Anikó- 4-es feladatsor 

1.a,   Ellenőrizzük azt a hipotézisünket, hogy a KORKAT2 változó kategóriája azonos arányban fordul elő a sokaságban!

-illeszkedés vizsgálat, Chi Square (azonos arány a kulcsszó)

-Hipotézis: a változó kategóriái azonos arányban fordulnak elő  
 

→Analyze 

→ Non parametric 

→Chi Square 

   Test Variable List-be

PASTE 
 

-megjelenik a TÁBLÁZAT:  Test Statics kell, onnan kiolvassuk a a Sig értékét, majd DÖNTÜNK:

EREDMÉNY: Sig: 0,00        alfa: 0,05, mivel alfa a naygobb ezért elvetjük

HIPOTÉZIS: a változó kategóriái nem azonos arányban fordulnak elő 

1. b,  Illeszkednek-e adataink ahhoz a hipotézishez, hogy ugyanennél a változónál a 3 korcsoport létszámának egymáshoz viszonyított aránya 35-35-30?

• illeszkedés vizsgálat, Chi Square statisztika
• Hipotézis: a 3 korcsoport egymáshoz viszonyított arány 35-35-30 a sokaságban

        →Analyze 

        →Non parametric

      →  chi square 

     Test Variable List

Rákatt: Values

• Utána rublikába :

                  35  add

                   35    add

30. Add

Chi négyzet statisztikát haszn. 
 

• Megjelenik a TÁBLÁZAT: megkeressük a statisztika értékét a Chi Square rubrikánál, pl: értéke 5,144, megkeressük  a hozzá tartozó Sig értéket pl: 0,076, majd DÖNTÜNK

EREDMÉNY:   alfa: 0,05       Sig: 0,076, mivel Sig a nagyobb, ezért megtartjuk a HIPOTÉZIST!!!! 

   Igaz-e, hogy a változó kategóriái azonos arányban fordulnak elő? NEM 
 

2. Binominális teszttel ellenőrizzük azt, hogy az EU csatlakozást támogatók aránya pontosan 80%!!

-binominális teszt kulcsszava, ha %-ot ad meg a szövegben

-Hipotézis: az EU csatlakozást támogatók arány a pontosan 80% 

→Analyze 

→Non parametric 

→ Binominal 

   Test Variable

Azt hogy melyik változót rakjuk bele:

→Utilities  

→Variables          -ből kell megtalálni!!!! 

Test Proportion: 0,80 

PASTE 
 

megjelenik a TÁBLÁZAT:

megkeressük a Sig-hez tartozó értéket és összehasonlítjuk alfával!!! Ha alfa a nagyobb, akkor elvetjük!! 

3. a, Számoljuk ki, hány percig tartott a kérdőívek lekérdezése! A következő képletet kell használni:

  -KÉRDPERC:  60*BEFÓRA+BEFPERC- (60*KEZDÓRA+KEZDPERC), ezt úgy kell csinálni, hogy:  

→Transform 

→Compute 

Target Variable-be beletesszük a kérdpercet, és a  

Numeric Expression-ban pedig végrehajtjuk a műveletet: 60*BEFÓRA+BEFPERC(60*KEZDÓRA+KEZDPERC) 

A művelethez a bal oldali táblázatból kell venni a változókat!!! 

PASTE- 

OK-> így egy új változó jön létre 

4.b, Azokat az értékeket, amelyek hihetetlennek tűnnek (kisebb mint nulla, nagyobb mint 120) kódoljuk át System-Missing hiányzó adattá. 

     → Transform

       →Recode

        →Into Same 

    Variable

Old and New values _ 

Range lowest trough : 0   ADD,

Range throught highest: 121   ADD 

OK 

4. c, Számítsuk ki a KÉRDPERC 10-es alapú logoritnusát!

       LGPERC=LG10 (KÉRDPERC) 
 

→Transform 

→Compute,  

RESET 

Target Variable

Function Group:  Arithmetic

ezután megjelenik egy lista, a listából kiválasztjuk az lg10-et, majd a nyíllal betesszük a helyére.

És a KÉRDPERCET is kiválasztjuk és betesszük a helyére!!

OK 
 

4. d, Készítsünk hisztogramot a KÉRDPERC és LGPERC változókra!! Melyik hasonlít jobban (és mennyiben) a normális eloszlásra? 
 

→Graphs 

→Histogram  

kettőt csinálunk, először a KÉRDPERC-ét  

Variable

  PASTE 
 

→Graphs 

→Histogram 

Variable

PASTE 
 

összehasonlítjuk őket a normális eloszlás miatt, az hasonlít jobban, amelyik hisztogram képe középen helyezkedik el 

4.e, Kolmogorov-Szimornov teszttel ellenőrizzük, tekinthetjük-e a fenti két változó valamelyikét normális eloszlásúnak! Melyik változó illeszkedik jobban a normális eloszláshoz? 

Kolmogorov-Szimornov: akkor kell ez, ha a kérdésben van ez-> vmelyik változó tekinthető-e normális eloszlásúnak?

-Hipotézis: a változó normális eloszlású

- 

→Analyze 

→Non parametric 

One-Sample K. S 

   Test Variable-ba

(ezeket csak együtt rakja be a gép) 

kipipálva:  NORMAL  

PASTE 
 

-megjelenik a TÁBLÁZAT: a 2 változóra külön felírjuk a Kolmogorov-Szmirnov Z értékét és a hozzá tartozó Sig-eket!! Majd mindkét esetben külön DÖNTÜNK!!!

                                  -pl: KÉRDPERC: K. S: 5,740              Sig: 0,00->  H-t elvetjük, mert alfa nagyobb

                                         LGPERC: K. S: 3,465                    Sig: 0,00-> H-t elvetjük mert alfa nagyobb

- 

ahol kisebb a Kolmogorov-Szmirnov értéke, az hasonlít jobban a normális eloszlásra!!!!! 
 
 
 

5.)  

a) Hozzunk létre új változót, amely azt tartalmazza, hogy a KOR szerint sorbarendezve ki hányadik helyen szerepel a listában. (A változó automatikusan az RKOR nevet kapja majd.) 
 

→Transform 

→Rank Cases 

Variables:  

Paste 
 
 

( A VariableView-ban látjuk majd az új változó nevét: RKOR )  
 
 

b) Az így keletkezett ordinális mérési szintű változóval teszteljük, hogy van-e különbség azok életkorában, akik tudják és akik nem tudják az önkormányzati képviselő nevét. 
 
 

→Analyze 

→Non Parametic 

→2 Independent Samples: 
 

Test Variables:  

Kipipálni: Mann Whitney  

Grouping Variable: 

Define Variable: 

Continue 

Paste 
 

H_0: Nincs különbség 

Táblázatból kiolvassuk: 

Mann- Whitney értékét: 121130,500

Sign. értékét:  0,000

Alfa: 0,05 

Sign    <  alfa

0,000      0,05   ezért elvetjük H₀-t , tehát a válasz: van különbség. 
 
 
 

  c) Végezzük el a megfelelő tesztet az eredeti (KOR) változóra is. Ezúttal ezt a változót tekintsük intervallum mérési szintűnek! 
 

EZ ÁLLÍTÓLAG NEM VOLT! 
 

        6.) Van-e összefüggés az együttműködési készség (v91) és az életkor között? A V91-et tekintsük csoportosító változónak, és a kérdést válaszoljuk meg a KOR és az RKOR változókkal is a nekik megfelelő két különböző mérési szinten.

Mindkét esetben olvassuk le, hogy milyen irányú összefüggés van az együttműködés mértéke és az életkor között! 
 

→Analyze 

→Non Parametic 

→K Independent Samples        -       ez akkor ha több kategória van. 

Test Variables: 

Grouping Variables: 

Define Groups:  

Mert itt 5 kategória van! 

Kipiálni: Kruskal.. 

Paste 
 

Táblázatból leolvassuk:  

Stat érték ( Chi² ): 12,861

Sign.érték: 0,012 

Döntés:  sign.     <   alfa          tehát H₀-t elvetjük, és a válasz: van különbség.

             0,012         0,05 
 

7.)  

a, Számoljuk ki a rangkorrelációs együtthatót az RKOR és V91 között! 

( korrelációs együttható) 

→Analyze 

→Correlate 

→Bivariate 

Kipiplálni: Kendell tau 

Variables: 

Paste 

b,   Számoljuk ki   a Pearson-féle korrelációs együtthatót   az RKOR és V91 között ! 

→Analyze 

→Correlate 

→Bivariate 

Kipipálni: Pearson 

Paste 

Mindegyiknél: 

H₀: Nincs kapcsolat 

Mindegyiknél összehasonlítjuk Sign-t és alfát, majd döntünk.     
 
 

8.) Teszteljük, hogy van-e különbség a polgármesterrel (V80) és az önkormányzati képviselővel (V77) való elégedettség között, ha mindkét változót

1. ordinális mérési szintűnek tekintjük!

→Analyze 

→Non Parametic 

→2 Related Samples (= Wilcoxon test ) 

Test Variables: 

Ezeket egyszerre tesszük be 

Kipipálni: Wilcoxon 

Paste 

H₀: Nincs különbség 

Táblázatból kiolvassuk: 

Z= stat. érték: -4,178

Sign: 0,000 

Döntés: Sign <  alfa

        0,000    0,05 

H₀-t elvetjük, tehát van különbség. 

b, Teszteljük, hogy van-e különbség a polgármesterrel (V80) és az önkormányzati képviselővel (V77) való elégedettség között, ha mindkét változót intervallum mérési szintűnek tekintjük! 

ÁLLÍTÓLAG EZ NEM KELL. 
 
 

9.) Van-e különbség a kínaiak (V48M), arabok (V48N) és négerek (V48O) megítélésében? A változókat tekintsük ordinális mérési szintűnek. 
 

→Analyze 

→Non Parametic 

→K Related Samples   ( mert 3 változó, és ezek összefüggnek) 

Test Variables: 

Kipipálni: Fredman 

Paste 

Táblázatból kiolvassuk:  

H₀: nincs különbség 

Chi²  = stat.érték: 424,728 

Sign: 0,000 

Döntés: Sign  <  alfa

       0,000     0,05 

Tehát H₀-t elvetjük, azaz van különbség.