Tabulky – příklady Tabulka 1 Deskriptivní statistiky kategorických proměnných Proměnné a jejich úrovně n[KR1] %[KR2] Proměnná 1 Úroveň 1 130 65,0 Úroveň 2 60 30,0 Nezodpovědělo 10 5,0 Proměnná 2 Úroveň 1 100 50,0 Úroveň 2 40 20,0 Úroveň 3 30 15,0 Úroveň 4 20 10,0 Nezodpovědělo 10 5,0 Tabulka 2 Deskriptivní statistiky kvantitativních proměnných Proměnné n[KR3] M SD Mdn IQR Šikmost Proměnná 1 765 14,07 1,99 12,83 3,83 –0,50 Proměnná 2 767 2,27 0,90 2,00 1,00 0,34 Proměnná 3 741 2,01 0,47 2,00 0,70 0,40 Proměnná 4 746 3,06 0,48 3,00 0,63 –0,26 Proměnná 5 751 2,70 0,51 2,67 0,67 –0,24 Proměnná 6 756 1,70 0,32 1,71 0,47 0,07 Poznámka. n – počet osob s platnými hodnotami v dané proměnné. Tabulka 3 Deskriptivní statistiky kvantitativních proměnných Proměnné M SD Mdn IQR Šikmost Proměnná 1 14,07 1,99 12,83 3,83 –0,50 Proměnná 2 2,27 0,90 2,00 1,00 0,34 Proměnná 3 2,01 0,47 2,00 0,70 0,40 Proměnná 4 3,06 0,48 3,00 0,63 –0,26 Proměnná 5 2,70 0,51 2,67 0,67 –0,24 Proměnná 6 1,70 0,32 1,71 0,47 0,07 Poznámka. N = 750. Tabulka 4 Průměry, směrodatné odchylky a Pearsonovy korelace mezi proměnnými Proměnné M SD 1. 2. 3. 4. 5. 6. 1. Proměnná 1 14,07 1,99 – 764[KR4] 738 743 748 753 2. Proměnná 2 2,27 0,90 0,37[KR5] – 740 745 750 755 3. Proměnná 3 2,01 0,47 0,06 0,18 – 732 735 738 4. Proměnná 4 3,06 0,48 0,09 –0,05 –0,52 – 740 741 5. Proměnná 5 2,70 0,51 0,19 0,07 0,04 0,08 – 746 6. Proměnná 6 1,70 0,32 0,07 0,09 0,38 –0,19 0,08 – Poznámka. Nalevo od diagonály jsou uvedeny korelační koeficienty, napravo od diagonály počty dostupných případů pro výpočet dané korelace. Tabulka 5 Průměry, směrodatné odchylky a Pearsonovy korelace mezi proměnnými Proměnné M SD 1. 2. 3. 4. 5. 6. 1. Proměnná 1 14,07 1,99 – 2. Proměnná 2 2,27 0,90 0,37[KR6] – 3. Proměnná 3 2,01 0,47 0,06 0,18 – 4. Proměnná 4 3,06 0,48 0,09 –0,05 –0,52 – 5. Proměnná 5 2,70 0,51 0,19 0,07 0,04 0,08 – 6. Proměnná 6 1,70 0,32 0,07 0,09 0,38 –0,19 0,08 – Poznámka. N = 750. [KR7] Tabulka 6 Vícenásobná lineární regrese s proměnnou Y jako závislou proměnnou Prediktory B 95% CI (B) SE B β t p Dolní Horní Konstanta 2,36 2,04 2,67 0,16 14,68 < 0,001 Proměnná 1 0,01 –0,01 0,02 0,01 0,03 0,89 0,374 Proměnná 2 0,05 0,02 0,09 0,02 0,10 3,12 0,002 Proměnná 3 –0,45 –0,51 –0,39 0,03 –0,46 –15,16 < 0,001 Proměnná 4 0,04 –0,02 0,10 0,03 0,04 1,43 0,154 Proměnná 5 0,42 0,33 0,51 0,05 0,28 9,32 < 0,001 Poznámka. N = 721, R^2 = 0,37, adj. R^2 = 0,36, F(5; 715) = 84,72, p < 0,001. Tučně jsou zvýrazněny β-koeficienty signifikantních (p < 0,05) prediktorů. Tabulka 7 Vícenásobná hierarchická lineární regrese s proměnnou Y jako závislou proměnnou Kroky a prediktory B 95% CI (B) SE B[KR8] β[KR9] t[KR10] p[KR11] ΔR^2 Dolní Horní Krok 1^ 0,03*** Konstanta 1,84 1,60 2,09 0,12 14,90 < 0,001 Proměnná 1 0,00 –0,02 0,02 0,01 –0,01 –0,24 0,807 Proměnná 2 0,09 0,05 0,13 0,02 0,17 4,22 < 0,001 Krok 2 0,27*** Konstanta 3,12 2,83 3,41 0,15 21,34 < 0,001 Proměnná 1 0,01 –0,01 0,03 0,01 0,04 1,21 0,227 Proměnná 2 0,06 0,03 0,10 0,02 0,12 3,52 < 0,001 Proměnná 3 –0,51 –0,57 –0,45 0,03 –0,52 –16,48 < 0,001 Proměnná 4 0,06 0,00 0,12 0,03 0,07 2,08 0,037 Krok 3 0,08*** Konstanta 2,36 2,04 2,67 0,16 14,68 < 0,001 Proměnná 1 0,01 –0,01 0,02 0,01 0,03 0,89 0,374 Proměnná 2 0,05 0,02 0,09 0,02 0,10 3,12 0,002 Proměnná 3 –0,45 –0,51 –0,39 0,03 –0,46 –15,16 < 0,001 Proměnná 4 0,04 –0,02 0,10 0,03 0,04 1,43 0,154 Proměnná 5 0,42 0,33 0,51 0,05 0,28 9,32 < 0,001 Poznámka. N = 721. F-testy a R^2 pro jednotlivé kroky: F(2; 718) = 10,22, R^2 = 0,03 v kroku 1, F(4; 716) = 75,16, R^2 = 0,30 v kroku 2, F(6; 715) = 84,72, R^2 = 0,37 v kroku 3 (všechna p < 0,001). Tučně jsou zvýrazněny β-koeficienty signifikantních (p < 0,05) prediktorů. *p < 0,05, **p < 0,01, ***p < 0,001 Tabulka 8 Vícenásobná hierarchická lineární regrese s proměnnou Y jako závislou proměnnou Prediktory Krok 1 Krok 2 Krok 3 B SE B β B SE B β B SE B β Konstanta 1,84 *** 0,12 3,12 *** 0,15 2,36 *** 0,16 Proměnná 1 0,00 0,01 –0,01 0,01 0,01 0,04 0,01 0,01 0,03 Proměnná 2 0,09 *** 0,02 0,17 0,06 *** 0,02 0,12 0,05 ** 0,02 0,10 Proměnná 3 –0,51 *** 0,03 –0,52 –0,45 *** 0,03 –0,46 Proměnná 4 0,06 0,03 0,07 0,04 0,03 0,04 Proměnná 5 0,42 *** 0,05 0,28 R^2 0,03 0,30 0,37 adj. R^2 0,02 0,29 0,36 F(df) pro R^2 10,22 (2; 718)*** 75,16 (4; 716)*** 84,72 (5; 715)*** ΔR^2 0,27 0,08 F(df) pro ΔR^2 136,24 (2; 716)*** 86,90 (1; 715)*** Poznámka. N = 721. *p < 0,05, **p < 0,01, ***p < 0,001 Tabulka 9 Logistická regrese s Y jako závislou proměnnou Prediktory B SE B Wald df p[KR12] OR[KR13] XX% CI[ ](OR)[KR14] [DEL: :DEL] Spodní Horní Konstanta Proměnná 1 Proměnná 2 Proměnná 3 Proměnná 4 Poznámka. N = 1000[KR15] . χ^2(5) = 468,50, p < 0,001[KR16] , -2LL[KR17] = 724,88, R^2 (Cox & Snell) = 0,37, R^2 (Nagelkerke) = 0,54. Hosmer & Lemeshow test: χ^2(8) = 13,13, p = 0,108. Tabulka 10 Logistická regrese s Y jako závislou proměnnou Kroky a prediktory B SE B Wald df p OR XX% CI[ ](OR)[DEL: :DEL] –2LL Spodní Horní Krok 1 (R^2 =) Konstanta Proměnná 1 Proměnná 2 Krok 2 (R^2 = ) Konstanta Proměnná 1 Proměnná 2 Proměnná 3 Proměnná 4 Poznámka. N = 1000. V tabulce je uváděno Nagelkerkeho pseudo-R^2. Souhrnné testy modelů v jednotlivých krocích: χ^2(2) = , p = (krok 1); χ^2(4) = , p = (krok 2). Tabulka 11 Klasifikační tabulka dle logistického regresního modelu Došlo skutečně k rozchodu? Predikoval model rozchod? Celkem Ne Ano Ne 649 (65 %)[KR18] 67 (7 %)[KR19] 716 (72 %) Ano 117 (12 %)[KR20] 167 (17 %)[KR21] 284 (28 %) Celkem 766 (77 %) 234 (23 %) 1000 (100 %) Poznámka. Cut-off kritériem pro klasifikaci byla 50% predikovaná pravděpodobnost rozchodu. Senzitivita = 0,59, specificita = 0,91, prediktivní hodnota pozitivního výsledku = 0,71, prediktivní hodnota negativního výsledku = 0,85. [KR22] Tabulka 12 Deskriptivní statistiky souboru 1 podle typu školy Typ školy n M SD[KR23] XX % CI (M)[KR24] Cohenovo d Dolní Horní ZŠ SŠ ZŠ 100 3,00 1,00 2,00 4,00[KR25] SOŠ/SOU 100 3,00 1,00 2,00 4,00 1,00 Gymnázium 100 3,00 1,00 2,00 4,00 1,00 1,00[KR26] Celkem 300 3,00 1,00 2,00 4,00 Poznámka. ZŠ = základní škola, SOŠ = střední odborná škola, SOU = střední odborné učiliště, NS = náboženské sdružení nebo spolek. Tabulka 13 Deskriptivní statistiky souboru 2 podle školy, generace a členství v náboženském sdružení Generace a členství v NS ZŠ SOŠ/SOU Gymnázium Celkem M SD n[KR27] M SD n M SD n M SD n Generace 1995 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 Členové NS 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 Nečlenové NS 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 Generace 2010 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 Členové NS 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 Nečlenové NS. 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 Členové NS 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 Nečlenové NS 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 Celkem 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 1,00 1,00 100 Poznámka. ZŠ = základní škola, SOŠ = střední odborná škola, SOU = střední odborné učiliště, NS = náboženské sdružení. Tabulka 14 Three-way ANOVA s preferencí materiálních hodnot jako závislou proměnnou Prediktory Součet čtverců (III. typu)[KR28] df Střední[KR29] čtverec F p[KR30] parciální η^2 (Průsečík) Generace Škola Členství Generace × Škola Generace × Členství Škola × Členství Generace × Škola × Členství Chyba[KR31] (Reziduum) Poznámka. Členstvím se myslí členství v náboženském sdružení. Test celkového modelu: F(df1; df2) = X,XX, [KR32] p = X,XXX, R^2 = X,XX, adj. R^2 = X,XX.[KR33] Všechny efekty jsou fixní. Tabulka 15 Lineární víceúrovňová regrese s výší darované částky (Kč) jako závislou proměnnou Model 1[KR34] Model 2 Model 3 Model 4 Fixované efekty Coef SE Coef SE Coef SE Coef SE Průsečík 12,34[KR35] 12,34[KR36] Pohlaví Citrónová vůně Pohlaví × Citrón Náhodné efekty Var SE Var SE Var SE Var SE Reziduum[KR37] Průsečík (skupina) Fit modelu Deviance[KR38] [KR39] Počet parametrů Δχ^2(df)[KR40] R^2 Pozn. Tady patří dodatečné informace např. o kódování kategorických proměnných, o použitém estimátoru (použijte raději maximum likelihood), způsobu výpočtu (rovnice) R^2. *p < 0,05; **p < 0,01; ***p < 0,001 ________________________________ [KR1]Absolutní četnost [KR2]Relativní četnost [KR3]Počet dostupných případů, průměr, směrodatná odchylka, medián, interkvartilové rozpětí a šikmost. [KR4]Dostupné případy pro výpočet dané korelace (pairwise-deletion) [KR5]Hodnoty korelačních koeficientů [KR6]Všechny korelace byly vypočteny pro shodný počet případů (750) [KR7]Korelace byly vypočteny pouze pro kompletní případy (listwise-deletion) a těch bylo 750. [KR8]Standardní chyba regresního koeficientu. Ve výstupu SPSS označena „Std. Error“ [KR9]Standardizovaný regresní koeficient. V SPSS označená jako „Standardized Coefficients Beta“ [KR10]Testová statistika. [KR11]p-hodnota (SPSS značí Sig.). ΔR^2 je přírůstek vysvětleného rozptylu (SPSS značí „R Square Change“) [KR12]p-hodnota (SPSS označuje jako „Sig.). [KR13]Poměr šancí (SPSS označuje jako Exp(B), protože se počítá jako OR = e^B) [KR14]Interval spolehlivosti pro poměr šancí (místo XX doplnit zvolenou úroveň spolehlivosti) [KR15]Velikost vzorku. [KR16]Test modelu (zlepšuje náš model predikci oproti nulovému modelu, který predikuje každému případu stejnou pravděpodobnost odpovídající relativní četnosti té úrovně závisle proměnné, která je kódována „1“). [KR17]-2*Log Likelihood [KR18]Správně negativní výsledek [KR19]Falešně pozitivní [KR20]Falešně negativní [KR21]Správně pozitivní [KR22]Senzitivita = Správně pozitivní/(správně pozitivní + falešně negativní). Čili jaký podíl ze skutečných rozchodů model správně predikoval (při daném cut-off kritériu). Specificita = správně negativní/(správně negativní + falešně pozitivní). Čili jaký podíl ze skutečných „nerozchodů“ model správně predikoval (při daném cut-off kritériu). Prediktivní hodnota pozitivního výsledku = správně pozitivní / (správně pozitivní + falešně pozitivní). Čili u jakého podíl z predikovaných rozchodů skutečně došlo k rozchodu. Prediktivní hodnota negativního výsledku = správně negativní / (správně negativní + falešně negativní). Čili u jakého podíl z predikovaných „nerozchodů“ skutečně nedošlo k rozchodu. [KR23]n je počet osob, M je průměr, SD je směrodatná odchylka [KR24]Interval spolehlivosti pro průměry. Nezapomeňte místo XX dát zvolenou úroveň spolehlivosti. [KR25]Nezapomeňte všude doplnit vlastní hodnoty [KR26]Velikost účinku pro rozdíly mezi skupinami v řádku a sloupci (Cohenovo d) [KR27]Průměry, Směrodatné odchylky a počet osob [KR28]Type III Sum of Squares [KR29]Mean Square [KR30]V SPSS označeno „Sig.“ [KR31]V SPSS řádek „Error“ [KR32]V SPSS na řádku „Corrected Model“ [KR33]V SPSS v poznámce pod tabulkou „Tests of between subjects effects“ [KR34]Model 1 by měl být model bez prediktorů, obsahující jako parametry pouze fixní průsečík, rozptyl náhodných průsečíků a reziduální rozptyl [KR35]B - Tady uvést hodnoty jednotlivých koeficientů a hvězdičkami označit jejich statistickou významnost. [KR36]SE – tady uvést hodnoty standardních chyb [KR37]Náhodných efektů může být více (např. náhodný efekt pohlaví napříč skupinami), v tom případě zde přidejte další řádky [KR38]Deviance je jen jiný název pro -2 Log Likelihood. Pro odhad byste měli použít maximum likelihood místo REML čili /METHOD=ML [KR39]Na tomto řádku mohou být další informační kritéria (např. AIC, BIC). Jinak řádek smažte [KR40]Statistický test ověřující rozdíly mezi fitem komplexnějšího modelu s předchozím modelem. Testovou statistiku χ^2 vypočtete jednoduše jako rozdíl mezi „Deviancí“ obou modelů a stupně volnosti jako rozdíl mezi počty parametrů.