Professional Documents
Culture Documents
2
= d
2
N
Varijanca je mjera disperzije izraena u drugom stepenu, pa je treba vratiti u prvi
stepen, na taj nain dobijamo standardnu devijaciju:
= d
2
N
= standardna devijacija
= zbir
N = ukupan broj podataka
d
2
= odstupanje svakog vrijednosti numerikog obiljeja od M, dignuto na kvadrat.
Standardna devijacija je mjera devijacije ( odstupanja) svakog pojedinog podatka od
M.
Iz negrupisanih podataka devijaciju raunamo pomou osnovne formule ( tabela
26.)
I izraunava se M,
II svaki pojedini rezultat se oduzme od M i daje se x ili d
III odstupanja kvadriramo x
2
d
2
IV sumiramo kvadrate d
2
V sumu kvadrata podijelimo sa sa brojem sluajeva N
VI kojrijenujemo = d
2
N
Izraunavanje iz grupisanih podataka
Izraunava se na dva naina:
a) na osnovu razrednih sredina i
b) pomou proizvoljne ishodine take
Izraunavanje na osnovu razrednih sredina:
- podatke grupiemo u razrede,
- odredimo razredne sredine Xi
- odredimo f
- izraunamo proizvode fXi i sumiramo ih fXi
- izraunamo razlike Xi M= xi
- kvadriramo xi svakog pojedinanog razreda i sumiramo ih fXi
2
- pristupamo raunanju po formuli: = Fx
2
N
Izraunavanje pomou proizvoljne ishodine take
- podatke grupiemo u razrede,
- odredimo f
- razred sa najveom frekvencijom oznaimo sa nula, vie razrede sa 1,2,3, a nie sa -1,-
2,-3.
- Izraunavamo f*d i sumiramo d
2
- Pristupamo raunanj po formuli = d
2
( fd)
2
N N
Korekcija zbog greke koja nastaje grupisanje podataka u razrede
Zbog grupisanja podataka u rezrede dolazi do nepreciznosti, jer se umjesto X kree od
Xi. Ako je broj razreda vei od 10 greka je zanemarljiva, a ko je manji onda se vri korekcija
epardovom formulom:
c=
2
i
12
Kolinik varijabilnosti (koeficijent variacije) V
V je relativna vrijednost varijacije koja pokazuje koliko procenata M iznosi vrijednost
.
V se upotrebljava kada treba uporediti varijabilnost rezultata dvije grupe ispitanika.
Rezultati su dobijeni istim instrumentom, a grupe imaju razliite M. Veliina M pokazuje koja
je grupa postigla bolje rezultate. Koja je grupa homogenija, saznati emo raunajui V po
formuli:
V=*100
N
to je V vee to je homogenost rezultata manja, a varijabilnost vea i obratno.
NORMALNA DISTRIBUCIJA
Normalna distribucija je specifian oblik binomne distribucije. Grafiki prikazano
normalna distribucija ima krivulju u obliku zvona Gaus La Plasova krivulja. Njen oblik je
simetrian i unimodalan, M, Mo i Md su u istoj taki, koja povrinu ispod zvona dijeli na
dvije jednake polovine. Ispod apsise imamo u rasponu od +3 do -3 . Ako se mijenja M ,
krivulja se pomjera desno ili lijevo du apsise. M uvijek ostaje u njenoj sredini. To je osnov
za utvrivanje zanajnosti razlika M sa dva uzorka. Tj. za utvrivanje da li ona pripadaju
istom skupu.
Normalna distribucija je standardizovana ili jedinina distribucija. Tj. za svaku
vrijednost rezultata X nekog obiljeja mogue je odrediti njeno standardizovano obiljeje z
vrijednost. Mjesto svakog pojedinanog rezultata na apsisi izraava se standardizovanoj
veliini koja je mjera udaljenosti tog mjesta od M, izraava se u jedinicama standardne
devijacije.
z= X-M
Pomou naveden formule sirove rezultate prevodimo u standardizovane skorove, koji
omoguavaju poreenje rezultat razliitih ispitanika na istom testu i rezultate istog ispitanika
na razliitim testovima.
Povrine pod krivuljom normalne distribucije
Zvono krivulje normalne distribucije pokriva povrinu koja zbog asimptotinosti
nikada nije stopostotna.
Povuemo li vertikale iz standardizovanih jedinica razgraniiti emo povrinu na 6
dijelova. Zbog simetrinosti polja od M do 1 ili od M do -1 su identina i zahvataju po
34,13% povrine, ukupno 68,26%. Polja od +1 do+2 i od -1 do -2 imaju povrinu po
13,59%. Polja od +2 do +3 i od -2 do- 3 imaju povrinu po 2,15%.
z vrijednost nam govori o postotcima od koliko ispitanika je rezultat nekog
ispitanika bolji ili loiji.
Za z skor od 1,58 odgovara povrina 0,4429 ili 44,29%. U pretkoloni iitavamo 1,5 a
treu cifru 8 u zaglavlju. Predznak nam govori da li su rezultati lijevo ili desno (boljih 50% i
50 % loijih). Pozicija naeg ispitanikaje lijevo i od njega je boljih 94,29% ( 50+44,29), loiji
skor imaju 5,71% ispitanika.
Odreivanje normalne distribucije koa se najbolje podudara sa empirijskom
Normalna distribucija je teorijska distribucija. To znai da je svedena na N=1. M=0 i
= 1. Zahvaljujui standardizaciji sirovi skor X se moe prevesti u stadradizovani skor z. Za
razliku od normalne, empirijska distribucija ima odreeno N, M i .
Da bismo standardizovali empirijsku distribuciju na normalnu trebamo opaene
frekvencije fo empirijske distribucije prevesti u teorijsku frekvencju ft. Tako to za svaki
sirovi skor ili za svaku razrednu sredinu odredmo z vrijednost.
Iz tabele ordinata u normalnoj krivulji oitamo visinu ordinate Y ( tabela B ), zatim je
pretvaramo u teorijsku frekvenciju.
Mjera asimetrinosti Sikjuns
Karl Pirson je na osnovu razlike izmeu Mo i M, osmislio Sikkjuns nagnutost za
odstupanje distribucije ( originalne ili opaene) od normalne. Ukoliko je distribucija
simetrina Mo, Md i M su na istom mjestu. Ukoliko je distribucija asimetri n aM se udaljava
od Mo lijevo ili desno. Sikjuns se u asimetrnim distribucijama kree od -3 do +3, a za
simetrine je nula. Mo ima smisla raunati samo u odreenim uslovima zbog toga sikjuns
ee raunamo na osnovu Md. Md se u asimatrinim distribucija nalazi priblino 2/3
razmaka izmeu Mo i M
Sk= 3* M-Md
Mjera zaobljenosti kurtozis Ku
Ku je mjera zaobljenosti krivulje empirijske distribucije frekvencija. Gr. kurtozis
izboenost. Kod normalne distribucije frekvencija kurtozis je 0,263. Ta vrijednost je
konstanta. Distribucija sa kurtozisom veim od 0,263 su platikurtine. U leptokurtinih
distribucija ( izboenih) kurtozis je manji od 0,263.
Formula za izraunavanje kurtozisa je:
Ku= Q
P
90
-P
10
Ku je mjera zaobljenosti
Q je kvartilno odstupanje
P
90
je devedeseti centil, deseti decil
P
10
je deseti centil, prvi decil
KORELACIONI NIZ
Izraunavanjem korelacije dobivamo novu vrstu parametara koeficijent korelacije
(r), koji nam govori o krakteristikama korelacionog niza, nastalog putem dva mjerenja
iskazanog dijagramom rasprenja. Pokazuje nam ukojoj mjeri su dva obiljeje povezana,
koliko je varijacije jedne pojave uslovljena varijacijom druge pojave.
Odnos dvije pojave varijable moe imati razliit pravac, smjer intenzitet. Dvije
pojave mogu imati razliit kvalitet kauzalnosti, mogu biti u odnosima gdje jedna vrijabla
(nezavisna ) uzrok a druga posljedica (zavisna). U tom sluaju pristupamo korelacionoj
analizi kojom ispitujemo postojanje veze dvije pojave.
Kvalitativnom analizom utvruje se stvarna priroda istraivakih pojava tj. da li je
neka uzrok ili posljedica ili su u uzajamnoj kauzalnoj vezi.
Stohastiki tip povezanosti varira oko funkcionalnih odnosa. Djelovanje varijabli na
druge varijable mogu biti na tri naina:
a) Antecendirajue (predhodee)varijable ( prethode nezavisno i zavisno
promjenjivoj varijabli, uzrokujui ih;
b) Kondicionirajue varijable (upliu se izmeu nezavisno i zavisno promjenlljive,
uslovljavajui ih
c) Eksplanatorne varijble ( slijede nakon nezavisne i zavisne varijable, objanjavajui
ih.
Korelaciona analiza (korelacija) je dio regresivne analize koja se bavi
istraivanjem i izuavanjem pravca(oblika) smjera i jaine veze meu razliitim
pojavama.
Ako istraujemo dvije pojave rije je i bivarijantnoj nalizi, ako istraujemo tri
ili vie pojava radi se o multivarijantnoj analizi - PARTIAL.
Korelacijom se ne dokazuje uzrono posljedina veza meu pojavama u smislu
determinizma, ve samo u smislu testiranja intenziteta ispoljavanja povezanosti meu
posmatranim pojavama.
Koeficijent korelacije se kree u rasponu od +1 do -1. Ako je koeficijent
korelacije 0, to znai da korelacije meu pojavama nema, da mjenjanje jedne pojave
ne utie na promjenu druge varijable. Maksimalna mogue korelacija je +-1, ukazuje
na funkcionalnu vezu meu pojavama. Primjer: odnos duine ivinog stupa i
temprerature tijela.
Za pedagoke pojave karakteristina je stohastika ( vjerovatna nasluena)
korelacija- veza meu pojavama, koja se predoava sa dvije linije. Primjer: veza
rezultata testa srpskog jezika i testa znanja iz istorije, uspjeh u osnovnoj i uspjeh u
srednoj koli, kvbalitet NPP i obrazovnih rezultata uenika...
Ispitivanjem korelacije utvruje se da li su dvije pojave povezane, u kom se
intenzitetu mjenjaju zajedno, da li im je pravac i smjer isti ili razliit, da li se mijenjaju
istog momenta ili uzrono opsljedino.
Pojave koje imaju jedan pravac mijenjanja, imaju linearan pravolinijski oblik
veze, predoavamo ih sa dvije linije koje teku u istom pravcu.
Ako jedno vrijeme imaju isti pravac a zatim razliit, onda je njihov oblik
krivolinijski, predstavlja se krivuljama drugog, treeg reda zavisno od broja promjena
pravca.
Ako je veza izmeu dvije pojave funkcionalna, imaju istu veliinu, isti pravac
mijenjanja perdstavljaju se jednom linijom, ali smjer moe biti isti, rije je o
pozitivnoj korelaciji r=+1. Smjer moe biti razliit, tada je rije o negativnoj korelaciji
r=-1.
Kod pozitivnih korelacija isti je pravac i smjer, porast jedne varijable prati
porast druge varijable.
Negativne korelacije imaju isti pravac a suprotan smjer, porast jedne varijable
linearno prati pad druge varijable.
Kod stohastikih veza imamo lineranu pozitivnu ili negativno korelaciju, ali im
intenzitet zajednikog mijanjanja nije u funkcionalnoj vezi, i vrijednost korelacije je
manjaod +-1 (+0.56 do -0,56), te se predstavlja sa dvije linije.
Intenzitet povezanosti meu pojavama moe se rikazati i grafiki preko
dijagrama rasprenja. Ako je veza meu pojvama funkcionalna, obje pojave se
poklapaju te su predstavljene jednom linijom ( grrafikon A) slika 11. Bilo da je rije o
pozitivnoj ili o negativnoj korelaciji.
Ako je veza stohastika pojave su prestavljene sa dvije linije koje su ukrtaju
pod razliitim uglovima to zavisi od veliine koeficijenta korelacije. to je koeficijent
korelacije manji, to je vei ugao a oblak rasprenja oko linija iri (grafikon B i C
pozitivna i E negativna korelacija).
Ako korelacije nema, ako je r=0, dvije linije se ukrtaju pod pravim uglom,
oblak rasprenja je maksimalno rasprostranjen.
Kod linearnih korelacija koje imaju isti pravac i smjer ( pozitivna korelacija),
obje linije regresije imaju isti pravac ishodita prema gornjem desnom uglu i isti
pravac rastu obje varijable. Primjer X varijabla apsisa koski uspjeh a Y ordinata
vrijeme provedeno u uenju.
Kod linearnih korelacija sa istim pravcem a suprotnim smjerom obje linije
imaju pravac od gornjeg lijevog ugla prema donjem deesnom uglu. Varjabla X raste a
varijabla Y opada. Primjer: loski uspjeh X a Y vrijeme provedeno u kafiu.
Kod krivolinijskih korelacija ( grafikon F) pravac linija regresije dviju varijabli
je jedno vrijeme pravolinijski a zatim dolazi do zakrivljenja jedne od varijabli. Ne
dobija se koeficijent korelacije ve dva odnosa korelacije. Predznak se ne moe
izraunati ve samo procijeniti na osnovu uvida u dijagram rasprenja (skater
dijagrama). Primjer: varijabla X nivo motivacije za pobjedu na fudbalskoj utakmici, a
vaijabla Y vjerovatnoa uspjeha. Porast motivacije prati jedno vrijeme porast
vjerovatnoe uspjeha ali dalji porast motivacije prati opadanje vjerovatnoe uspjeha.
Drugi primjer X starosne dob a Y inteligencija. Porast starosne dobi prati porast
inteligencije, ali nakon dosezanja odreenog platoa dalji porast starosne dobi prati
opadanje inteligencije.
Pirsonov koeficijent korelacije ( produkt moment korelacije)
Pirsonov koeficijent korelacije je osnovni pokazatelj korelacije. Pirson je nagib
za obje varijable izrazio u jedinicama standardne devijacije z vrijednostima. Da bi to
bilo opravdano obje varijable moraju se didtribuirati u skaldu sa normalnom
distribucijom, da su unimodalne i simetrine. Povezanost mora da bude linearna. U
sluaju zakrivljenosti umjesto koeficijenta korelacije treba raunati odnose korelacije .
Koeficijent korelacije je geometrijska sredina odnosa korelacije.
Ukoliko vraijable X i Y ne daju kontinuirane distribucije numerikih nizova,
pri izraunavanju koeficijenta korelacije ne primjenjuje se Pirsonov koeficijent
korelacije, nego neki drugi koji su iz njega izvedeni.
Primjer: uenici III razreda osnovnih kola testirani su sa dva testa X
provjeravanje sabiranja, Y provjeravanje oduzimanja.
Nul hipoteza: Ne postoji statistiki znaajna povezanost u uspjenosti
rjeavanja zadataka sabiranja i oduzimanja kod uenika uz 99% sigurnosti. (0,01%
rizika).
Formula: r
XY=xy ili
r
XY=dxdy
Nxy Nxy
Pirosnov koeficijent korelacije pomou bruto rezultata je ekonominiji i bri
ukoliko se radi digitronom, nije potrebno raunati aritmetika sredinu i standardnu
devijaciju.
Primjer studenti II godine pedagogie na ispitima iz Predkolske pedagogije i
Razvojne pedagoggije. Nul hipteza; Ne postoji statistiki znaajna povezanost
izmeu ocjena iz Predkolske pedagogije i Razvojne pedagoggije uz 95% sigurnosti.
R
xy
= NXY (X) (Y)
NX
2
-( X
2
) Y
2
( Y
2
)
Interpretacija visine i znaenja korelacije
Korelacije predstavljene istim brojevima a razliitim predznakom (r=+0,71 i
r=-0,71) govore nam o istom intenzitetu poveazanosti, razlika je u smjeru povezanosti.
Vii koeficijent korelacije govori o veoj povezanosti, ali ne i da je r= 0,50
dva puta vei od r=0,25. Niti da je 0,42 od -0,21.
Skala koeficijenta nema karakteristike omjerne skale. Nula nije ishodina taka
ve mjesto u kom nema korelacije a ne govori nam o nepostojanju tih pojava.
Koeficijent korelacije je indeksni broj, a ne mjera na linearnoj skali jednakih
jedinica.
Tri su naina interpretacije visine znaaja korelacije:
1. Komencionalni:
a. Od 0 do +-0,20 neznatna korelacija, nebitna povezanost
b. Od +-0,20 do +-0,40 mala korelacija, postoji izvjesna povezanost
c. Od +-040 do +-0,70 umjerena korelacija, stvarna povezanost
d. Od +-070 do +-0,90 visoka korelacoija, bitna povezanost
e. Od+-0,9 0 do +-1 veoma visoka korelacoija, sutinska povezanost
2. Statistiki znaajna povezanost je za pojave 99 i 95% sigurnosti. Zavisi od
veliine uzorka, na malom uzorku je statistki znaajan koeficijent
korelacije za 95% sigurnosti najmanje r= o,997. Uz 99% sigurnosti r=1. Na
veem uzorku sa 95% sigurnosti zahtjeva najmanje r=0,195 uz 99% r=
0,254
3. Logika; oekuje se poznavanje prirode pojave koja se istrauje. Primjer
upotreba lijekova i smrtnog ishoda r=0,20. Drugi primjer: priprema za let i
vonja mlaznog aviona r= 0,85( dua priprema-vea uspjenost)
Izraunavanje Pirsonovpg koeficijenta pomou dijegrama rasprenja
Prije postojanja mogunosti kompjutorskog raunanja korelacije, raunalo se preko
dijagrama rasprrenja. Rezultati su grupisani u razrede i u varijable X i varijablu Y vreno je
korelaciono tabeliranje podataka. tampali su se dijagrami vrasprenja po 15 razreda. Danas
se umjesto izraunavanja Pirsonovog koeficijenta korelacije pristupa izraunavanju dva
odnosa korelacije. Njihovim izraunavanjem se polazi od proizvoljne ishosine take.
Korelacija greke nastale pri izraunavanju Pirsonovog keoficijenta korelacije
zbog grupisanja podataka
Ukoliko je broj razreda manji od 10, dolazi do sistematske greke, dobije koeficijent r
predstavlja se manjim nego to jest. Da bi se to izbjeglo, vri se korelacija pomou
konstantnih faktora korelacije koji su utvreni za Pirsonov koeficijent.
Odreivanje linije regresije
Da bismo na osnovu raspreenja vidjeli da li je dsitribucija pravolinijska ili
krivolinijska, pozitivna ili negativna, poeljno je unijeti linije regresije X iY. Od sutinske je
vanosti meuodnos tih linja, jer je on izraz uoptenih prosjenih odnosa posmatranih
varijabli.
Ishodini pravci linija regresije imaju i praktiku primjenu. Zahvaljujui njima
moemo vriti prognozu najvjerovatnijeg rezultata ispitanika u jednoj varijabli ako nam je
poznat njegov rezultat u drugoj varijabli:
a) Prognoza sa X na Y
elimo li za nekog ispitanika utvrditi najvjerovatniji rezulta na varijabli Y, a znamo da
je na varijabli X postiga rezultat, naprimjer; 29 boda spustiemo iz tog rezultata
okomitu liniju do linije regresije odatle vodoravnu liniju do varijable Y (ordinate) i
iitati vrijednost nrezultata u varijabli Y=30
b) Prognoza sa Y na X
Iz odreene vrijednosti u varijabkliY (npr. Y= 38) povlaimo vodoravnu liniju do
linije regresije a zatim uspravno liniju do varijable X ( apsisa) i iitavamo X=36
Koeficijent determinacije i koeficijent alijenacije
Varijacije jedne pojave ne moemo ni djelimino objasniti drugom pojavom ukoliko
njihova veza nije funkcionalna. Kod pojave koje se u stohastikom odnosu, njihove varijacije
su reverzibilne i u skladu sa prirodom tog odnosa sastavljene iz dva dijela varijacije.
Odnos objanjenog dijela varijacije (YC
2
) i ukupne varijacije naziva se koeficijent
determinacije i ozunaava se sa r
2
r
2
=
YC
2
Y
2
Odnos neobjanjenog dijela varijacije (S
Y
2
) i ukpune varijacije naziva se koeficijent
nondeterminacije k
2
.
k
2
= S
Y
2
Y
2
Zbir r2+k2= 1 to znai da su to komplementarne veliine koje zajedno potpuno
odreuju prostor posmatrane varijable,odnosno ukupnu varijaciju.
Ako koeficijent varijacije nondeterminacije korjenujemo dobijamo koeficijent
alijenacije k, koji za razliku od Pirsonovog koeficijenta ukazuje na stepen nepostojanja
povezanosti. Svakim porastom r dolazi do smanjnja k, ali po krivulji koja je parabolina
(slika12.).
Spirmanov koeficijent korelacije
Poznat je po nazivu Ro, oznaava se sa grkim slovom . Njegovu sutinu najbolje
objenjava naziv RANG korelacija. Ako je uzorak vei od 30 koristimo Pirsonov koeficijent
korelacije, a ako je manjiod 30, onda koristimo Spirmanov koeficijent korelacije.
Kod Pirsonovog koeficijenta korelacije varijable moraju biti numerike (intervalna
skala mjerenja) a kod Spirmanovog koeficijenta korelacije upotrebljavaju se numerke, a
mogu biti i atributivne. Najee je jedna numirka a drug atributivna. Jedna ili obje date su u
obliku RANGA, a ne numerkog niza. Varijacije niza moramo prevesti u rang skalu.
=1-6*D
2
N(N
2
-1)
Primjer: uenici srednje umarske kole (n=15), na testu znanja (intervalna skala)
osvojili su bodove (prikazane u tabele 32 ) a pri praktinom radu u poumljavanju profesor ih
je rangovao( procjena: ordinarna skala).
Moramo ih svesti na ordinarnu skalu.
Nul hipoteza: ne postoji statistiki znaajna povezanost u uspjehu na testu znannja i
procjene kvaliteta rada na vjebama oumljavanja uz 95% sigurnosti.
Ako imamo iste reultate u jednoj varijabli npr. 8 i 8, a nalaze se na 11. i 12. mjestu
piemo m zajedniki rang 11,5, sljedea vrijednost je 13.
Rezultat 11 se pojavljuje 3 puta na 7., 8. i 9. mjestu, zajedniki rang im je 8 a sljedei
je10.
Rezultat sumiranja rangova mora biti 0.
Krivolinijska korelacija
Kod krivolinijskih korelacija nije rije o smjeru kretanja, niti o tome da li porast jedne
varijable prati porast ili opadanje druge varijable, ve o odstupanju od zajednikog pravca, tj.
o dodatnoj promjeni pravca mijenjanja.
U pravolinijkoj korelaciji dvije pojave imaju jedan pravac mijenjanja u krivolinijskoj
korelaciji imaju dva ili vie pravaca. Njihov odnos dvije linije regresije predstavlja se
odnosom korelacije ( grko slovao eta ) kao mjerom intenziteta veze i to dvostruko kao
regresija X na varijablu Y to se iskazuje
XY
i kao regresiju XY i kao regresiju na -
YX.
Primjeri za krivolinijsku korelaciju:
a) starosna dob i inteligencija,
b) sloenost radnih zadataka i inteligencija,
c) starosne dob i elastinost, okretnost,
d) starosna dob i prihvatanje inovacija,
e) motivacija i uspjeh u rad
U navedenim primjerima dvije vatijable jedno vrijeme imaju isti pravac mijenjanja,
zatim dolazi do promjene pravca njihovog mijenjanja. Eta odnos korelacije raunamo preko
dijagrama rasprenja.
Biserijski koeficijent koelacije rb
Pirsonov koeficijent korelacije je opradano raunati samo pod preciznim uslovima koji
u mnogim sluajevima ne mogu biti zadovoljeni. Vrlo esto je jedna varijabla kvantitativna i
kontinuirana a druga dihotomna. Ako ta dihotomija nije stvarna ve rezultat jedne u sutini
kontinuirane varijable na dihotimiju ( zna- ne zna, radi brzo radi sporo) . takvo je grupisanje
svedeno na dva klasna intervala iako se ta varijabla normalno ditribuira, za raunanje
biserijskog koeficijenta koristimo formulu koja se zasniva na hipotezi da je r=0 ne postoji
nikakva razlika izmeu aritmetikih sredina.
Rb= XpYp . pq
x
y
Biserijski koeficijent korelacije rb je aprokismacija za Pirsonov koeficijent korelacije
zbog toga je manje pozdan. Standardna greka za rb je znatno vea nego za Pirsonov
koeficijent korelacije. Opravdano ga je raunati samo uz hipotezu da je r=0.
Primjena rb pri odreivanju diskriminativne vrijednosti zadataka
Diskriminativna vrijednost zadazaka pokazuje u kojoj se mjeri uspjeh ispitanika u
rjeavanju jednog zadatka slae sa njegovim uspjehom u cjelini testa. Prije odreivanja
diskriminativne vrijednosti pojednih zadataka, mora se izvriti analiza njihove teine.
Potrebno je napraviti tabelu u pretkoloni inicijali, imena ili broj ispitanika u zbirnoom redu
ukupan broj ispitanika koji su rijeili test sa brojem i postotkom. Ti nam podaci govore o
teini svakog pojedinog zadatka. Zadatke koji su rijeili svi ili nije niko ne uzimamo za
konanu verziju testa, jer ne dosprinose diskriminativnosti testa. U konanu verziju testa
odabraemo najvie srednje tekih zadataka koji je rijeilo izmeu 35% i 65% ispitanika, i u
priblian omjer zadatke koje je rijeilo manje od 35% i vie od 65%. Zadatke u konanom
testu redamo od najlakeg do najteeg.
Odreivanje dsiskriminitativne vrijednosti svakog pojedinog zadatka izraene
biserijskm koeficijentom korelacije realizuje se kroz etiri koraka:
1. rangujemo ispitanike prema postotku rjeenih zadataka,
2. izaberemo 27% najboljih i 27% najloijih, 46% ne uzimamo u obzir,
3. za svaki pojedini zadatak odredimo proporciju ispitanika iz grupe najboljih i
proporciju najslabijih
4. u tabeli M je aproksimativno odreena vrijednost biserijskog koeficijenta
korelacije iitavamo je na sljedei nain:
a) u zaglavlju tabele M naemo postotak koji je najblii utvrenom postotku
najboljih
b) u pretkoloni naemo postotak koji je najblii utvrenom nkod najslabijih
c) naemo u tabeli polje u ojem se navedena kolona i red sijeku i iitamo
vrijednost rb.
Point biserijski koeficijent korelacije r
pb
U situacijama u kojima je varijabla X kontinuirana a varijabla Y je zaista dihotomna
(pol, zaposlenost, lanstvo u sekciji, uee u aktivnosti) raunamo point biseriski koeficijent
korelacije.
r
pb
= XpYp .q
x
y
Tetrahoriki koeficijent korelacije rt
Dobio je je ime po grkoj rijei tetra to znai etiri, podaci se grupiu u tabele 2X2.
Obje varijable su predstavljene ako dihotomne, premda su one kvantitaivne i kontinuirane.
Tetrahoriki koeficijent korelacije rt je aproksimacija za Pirsonov koeficijent
korelacije.
Fi koeficijen korelacije
Upotrenbljava se kada obje uporeivane distribucije stvaramo dihotomno. Bitno je da
varijable imaju samo po dvije kategorije je se koristimo tablema 2x2 tabele kontingecije.
Rije je o specifinom obliku povezanosti koja se javlja izmeu diskontinuiranih atributivnih
varijabli kod kojih se ne radi o odnosu ( korelacije) dvije rarijable, ve o njihovom sastajanju
(kontingencij).
Fi koeficijent korelacije je u vezi sa hikvadratom.
Parcijalna korelacija (r
1,2,3
)
Korelacija izmeu dvije varijable kojom se iskljuuje uticaj jedne ili vie varijabli na
njihov odnos nazivamo parcijacija ( djelomina) korelacija i oznaava se r
1,2,3
.
Primjer: X visina djeaka, Y teina djeaka, trea varijabla je starosna dob koja je u
tjenjoj korelaciji sa visinom. Da bismo sprijeili uticaj tree varijable u uzorak bi birali samo
djeake iste dobi.
Multipla korelacija
U svakodnevnom ivotu zavisna varijabla je (npr. uspjeh u koli ) nije u vezi samo sa
jednom varijablom naego sa vie njih. One u razliitoj mjeri utiu na zavisnu varijablu. U
tom sluaju izraunavamo viestruku multiplu korelaciju.
Primjer: uspjenost studiranja na I godini studija izraen je visinom prosjeka ocjena
zavisi od vie faktora X
2
test znanja iz pedgogije, X
3
test znanja iz srpskog, X
4
prosjek ocjena
iz srednje kole.
Korelaciona matrica nam slui da ostvarimo laki uvid u interkorelacije varijabli.