΑ ΜΕΤΡΑ
ΜΕΤΑΒΛΗΤΟΤΗΤΑΣ
1. Δειγματική Διασπορά [s2] και Τυπική
απόκλιση (Τ.Α.) [s] (Variance – Standard
deviation).
Είναι η διασπορά (δλδ. απόσταση) των τιμών από
το μέσο όρο τους. Επηρεάζεται από ακραίες
παρατηρήσεις.
1. Εύρος δείγματος (Range)
Η διαφορά μεταξύ της μεγαλύτερης και
μικρότερης παρατήρησης. Επηρεάζεται από
ακραίες παρατηρήσεις.

56. 2.56
ΕΠΙΛΟΓΗ ΠΑΡΑΜΕΤΡΙΚΗΣ Ή ΜΗ-
ΠΑΡΑΜΕΤΡΙΚΗΣ ΑΝΑΛΥΣΗΣ
 Παραμετρική όταν είμαστε σίγουροι ότι ο
πληθυσμός από όπου προέρχεται το δείγμα μας
ακολουθεί κανονική κατανομή ως προς τη μεταβλητή
που μας ενδιαφέρει.
 Μη-παραμετρική όταν:
 Η μέτρηση κωδικοποιείται ως ιεραρχική σειρά (δηλαδή
έχουμε ιεραρχική μεταβλητή), π.χ. σειρά επίδοσης
μαθητών σε μια τάξη, αξιολόγηση ταινίας με αστέρια
 Υπάρχουν (ακραίες) τιμές εκτός κλίμακας μέτρησης, π.χ.
πολύ χαμηλές/υψηλές. Στη μη παραμετρική ανάλυση τις
αντικαθιστούμε με τυχαίες χαμηλές/ψηλές τιμές, αφού δε
παίζει ρόλο η ακριβής μέτρηση αλλά η σειρά στην
ιεράρχιση
 Πληθυσμός δεν προέρχεται από κανονική κατανομή

57. ΤΥΠΟΙ ΚΑΤΑΝΟΜΩΝ
 Κανονική κατανομή (αριστερά)
 Θετική Ασσυμετρία (κέντρο)
 Αρνητική Ασσυμετρία (δεξιά)
 Στη θετική ασυμμετρία η κορυφή της κατανομής
πλησιάζει τον άξονα Υ, ενώ στην αρνητική
απομακρύνεται
Υ
Χ
Υ Υ
Χ
Χ

58. ΑΝΤΙΣΤΟΙΧΙΑ ΠΑΡΑΜΕΤΡΙΚΩΝ ΚΑΙ ΜΗ-
ΠΑΡΑΜΕΤΡΙΚΩΝ ΑΝΑΛΥΣΕΩΝ
Παραμετρική μέθοδος Ισοδύναμη Μη-Παραμετρική
t-test ενός δείγματος Τεστ του Χ2
(Chi-square test for goodness
of fit)
t-test ανεξάρτητων ομάδων Mann-Whitney U test
t-test επαναλαμβανόμενων
μετρήσεων
Wilcoxon Signed Rank test
ANOVA ενός παράγοντα,
ανεξάρτητες μετρήσεις
Kruskal-Wallis test
ANOVA ενός παράγοντα,
επαναλαμβανόμενες μετρήσεις
Friedman test

59. 2.59
Είδος δεδομένων
Στόχος Παραμετρική ανάλυση
(πληθυσμός με κανονική
κατανομή)
Μη παραμετρική ανάλυση
(μη κανονική κατανομή)
Περιγραφή ενός γκρουπ Μέσος όρος, Τυπική Απόκλιση Διάμεσος, ενδο-τεταρτημοριακό
εύρος
Σύγκριση ενός γκρουπ με
μια υποθετική μέτρηση
t test ενός δείγματος Wilcoxon test
Σύγκριση δυο ανεξάρτητων
γκρουπ
t test ανεξάρτητων μετρήσεων Mann-Whitney test
Σύγκριση δυο εξισωμένων
γκρουπ / επαναλαμβ. μετρ.
t test επαναλαμβανόμενων
μετρήσεων
Wilcoxon test
Σύγκριση 3 ή περισσοτέρων
ανεξάρτητων ομάδων
ANOVA ανεξάρτητων μετρήσεων
(One-way)
Kruskal-Wallis test
Σύγκριση 3 ή περισσοτέρων
εξισωμένων ομάδων /
επαναλαμβ. μετρ.
ANOVA επαναλαμβανόμενων
μετρήσεων (Repeated-measures)
Friedman test
Σχέση μεταξύ δυο
μεταβλητών
Συσχέτιση Pearson Συσχέτιση Spearman
Πρόβλεψη μεταβλητής από
μια άλλη μεταβλητή
Απλή γραμμική παλινδρόμηση
(ή απλή ή πολλαπλή μη
γραμμική παλινδρόμηση)
Μη παραμετρική παλινδρόμηση
Πρόβλεψη μεταβλητής από
πολλές άλλες μεταβλητές
Πολλαπλή γραμμική
παλινδρόμηση
(ή πολλαπλή μη γραμμική
παλινδρόμηση)

60. ΣΎΓΚΡΙΣΗ ΜΈΣΩΝ ΌΡΩΝ
 Όλοι οι μέσοι όροι προκύπτουν από επιμέρους τιμές που δεν
ταυτίζονται με τον μέσο όρο
 Συχνά καμιά τιμή της ομάδας δεν ταυτίζεται ακριβώς με τον
μέσο όρο
 Αυτή την φυσιολογική διακύμανση εκφράζει και η τυπική
απόκλιση
 Παρομοίως, ένας μέσος όρος μιας ομάδας είναι αναμενόμενο να
διαφοροποιείται από τον μέσο όρο μιας άλλης ομάδας
 Πώς μπορώ να ξέρω αν η διαφοροποίηση αυτή εκφράζει μια
φυσιολογική διακύμανση ή μια ουσιώδη διαφορά μεταξύ των
δυο ομάδων;
 Θα πρέπει να βρω ένα τρόπο μέτρησης/εκτίμησης της φυσιολογικής
διακύμανσης
 Έχουμε ήδη γνωρίσει μια μέτρηση της φυσιολογικής διακύμανσης των
μέσων όρων διαφορετικών δειγμάτων γύρω από τον πραγματικό μέσο
όρο του πληθυσμού: το τυπικό σφάλμα

61. T-TEST ΓΙΑ ΑΝΕΞΑΡΤΗΤΕΣ ΟΜΑΔΕΣ
 Independent t-test:
 Χρησιμοποιείται όταν υπάρχουν 2 ομάδες, με διαφορετικούς
συμμετέχοντες σε κάθε ομάδα
 Παράδειγμα: Χρησιμοποιήσαμε 2 ομάδες των 10 ατόμων, μια ομάδα
διάβασε ένα βιβλίο εκλαϊκευμένης Ψυχολογίας, και η άλλη διάβασε το
περιοδικό Marie Claire.
 Εξαρτημένη μέτρηση: βαθμός ευτυχίας από τη σχέση τους (έστω ότι η μέτρηση είναι
αντικειμενική – “ευτυχιό-μετρο”).
 Αφού κάνουμε την ανάλυση παίρνουμε τα ακόλουθα αποτελέσματα:
Αποτελέσματα t
test: t, df, sig
Περιγραφικός
πίνακας (Μ.Ο., Τ.Α.)

62. ΕΡΜΗΝΕΙΑ ΚΑΙ ΑΝΑΦΟΡΆ ΤΟΥ
ΑΠΟΤΕΛΈΣΜΑΤΟΣ ΤΟΥ T-TEST
 Κατά μέσο όρο, ο βαθμός ευτυχίας από τη σχέση μετά την
ανάγνωση του Marie Claire (M = 24.20, SE = 1.49) ήταν
στατιστικά μεγαλύτερος από το βαθμό ευτυχίας μετά την
ανάγνωση του βιβλίου εκλαϊκευμένης ψυχολογίας (M =
20.00, SE = 1.30), t(18) = 2.12, p = .048)

63. ΣΥΣΧΕΤΙΣΗ
 Στόχος: Η διερεύνηση της σχέσης μεταξύ
μεταβλητών.
 Τι συμβαίνει σε 1 ή περισσότερες μεταβλητές όταν μια
2η μεταβλητή αλλάζει?
 Αυτή η σχέση εκφράζεται από τον Συντελεστή
συσχέτισης
 Μέτρηση του βαθμού της σχέσης μεταξύ 2 μεταβλητών
 Κυμαίνεται από το -1 μέχρι +1

64. ΕΙΔΗ ΣΥΣΧΕΤΙΣΕΩΝ
Θετική συχέτιση
Όσο αυξάνεται η
μια μεταβήτή,
αυξάνεται και η
άλλη
Π.χ. Όσο
περισσότερα
τα χρόνια
εκπαίδευσης,
τόσο
μεγαλύτερος ο
ετήσιος μισθός
Αρνητική συσχέτιση
Όσο αυξάνεται η
μια μεταβήτή,
μειώνεται η άλλη
Π.χ. Όσο
αυξάνεται η
ταχύτητα
τρεξίματος,
τόσο
μειώνονται τα
αποθέματα
αντοχής

65. ΣΥΣΧΕΤΙΣΗ
 Συντελεστής συσχέτισης (r)
 Μέτρηση τόυ βαθμού της σχέσης μεταξύ 2 μεταβλητών
➢ Όσο μεγαλύτερος ο συντελεστής συσχέτισης, τόσο
δυνατότερη η σχέση των 2 μεταβλητών (ανεξαρτήτως
προσήμου)
➢ Το πρόσημο δίνει πληροφορίες για την κατεύθυνση της
συσχέτισης, ενώ η απόλυτη αριθμητική τιμή (0-1) την
ισχύ της συσχέτισης (απόσταση σημείων από γραμμή
παλινδρόμησης)
 r > .30 → Χαμηλή συσχέτιση
 r > .50 → Μέτρια συσχέτιση
 r > .70 → Υψηλή συσχέτιση
 r = .80 → Πολύ υψηλή συσχέτιση

66. Χαρακτηριστικά της
συνάφειας/συσχέτισης
Συμβολίζεται με το γράμμα r
Βαθμός = -1 μέχρι + 1
Κατεύθυνση = Θετική ή αρνητική
Μορφή = ευθύγραμμη ή καμπυλλόγραμμη
Ποσοτικοποιεί την σχέση μεταξύ 2 μεταβλητών
0.00 – 0.20 = μηδενική, ελάχιστη σχέση – επίδραση
0.20-0.50 = μέτρια επίδραση
0.50 – 0.80 = ισχυρή επίδραση
0.80 – 1.00 ισχυρότατη επίδραση
-1.................-0.5..................0.................+0.5..................+1

67. Χαρακτηριστικά της
συνάφειας/συσχέτισης
Μελετώντας την σχέση μεταξύ 2 μεταβλητών εσείς
επικεντρώνεστε στον
βαθμό
και την κατεύθυνση
δηλαδή αν είναι μικρή, μέτρια ή ισχυρή
και αν είναι θετική ή αρνητική
-1.................-0.5..................0.................+0.5..................+1

68. ΕΙΔΗ ΣΥΝΤΕΛΕΣΤΏΝ ΣΥΣΧΈΤΙΣΗΣ
 Pearson’s r
Προϋποθέσεις
 Ίσων διαστημάτων /
Αναλογική κλίμακα
 Ευθύγραμμη σχέση
 Spearman’s rho
Προϋποθέσεις
 Ιεραρχική κλίμακα
 Ευθύγραμμη σχέση

69. Συνάφεια/συσχέτιση
μεταβλητών
0 1 2 3 4 5 6
0
8
16
24
30
35
40
Γεύματα ανά μέρα
Ωρών
άσκησης
.
.
.
. .
. .
. . .
.
. .
.
. .
.
.
.
.
Σχήμα 2. Συνάφεια μεταξύ ωρών άσκησης και γευμάτων.