·         Odevzdávané úkoly obsahují 3 soubory: data, syntax a zprávu z analýzy. Všechny tři
soubory před nahráním do odevzdávárny prosím zkomprimujte do jednoho archivu (např. RAR, ZIP).

·         Tabulky z SPSS není možné převzít bez dalších úprav. Je vhodné si tabulky z SPSS: (1)
zkopírovat nejprve do Excelu. Z Možností vložení použít Přizpůsobit formátování cíli. Tím se jednak
zruší sloučené buňky a odstraní zbytečné formátování. (2) Odstranit zbytečné sloupce a řádky,
změnit jejich pořadí a případně přidat nové. (3) Upravit formát čísel (smysluplný počet desetinných
míst). (4) Tabulku zkopírovat do Wordu. Z Možností vložení zvolit Použít cílové styly. (5)
V Nástroje tabulky zvolit styl tabulky s vodorovnými čarami a doladit dle Morganové/APA/vzorů ze
seminářů. Existuje více obměn tohoto postupu – dělejte to, jakkoli chcete, jakkoli vám to jde
rychleji. Není volbou se na to vykašlat – z dvouhodinové analýzy to po zacvičení zabere max 5
minut.

·         Tabulky i grafy očíslujte, výstižně pojmenujte a odkazujte na ně v textu. Editujte
popisky grafů včetně názvů os, aby čtenář nemusel pátrat v textu, co znázorněné proměnné znamenají
(grafy i tabulky by měly být srozumitelné samy o sobě). S tabulkami a grafy obecně šetřete, zejm.
pokud daný graf neobsahuje informace, které lze zmínit jednoduše v textu (např. sloupcový graf
průměrů není moc užitečný, protože znázorňuje právě pouze průměry, které lze uvést jednoduše
v textu, ale neposkytuje jiné informace o rozložení dané proměnné). Abyste si ovšem procvičili
tvorbu tabulek a grafů, uvádějte je zejm. tehdy (1) týkají-li se zkoumaných hypotéz; (2) shrnují
větší množství informací (tabulka pro jeden korelační koeficient je zbytečná, tabulka s více
korelacemi dává smysl); (3) poskytují informace, které nelze jednoduše uvést v textu.

·         Neopakujte stejné informace v tabulkách a textu. Text by neměl být opisem všech informací
uvedených v tabulce (nebo naopak). Je ale užitečné v textu zmínit nebo upozornit na vybrané
informace z tabulky, kterým má čtenář věnovat zvláštní pozornost („vypíchnout to důležité“).

·         Není nutné ani žádoucí uvádět co největší počet deskriptivních statistik. Pokud má např.
nějaká kvantitativní proměnná přibližně normální rozdělení, stačí k popisuje její distribuce uvést
průměr a směrodatnou odchylku (pokud ne, můžete uvést navíc např. medián, IQR a míru zešikmení).

·         Vyhněte se dezinterpretacím p-hodnot: p-hodnota pouze říká, jak pravděpodobný je
pozorovaný nebo extrémnější „výsledek“ (testová statistika), platí-li nulová hypotéza (a jsou-li
dodrženy předpoklady použitého statistického testu). Podrobněji sekce 3.5 a předcházející ve
Fieldovi.

·         Hladinu statistické významnosti (α), na základě které se rozhodujete, zda interpretovat
danou statistiku jako podporu pro svou hypotézu, volte uvážlivě. Konvenční α = 0,05 je vhodná pro
konfirmační výzkum s malými vzorky, kdy by nás chyba 1. typu moc nepálila. Když jde velikost vzorku
do stovek a máme hypotézy, na kterých nám záleží, je vhodnější α = 0,01 či 0,005. Nižší α použijeme
také tehdy, pokud na velkém vzorku „explorujeme“ (zkoušíme více různých hypotéz, které nemáme moc
teoreticky podložené). Na malém vzorku bychom neměli explorovat vůbec.  Kdo se chce podívat na to,
jak pravděpodobné jsou různé p-hodnoty za určitých podmínek, nechť vyzkouší
https://rpsychologist.com/d3/pdist/

·         V sekci „Diskuze“ prosím neopakujte to, co je v sekci výsledky, a neuvádějte statistiky.
Můžete zde především shrnout hlavní zjištění (které hypotézy výsledky podpořily, které nikoli) a
také okomentovat velikosti účinku (výsledek může být statisticky významný, ale nemusí být
věcně/prakticky významný – nebo naopak) „preciznost“ odhadů (šířku intervalů spolehlivosti), hlavní
úskalí prezentovaných zjištění (např. malá velikost vzorku a nedostatečná statistická síla apod.),
dodržení/nedodržení předpokladů, robustnost výsledků vzhledem k velikosti vzorku atd.

·         Nehovořte o tom, že hypotéza byla „potvrzena/vyvrácena“, ale o nalezení, či nenalezení
podpory pro svou hypotézu. V tradici NHST a Neyman-Pearsonovské také můžete použít tradiční
„přijetí“ (H1) či „zamítnutí“ (H0) dané hypotézy. Hypotézu nikdy nelze absolutně „prokázat“ nebo
„vyvrátit“, protože vždycky může existovat jiné vysvětlení pozorovaných výsledků (např. prostá
výběrová variabilita).

·         Většinu statistik stačí zaokrouhlit na dvě desetinná místa (podrobněji viz Morganová et
al.), kromě p-hodnot. Ty bývají uváděny s přesností na tři desetinná místa, a pokud je nějaká
p-hodnota nižší než 0,001, uvede se p < 0,001, (nikoli p = 0,000).

·         U většiny výsledků statistických testů je nutné uvést testovou statistiku, stupně
volnosti, p-hodnotu a velikost účinku (nejlépe s intervalem spolehlivosti) + vhodné deskriptivní
statistiky (podrobněji viz Morganová et al.).

·         Statistické zkratky a symboly se většinou píší kurzivou (např. M, SD, t, n, N, r), pokud
se ovšem nejedná o řecká písmena; ta zpravidla kurzivou uvedeny NEbývají (např. α, β, Δ, χ^2).

·         Nestanovujte si raději alternativní hypotézy, které předpokládají „nulový efekt“ (např.
že neexistuje žádný rozdíl mezi průměry). Ze statistického hlediska není možné přinést důkazy
podporující alternativní hypotézu, která říká, že efekt je přesně nulový, ale je možné ověřit tzv.
ekvivalenci – to znamená, zda efekt nepřesahuje stanovené rozmezí hodnot a je možné jej považovat
za prakticky nevýznamný, viz
http://daniellakens.blogspot.com/2016/12/tost-equivalence-testing-r-package.html

·         Jak prostřednictvím naší šablony prezentovat více analýz na jedněch datech?  Sekce Metoda
zůstává jen jedna. Sekce Výsledky je pak může být vnitřně strukturována. Podle míry odlišnosti mezi
jednotlivými analýzami zvážíme, zda může být pasáž o chybějících datech a popisné statistiky
společná. Může být, ale nemusí. Analýzy samotné jsou pak uvedeny pod samostatnými nadpisy.

·         Přiložený syntax opatřete krátkými komentáři, aby bylo i nezasvěcenému čtenáři zřejmé, co
který blok kódu dělá. Je to důležité proto, aby se jiné osoby dokázaly v syntaxu rychle
zorientovat, ale také proto, abyste se dokázali v syntaxu rychle zorientovat vy sami, vrátíte-li se
k nějaké starší analýze, kterou už nemáte v paměti. Před odevzdáním syntaxu se ujistěte, že funguje
bez problémů, nejlépe tak, že si nejdříve zavřete všechna okna SPSS, poté znovu otevřete soubor
s daty a soubor se syntaxem a nakonec celý syntax spustíte a zkontrolujete výstup (output) a
případné chybové zprávy.

·         Neodstraňujte extrémní případy jenom proto, že se jedná na základě nějakého statistického
kritéria o extrémní případy, pokud se nejedná o zjevnou chybu v datech, nereálnou hodnotu nebo
zjevně nevalidní odpověď (např. někdo uvedete, že jeho věk je 999 let). Vždy je třeba odstranění
extrémních případů dostatečně zdůvodnit a, pokud možno, provést „analýzu senzitivity“ – zjistit,
jak se liší výsledky a závěry analýzy, provedeme-li ji s extrémními případy a bez nich.

·         Pokuste se vždy ověřit předpoklady použitého statistického testu/modelu. Jejich přehled a
způsob ověření podrobně popisuje Field. Některé předpoklady lze ověřit již před samotnou analýzou
(např. intervalová úroveň závisle proměnné) a případně zvolit jiný postup analýzy (např. když si
uvědomíte, že Vámi zvolená závisle proměnná je dichotomická, nepožijete lineární regresi, ale např.
regresi logistickou). Ve zprávě se snažte popsat, jakým způsobem jste předpoklady ověřili, co jste
zjistili (které předpoklady byly/nebyly dodrženy, který předpoklad byl „nejpochybnější“), případně
proč lze/nelze považovat výsledky za „robustní“ (pohybuje-li se např. velikost vzorku v řádu stovek
osob nebo více, snižují se obvykle nároky na „normalitu“ reziduí).