Professional Documents
Culture Documents
Joko Sindik
OSNOVE ISTRAIVAKOG
RADA U SESTRINSTVU
RECENZENTI
dr. sc. Natalija Novokmet, znanstvena suradnica
doc. dr. sc. Joko Vukosav, docent
dr. sc. Draen Kovaevi, znanstveni suradnik
SADRAJ
1. ISTRAIVAKI PRISTUP ...................................................................................................................1
1.1. VRSTE ZNANSTVENIH ISTRAIVANJA PO CILJU ...................................................................2
1.2. KVANTITATIVNA I KVALITATIVNA ISTRAIVANJA ............................................................2
1.2.1. KVANTITATIVNA ISTRAIVANJA ......................................................................................2
1.2.2. KVALITATIVNA ISTRAIVANJA .........................................................................................3
1.3. ISTRAIVANJA RAZVOJA ............................................................................................................3
2. PREGLED ISTRAIVAKOG PROCESA ........................................................................................5
2.1. PODRUJE ZNANSTVENE ANALIZE I DEFINIRANJE POJMOVA .........................................6
2.2. KONKRETNI CILJEVI, ZADACI I HIPOTEZE ISTRAIVANJA ................................................6
2.2.1. ZNANSTVENA PARADIGMA, TEORIJA, HIPOTEZA .........................................................7
2.2.2. CILJ, HIPOTEZA I ZADATAK ................................................................................................8
2.2.3. POSTUPCI DEFINIRANJA HIPOTEZA ..................................................................................8
2.3. VARIJABLE ......................................................................................................................................9
2.4. POPULACIJA I UZORAK ..............................................................................................................10
2.5. OSTALE FAZE ISTRAIVAKOG PROCESA ...........................................................................12
3. IZVORI I VRSTE PODATAKA ..........................................................................................................14
4. VRSTE MJERNIH LJESTVICA I KARAKTERISTIKE MJERNOG POSTUPKA ....................16
4.1. VRSTE MJERNIH LJESTVICA .....................................................................................................16
4.2. KARAKTERISTIKE MJERNOG POSTUPKA ..............................................................................17
4.2.1. VALJANOST ...........................................................................................................................17
4.2.2. POUZDANOST ........................................................................................................................18
4.2.3. OBJEKTIVNOST .....................................................................................................................18
4.2.4. OSJETLJIVOST .......................................................................................................................18
5. POSTUPCI PRIKUPLJANJA PODATAKA .....................................................................................20
5.1. SISTEMATSKO OPAANJE .........................................................................................................20
5.2. MJERENJE ......................................................................................................................................20
5.3. LISTE OZNAAVANJA I SKALE PROCJENE ...........................................................................21
5.4. ANKETA INTERVJU I UPITNIK ...............................................................................................23
5.5. TESTOVI .........................................................................................................................................26
5.6. EKSPERIMENT ..............................................................................................................................26
5.7. OSTALE METODE PRIKUPLJANJA PODATAKA.....................................................................28
5.7.1. STUDIJA SLUAJA ................................................................................................................28
5.7.2. METODA ANALIZE SADRAJA ..........................................................................................29
5.7.3. POSTUPCI ZA NENAMETLJIVO ISTRAIVANJE PONAANJA ....................................29
1. ISTRAIVAKI PRISTUP
Znanost se definira kao traenje reda, zakonitosti u prirodi. Budui da su i drutvo i ovjekovo
doivljavanje dio iroko shvaene prirode, ne treba ih smatrati neobuhvaenim ovim odreenjem
znanosti (Ackoff, 1955). Openito se moe rei da podjela znanosti na prirodne, tehnike, drutvene i
humanistike postaje sve manje vana. Danas se s razvojem tehnologije razvijaju nove znanosti i ukupna
znanost postaje sve vie interdisciplinarna i multidisciplinarna (Vukosav i Zarevski, 2011). Openito,
znanost ima 5 osnovnih ciljeva (Vujevi, 1983):
1. opis pojava kojima se bavi
2. klasifikacija
3. objanjenje
4. predvianje
5. kontrola.
Budui da se ciljevi najee u razvoju neke znanosti javljaju upravo navedenim redom, moe se
opravdano govoriti i o fazama razvoja pojedine znanosti. Najvii stupanj razvoja znanosti jest kontrola
fenomena koji prouava, a najnii opis prouavanih fenomena. Moe se rei da je danas mogua i
djelomina kontrola evolucijskih procesa kao posljedica razvoja genetike i genetskog inenjerstva
(Vukosav i Zarevski, 2011).
Determinizam u prirodnoj znanosti (kao npr. fizici) moe biti potpun odnosno funkcionalan (ako
se dogodi jedan dogaaj, sigurno e se dogoditi i drugi). To se moe izraziti jednadbom: y = f (x)
U drutvenim a najee i u biomedicinskim znanostima ei su tzv. probabilistiki modeli gdje je
oblik jednadbe: y = f (x) + e
Naime, e u jednadbi opisuje pogreku mjerenja (ako se dogodi jedan dogaaj, moda e se dogoditi i
drugi) (Milas, 2005).
Znanstvena metoda je skup spoznajno-epistemolokih naela, logikih i proceduralnih pravila
koje znanost kao djelatnost primjenjuje u znanstveno-istraivakoj praksi. Znanstveno istraivanje je
sustavan nain postavljanja pitanja i sustavan nain odgovaranja na njih (iri, 2003).
Razlika izmeu znanstvenog i svakodnevnog miljenja je u tome to je znanstveno miljenje:
a) sistematino (upravljeno na ograniena podruja u dobro definiranim uvjetima)
b) objektivno (upravljeno na pojave i stvari kakve jesu, neovisno o naim ili tuim eljama)
c) neprestano kontrolirano (to se tie uvjeta prikupljanja podataka)
d) verificirano (izvrgnuto stalnoj kontroli dobivenih rezultata i metoda njihova dobivanja)
e) opreznost u generaliziranju (uvijek zakljuujemo u terminima vjerojatnosti, a ne apsolutne
istine (Vujevi, 1983).
Ispitivanje je ui pojam od istraivanja i odnosi se na posebne postupke odnosno metode kojima
se prikupljaju podaci. Drugim rijeima, opaaju se, prikupljaju i evidentiraju injenice o fenomenima
(pojavama i procesima) iz objektivne stvarnosti. Podaci se potom sreuju i obrauju takoer posebnim
postupcima ili metodama (iri, 2003).
Puno je podjela vrsta znanstvenih istraivanja. za potrebe ovog kolegija, odabrat e se tri takve podjele.
dijelom istim ispitanicima, istim instrumentima vri mjerenje u najmanje dvije odijeljene
vremenske jedinice. Takvim istraivanjima najee se prati razvoj nekih varijabli tijekom
vremena. Zadravajui iste ispitanike (ili barem kohorte tj. populaciju koja ima isto iskustvo)
izbjegava se slabost viekratnog ispitivanja istim instrumentima na razliitim uzorcima (iri,
2003). Primjer ovakvih pogrenih zakljuaka je interpretacija po kojoj starije osobe protekom
vremena postaju konzervativnije (u biti to moemo zakljuiti samo ako ispitujemo iste ljude).
(Marui, 2004). Istraivanje nekog biomedicinskog fenomena moe biti: doprinos osnovnom znanju
(teorijskom objanjenju) nekog dijela biomedicinske stvarnosti (npr. teorija nastanka neke bolesti);
vrednovanje neke zdravstvene drutvene akcije (programa, npr. kampanje protiv puenja) ili pokuaj da
se znanstvenim pristupom rijei neki sasvim konkretni praktini problem (npr. treba li ljude cijepiti
protiv gripe odreenim cjepivom).
U ovoj knjizi pojma cilj ne koristi se kao sinonim pojma problem, koji se ee koristi u hrvatskoj psiholokoj literaturi.
Naime, u hrvatskoj znanstvenoj terminologiji ova znaenja nisu sasvim usklaena. U nekim znanostima, problem se
poistovjeuje s predmetom (tj. uim podrujem) istraivanja, dok je u drugim (kao to je veinom psihologija), problem
sinonim cilja, tj. istraivakog pitanja, u skladu s kojim se formulira istraivaka hipoteza. Drugim rijeima, u ovoj je
knjizi rije problem sinonim za predmet istraivanja (problem = predmet).
Na istom primjeru, zamijetivi da u praksi puai ee boluju od maligne bolesti plua, induktivnim
putem doli bismo do hipoteze, odnosno skupa hipoteza (teorije) koje ukazuju na potencijalne korelate i
uzroke maligne bolesti plua.
2.3. VARIJABLE
Prethodno opisanim postupkom operacionalizacije definiraju se varijable istraivanja. Varijable
su kvantitativna ili kvalitativna svojstva fenomena koji su predmet istraivanja. Ili: predmete analize koji
se operacionaliziraju i tako odreeni istrauju, tj. mjere, nazivaju se varijable (iri, 2003).
U znanstvenom istraivanju se postavljaju pitanja o stanju ili meusobnim odnosima svojstava
nekog fenomena kod pojedinanog sluaja ili pak kod vie sluajeva. Svaki entitet (predmet
promatranja, odnosno svojstvo koje se promatra) u istraivanju posjeduje vie kvantitativnih i
kvalitativnih obiljeja (svojstava) i u razliitim je odnosima s drugim fenomenima i njihovim obiljejima
(Milas, 2005). Sva obiljeja pojedinanih entiteta (fenomena) variraju u kvantiteti i kvaliteti, pa se u
istraivanjima nazivaju varijablama. Primjerice, tjelesna masa je entitet koji se razlikuje kod razliitih
pojedinaca u veoj ili manjoj mjeri, i mjerimo ju vagom.
Po svojoj prirodi i metrijskoj definiciji varijable se dijele na kvantitativne i kvalitativne.
Kvantitativne varijable su svojstva (obiljeja) istraivanog fenomena ili entiteta kojima se moe odrediti
koliina ili intenzitet i eventualno smjer na nekoj mjernoj ljestvici (Petz, 1985). Iskazuju se brojanim
simbolima (npr. tjelesna masa u kilogramima).
Kvalitativne varijable su svojstva (obiljeja) fenomena ili entiteta kojima se moe odrediti razliit
modalitet u pojavljivanju i koji se iskazuju atributima (npr. spol).
Ovisno o formulaciji istraivakog pitanja, u svakom istraivanju se mogu identificirati zavisne i
nezavisne varijable. Kada je rije o odnosima izmeu zavisnih i nezavisnih varijabli valja istai da se u
mnogim istraivanjima fokus stavlja na utvrivanje jednostavne povezanosti (korelacije) izmeu
razliitih obiljeja zavisnih i nezavisnih varijabli. Tek kada se otkriju vrste i stabilne povezanosti u
daljnjim istraivanjima se fokus moe usmjeriti na otkrivanje uzrono-posljedine (kauzalne) veze
izmeu varijabli (Petz, 1985). Primjerice, premda je pronaena povezanosti izmeu brojnih rizinih
faktora (npr. puenje) i razliitih bolesti, ne znai da ti rizini faktori i uzrokuju tu bolest (one nisu
jedini uzronici).
Zavisne (kriterijske) varijable su obiljeja fenomena (entitet)a o ijim stanjima ili promjenama
se u istraivanju eli neto spoznati. To je varijabla (fenomen, pojava) koja se mjeri u eksperimentu. Cilj
eksperimenta je utvrditi da li i kako se mijenja zavisna varijabla u vezi s promjenama nezavisne
varijable (Bujas, 1967). U eksperimentu se obino koristi vie zavisnih varijabli kako bi se odreeni
fenomen koji se ispituje to bolje zahvatio (npr. vie indikatora zdravstvenog stanja).
Nezavisne varijable su obiljeja fenomena ili entiteta pomou kojih se opisuju ili klasificiraju
zavisne varijable ili se prouava priroda njihova odnosa sa zavisnim varijablama. To je varijabla koja se
10
u eksperiment namjerno unosi i mijenja da bi se provjerilo utjee li na zavisnu varijablu, a ako utjee, da
bi se utvrdilo u kakvom su odnosu prema zavisnoj varijabli (naziva se jo i eksperimentalna varijabla)
(Bujas, 1967).
Nezavisna varijabla moe biti bilo koji fenomen ili pojava u okolini (vrsta treninga, spol, dobna grupa,
itd.).
Jednostavnije reeno, nezavisne varijable su predmet prouavanja, tj. mjeri se njihov uinak na
zavisne varijable. Mijenjaju se stanja (veliine) u nezavisnoj varijabli/ama i promatra se kako one
djeluju na zavisne varijable koje se predstavljaju kao funkcija nezavisnih (Petz, 1985).
Primjerice, kanimo li istraivati efekte novog lijeka na indikatore zdravstvenog stanja, novi lijek bit e
nezavisna varijabla, a zdravstveno stanje zavisna. U spomenutim analizama agresivnog ponaanja u
odnosu na spol, spol e biti nezavisna varijabla, a mjere agresivnog ponaanja zavisne varijable.
11
1. Najpoznatiji uzorak uz primjenu teorije vjerojatnosti je jednostavni sluajni uzorak, tj. onaj
kod kojega svaki lan populacije ima jednaku ansu da bude izabran u uzorak (dobiva se
upotrebom tablice sluajnih brojeva ili izvlaenjem iz bubnja).
2. Sline karakteristike ima i tzv. sistematski uzorak, tj. kada se iz populacije odabere svaki N-ti
lan: npr. ako bismo iz populacije, koja broji 1000 ljudi, eljeli uzorak veliine N = 100, u
uzorak bismo uzeli svakog desetog ovjeka iz abecednog popisa tih 1000 ljudi.
3. Ako se populacija sastoji iz nekoliko razliitih slojeva - stratuma (npr. ljudi razliitog stupnja
strune spreme), i sam uzorak mora sadravati te iste slojeve u istoj proporciji u populaciji, pa
moramo unaprijed odrediti postotak svakog sloja u uzorku (prema postotku u populaciji), a
lanove unutar svakog sloja birati po principu sluajnog uzorka. Takav se uzorak naziva
stratificiranim uzorkom.
4. Kod cluster uzorka ili uzorka skupina populacija se podijeli u nekoliko grupa (clustera), pa se
po sluaju odabere izvjestan broj takvih grupa, i izvri mjerenje svih lanova tih grupa (Milas,
1985).
b) Uzorci bez primjene teorije vjerojatnosti nepoznata je vjerojatnost izbora svake jedinice u
uzorak; rezultiraju sirovim podacima. Glavne vrste uzoraka uz primjenu teorije vjerojatnosti su:
prigodni uzorci, namjerni uzorci, kvotni uzorci, uzorci snjene grude.
1. Kod kvotnih uzoraka odrede se stratumi (slojevi unutar populacije, npr. visokokolski i
srednjokolski obrazovani), a slobodno se iz svakog predvienog stratuma odabere definirani
broj lanova, koje e se ispitati (slini su stratificiranim uzorcima, ali nema sluajnog odabira
lanova uzorka unutar stratuma). Izabiranjem uzorka s unaprijed odreenim udjelima, pokuava
se sustavno prenijeti karakteristike populacije na uzorak, ali ovaj uzorak nije nuno
reprezentativan.
2. Namjerni uzorci sadre lanove koji se izabiru tako da zadovolje izabrane kriterije. Takav
uzorak uopeno nije reprezentativan za populaciju, striktno su odabrani ispitanici po nekom
pravilu (npr. svi studenti Sestrinstva u Dubrovniku, kao uzorak iz populacije svih studenata
Sestrinstva u Hrvatskoj).
3. Katkada smo u nemogunosti da na bilo koji nain pripremamo ili paljivo biramo uzorak, pa
uzimamo u uzorak lanove koji su nam na raspolaganju. Takav se uzorak naziva prigodni
uzorak (npr. pacijenti nekog klinikog odjela, studenti neke odreene struke i sl.). Prigodni
uzorak moe biti i vrlo pristran (npr. zakljuivanje o kondicijskoj pripremljenosti studenata na
osnovu mjerenja studenata Kineziolokog fakulteta). Meutim, ako nema opasnosti da prigodni
uzorak predstavlja neku posebnu skupinu u odnosu na ono to se ispituje, prigodni uzorak moe
se smatrati posve dobrim, pogotovo ako je dovoljno velik.
4. Uzorak snjene grude svodi se na inicijalno identificiranje i kvalificiranje skupa lanova koji
su dio neke populacije, koji mogu pomoi istraivaima pronai ostale sudionike istraivanja
(npr. ljude koji su diplomirali na studiju strojarstva).Zajedniko svim ovim uzorcima bez
primjene teorije vjerojatnosti (pristranim) je da su manje reprezentativni za populaciju od
nepristranih (Milas, 2005).
12
Praktiki svi statistiki zakoni i formule vrijede samo onda ukoliko su uzorci zaista reprezentativni
za populaciju iz koje su izvaeni, dakle, ako su nepristrani uzorci (odabrani primjenom principa
vjerojatnosti). Pretpostavljeni zahtjev da dobar uzorak mora predstavljati najmanje neki odreeni dio
populacije (npr. 10%), zapravo nije toan. Uzorak je reprezentativniji za populaciju to je apsolutno (a
ne relativno) vei: uzorak veliine N=50 praktiki e manje uspjeno reprezentirati populaciju veliine
1000, nego uzorak veliine N=100 (Vukosav i Zarevski, 2011).
13
kvantifikacije. Moe se odnositi na istraivanja o ivotnoj povijesti neke osobe, ponaanju, epizodama
(Halmi, 2005). Znaaj ove vrste istraivanja je prvenstveno u podruju otkrivanja prirode iskustva
ispitivane osobe o fenomenu koji se istrauje.
O dijelu istraivakog procesa koji se tiu izbora i razrade metoda, postupaka i instrumenata
istraivanja nee se detaljnije govoriti jer je dio odluka o metodama ve opisan (varijable, uzorak), dok
e o vrstama podataka, postupcima njihova prikupljanja te metodama statistike obrade podataka biti
vie rijei kasnije. Ni o planiranju i provoenju terenskog dijela istraivanja (prikupljanju empirijske
evidencije) nee se detaljnije govoriti.
O sreivanju i obradi podataka bit e takoer vie rijei u statistikom dijelu, dok e se o analizi i
interpretaciji podataka i izvoenju zakljuaka najvie saznati u dijelu koji se odnosi na pisanju izvjea o
istraivanju, tj. o znanstvenom radu i odabiru naina objavljivanja rezultata istraivanja.
14
15
16
17
diferencijacija
(razlikovanje)
nominalna
ordinalna
intervalna
omjerna
rang
(poredak)
razlika
apsolutna vrijednost
(omjer)
4.2.1. VALJANOST
Valjanost je metrijska karakteristika nekog mjernog postupka, koja nam pokazuje mjeri li taj
postupak i u kojem stupnju mjeri upravo ono to smatramo da mjeri. Moe se rei da postoje dva
osnovna tipa valjanosti, a to su teorijska valjanost i praktina valjanost.
Praktina valjanost je pokazuje koliko neki mjerni postupak razlikuje uspjene od neuspjenih u
nekom kriteriju praktine djelatnosti. Najee je to mjera povezanosti izmeu testovnih rezultata i
nekog vanjskog kriterija. Pokazuje koliko se uspjeno moe na temelju testovnih rezultata predviati
poloaj ispitanika u grupi ispitanika, u nekom kriteriju praktine djelatnosti. Naziva se i prognostikom
(prognoza u budunosti, npr. da li e na temelju rezultata mjernog postupka ispitanik oboljeti od neke
bolesti) odnosno dijagnostikom valjanou mjernog postupka (npr. da li je na temelju rezultata
mjernog postupka pacijent bolestan). Naravno, mala nam korist od sofisticiranog testiranja kandidata za
neko radno mjesto, ukoliko na temelju testiranja dobijemo kandidata koji nije osobito uspjean u radu.
Teorijska valjanost provjerava mjeri li mjerni postupak ono to bi zaista trebao mjeriti. To je skup
svih bitnih informacija koje pridonose utvrivanju da li, i u kojem stupnju, neki mjerni postupak
openito mjeri neku hipotetsku osobinu ili konstrukt (sinonim konstruktna valjanost). Odnosno, ona
kazuje da li odgovori i reakcije ispitanika predstavljaju zadovoljavajue simptome (sinonim
18
simptomatska valjanost) mjerene osobine (Milas, 2005). Npr. da li injenica da se pojedinac na poslu
ponaa neagresivno pokazatelj njegove openite neagresivnosti? On moe biti vrlo agresivnog
ponaanja kod kue, pa nije valjano mjerenje koje se odnosi samo na njegovo ponaanje na poslu.
4.2.2. POUZDANOST
Pouzdanost je metrijska karakteristika koja se odnosi na imunost mjernog postupka na pogreke
mjerenja. Pouzdanost se dakle odnosi na tonost mjerenja, bez obzira na to to se mjeri. Ili: pouzdanost
je nezavisnost mjerenja od nesistematskih izvora pogreaka. U statistici postoji nekoliko mjera
pouzdanosti, a njihov izbor ovisi o specifinim ciljevima istraivanja (Milas, 2005). Najee su testretest pouzdanost (stabilnost rezultata mjerenja u odnosu na viekratnu upotrebu mjernog postupka
tijekom vremena), te Cronbachov alfa koeficijent interne konzistencije rezultata, dobiven na temelju
interkorelacija estica mjernog postupka). Npr. uzastopnim mjerenjem tjelesne mase skupine pojedinaca
utvrdit emo pouzdanost vage kao mjernog instrumenta (ukoliko dobivamo vrlo sline vrijednosti, vaga
je pouzdanija).
4.2.3. OBJEKTIVNOST
Objektivnost je zapravo nepristranost odreenog mjerenja. To je stupanj nezavisnosti rezultata
mjerenja o razlikama u postupcima ispitivaa prilikom registracije i vrednovanja rezultata mjerenja.
Odreuje se utvrivanjem povezanosti izmeu rezultata koje su dobili razliiti ispitivai, primjenjujui
isti mjerni postupak na istim ispitanicima (Milas, 2005). Objektivnost se moe smatrati i jednim
aspektom pouzdanosti mjerenja. Primjerice, ako vie ljudi gleda oitanje na vagi i vidi iste vrijednosti,
vaga je objektivan nain mjerenja. S druge strane, manje je objektivan umjetniki dojam kod klizaa,
gdje se vie sudaca u maloj mjeri slae.
4.2.4. OSJETLJIVOST
Osjetljivost ili diskriminativnost se odnosi na karakteristiku mjernog postupka da moe dobro
razlikovati ispitanike u odnosu na predmet mjerenja. Osjetljivost mjernih postupaka iskazuje se u
veliinama rasprenja rezultata mjerenja, a ovisi i o njegovoj primjerenosti ispitivanoj populaciji (Milas,
2005). Npr. katastrofalan uspjeh na ispitu pokazuje nam da je veina studenata postigla loe rezultate
(pozitivno asimetrina distribucija), to znai da je iz nekih razloga test nedovoljno osjetljiv: ili su
studenti nedovoljno uili, ili je test uistinu preteak.
Negativno asimetrina distribucija upuuje na prelagane zadatke (lijevo). Pozitivno asimetrina
distribucija upuuje na previe teke zadatke (desno).
19
12
10
10
8
8
Skup1
Skup1
2
0
0
1
10 11 12 13 14
10 11 12 13 14
20
5.2. MJERENJE
Kao to je navedeno ranije, mjerenje je primjena skupa pravila za pridruivanje brojeva pojedinim
atributima prouavanih objekata. Mjerni postupci mogu biti direktni i indirektni (Petz, 1985). Direktno
mjerenje je usporedba predmeta mjerenja s mjernom jedinicom koja je iste vrste (npr. mjerenje duljine
metrom, tjelesne mase vagom). Valjanost ove vrste mjerenja je oigledna. Indirektno mjerenje se
provodi onda kada o predmetu mjerenja nemamo izravnih osjetilnih podataka ili je zbog tehnikih
razloga nemogue konstruirati mjerni instrument iste mjerne jedinice (npr. mjerenje brzine na osnovi
21
puta i vremena, mjerenje inteligencije testom inteligencije). Valjanost ovakvih mjerenja je vie ili manje
upitna, pa trebamo domiljati naine u kolikoj je mjeri ono to namjeravamo mjeriti doista ono to
mjerimo. Jedna od metoda utvrivanja valjanosti je faktorska analiza, dok esto pronalazimo i vanjske
kriterije valjanosti (npr. uspjeh u karijeri moe biti indikator valjanosti kolskog uspjeha kao pokazatelja
uspjenosti osposobljavanja pojedinca za neku odreenu vrstu posla).
Za mjerenje posebno su vane etiri karakteristike sustava brojeva, jer osobine sustava brojeva uvjetuju
pravila koja se pri mjerenju koriste, a ujedno i razine mjerenja ili tzv. skale mjerenja.
22
4. Mogunosti odreivanja stupnja prisutnosti neke osobine ovisi hoe li se ona uvrstiti u skalu
procjene (npr. teko emo odrediti stupanj fizike agresivnosti prosjenog pacijenta, jer ako se
takav oblik ponaanja i pokae, rijetko e biti ekstremno intenzivan).
5. Procjene osobina unose se na osnovi prolosti i sadanjosti, a ne prema moguoj budunosti.
(Ne moe se procjenjivati osobine koje e se moda pojaviti, ako to pouzdano ne znamo.)
6. Procjenu ne treba primjenjivati tamo gdje su uspjenije druge metode i tehnike. (Skale procjene
su nuno zlo i uvijek je bolje koristiti objektivnije metode, gdje slaganje veeg broja
procjenjivaa nee biti uvjet.) (Cohen, Manion i Morrison, 2007).
Vrste skala procjene su sljedee:
1. Numerika skala koristi brojeve za oznaavanje stupnjeva, dok je znaenje svakog broja
definirano (npr. 5=uope se ne pojavljuje u ponaanju, (), 3=srednje esto se pojavljuje u
ponaanju, (), 5=uvijek se pojavljuje u ponaanju.
2. Deskriptivna skala sastavlja se pomou opisa osobina, a opisuje razliite stupnjeve osobine
koja se procjenjuje (slina je numerikoj, osim to detaljan opis osobine npr. dobrog
raspoloenja pacijenta zamjenjuje kratke opise estine pojavljivanja). Procjenjiva oznauje
svoje opaanje odabirui toku koja najbolje opisuje stupanj opisane osobine koju je uoio.
3. Grafika skala prikazuje jedinice ili stupnjeve na kontinuumu s deskriptivnim frazama
smjetenim odmah ispod crte. Svaki procjenitelj oznauje svoje opaanje odabirui toku koja
najbolje opisuje stupanj osobine s kojom se susree. Drugim rijeima, ova skala je jednaka
numerikoj skali osim to se umjesto brojki na skali nalaze grafiki simboli, npr.
4. Kombinirana skala obino je zbroj ili kombinacija deskriptivnih, numerikih i grafikih
elemenata, to pomae ocjenjivau da u procjeni izabere najprikladniji nain odmjeravanja
osobine i najtoniju procjenu.
5. Usporedbe u parovima provodi se tako da procjenitelj usporeuje svaku procjenu osobe s
osobinama drugog pojedinca koji je procijenjen u opim okvirima: jednak, bolji ili loiji (Milas,
2005).
Skale samoprocjene imaju za pretpostavku samopoznavanje. Meutim, bitno je moi usporediti
samoprocjenu u odnosu na usporedbu s ocjenama drugog. U sastavljanju i primjeni skala za
samoprocjenjivanje treba teiti to veoj konkretizaciji pitanja u danom podruju. Samoprocjena nee
nikada biti jedini i dovoljan nain upoznavanja pojedinca, jer ona upuuje samo na neke aspekte
pojedineva funkcioniranja. Uz razliit stupanj samopoznavanja koji imaju razni ljudi, drugi vaan
nedostatak skala samoprocjene je injenica da se ljudi nastoje nerijetko prikazati u drutveno poeljnom
svjetlu, ak i kad je upitnik anoniman. Meutim, skale samoprocjene se koriste redovito u upitnicima
linosti, o kojima e vie rijei biti kasnije (Cohen, Manion i Morrison, 2007).
Posebni sluajevi skala samoprocjene su skale stavova. Thurstoneova skala stavova sastoji se od
veeg broja tvrdnji u vezi s objektom stava, a ispitanik treba oznaiti sve tvrdnje s kojima se slae.
Likertova skala stavova sastoji se od niza tvrdnji koje izraavaju pozitivan ili negativan stav prema
objektu stava. Od ispitanika se trai da na ljestvici s neparnim brojem jedinica izrazi svoj stupanj
slaganja sa svakom tvrdnjom. Ukupan stav ispitanika dobiva se sumiranjem svih odgovora. (od uope se
23
24
intervjuu? Pozitivni motivatori ispitanika mogu biti: ugled institucije koja provodi istraivanje, znatielja
ispitanika, uljudnost molbe za sudjelovanje, najava spremnosti davanja miljenja, materijalna stimulacija
za sudjelovanje, prethodna obavijest o istraivanju. Negativni motivatori se javljaju u situacijama kad
ispitanik: ne vidi cilj i svrhu istraivanja, boji se sudjelovati zbog posljedica te da ne ispadne neznalica,
revoltiran je pitanjima, zasien i ometen u poslu. Intervju je zapravo neka vrsta razgovora, s razlikom u
injenici da se intervju vodi s odreenom svrhom i po odreenom planu istraivaa. U intervjuu
sugovornici nisu ravnopravni (zna se tko je voditelj, a tko ispitanik), a i psiholoka atmosfera koja
razlikuje intervju od razgovora jo je jedan element razlike (Vujevi, 1983).
Intervjui se razlikuju prema svrsi, dijele se na: novinski, sudski, policijski, istraivaki. Istraivaki
intervju je specifina vrsta intervjua kojem je cilj prikupljanje podataka u svrhu znanstvenog ili strunog
prouavanja neke pojave, procesa ili ponaanja. Po obliku, intervjui se dijele na nestrukturirani,
polustrukturirani i strukturirani. Nestrukturirani (slobodni) intervju je onaj gdje intervjuer ima jasno
definiran cilj, ali ga ostvaruje u slobodnom razgovoru, dok voditelj tijek intervjua prilagoava
ispitaniku. Polustrukturirani intervju takoer se vodi bez strogo formuliranih pitanja, ali voditelj ipak
ima unaprijed predvien sadraj razgovora. Strukturirani (standardizirani) intervju je planiran, s tono
odreenom shemom od koje se ne odstupa, a svim se ispitanicima moraju postaviti ista pitanja. Po
nainu primjene, ovisno o broju osoba koje sudjeluju u intervjuu, intervjui se dijele na individualni
(personalni) intervju, koji je zapravo klasinog oblika, u etiri oka: koristi se za razne ciljeve, a
posebno je prikladan za osjetljive teme. Grupni intervju je postupak istodobnog razgovora o nekoj temi s
vie pojedinanih sugovornika, prikladna kada u istraivanju oekujemo iru raspravu i izraavanje
stavova i miljenja (Vujevi, 1983).
Nedostaci intervjua kao metode su: dugotrajnost te relativno teko tumaenje skupa razliitih
podataka. Intervju licem u lice je skup i optereen teko kontrolabilnim faktorima socijalne interakcije.
Telefonski intervju ima probleme selektivnog odabira i otpada ispitanika; kod nekih ljudi izaziva
sumnjiavost, to onda rezultira kratkim, neodreenim odgovorima. Ako je anketa predugaka ili ako su
pitanja komplicirana, velika je stopa odustajanja ili nasuminog odgovaranja.
Prednosti intervjua su injenica da je on pogodan za dubinska istraivanja procesa, npr. sloenih odnosa
ljudi u nekoj tvrtki, na manjem broju ljudi (Vujevi, 1983).
Upitnik je zapravo anketa zadana pismenim putem. Skoro uvijek se primjenjuje anonimno, da bi
ljudi odgovarali iskrenije, a manje dajui drutveno poeljne odgovore, a i da bi bili sigurni da se podaci
koje su dali nee zloupotrijebiti. Anketa sadri najee jasna, kratka i nedvosmislena pitanja, a za
zakljuivanje je vano imati reprezentativni uzorak ispitanika (Cohen, Manion i Morrison, 2007).
Anketa u uem smislu koristi se ak u 90 % drutvenih istraivanja. U anketama, dui je put do
podataka nego kod promatranja, jer u ovakvom prikupljanju podataka sudjeluju: anketar, ispitanik,
naruilac (koji nastoji rijeiti praktini problem) te istraiva (koji treba operacionalizirati predmet
mjerenja) (Cohen, Manion i Morrison, 2007). Za sastavljanje ankete nuno je iskustvo: hoe li se dobiti
valjane odgovore uvelike ovisi o inventivnosti, znanju i iskustvu istraivaa, ali postoje i pravila o
kojima treba voditi rauna pri sastavljanju anketnog upitnika.
25
Bitni momenti kod konstrukcije ankete su (Vujevi, 1983): odreivanje naela izrade upitnika, vrsta
pitanja i redoslijeda pitanja u upitniku, gdje treba imati na umu izbjegavanje pogreaka u anketnim
pitanjima. Pitanja moraju biti jasna, nedvosmislena i bez dvostrukih negacija, npr. to odgovoriti na
pitanje Nisam nesklon/a puenju (jer je zbog osobina naeg jezika prilino nejasno to znae odgovori da
ili tono na takvo pitanje). U izradi upitnika vano je imati na umu da je za dobro pripremljenu anketu
potrebno utvrditi njezin cilj (mora biti realan), dok opseg i oblik ankete mora biti u skladu s
postavljenim ciljem istraivanja (Cohen, Manion i Morrison, 2007). Npr. ako ispitujemo profil publike
nekih odreenih novina (tko ita neke specifine novine), treba nastojati obuhvatiti sve one osobine koje
bi mogle biti relevantne za itatelje tih konkretnih novina, po kojima se oni razlikuju od onih koji te
novine ne itaju. U tu svrhu obino nije dovoljno ispitati samo opa demografska obiljeja (spol, dob i
sl.) nego i interese, vrijednosti, navike, neke specifine stavove itd. Nadalje, vano je znati koliko je
mogue znanje i iskustvo potencijalnih ispitanika u vezi s predmetom istraivanja, tj. kakve su stvarne
mogunosti potencijalnih ispitanika da na postavljena pitanja odgovore. Ako pitamo neto to je izvan
znanja, iskustva ili mogunosti procjene ispitanika (npr. Smatrate li da e hidroelektrana na rijeci
Ombli ozbiljno ugroziti prirodnu ravnoteu okolia Dubrovnika ?), vjerojatno e se dogoditi da ili
odgovor neemo dobiti ili e dobiveni odgovor biti bezvrijedan (dobit e se pseudoodgovori). Takoer,
formulacija (verbalizacija) pitanja mora biti korektna: vano je odvagnuti svaku rije, a osnovno je
pravilo da pitanje ne smije biti sugestivno tj. ne smije nuditi odreenu mogunost koja ispitanika navodi
na odgovor (Cohen, Manion i Morrison, 2007). Za izbjegavanje svih vrsta pogreki, kod ankete je vano
provesti pilot (preliminarno) istraivanje. Treba voditi rauna o razini pismenosti ispitanika (tj. o
razumljivosti sadraja ankete), a svako pitanje mora biti nuno vezano uz hipotezu. Najee pogreke
anketnih pitanja se odnose na: rijei koje ispitanici ne razumiju (pogreka eksperta); nedovoljno saeti
ponueni odgovori; neukljuivanje svih mogunosti u ponuene odgovore; emocionalno obojene i
stereotipne rijei; sugestivna pitanja. Takoer, vaan je i redoslijed pitanja koja se postavljaju (Cohen,
Manion i Morrison, 2007). Treba voditi rauna o logikom redoslijedu pitanja (treba paziti da kontinuitet
misli bude sauvan), psiholokom redoslijedu (delikatna pitanja najbolje je postaviti na kraju, jer postoji
velika vjerojatnost da ispitanik nee odgovoriti ni na sljedea pitanja) te mogunosti meusobnog
utjecaja odgovora (prethodna pitanja mogu kontaminirati odgovore na sljedea, stvarajui kontekst koji
moe utjecati na odgovore). Delikatna pitanja nije poeljno staviti na poetku upitnika. Duina
anketnog upitnika (broj pitanja) iznimno je bitna, jer moe motivirati/ demotivirati ispitanika, a moe
utjecati i na valjanost odgovora, osobito onih pri kraju (dugakog) anketnog upitnika (Cohen, Manion i
Morrison, 2007). Vana je i tzv. upitnika dilema koja se odnosi na pitanje je li bolje koristiti otvorena
(nema ponuenih odgovora) ili zatvorena pitanja (u njima su ponueni odgovori). Naime, prednosti
jednog naina su nedostaci drugog i obratno. Otvorena pitanja trae napor od ispitanika, pa ispitanici
esto odustaju, dok su zatvorena pitanja ugodna ispitanicima, ali rijetko zahvate sve mogunosti
(Vukosav i Zarevski, 2011).
Pilot-(pred)istraivanjem prije gotove ankete utvrujemo valjanost indikatora: koriste se otvorena
pitanja zbog dobivanja manjeg broja sigurno bitnih zatvorenih pitanja i izrauje se konana verzija
mjernog instrumenta kojim emo istraivati finalni uzorak ispitanika. Kod gotove ankete pilot
istraivanjem provjeravamo ispravnost zamiljene strategije dolaska do ispitanika, osiguranja uvjeta
anketiranja, motivacije ispitanika, ispitujemo koliko oni razumijevaju upute za ispunjavanje ankete,
26
trajanje ispunjavanja ankete, broj anketara, cijenu terenskog dijela istraivanja (Cohen, Manion i
Morrison, 2007).
Glavne su prednosti ankete to ona daje podatke o doivljaju pojedinca (1), a ne samo o izvana
vidljivom ponaanju. Nadalje, anketom moemo doznati kako pojedinac vidi prolost, sadanjost i
budunost (2). Moda najvanija prednost ankete je injenica da njome moe u vrlo kratko vrijeme
prikupiti puno podataka o puno entiteta (3). Meu loim stranama ankete istiu se spoznajne, tj. koliko
nam anketa zaista moe pomoi da vjerodostojno saznamo neto o ispitanicima. Ponajprije, strunost
ispitanika (1) je uvijek upitna: koliko pojedinac uistinu poznaje sebe ili predmet (objekt) u odnosu na
kojeg se izjanjava (primjerice, to pojedinac zna o kurikulumu zdravstvenog odgoja u kolama, a da bi
ga mogao vrednovati). Psiholoke barijere (2) proizlaze iz tekoe da se upitnik moe prilagoditi svim
ispitanicima. Konano, drutvene se barijere odnose na tenju davanja osobno ili drutveno poeljnih
odgovora (3): pojedinci, usprkos garantiranoj anonimnosti istraivanja, nerijetko sumnjaju u
nepristranost znanstvenika pa daju drutveno poeljne odgovore. Pogreke prognoze anketama esto su
vezane uz pogreku uzorka koji nema dovoljnu reprezentativnost. Takve su primjerice telefonske
ankete: nekad je posjedovanje telefona bio luksuz, a u moderno je vrijeme uzorak pristran u smislu da e
malo ljudi u brzom ritmu ivota htjeti pristati na anketiranje, ak i kratkotrajno (Milas, 2005).
5.5. TESTOVI
Test je standardizirani postupak kojim se izaziva odreena aktivnost, a zatim se uinak u toj
aktivnosti mjeri i vrednuje usporedbom s rezultatima koje postiu drugi ispitanici u istoj situaciji
(Cohen, Manion i Morrison, 2007). Testovima je namjena provjera sposobnosti i znanja, dok upitnici
linosti imaju namjenu provjere osobina linosti, tj. specifinih informacija koje zanimaju istraivae.
Upitnike u ovom kontekstu treba razlikovati od anketnih upitnika. Upitnici linosti moraju imati
prethodno opisane metrijske karakteristike (valjanost, pouzdanost, objektivnost, osjetljivost), a anketni
upitnici ne. Razlikuju se testovi sposobnosti (npr. inteligencije, motorikih sposobnosti i sl.) i testovi
znanja (npr. znanje o protupoarnim mjerama, vjetine koritenja raunala u svrhu administrativnih
poslova) te inventare linosti, koji slue procjeni osobina linosti poput ekstraverzije, neuroticizma,
psihoticizma, sklonosti riskiranju i ovisnostima i sl.
/Nedostatak testa/ upitnika je relativno kompleksan proces konstrukcije ovog mjernog
instrumenta, koji dobro treba pokrivati predmet mjerenja (pitanje valjanosti). Prednosti testa su svakako
njegova standardiziranost (zbog koje se moe znati toan poloaj rezultata pojedinca u nekoj populaciji,
kao to je to u testovima inteligencije na osnovi IQ jedinica ili pak na temelju mjerenja krvnog tlaka
tlakomjerom). Takoer, test ima nuno dobre metrijske karakteristike pa se sa sigurnou moe znati to
on mjeri, kolika mu je pogreka mjerenja itd. (iri, 2003).
5.6. EKSPERIMENT
Eksperiment je vrhunac znanstvene spoznaje, postupak u kojem se u kontroliranim uvjetima
namjerno izaziva neka pojava radi opaanja i mjerenja. Glavna je prednost eksperimenta kao metode
27
28
29
Navodi se problem ili simptome koji klijent opisuje: sve fizike, emocionalne ili osjetne probleme, te
misli, osjeaje i opaanja klijenta povezana sa simptomima. Za svaki simptom pokuati zabiljeiti tri
vana podatka: otkad traje (to je ponekad teko precizno utvrditi), kako su se tegobe mijenjale i kakav
je odnos klijenta prema tom simptomu (pridaje li mu puno/malo panje, misli li da je privremen ili
trajan, popravlja li se ili pogorava, itd.). Nadalje, navode se i svi simptomi (neobinosti) koje
primjeuje ili navodi lijenik/psiholog, a ako je za klijenta proveden neki dijagnostiki postupak,
detaljno ga opisati i prikazati njegove rezultate.
3. Okvirna dijagnoza lijenika (medicinske sestre)
Kriteriji za dijagnosticiranje bolesti ili oteenja navedeni su u Meunarodnoj klasifikaciji bolesti i
drugih srodnih zdravstvenih problema - MKB 10. Opisati u kojoj mjeri simptomi koje navodi klijent
odgovaraju dijagnostikim kriterijima odreenog poremeaja te navesti eventualne nesukladnosti
izmeu navedenih (ili od strane lijenika uoenim) simptoma i dijagnostikih kriterija.
30
2. Arhivska graa (sekundarni podaci, operativna dokumentacija) su zabiljeke i spisi nastali kao
pratea dokumentacija aktivnosti pojedinca, grupe ili ustanove. O veini radnih i drutvenih aktivnosti
vodi se i arhivira zakonom propisana evidencija, a na zahtjev istraivaa se ta vrsta dokumenata esto
moe koristiti u istraivake svrhe. Vana je domiljatost u izboru vrsta podataka i mjestu gdje su podaci
pohranjeni, npr.: dravni arhiv, arhivi dravnih i privatnih ustanova i tvrtki, privatne zbirke (Milas,
2005).
Opa ogranienja postupaka nenametljivog prikupljanja podataka su: upitna konstruktna valjanost
nenametljivih mjera ponaanja, npr. je li istroenija podloga stvarno pokazatelj koja nas zanima (1);
problematina pouzdanost i osjetljivost mjera ponaanja, tj. pitanje je kolike su pogreke mjerenja i
koliko se na ovaj nain mogu razlikovati pojedinci (2); postoji nesklad izmeu istraivakih potreba i
dostupnih mjera aktivnosti, tj. upitno je koliko prikupljeni podaci mogu koristiti za potrebe istraivanja
(3). Zbog ovih razloga postupci za nenametljiva istraivanja manje se koriste kao osnovni, a vie kao
dodatni izvor podataka (Milas, 2005).
31
32
33
postavljenih kljunih rijei, a operator NOT iskljuuje lanke s jednom od postavljenih kljunih
rijei);
4. prikaz i pohranjivanje rezultata moe se pomou PubMeda prikazati na razliite naine
(osnovni bibliografski podatci sa saetkom, zapis spojen s punim tekstom lanka ili s nekim
drugim dokumentom na istoj ili drugoj mrenoj adresi); korisnik sam odluuje o nainu kako
eli pribiljeiti rezultate pretraivanja (ispis ili pohrana na raunalu) (Marui, 2004).
Uz PubMed, korisno je pronalaziti sustavne pregledne lanke koji na postavljena pitanja mogu dati
odgovore utemeljene na dokazima i pregled objavljene literature u zbirci Cochrane (engl. Cochrane
Database of Systematic Reviews), na web-stranici: http://www.cochrane.org/.
Openito, slijed pretraivanja literature za potrebe istraivanja je slijedei (modificirano, prema
Marui, 2004):
1. Formulirajte istraivako pitanje
2. Izaberite izvor podataka (npr. PubMed)
3. Formulirajte strategiju pretraivanja (koje kljune rijei ete odabrati)
4. Razdvojite kljune pojmove (npr. u podgrupe)
5. MeSH (pronaite skraenice kljunih pojmova)
6. Potpredmetnice (grupirajte ih u podgrupe)
7. Koristite rijei iz naslova/saetka
8. Primijenite Booleovu logiku (ukljuite ili iskljuite neke pojmove u pretrazi referenci)
9. Kombinirajte i ograniite rezultate (samo na podruje koje vas zanima).
34
35
Prije samoga pisanja lanka, treba imati na umu dva vana savjeta:
1. Piite lanak primjenom raunalnoga programa, da ga se moe doraivati.
2. Odluiti prije pisanja lanka tko su autori. Odluku o autorima lanka i koji e biti njihov redoslijed
treba donijeti to prije, najbolje prije poetka samoga istraivanja. ak ako i jeste jedini autor, dobro je
provjeriti misli li moda netko da i on zasluuje autorsko mjesto na lanku. Autorstvo znanstvenih
radova podlono je potivanju strogih etikih pravila (Marui, 2004).
Prihvaanje lanka u dobrome asopisu najvie ovisi o poruci koju nudi. Ako urednici asopisa
smatraju da je lanak vaan za njihov asopis, prihvatit e ga ako i nije stilski dobro napisan, ali sudbinu
lanka esto moe odluiti i njegov stil. Zato treba voditi rauna o pet bitnih obiljeja znanstvenog stila
pisanja: rjeitost, jasnou, tonost, umjerenost i skladnost (Marui, 2004).
36
Magistarski i doktorski radnje imaju donekle razliitu strukturu dijelova u odnosu na lanke
pripremljene za znanstvenu i strunu periodiku. Osnovna je razlika to je uvod radnji znatno dui u
odnosu na lanke. Takoer vrijedi naelo strukturiranja uvoda u obliku lijevka.
U strune radove spadaju:
a/ struni lanak. Koristei znanstvenu metodologiju obradi se neki ui, praktini problem. Nije
mu cilj otkrivanje novih zakonitosti, ali poznatim injenicama pridodaje nove podatke.
b/ seminarski rad. To je krai struni rad u kojem samostalno u pisanom obliku obraujete
odabranu temu.
c/ kritiki rad. To je struni rad u kojem iznosite vlastito miljenje o izabranom znanstvenom ili
strunom dijelu u svrhu proirivanja i produbljivanja znanja iz podruja kolegija iz kojeg se
izrauje.
d/ diplomski ili zavrni rad. To je opirniji struni rad u kojem se samostalno u pisanom obliku
obrauje odabrana tema.
e/ specijalistiki poslijediplomski rad. To je opiran struni rad u kojemu kao poslijediplomski
student samostalno u pisanom obliku obraujete odabranu temu u svrhu stjecanja titule
sveuilinog specijalista.
f/ prikazi bolesnika (sluaja). Odnose se na opis bolesnika ili manje skupine s naglaskom na
otkrivanje
novih i vanih spoznaja o patogenezi, klinikoj slici, lijeenju te diferencijalnoj dijagnozi radi
poboljanja skrbi za bolesnike.
g/ komentari. Oni se odnose na miljenja pojedinca, a sastoje se od glavne toke i pratee rasprave.
Mogu se odnositi na praktiki bilo koje pitanje ili polemiku iz podruja interesa. Ove vrste
rukopisa najee se povezuje uz neki recentno objavljen lanak. Glavni cilj komentara jest
pokretanje ire rasprave o temi, stoga kod pisanja valja voditi rauna o tome da se problem prikae
na jasan i znanstven nain.
h/ pisma uredniku. Najee su kratki kritiki osvrti na radove objavljene u prethodnim brojevima
asopisa. Pisma uredniku nisu namijenjena za prikaz izvornih podataka koji nisu vezani za temu
prethodno objavljenog lanka. Pismo uredniku ne smije sadravati neobjavljene ni kopirati ve
objavljene materijale (Marui, 2004).
37
1. Uvod
2. Metode (Sudionici, Postupak, Varijable i instrumenti (materijali), Metode statistike obrade);
3. Rezultati;
4. Rasprava;
5. Zakljuak;
6. Literatura;
7. Saetak.
Struktura znanstvenog rada (osim preglednog) izgleda ovako (Vukosav i Zarevski, 2011):
1. Naslov je neskrativi skup pojmova koji opisuju sadraj znanstvenoga lanka.
2. Saetak je vrlo kratka inaica lanka koja se s naslovom prenosi u bibliografskim bazama podataka,
koji sadri i popis kljunih rijei. Saetak slui tome da itatelji mogu brzo odluiti zanima li ih odreeni
lanak ili ne. Ako nije eksplicitno drukije navedeno u uputama o strukturiranju lanka za odreeni
asopis, onda je nepisano je pravilo da se navodi do pet kljunih rijei. One slue tome da se u
pretraivanju baze podataka krianjem po 2-3 kljune rijei brzo doe do recentnih podataka o podruju
u kojem namjeravamo istraivati i/ili struno raditi. Saetak zapravo sadri koncizne podatke o cilju
istraivanja, metodologiji, dobivenim rezultatima i zakljuak. On je rad u malom.
3. Uvod. Navode se ukratko vaee teorije, poznate injenice (empirijski podaci) u vezi s problemom,
kao i razlozi zato se provodi istraivanje. U naelu se uvod strukturira u obliku "lijevka" - poe se od
ireg podruja koje se zatim suava u smjeru cilja (problema). Pojednostavljeno, u Uvodu je struktura:
a) opi teorijski pristup u nekom podruju
b) konkretni teorijski pristup koji emo koristiti u naem istraivanju
c) prethodna istraivanja u podruju koje emo istraivati.
4. Cilj. Jasno se definira cilj, a po potrebi i hipoteze istraivanja. Cilj se zapravo ne pie u radu kao
izdvojena cjelina, ve se nalazi u zadnjem dijelu Uvoda.
5. Metodologija. Sadri pregled koritenih metoda koji daje informacije o populaciji iz koje je izvuen
uzorak, koritenim varijablama (instrumentariju) i postupku provoenja istraivanja. Ako su metode
obrade podataka manje poznate ili ako su razvijene upravo za to istraivanje, detaljno ih se opie. Dakle,
ovaj dio rada daje podatke o sudionicima, postupku, varijablama i instrumentima (materijalima),
koritenim metodama statistike obrade.
4. Rezultati. Pregledno se tablicama, grafovima i slikama prikau rezultati. Pritom treba voditi rauna
da je svaki od tih prikaza potpun, tj. da ne ovisi o tekstu ispred ili iza njega - znai u naslovu tablice,
grafa ili slike treba biti jasno navedeno to su varijable, koliki je bio broj entiteta, te koji je statistiki ili
matematiki postupak proveden, a u legendi se navode kratice naziva. Nalazi se kratko komentiraju.
Pritom se ne verbaliziraju podaci iz tablica (grafikona, slika) ve se kae to oni znae u odnosu na
postavljen problem i hipoteze - koji su trendovi, kakve su statistike znaajnosti provedenih testova,
koliko su izraeni efekti i sl. Drugim rijeima, samo opisujemo rezultate a ne dajemo njihova tumaenja.
38
39
2. Vancouverski sustav je najei u veini biomedicinskih asopisa: sustav dobio naziv prema
kanadskom gradu Vancouveru, gdje je 1978. godine Meunarodni odbor urednika medicinskih asopisa
(engl. ICMJE) donio prvu verziju Jedinstvenih zahtjeva za rukopise namijenjene objavljivanju u
biomedicinskim asopisima (vidjeti na http://www.icmje.org/). Reference dobivaju broj prema
redoslijedu (mjestu prvog) pojavljivanja u tekstu. Ovaj se redni broj pie u zagradama (zaobljenim ili
uglatim) ili u superskriptu (ovisno o propisima pojedinog asopisa), iza citirane tvrdnje, bez ikakvih
drugih podataka. Ako se neka referenca pojavljuje samo u tablici ili slici, ona dobiva broj prema mjestu
gdje se autor u tekstu prvi puta poziva na dotinu tablicu ili sliku. U odjeljku Literatura (References)
citirani se radovi poredaju po rednom broju, te se ondje navedu svi potrebni bibliografski podaci. Nazivi
asopisa se nerijetko piu skraenicom, ali samo ako su indeksirani u MEDLINE (tj. na popisu asopisa
Index Medicus), ili su indeksirani u bibliografskoj bazi Current Contents. Druga pravila propisuju
primjerice navoenje imena samo prvih est autora, dok se, ako ih ima vie, iza estog stavlja zarez i
oznaka "et al." (lat., et alii i drugi). Prednost vancouverskog sustava su: vea preglednost teksta za
itatelja, tednja prostora (to pojeftinjuje tisak) (Marui, 2004).
3. Abecedno-numeriki sustav je kombinacija dvaju ovdje opisanih sustava. U tom se sluaju svi
navodi u odjeljku Literatura poredaju prema abecednom redu prezimena prvoga autora: svakoj se
pridrui broj, koji se pie u zagradama u tekstu, bez obzira na redoslijed pojavljivanja (kod nas ovaj
sustav citiranja primjenjuje npr. Hrvatski portskomedicinski vjesnik) (Marui, 2004).
Posebno je pitanje citiranje elektronikih izvora, posebice sadraja s Interneta. Budui da se radi
o razmjerno novomu mediju, najee nisu jo potpuno definirani svi bibliografski podaci koje za takvu
referenciju treba navesti (razlike postoje od asopisa do asopisa). Osnovni je problem neujednaenost
samih internetskih sadraja. Za sada vrijedi pravilo da se navodi URL (engl., uniform resource locator) i
datum pristupa: primjer pisanja referencije na elektroniki lanak jest:
iri, J. (2003). Metodologija znanosti. Skinuto s: http://personal.unizd.hr/~jciric/metznan.html
Primjer citiranja literature iste reference po dva sustava:
1. Harvardski:
Petz, B., Kolesari, V., Ivanec, D. (2012). Petzova statistika. Jastrebarsko: Naklada Slap.
2. Vancouverski:
Petz B, Kolesari V, Ivanec D. Petzova statistika. Jastrebarsko: Naklada Slap; 2012.
40
NEPARAMETRIJSKI TESTOVI
Mali uzorci
Nema normalne distribucije ili se ne moe odrediti
Varijance nisu homogene
41
Bez obzira o kakvoj je vrsti statistike i distribucije rije, vrijedi pravilo smee unutra smee van.
Drugim rijeima, statistikim analizama emo uvijek dobiti nekakav rezultat, ali uvijek stoji pitanje da li
je primjena statistikih metoda bila ispravna (iri, 2003).
Dva su glavna cilja statistike analize:
1. Usporediti srednje vrijednosti (ili medijane) jedne, dvije ili vie skupine/ uzoraka (npr. je li krvni
tlak vii kod kontrolne skupine ili lijeene skupine/ lijeenih skupina?).
2. Izraunati korelaciju, da se ustanovi kako se jedna ili vie nezavisnih varijabli i jedna zavisna
varijabla odnose meusobno, tj. kako su povezane (npr. kako su teina i/ili dob povezani s krvnim
tlakom).
42
f (frekvencija uestalost)
8
11
14
10
7
50
Na osnovu ovako sreenih podataka moe se zakljuiti da najvei broj ena posjeuje ginekologa
dvaput godinje (tablica 3).
Nain sreivanja podataka ovisi o tipu obiljeja. Atributivna (kvalitativna) i numerika diskontinuirana
(prebrojiva) obiljeja predstavljaju se jednostavnom distribucijom frekvencija, a numerika kontinuirana
(neprebrojiva) obiljeja se predstavljaju distribucijom frekvencije s klasnim (grupnim) intervalima.
Distribucija frekvencije s klasnim (grupnim) intervalima odreena je brojem intervala, veliinom
intervala i granicama intervala. K tome, potrebno je voditi rauna o tome da intervali budu meusobno
jednaki, jer se time omoguava meusobno usporeivanje grupa (Miloevi i Bogdanovi, 2012).
Broj intervala oznaava se s K i odreuje se Sturgesovom formulom: K = 1+3,32192 log N,
gdje je N = ukupan broj statistikih jedinica (entiteta) (Miloevi i Bogdanovi, 2012). Veliina
intervala odreuje se po formuli:
Veliina intervala = X max - X min
K
Treba voditi rauna da granice intervala budu jasne i precizne, ime se jasno pokazuje kojem
intervalu pripada vrijednost promatranog obiljeja. Mora se voditi rauna da kraj jednog intervala ne
bude i poetak drugog, jer se time izbjegava situacija neznanja kojem intervalu pripada ispitivana
vrijednost (Miloevi i Bogdanovi, 2012).
Npr. kod 30 bolesnika odreivane su vrijednosti glikemije (eera u krvi) i dobivene su sljedee
vrijednosti:
8,6 7,7 6,2 6,6 8,0 9,3 7,3 8,5 10,9 11,1
8,4 9,4 6,9 12,3 13,1 11,9 10,5 9,2 12,6 11,4
13,7 9,0 6,6 11,4 11,0 8,1 7,3 13,9 12,1 8,0
Na osnovu prikupljenih podataka nije mogue donijeti zakljuak o vrijednosti glikemije kod ispitivanih
bolesnika, pa je potrebno srediti i saeti podatke u obliku distribucije frekvencija s grupnim intervalima.
Broj intervala se odreuje po gore navedenim formulama:
Broj intervala K = 1+3,32192 log 30 = 1+3,32192*1,48 = 5,91 6
Veliina intervala = (13,9 6,2) / 6 =1,28 1,3
43
H
6,2 7,49
7,5 8,79
8,8 10,09
10,1 11,39
11,4 12,69
12,7 13,99
(ukupno)
f (frekvencija uestalost)
6
7
4
4
6
3
30
Broj nesrea
7
5
5
5
12
18
8
60
44
Sloene tablice prikazuju vie statistikih serija. U tablici 6 dolje prikazani su podaci o broju
zaposlenih po spolu i godinama radnog staa, to predstavlja prikazivanje tri statistike serije
istovremeno (Miloevi i Bogdanovi, 2012).
Tablica 6. Primjer sloene tablice (broj zaposlenih, radni sta, spol)
Godine
radnog staa
Broj zaposlenih
Spol
- Spol
mukarci ene
05
5 10
10 15
15 20
20 25
25 30
30 35
35 40
9
7
11
10
8
7
6
2
60
4
3
6
4
4
4
3
1
29
5
4
5
6
4
3
3
1
31
Kombinirane tablice prikazuju serije podataka dobivenih krianjem dva ili vie obiljeja. Prema
tipu obiljeja koje prikazuju, kombinirane tablice dijele se na tablice kontingencije i tablice korelacije.
Tablice kontingencije prikazuju opisna obiljeja, a tablice korelacije numerika obiljeja (Miloevi i
Bogdanovi, 2012). Pogledajmo to na primjeru tablice kontingencije (tablica 7).
Tablica 7. Primjer kombinirane tablice (tablica kontingencije)
Ispitanici
Studenti
Studentice
Ukupno
Proli
12
22
34
Pali
6
7
13
Ukupno
18
29
47
45
nanosi na ordinatu. Obino se uz prikaz podatka u obliku toaka, odreuje i regresijska crta, tj. pravac
koji najbolje pokazuje meusobni odnos prikazanih toaka. Vidjeti primjer tokastog dijagrama na
krivuljama s prikazom korelacija u poglavlju 14.2. (Miloevi i Bogdanovi, 2012).
Linijski dijagrami se dijele na: poligon i krivulju frekvencija, vremenski linijski dijagram,
kumulativni i polarni dijagram. Krivulja frekvencije koristi se za kontinuirana obiljeja, na apscisu se
nanose mali intervali obiljeja, formira se niz taaka, ijim spajanjem se formira kriva. U statistici je
najpoznatija i najvie se primjenjuje Gaussova krivulja. Vidjeti primjer Gaussove krivulje u poglavlju
12.
Vremenski linijski dijagram prati jedno ili vie obiljeja kroz vrijeme (grafiki prikaz 3). Na
apscisu se nanosi vrijeme, a na ordinatu vrijednosti obiljeja. Upotrebljava se za praenje trenda. Dolje
se vidi primjer sati odsutnosti na radu po mjesecima u godini (Miloevi i Bogdanovi, 2012).
(Dijagrami su skinuti s mrene stranice Scatter Plots, 2013).
Grafiki prikaz 3. Vremenski linijski dijagram
46
Kruni dijagrami se koriste za prikazivanje dijelova neke strukture. Cijeli krug predstavlja 100%
neke strukture (npr. % biraa odreene politike stranke) (grafiki prikaz 6).
Grafiki prikaz 6. Povrinski dijagrami (kruni)
Kartogrami su dijagrami po zemljopisnoj karti, gdje se za svaku regiju ili podruje upisuje
vrijednost ispitivane pojave (Miloevi i Bogdanovi, 2012).
47
48
Dobivene podatke unosi se na radnu stranicu MS Excela na sljedei nain. Koristi se procedura za
grupiranje podataka koja se naziva Histogram, koja pored grupiranja omoguava i grafiko prikazivanje
podataka. Postupak je sljedei: Na padajuem izborniku Tools (Alati) klikne se miem na opciju Data
Analysis (Analiza podataka) i oznai se Histogram, i klikne OK.
(Ukoliko se Data Analysis ne nalazi u padajuem izborniku Tools, treba ju ukljuiti tako da se
klikne na Tools/Add-Ins i oznai Analysis ToolPak-VBA. Na monitoru se dobiva sljedei prozor
(grafiki prikaz 8).
Grafiki prikaz 8. Broj pacijenata po danima (operacije histogramski prikaz)
49
U okvir Input Range unosi se adrese elija u kojima se nalaze sirovi podaci (B1:B21), a u Bin
Range unosimo adrese elija sa modalitetima obiljeja koje sami unosimo (C1:C8). Oznai se opcija
Labels, jer se mogu unijeti i adrese elija u kojima se nalaze nazivi kolona (B1 i C1). Pritisne se OK i
dobiva se sljedei ispis (grafiki prikaz 9).
Grafiki prikaz 9. Broj pacijenata po danima (ispis frekvencija)
50
51
Na isti nain je mogu se kreirati i druge vrste grafikona: stupasti, histogrami i slino, odabirom
tipa grafikona u prozoru Chart Type (Vrsta grafikona). Korisnu informaciju moe se dobiti ako
pomou funkcije COUNTIF odredimo estinu pojedinih vrijednosti u nekom stupcu. Primjerice, u ovom
primjeru Excel e lako prebrojati stanovnike na odreenom podruju, ukoliko smo razliita mjesta
stanovanja oznaavali brojkama od 0 do 5 (grafiki prikaz 13).
Grafiki prikaz 13. Odredba estine nekih vrijednosti u stupcu
52
53
Ako smo triput bacali novi i sva tri puta dobili pismo, znai li to da je vjerojatnost da u etvrtom
bacanju dobijemo glavu sada vea? NE. Ona i dalje iznosi 50%!
Teorija vjerojatnosti vai samo na velikom broju sluajeva i tek ako se taj broj pribliava beskonanosti,
vjerojatnost se pokazuje u realnom odnosu. Ovakve dogaaje prouavao je u 17. stoljeu vicarski
matematiar Bernoulli, a u 18. stoljee teoriju su dalje razvili francuski matematiari Laplace i Poisson.
2. Vjerojatnost a posteriori
Ovaj pristup raunanju vjerojatnosti sastoji se u ponavljanju eksperimenta. Evo jednog primjera:
U kutiji imamo velik, ali nepoznat broj crnih i bijelih kuglica. elimo saznati udio bijelih kuglica,
odnosno vjerojatnost da emo izvlaenjem samo jedne kuglice iz kutije izvui ba bijelu. Vjerojatnost
izvlaenja bijele kuglice je: P(A) = n / N
gdje je:
n broj izvuenih bijelih kuglica, a N broj ukupno izvuenih kuglica
Poslije 10 izvlaenja dobili smo 5 bijelih i 5 crnih kuglica.
Na osnovu samo ovih ponavljanja moemo pretpostaviti da je vjerojatnost izvlaenja bijele kuglice:
P(D) = P(D)*P(D)*P(D)......... (ovisno o broju izvlaenja)
Vjerojatnost izvlaenja crne kuglice je odatle: 1 P(D)
Poslije 100 izvlaenja dobili smo 55 bijelih i 45 crnih kuglica, pa sad pretpostavljamo da je
vjerojatnost izvlaenja bijele kuglice 0,55 ili 55 %. Ali poslije 1000 izvlaenja dobili smo 600 bijelih i
400 crnih kuglica. Tek sad s veom sigurnou moemo tvrditi da je vjerojatnost izvlaenja bijele
kuglice: 0,6 ili 60 %, a da je odnos bijelih i crnih kuglica: 6:4 (Miloevi i Bogdanovi, 2012).
Poissonov zakon velikih brojeva
Pri prouavanju masovnih pojava dobit e se sve toniji rezultati ukoliko se prouavanje
primjenjuje na to vie posebnih javljanja prouavane pojave. Ako bi bilo mogue obuhvatiti i prouiti
sve posebne manifestacije, rezultati prouavanja bi vjerno i istinito objasnili pojavu.
Zakon velikih brojeva predstavlja postulat teorije vjerojatnosti i tek njegovom primjenom u
prouavanju masovnih pojava dokazano je da se one ne ponaaju kaotino, ve da i u njihovom javljanju
postoje odreeni odnosi i zakonitosti (Miloevi i Bogdanovi, 2012).
54
x=
x
n
= m1
U Excelu, aritmetika se sredina lako rauna pomou funkcije (f x ) AVERAGE, gdje se u polje Number1
zadaju brojane vrijednosti kolone za koju aritmetiku sredinu elimo raunati, npr. B2:B6 na primjeru.
Jasno, uvijek moete zadati i pojedinano brojeve u polja od Number1nadalje, ali ovo je svakako
jednostavniji nain. Pogledati primjer (grafiki prikaz 14).
Grafiki prikaz 14. Postavljanje formule za aritmetiku sredinu
Jasno, moete kopirati formulu i izraunati aritmetike sredine za sve stupce (grafiki prikaz 15).
55
Centralna vrijednost (medijan) je toka od koje je najmanja suma svih odstupanja (tj. vrijednost
koja se u nizu podataka poredanih po rangu veliine, nalazi tono u sredini) (Bujas, 1967). Nedostatak
centralne vrijednosti je mogunost da se u asimetrinoj distribuciji, centralna vrijednost npr. u uspjehu
na nekom loe rijeenom testu kod grupe studenata nalazi dosta nisko (npr. 33 boda), dok bi prosjeni
uspjeh mjeren aritmetikom sredinom. bio znatno vei, oko 40 bodova.
U Excelu, medijan se lako rauna pomou funkcije (f x ) npr. =MEDIAN(A2:A12)
Dominantna vrijednost (mod) je odreena frekvencijom rezultata, tj. ta vrijednost se najee
pojavljuje u mjerenju. S obzirom na nju, razlikujemo unimodalne, bimodalne n-modalne distribucije.
Potrebno je napomenuti da su kod normalne distribucije, ove tri vrijednosti identine (Petz, 1985).
Nedostatak dominantne vrijednosti jest injenica da najei rezultat ne treba biti i najreprezentativniji,
npr. 10 sudionika u nekom uzorku ima po 100 kg tjelesne mase, dok bi realni prosjek (aritmetika
sredina) bio oko 80 kg.
U Excelu, dominantna se vrijednost lako rauna pomou funkcije (f x ) npr. =MODE (A2:A12)
Rjee se koriste geometrijska i harmonijska sredina. Geometrijska sredina odraava prosjenu
mjeru brzine nekih promjena (npr. prirodni prirast stanovnitva, ekonomska ulaganja, kamate).
Harmonijsku sredinu koristimo kad elimo dobiti prosjeke nekih odnosa (npr. prosjene
proizvodnje u jedinici proizvoda, prosjeno vrijeme obrtaja kapitala, prosjean rezultat u sportu,
prosjena brzina, prosjene cijene) (Petz, 1985).
U Excelu, geometrijska sredina se lako rauna pomou funkcije (f x ) npr. =GEOMEAN (A2:A12)
U Excelu, harmonijska sredina se rauna pomou funkcije (f x ) npr. =HARMEAN (A2:A12)
56
57
( x x)
=
2 =
= 2
N
f i ( xi x) 2
i
= 2
U Excelu, standardno rasprenje (grafiki prikaz 16) se lako rauna pomou funkcije (f x ) npr. =STDEV
(A2:A12)
58
Koeficijent relativnog varijabliteta daje informaciju u kojem svojstvu neka grupa varira vie, a u
kojem manje, ili koja od grupa varira vie, a koja manje i istom svojstvu. Primjena je mogua iskljuivo
na omjernim skalama (Petz, 1985). To je omjer standardnog rasprenja i aritmetike sredine, pomnoen
sa 100. Naziva se jo i koeficijent varijacije, s formulom:
V=
100%
59
Se =
()
se x =
u2 N n
n
N 1
xu =
60
61
62
Zi =
xi x
U Excelu, pomou funkcije QUART moe se izraunati eljeni kvartil (Quart) za odreeno polje Array
(npr. B2:B62). Drugi kvartil (2) je zapravo medijan (centralna vrijednost).
Pomou funkcije PERCENTILE moe se raunati postotke. Polje Array (npr. B2:B62) zapravo
analiziramo i u njemu traimo odreeni postotak koji zadajemo, dok u polje k stavljamo vrijednost
izmeu 0 i 1 (npr. ako nas zanima 56 centil stavljamo 0,56. Jasno, ova funkcija vrijedi i za decile (oni su
jednostavno okrugli postotci 0,1 0,2 0,3 itd.).
Z-vrijednosti dobivaju se pomou funkcije STANDARDIZE, X je vrijednost npr. B7 ili polje npr.
B2:B62 koje se eli standardizirati, dok se u polja Mean, odnosno Std. Dev. unose aritmetika sredina
odnosno standardno rasprenje za isto polje.
63
ODBACUJEMO nul-hipotezu
PRIHVAAMO nul-hipotezu
nema pogreke
POGREKA TIPA 2 ()
ODLUKA
Dakle, ako odbacimo nul-hipotezu, a ona je zapravo tona, inimo veu pogreku (pogreku tipa 1 ili ).
Ako pak ostanemo pri nul-hipotezi, a ona nije tona, ve razlike izmeu dvije prosjene vrijednosti
postoje, inimo manju pogreku (pogreku tipa 2 ili ).
Vie je naina kako statistiki moemo odrediti narav odnosa izmeu nezavisne i zavisne varijable.
Jedino se testiranjem razlika moe odgovoriti na pitanje o uzrono-posljedinoj naravi odnosa izmeu
nezavisne i zavisne varijable (Petz, 1985).
Testiranje razlika se provodi po naelu usporeivanja aritmetikih sredina i standardnih
rasprenja izmjerenih distribucija, na temelju ega je mogue brojano izraziti koliko je odstupanje
izmeu njih, tj. da li je vee ili manje od neke kritine vrijednosti (koja govori da je razlika statistiki
znaajna).
Statistiki znaajna razlika pojednostavljeno znai da postoji statistiki dokaz te razlike; to ne
znai da je razlika nuno velika, vana ili znaajna u smislu korisnosti pronalaska. To jednostavno znai
da postoji mjerljiva vjerojatnost da pojedinane vrijednosti iz uzorka dobro predstavljaju parametre
64
populacije (Petz, 1985). Niti statistike niti znanstvene odluke ne smiju se pouzdano temeljiti samo na
onome to ljudsko oko vidi ili na promatraevom prethodno steenom iskustvu.
Dva su komplementarna kljuna koncepta inferencijske statistike: pouzdanost (npr. kao interval
pouzdanosti) i razina znaajnosti (engl. significance level, ili alpha). Razina znaajnosti moe se
definirati kao vjerojatnost odluke o odbijanju nulte hipoteze kada je nulta hipoteza zapravo istinita
(odluka poznata kao pogreka tipa I ili lano pozitivna odluka. Najee koritene razine znaajnosti su
5%, 1% i 0,1%, to empirijski odgovara razini pouzdanosti od 95%, 99% i 99,9%.
Ako je procijenjena vrijednost nekog parametra P, s intervalom pouzdanosti +- 3,5 na razini
pouzdanosti C, tada e svaka vrijednost izvan intervala +- 3,5 biti statistiki znaajno razliita od P za
razinu znaajnosti = 1C, pod istim pretpostavkama raspodjele koje su se koristile pri izradi intervala
pouzdanosti. To znai, da ako u procjeni drugog parametra promatrana vrijednost bude manja od donje
granice ili vea od gornje granice intervala pouzdanosti, moemo odbaciti nultu hipotezu. U tom sluaju
nulta hipoteza glasi: istinita vrijednost ovog parametra iznosi P, na razini znaajnosti ; i obrnuto, ako
procijenjena vrijednost drugog parametra lei unutar intervala +- 3,5, neemo moi odbaciti nultu
hipotezu koja kae da je parametar jednak P. Pojednostavljeno se moe rei da je interval pouzdanosti
testiranja razlika zapravo provjera pogreke testiranja znaajnosti razlika (povezanosti): ako je interval
prevelik, ni rezultati testiranja znaajnosti razlika/povezanosti nisu pouzdani.
Koraci u statistikom testiranju hipoteze su (Petz, 1985):
1. Treba ispitati odgovarajuu nultu i alternativnu hipotezu.
2. Treba odabrati razinu znaajnosti (oznaava se grkim simbolom (alfa). esto rabljene razine
znaajnosti su 5%, 1% i 0,1% to odgovara vrijednosti (alfe) od 0,05, 0,01 i 0,001.
3. Izraunati odgovarajuu pojedinanu vrijednost (S) prema ispravnoj matematikoj jednadbi
testa.
4. Usporediti pojedinanu vrijednost (S) s odgovarajuim kritinim vrijednostima (engl. critical
value) dobivenim iz statistikih tablica u standardnim sluajevima. U ovom se koraku moe
izraunati P vrijednost.
5. Odluiti je li nulta hipoteza dokazana pa time i prihvaena, ili je odbaena, a prihvaena
alternativna hipoteza. Pravilo u donoenju odluke jest da se nulta hipoteza odbaci ukoliko je S >
CV i obrnuto. U praksi to znai da emo, ako je P , odbaciti nultu hipotezu; u ostalim emo
je sluajevima prihvatiti.
Kada se govori o % sigurnosti, to u stvari znai da postoji vjerojatnost od % da smo u krivu na
5% sigurnosti, statistika jami da je 19 od 20 mjerenja koja pokazuju razliku.
Ako je rije o neparametrijskoj statistici, rabimo postupke: hi kvadrat test (2), test homogenog niza,
medijan test, test sume rangova (Wilcoxonov t-test, Mann-Whitneyev U-test), Siegel-Tukeyev test, test
65
predznaka (sign test), Wilcoxonov test ekvivalentnih parova, proireni medijan test, Kruskal-Wallisov
test, Friedmanov test, Fergusonov test monotonije trenda (Petz, 1985).
U sluaju normalne distribucije rezultata, moemo testirati hipoteze o povezanostima i razlikama
primjenom metoda (navodimo samo najee koritene):
1. T-test (student analiza), ovisno o tome da li su uzorci zavisni ili nezavisni, slui za utvrivanje
znaajnosti razlike izmeu tretmana (uzoraka), najee izmeu dva uzorka ili tretmana, ili usporedbom
s nekim standardom (jedan uzorak). Npr. razlika u efektima nekog lijeka kao zavisne varijable, kod dvije
razliite grupe pacijenata kao nezavisne varijable. Mann-Whitneyev U-test neparametrijska je inaica ttesta za nezavisne uzorke, a Wilcoxonov test ekvivalentnih parova t-testa za zavisne uzorke.
U Excelu, pomou funkcije TTEST moe se izraunati Studentov t-test izmeu dva uzorka ispitanika
koji se nalaze u poljima Array1 (npr. A2:A62) i Array2 (npr. B2:B62). Drugi kvartil (2) je zapravo
medijan (centralna vrijednost). Tails se odnosi na dvosmjernost (oznaka 2) ili jednosmjernost (oznaka 1)
testa, dok se vrsta uzorka definira pomou Type: zavisni ili spareni uzorci (tj. kad se testiraju razlike kod
istog uzorka u vremenu) oznaavaju se s 1, dva nezavisna uzorka s jednakim varijancama s 2, te dva
nezavisna uzorka s razliitim varijancama s 3. Meutim, istu proceduru moe se pronai u Alatima
(Tools) pod Analiza podataka, gdje su ponuene razliite vrste t-testova, a zadaju se samo polja za
varijable, npr. Variable 1 Range A2:A62 a Variable 2 Range B2:B62.
2. Analiza varijance (ANOVA) je praktinija od t-testa jer omoguuje ispitivanje razlika izmeu
veeg broja tretmana jedne nezavisne varijable, to bi trailo vei broj t-testova. Jednostavnije, slui za
usporedbu (nalaenje razlika izmeu) vie nezavisnih uzoraka (npr. razlika u efektima nekog lijeka kao
zavisne varijable, kod vie razliitih grupa pacijenata kao nezavisne varijable). Kruskal-Wallisov test
neparametrijska je inaica ANOVA-e za vie za nezavisnih uzoraka, a Friedmanov test je inaica
ANOVA-e za vie za zavisnih uzoraka (Petz, 1985).
U Excelu, pomou izbornika Alati (Tools) pod Analiza podataka, ponuene razliite vrste ANOVA-e,
od kojih emo mi spomenuti ANOVA Single faktor, pomou koje zadajemo istovremeno u polje Input
Range sve varijable istovremeno, tj. raspon polja podataka, npr. A2:D62. Tako emo zapravo usporediti
istovremeno ak 4 uzorka, u kolonama A, B, C i D.
66
U najjednostavnijem sluaju, kada imamo jednu nezavisnu i jednu zavisnu varijablu, rezultate
moemo prikazati tzv. scatter dijagramom, gdje je svako mjerenje prikazano jednom tokicom (vidjeti
slike dole). Ako je povezanost izmeu rezultata nula, tada e graf imati oblik krunice. to je povezanost
vea, to e se 'oblak' toaka vie izduljivati u oblik elipse, da bi u ekstremnom sluaju imali oblik pravca
(Scatter plots, 2013). Razliite sluajeve korelacija dajemo na grafikim prikazima 18-24.
Grafiki prikaz 20 i 21. Niska negativna (lijevo) i visoka negativna korelacija (desno) r<0
67
Grafiki prikaz 23 i 24. Visoka pozitivna (lijevo) i niska pozitivna korelacija (desno) r>0
Statistiki postupci za odreivanje korelacije su Spearmanov koeficijent (), Pearsonov koeficijent (r),
point-biserijalni koeficijent, koeficijent konkordacije (W), -koeficijent, koeficijent kontingencije
(Petz, 1985).
Pearsonov koeficijent korelacije
Pearsonov koeficijent korelacije koristi se u sluajevima kada izmeu varijabli promatranog
modela postoji linearna povezanost i neprekidna normalna distribucija. Vrijednost Pearsonovog
koeficijenta korelacije kree se od +1 (savrena pozitivna korelacija) do 1 (savrena negativna
korelacija) (Ivankovi i sur., 1989).
68
Ako je mjerenje provedeno na velikom broju sluajeva, gruba interpretacija koeficijenta korelacije je:
r= 0.00 do 0,20 nikakva ili neznatna povezanost
r= 0.20 do 0,40 laka povezanost
r= 0,40 do 0,70 stvarna znaajna povezanost
r= 0,70 do 1.00 visoka ili vrlo visoka povezanost.
(y
=
(y
y) 2
y)
r = r 2 (1)
r = b * b' (1)
U Excelu, pomou funkcije CORREL moe se izraunati Pearsonov koeficijent korelacije izmeu dvije
varijable, npr. koje se nalaze u poljima Array1 (npr. A2:A62) i Array2 (npr. B2:B62). Meutim, istu
proceduru moe se pronai u Alatima (Tools) pod Analiza podataka, gdje je ponuena analiza
CORRELATION, a zadaju se samo krajnji rasponi polja za varijable, npr. A2:D62. Kao rezultat
dobivamo korelacijsku matricu, dok u oba sluaja (pomou funkcija i pomou alata) njihovu znaajnost
trebamo pronai u tablicama ili na online kalkulatorima.
Spearmanov rang koeficijent korelacije () ne iziskuje uvjet da varijable budu u linearnom odnosu.
Kendallov koeficijent korelacije Tau () slui za utvrivanje povezanosti varijabli izraenih u
rangovima, kao i rang-korelacija
(Petz, 1985).
2
6
*
d
i (1)
r' = 1 3
k k
Korelacija i uzronost
Pearsonov koeficijent korelacije ne daje za pravo zakljuiti da vrijedi uzrono-posljedini odnos
izmeu varijabli. Primjerice, nije broj roda uzrok veem broju djece u nekom gradu, premda postoji
69
visoka pozitivna korelacija izmeu broja roda i broja djece, jer veliina grada, i broj stanovnika (i stoga
dimnjaka) potencijalno utjee na vei broj roda.
Korelacije ne omoguuju uzrono (kauzalno) zakljuivanje. Ako se npr. utvrdi korelacija (povezanost)
izmeu varijable X i Y to se tie uzronosti ne moe se utvrditi koji od navedenih sluajeva je u
pitanju.
1. X uzrokuje Y
2. Y uzrokuje X
3. Z uzrokuje X i Y (Petz, 1985).
Primjeri: Ako utvrdimo povezanost izmeu kolske naobrazbe i materijalnog statusa ne moe se
tvrditi da imetak uzrokuje bolju naobrazbu ili bolja naobrazba dovodi do vee zarade (1). Vie gledanje
televizijskog programa s agresivnim sadrajem i poveana agresivnost: ali moda agresivnije osobe vie
privlae agresivni sadraji (2). Povezanost izmeu posjedovanja vikendice i vjetine rada s raunalom
moe biti posredovana dobrim materijalnim statusom (3).
70
Podaci izraeni ovom mjernom ljestvicom nemaju apsolutnu nulu i ne moemo rei da je dvostruko
vea brojana vrijednost zaista dva puta vea. Primjerice, iako vrijednosti temperature izmjerene na
Celzijusovoj ljestvici imaju jednake intervale izmeu stupnjeva, 0C nije apsolutna nula.
Nula na Celzijusovoj ljestvici oznaava toku ledita vode, no ne i totalnu odsutnost temperature. Nema
smisla rei da je temperatura od 10C dvostruko toplija 5C.
2. Omjerna mjerna ljestvica - podaci izraeni omjernom mjernom ljestvicom imaju apsolutnu nulu. Na
primjer, prilikom mjerenja duljine, nula predstavlja odsutnost duljine, a 10 metara je dvostruko dulje od
5 metara. Oba tipa podataka (i intervalni i omjerni) mogu se koristiti u parametrijskim testovima.
Kvantitativni (numeriki) podaci u odnosu na kontinuiranost mogu se razvrstati kao:
1. Diskretni (diskontinuirani) numeriki podaci, samo u sluaju ako postoji konaan broj moguih
vrijednosti ili ako postoji prostor na brojevnom pravcu izmeu svake dvije mogue vrijednosti (npr.
iitavanje vrijednosti sa zastarjelog ivinog termometra).
2. Kontinuirani podaci ine ostatak numerikih podataka koji se ne mogu smatrati diskretnim (nema
konaan broj moguih vrijednosti). To su tipovi podataka koji se obino povezuju s nekom vrstom
naprednog mjerenja na instrumentima prema razvojnom stupnju struke (npr. iitavanje vrijednosti sa
digitalnom kalkulatoru s N decimala).
Kvalitativni (kategoriki) podaci mogu biti:
1. Binarni (logiki) podaci osnovni tip kategorikih podataka (npr. pozitivno/negativno; prisutno/
odsutno itd.).
2. Nominalni podaci - kod kompleksnijih kategorikih podataka, prvu (i najslabiju) razinu podataka
predstavljaju nominalni podaci. Podaci nominalne razine dobiju se iz vrijednosti koje se razlikuju samo
po nazivu. Ne postoji neka standardna shema poretka (npr. rumunjska, maarska, hrvatska skupina ljudi
itd.).
3. Ordinalni (uredbeni) podaci - slini su nominalnim podacima u tome da se podaci razlikuju prema
nazivu, a od nominalnih podataka ih razlikuje shema stupnjevanja (npr. povremeni puai, umjereni i teki
puai) (Marusteri i Bacarea, 2010).
15.3.2. VELIINA I BROJ UZORAKA
Uzorci se razlikuju po veliini: do 30 se smatraju mali, a iznad toga su veliki. No, neki autori
smatraju da do 50 podataka (ispitanika, mjerenja) predstavlja mali uzorak. U biti, injenica da li je
uzorak veliki ili mali ovisi o statistikoj metodi koju elimo primijeniti. Parametrijske metode
primjenjive su uglavnom na velikim uzorcima, i to s normalnom distribucijom (s izuzecima t-testova za
male zavisne i nezavisne uzorke, te jo nekim metodama).
Ovisno o ustroju istraivanja postoje tri situacije: jedan uzorak; dva uzorka; tri ili vie uzoraka.
U sluaju jednog uzorka postavlja se vano pitanje: kakav se statistiki zakljuak moe donijeti,
budui da je oigledno kako nisu ispunjeni uvjeti za usporedbu?
71
Iako izgleda kao da nema smisla, ipak se moe napraviti barem nekakva statistika analiza. Primjerice,
ako damo pirogeni lijek uzorku laboratorijskih ivotinja, moi emo napraviti usporedbe izmeu srednje
vrijednosti tjelesne temperature zabiljeene tijekom pokusa i dobro poznate standardne vrijednosti za tu
vrstu ivotinje, kako bismo pokazali je li razlika izmeu tih vrijednosti statistiki znaajna i kako bi
zakljuili ima li lijek pirogeni uinak (Marusteri i Bacarea, 2010).
Ako u istraivanju imamo dva uzorka (to je najea situacija), sve to nam je initi jest pratiti
ispravni postupak inferencijske statistike kako bismo napravili ispravnu usporedbu izmeu uzoraka. Kod
vie od dva uzorka, statistika e se analiza initi neto kompliciranijom, no postoje statistiki testovi s
kojima se itekako mogu obraditi ovakvi podaci. Primjerice, moemo raditi usporedbe srednjih
vrijednosti za sve uzorke u jednom trenutku koristei analizu varijance (ANOVA test). Takoer moramo
imati na umu da postoje neki post hoc testovi koji se primjenjuju u drugom stupnju analize varijance u
sluaju da je nulta hipoteza odbaena. Ti testovi mogu napraviti usporedbu izmeu svakog para uzoraka
iz pokusa (Marusteri i Bacarea, 2010).
72
ispitanike kao parove, uparene prema varijablama kao to su npr. dob, etnika skupina ili stupanj
ozbiljnosti bolesti; jedan od parova bude lijeen na jedan nain; a drugi par na alternativni nain (2);
izvodimo laboratorijski pokus nekoliko puta, svaki puta s kontrolnim i ispitivanim uzorkom u duplikatu
(3); mjerimo varijablu ishoda kod parova dijete/roditelj (ili bilo kojem slinom paru) (4).
Openito govorei, kad god oekujemo da e nam vrijednost u jednom uzorku biti blia odreenoj
vrijednosti u drugom uzorku, nego to bi bila kod sluajno odabrane vrijednosti u drugom uzorku,
moramo odabrati test za uparene podatke. U drugom sluaju odabiremo test za nezavisne uzorke
(Marusteri i Bacarea, 2010), odnosno test koji se najee koristi za meusobno nezavisne grupe
ispitanika.
koji
izraunava
iskoenost
(engl. skewness) i spljotenost (engl.kurtosis), kako bi izrazio koliko su podaci udaljeni od
normalne raspodjele po pitanju asimetrije i oblika.
2. Kolmogorov-Smirnovljev test normalnosti raspodjele, usporeuje kumulativnu raspodjelu
podataka s oekivanom kumulativnom normalnom raspodjelom, a P vrijednost mu se temelji na
najveoj vrijednosti odstupanja (Marusteri i Bacarea, 2010).
Ovisno o vrsti raspodjele, odabiremo parametrijske ili neparametrijske testove.
Trebamo imati na umu da mnogi statistiki testovi (npr. t-test, ANOVA i njene varijante) a
priori pretpostavljaju da podaci uzorkovani iz populacije slijede Gaussovu (normalnu/zvonoliku)
raspodjelu. Testovi koji slijede tu pretpostavku nazivaju se parametrijskim testovima, a njima se bavi
parametrijska statistika (Petz, 1985).
Neparametrijska statistika nudi metode i testove nezavisne o raspodjeli podataka, koji se ne oslanjaju na
pretpostavku da su podaci uzeti iz date raspodjele vjerojatnosti (u naem sluaju je to normalna
raspodjela). To su neparametrijski statistiki testovi. Gotovo svaki parametrijski statistiki test ima
odgovarajuu neparametrijsku inaicu (Petz, 1985).
Kako bi razumjeli razliku izmeu tih dvaju tipa testova mora se razumjeti daljnja dva osnovna
statistika koncepta: robusnost (engl. robustness) i snaga statistikog testa (engl. power) (Marusteri i
Bacarea, 2010).
Robusni test se moe upotrijebiti ak i kada neke od pretpostavki za izvoenje testa nisu
zadovoljene. Neparametrijski testovi su robusniji od svojih parametrijskih inaica, primjerice mogu
73
obraditi vrlo male uzorke, gdje su podaci daleko od normalne raspodjele. Drugim rijeima,
neparametrijski test je neovisan o vrsti i pravilnosti distribucije podataka.
Snaga statistikog testa je vjerojatnost da e taj test odbaciti nultu hipotezu, ako je alternativna
hipoteza istinita (npr. da se nee napraviti pogreka tipa II). Pogreka tipa II (pogreka druge vrste,
pogreka ili lano negativna) definira se kao pogreka neiskljuivanja nulte hipoteze u sluaju kada je
ona zaista neistinita. S pojaanjem snage statistikog testa, opada vjerojatnost pogreke tipa II.
Neparametrijski testovi su esto robusniji, no obino imaju manju snagu testa. Drugim rijeima,
neparametrijski test e vjerojatnije proglasiti neku razliku/korelaciju statistiki neznaajnom, ak ako
realna razlika/povezanost postoji (pa mogu napraviti pogreku tipa II ili ) (Marusteri i Bacarea, 2010).
Koje statistike metode biramo ovisno o ovoj vrsti uzoraka, te broju skupina ispitanika koje meusobno
usporeujemo (tablica 10).
Tablica 10. Odabir statistike metode ovisno o vrsti uzoraka
Parametrijski: ANOVA
Parametrijski: RM ANOVA
Neparametrijski: Kruskal-Wallisov test
Neparametrijski: Friedman ANOVA
Prije odabira testa potrebno je ispitati vrstu podataka, normalnost raspodjele, homogenost
varijanci.
Neparametrijska statistika koristi se kod podataka koji imaju neke od sljedeih karakteristika (ILI-ILI):
1. distribucija malog broja podataka znaajno odstupa od normalne
2. podaci su izraeni na nominalnim ili ordinalnim mjernim ljestvicama.
Dakle, koriste se kad se raspodjela znaajno razlikuje od normalne (U-raspodjela, multimodalna
raspodjela, Poissonova raspodjela). Kombinacija ovih glavnih elemenata za odabir metode daje pogodne
metode za obradu podataka (Marusteri i Bacarea, 2010). Odabir statistike metode ovisno o nacrtu
istraivanja vidi se u tablici 11.
74
PARAMETRIJSKA
PROCEDURA
T-test nezavisni uzorci
T-test zavisni uzorci
ANOVA
ANOVA ponovljena mjerenja
Pearson r
NEPARAMETRIJSKA
PROCEDURA
Mann-Whitney U-test
Wilcoxonov test
ekvivalentnih nizova
Kruskal-Wallis test
Friedman test
Spearman rs, Kendall's tau
Na kraju, vano je napomenuti da je ovaj udbenik samo uvod u istraivaki rad. Meutim, nadam
se da moe i poetnicima i iskusnim studentima pomoi u rjeavanju problema u praktinom ili u
istraivakom radu. A kao potencijalno koristan podsjetnik moe posluiti i iskusnim znanstvenicima i
praktiarima.
75
LITERATURA
Ackoff, R. L.. (1955). Philosophy of Science. Chicago, US: University of Chicago Press.
Berelson, B. (1971). Content Analysis in Communication Research. Glencoe, Ill: Free Press.
Bujas, Z. (1967). Uvod u metode eksperimentalne psihologije. Zagreb: kolska knjiga.
Cohen, L ., Manion, L., Morrison, K. (2007). Metode istraivanja u obrazovanju. Jastrebarsko:
Naklada Slap.
iri, J. (2003). Metodologija znanosti. Zadar: Sveuilite u Zadru.
Halmi, A. (2005). Strategije kvalitativnih istraivanja u primijenjenim drutvenim znanostima.
Jastrebarsko: Naklada Slap.
Hrvatski zavod za javno zdravstvo (2007). Meunarodna klasifikacija bolesti i drugih srodnih
zdravstvenih problema - MKB 10 (primarno poglavlje V: Duevni poremeaji i poremeaji
ponaanja, poglavlje IV: Bolesti ivanog sustava). Split: Chrono.
Ivankovi, D. i sur. (1989). Osnove statistike analize za medicinare. Zagreb: Medicinski fakultet
Sveuilita u Zagrebu.
Marusteri, M., Bacarea, V. (2010). Kako odabrati pravi test za procjenu statistike znaajnosti
razlike izmeu skupina? Biochemia Medica, 20(1):15-32.
Marui, M. (ur.) (2004). Uvod u znanstveni rad u medicini. Zagreb: Medicinska naklada.
Mejovek, M. (2003). Uvod u metode znanstvenog istraivanja u drutvenim i humanistikim
znanostima. Jastrebarsko: Naklada Slap.
Milas, G. (2005). Istraivake metode u psihologiji i drugim drutvenim znanostima. Jastrebarsko:
Naklada Slap.
iloevi, Z, Bogdanovi, D. (2012). Statistika i informatika u oblasti medicinskih nauka. Ni:
Galaksija.
Papi, M. (2005). Vjebe iz statistike. Split: Sveuilite u Splitu odjel za strune studije.
Petrak, O. (2010). Statistika materijali za vjebe. Zagreb: Zdravstveno veleuilite.
Petz, B. (1985). Osnovne statistike metode za nematematiare. Zagreb: Sveuilina naklada
Liber.
Petz, B. (1992). Psihologijski rjenik. Zagreb: Prosvjeta.
76
77
PRILOZI
ODABRANI MRENI IZVORI
Bibliografske baze podataka:
Medline/PubMed http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed
Biomedicina Croatica: http://smk.mef.hr/php/biomed/
Pristup elektronikim izvorima za hrvatsku akademsku zajednicu
Centar za on-line baze podataka http://nippur.irb.hr/ovid/
Nastavna graa i knjige
Nastavni sadraj Medicinskog fakulteta u Zagrebu http://www.mef.hr/edumed/index.html
Virtualno sveuilite http://www.mzt.hr/virtus/
Besplatno dostupne medicinske knjige http://www.FreeBooks4Doctors.com/
Popisi besplatno dostupnih medicinskih asopisa:
Hardin MD:Free medical journals http://www.lib.uiowa.edu/hardin/md/ej.html PubMed Central
http://www.pubmedcentral.nih.gov/
Izravno dostupni medicinski asopisi
BioMed Central http://www.biomedcentral.com/
Mrene stranice zdravstvenih i akademskih ustanova i udruga
Svjetska zdravstvena organizacija http://www.who.int/whosis/
American Medical Association http://www.ama-assn.org/
Medicinski fakultet u Zagrebu (http://www.mef.hr/edumed/
Sveuilite Johns Hopkins http://www.hopkins-id.edu/
Klinika Mayo http://www.mayoclinic.com/
Medicinske knjinice
National Library of Medicine http://gateway.nlm.nih.gov/gw/Cmd
Sredinja medicinska knjinica http://smk.mef.hr
Pretraivai i mreni ulazi
Medexplorer http://www.medexplorer.com/
MedHunt http://www.hon.ch/MedHunt/
Organized Medical Networked Information OMNI http://omni.ac.uk/
Health on the Net Foundation - HON http://www.hon.ch/
BioSites http://galen.library.ucsf.edu/biosites/
Mrene stranice namijenjene javnosti:
MEDLINEplus http://medlineplus.gov/
Healthfinder http://healthfinder.gov/
Jama Patient Page http://www.ama-assn.org/public/journals/patient/index.htm
Medicina.hr: http://www.medicina.hr/
PLIVAzdravlje.hr http://www.plivazdravlje.hr
78
79
80
dan
sub
ned
pon
sub
uto
sri
pet
sub
et
ned
r.br.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
dan
pon
sub
ned
sub
uto
pet
sub
pon
sri
et
r.br.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
dan
uto
sri
sub
pon
sub
ned
sub
pet
sub
pet
r.br.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
dan
pet
sub
pet
sub
et
sub
ned
pon
uto
pet
r.br.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
dan
uto
ned
pon
sri
sub
ned
pet
sub
pet
et
r.br.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
dan
pet
sub
ned
sub
et
pet
sub
sri
pon
pet
Rjeenje:
Prvo emo unijeti podatke u prazni radni list programa MS Excel. Kao to je ve prije napomenuto
kvalitetnim modalitetima (danima u tjednu) pridruit emo numerike vrijednosti. Pri tome ne treba
komplicirati najjednostavnije je ponedjeljku pridruiti broj 1, utorku 2, , nedjelji 7. Redne brojeve
moete, a i ne morate unositi. Ako ste u stupac A unijeli redne brojeve, tada u stupac B unesite brojeve
od 1 do 7 pridruene pojedinim danima u tjednu (grafiki prikaz ).
81
Prije pokretanja odgovarajue procedure za grupiranje podataka moramo formirati niz modaliteta
na temelju kojih emo izvriti grupiranje. U eliju C1 upiite dani te u daljnje elije stupca C (od C2
do C8) modalitete koji se javljaju u konkretnom primjeru (brojeve
od 1 do 7). Procedura koju koristimo za grupiranje podataka naziva se Histogram. Treba napomenutu
na nam procedura Histogram pored grupiranja podataka omoguava i odgovarajui grafiki prikaz, ali
o tome emo kasnije. Postupak je sljedei: Na padajuem izborniku Tools kliknimo miem na opciju
Data Analysis. U dobivenom okviru Analysis Tools oznaimo Histogram i kliknemo na OK.
Napomena: Mogue je da vam se opcija Data Analysis ne pojavi na padajuem izborniku Tools. Tada
ju trebate ukljuiti tako da kliknete na Add-Ins na istom izborniku, te u dobivenom okviru oznaite
opcije Analysis ToolPak i Analysis ToolPak-VBA i kliknete OK. Ponovno se vratite na Tools, arobni
Data Analysis trebao bi biti tu.
Nastavimo s postupkom grupiranja. Ako ste napravili sve to pie u prethodnoj uputi (pod uvjetom
da ste ukljuili raunalo) na ekranu bi se trebao pojaviti dijaloki okvir Histogram (grafiki prikaz 26).
82
Dijaloki okvir Histogram sastoji se od dva dijela. U prvi dio Input unosimo adrese podataka
koje elimo grupirati, a u drugom Output options biramo mjesto i vrstu rezultata koje elimo dobiti.
Kliknemo unutar okvira Input Range i unesemo adrese elija u kojima nam se nalaze sirovi,
negrupirani podaci (B1:B61, ne trebaju vam ovi dolari, oni se kasnije pojave sami). Nakon toga
kliknemo unutar okvira Bin Range i unesemo adrese elija u kojima se nalaze modaliteti koje smo
prethodno sami ispisali (C1:C8). Budui da smo unijeli i adrese elije u kojima nam se nalaze naslovi
(B1 i C1) kvaicom oznaimo opciju Labels. Pri unosu adresa elija s podacima mogli smo unijeti
samo one u kojima se nalaze vrijednosti, bez naslovnih elija (od B2 do B61 i od C2 do C8). U tom
sluaju bi okvir uz opciju Labels ostavili prazan. Bitno je da se pri upisu u Input Range i u Bin Range
drimo istog pravila.
U drugom dijelu dijalokog okvira Histogram Output options dajemo dvije naredbe programu.
Prva je vezana uz mjesto na kojem elimo da se pojavi tablica sa grupiranim rezultatima (zajedno sa
grafom, ako ga elimo). Ukoliko elimo da se tablica nalazi na radnom listu unutar kojega trenutno
radimo , miem oznaimo opciju Output Range te u pripadajui okvir upiemo adresu elije u kojoj
elimo da bude lijevi gornji ugao te tablice (u naem primjeru upisat emo npr. D1). Po potrebi, novu
tablicu moemo smjestiti i na novi radni list (New Worksheet Ply uz odgovarajuu adresu elije) ili
novu radnu knjigu (New Workbook). U donjem dijelu dijalokog okvira imamo ponuene tri opcije
(Pareto (sorted histogram), Cumulative Percentage i Chart Output).
Nakon to ste sve ovo napravili, dodirom na lijevu tipku mia kliknite OK. Na ekranu vam se pojavi
tablica koja izgleda ovako (grafiki prikaz 27).
83
Frekvencije u gornjoj tablici su apsolutne frekvencije. Prvo emo izraunati relativne frekvencije (%) a
zatim urediti tablicu i odgovoriti na pitanja traena u zadatku.
Postotak se izraunava iz osnovne relacije postotnog rauna:
POSTOTAK =
DIO
100
CJELINA
U eliju F1 upiite Relativne frekvencije (%). Izraunati emo relativnu frekvenciju samo za
prvu vrijednost, a za ostale emo samo kopirati formulu. Prvo je potrebno izraunati sumu svih
apsolutnih frekvencija. Ovo se moe napraviti na vie naina. Najjednostavniji je da miem oznaite
polja od E2 do E9 (dodatak More treba promatrati kao sastavni dio tablice). Zatim miem kliknite
na vrpci s alatima Standard. U eliji E10 pojavit e vam se suma apsolutnih frekvencija
ikonicu
(opseg statistikog skupa). Jasno, u naem primjeru ona iznosi 60, to ste ve i prije mogli zakljuiti
iz poetne tablice s izvornim podacima, te prilikom unosa istih. ak ako vam suma apsolutnih
frekvencija i nije potrebna za neki konkretni zadatak, radi kontrole postupka grupiranja dobro ju je
izraunati. Broj svih prometnih nesrea (60) predstavlja cjelinu. Postotak nesrea koji se dogodio
ponedjeljkom (modalitet 1) dobit emo tako da apsolutnu frekvenciju vezanu uz modalitet 1 (7 u eliji
E2) podijelimo sa ukupnim brojem nesrea (60 u eliji E10) i pomnoimo sa 100. Budui da prilikom
kopiranja formule niz odreeni stupac program postupno mijenja adrese elija ispisane u formuli, a mi
sve vrijednosti elimo dijeliti sa 60, adresu elije u kojoj nam se nalazi suma apsolutnih frekvencija
(E10) fiksirat emo sa znakom $. Budui da svaku formulu ili funkciju u MS Excel-u poinjemo sa
znakom =, u eliju F2 upisujemo =E2/$E$10 i na tipkovnici stisnemo Enter. Broj koji smo dobili
(0,116667) predstavlja relativnu frekvenciju izraenu u obliku proporcije. Klikom mia na ikonicu
na vrpci s alatima Formatting pretvaramo ga u postotak, zatim ikonicom za poveavanje broja
decimalnih mjesta
preciznije izraunamo. U ovom primjeru vrijednosti emo izraunati na dvije
decimale, to je i uobiajeni broj kod veine izrauna. Sad nam u eliji F2 pie 11,67%. Velika
84
prednost programa MS Excel je ta to za niz vrijednosti pomou odgovarajue formule ili funkcije
trebamo izraunati samo jednu vrijednost, a preostale kopiramo. Oznaite eliju F2 i dovucite (njeno)
mia u donji desni ugao elije dok vam se ne pojavi znak +. Sada jednostavno povucite mia do
posljednje elije za koju izraunavate eljenu vrijednost ( u naem primjeru F9). Dobili ste relativne
frekvencije izraene u postotcima. Kontrole radi ih zbrojite (ikonica
), jasno je da zbroj treba biti
100.
Uredite sada tablicu: ispiite zaglavlja stupaca, modalitetima dajte njihova prava imena, uokvirite
polja (pomou ikonice
na vrpci Formatting) . Moete ju ispisati, kopirati u neku drugu
aplikaciju, staviti na auto ako su vam ukrali stare itd. Izgleda otprilike ovako:
Tablica 13. Prometne nesree osiguranika osiguravajueg drutva Otkasko po danima u tjednu
(lipanj, 2003)
Dani u
tjednu
ponedjeljak
utorak
srijeda
etvrtak
petak
subota
nedjelja
Broj
nesrea
7
5
5
5
12
18
8
60
Struktura
(%)
11,67%
8,33%
8,33%
8,33%
20,00%
30,00%
13,33%
100,00%
85
86
Miljenja istaknutih lanova akademske zajednice, sestrinskih institucija i lanova urednitva Sestrinskog
glasnika.
Povijesne stranice [PS]
Pregledni lanak koji opisuje povijesno verificirana saznanja o opem napretku sestrinstva, medicine,
epidemiologije, dijagnostike i znanosti o upravljanju u zdravstvu.
Pregledni lanak [P]
Prilikom pisanja preglednog lanka potrebno je dati cjelovitiji pregled dosadanjih spoznaja o temi koja se
opisuje. Ova vrsta lanka treba sveobuhvatno opisivati zadanu temu/problem te se preporuuju literaturni navodi
koji nisu iskljuivo preuzeti iz anglosaksonske literature.
Sigurnost bolesnika [SB]
Opisuje se praenje i uzroci nastanka neeljenog dogaaja, analiza uzroka, tijek administrativnog sestrinskog
izvjeivanja, uporabljeni lijekovi i metode, uporabljene medicinske tehnologije, proces skrbi za bolesnika, costbenefit analiza.
Sigurnost na radnome mjestu [SRM]
Opisuje se poboljanje zdravstvenog sustava uvoenjem novih metoda lijeenja koje izravno utjeu na
poboljanje mjera lijeenja i smanjenje trokova uz povean stupanj zadovoljstva bolesnika pruenim uslugama.
Takoer se opisuje irok spektar svakodnevnih sestrinskih postupaka, s analizom patolokih, anatomskih i
fiziolokih imbenika, vrednovanje rezultata te daljnje preporuke za odgovarajue postupke. Naglasak je na
poboljanju kvalitete pruenih usluga i zadovoljstvu bolesnika.
Pismo uredniku [PU]
Izvjea s kongresa i simpozija uz osvrt na teme.
Slikovni prikaz [SP]-Slikovni prikazi sa kongresa, simpozija, konferencija.
Kategorije lanaka.
Potrebno je odabrati kategoriju lanka te je navesti na prvoj stranici teksta, i to od sljedeih navedenih: sestrinska
edukacija, klinika istraivanja, medicina utemeljena na dokazima, ljudski potencijal, znanstveni management,
zdravstvena tehnologija, upravljanje ljudskim resursima, ljudski odnosi meu zdravstvenim djelatnicima,
medicinske ustanove, sestrinstvo i medicina u svakodnevnoj praksi.
Jezik. Tekstovi moraju biti napisani na hrvatskome ili engleskome jeziku. Pravopis moe biti britanski ili
ameriki, ali konzistentno proveden.
Izgled / prezentacija.
Cijeli tekst mora biti napisan s dvostrukim proredom. Stranice moraju biti numerirane. Gdje je to prikladno (vidi
tablicu), rukopis treba biti strukturiran kako slijedi: [a] naslovna stranica (hrvatski+engleski jezik) [b] saetak i
kljune rijei (hrvatski+engleski jezik) [c] tekst sa sljedeim dijelovima: uvod, materijali i metode, rezultati,
rasprava, zahvale (podnaslovi moraju biti napisani na hrvatskome i engleskome jeziku) [d] tablice (objanjenja
moraju biti napisana na hrvatskome i engleskome jeziku) [e] slike legende objanjenja moraju biti napisana na
hrvatskome i engleskome jeziku), [f] videosnimke (objanjenja moraju biti napisana na hrvatskome i engleskome
jeziku), i [g] literatura. Slike i videoprezentacije moraju biti pripremljene kao to je navedeno u nastavku.
Naslovna (prva) stranica.
Naslovna (prva) stranica treba sadravati kratak, opisni naslov lanka (kratice nisu doputene, naslov treba stajati
na hrvatskom i engleskom jeziku), ime i prezime autora (ali ne i kvalifikacije) te naziv i mjesto ustanove u kojoj
je istraivanje provedeno (na hrvatskom i engleskom jeziku). Slijedi ime, adresa, telefon, broj telefaksa te e-mail
adresa autora za korespondenciju. Sve spomenuti mora biti napisano na dnu naslovne stranice. Ako je rukopis bio
predstavljen na kongresu, treba navesti naslov, mjesto i datum odravanja kongresa. Takoer se treba pridravati
87
tonoga broja rijei saetka i teksta (na hrvatskom i engleskom jeziku). Slike, tablice i literaturni navodi ne ulaze
u zbroj rijei.
Saetak.
Saetak je najvaniji i najitaniji dio lanka. U saetku je skup injenica, verificiranih rezultata, te nije
preporuljivo upotrebljavati skraenice osim kad je rije o SI jedinicama i mjerama. Saetak treba napisati na
zasebnoj stranici. Strukturirani saetak mora imati etiri dijela, i to: (1) Ciljevi: treba opisati problem, naine
rjeavanja problema te svrhu. (2) Metode: treba objasniti kako je istraivanje provedeno (osnovni postupci s
materijalom koji se prouava, analitike/statistike metode). (3) Rezultati: treba opisati glavne nalaze s
odreenim podacima i njihovu statistiku vanost. (4) Zakljuak: treba opisati glavni zakljuak studije.
Kljune rijei.
Poslije priloena saetka treba napisati 3-6 kljunih rijei (na hrvatskome i engleskom jeziku) radi mogue
citiranosti teme lanka. Kljune rijei trebaju biti izabrane prema pravilima Indexa Medicusa.
TEKST
Uvod: treba navesti svrhu istraivanja i kratak pregled relevantne literature.
Materijali i metode: metoda treba biti detaljno opisana s odgovarajuim podacima o bolesnicima ili
eksperimentalnim ivotinjama. Kratice ine tekst teko itljivim i trebaju biti ograniene na SI mjerne jedinice,
kao i na one koje se najee rabe, npr. VSD, ASD, ACBG i sl. U cijelome tekstu treba navoditi generike nazive
lijekova te u zagradama navesti ime proizvoaa (vlasniko ime, mjesto, drava) proizvoaa.
Rezultati: rezultate treba navoditi taksativno i saeto jer se na taj nain istie znanstveni doprinos rukopisa. Oni
bi trebali biti predstavljeni u tablicama ili u brojkama, a njihovo znaenje treba saeto opisati u tekstu.
Ponavljanje rezultata treba izbjegavati! Za statistike analize slijedite "Smjernice za izvjetavanje podataka i
nazivlja (Ann Thorac Surg 1988; 46:260-261).
Rasprava: interpretacija rezultata i njihova znaenja s obzirom na znaenje rezultata iznesenih u radovima drugih
autora koji opisuju slinu ili istovjetnu tematiku. Rasprava treba biti kratka i jasna. Potrebno je raspravljati o
stupnju vanosti provedena istraivanja i o mogunostima daljnjih istraivanja, kao i o ogranienjima.
Zahvala: financijsku ili osobnu pomo treba, ako je prikladno, opisati na kraju teksta.
Tablice: Kratak naslov treba opisivati imbenike u tablici. Sve kratice koje se koriste u tablicama trebaju biti
definirane. Svaka tablica treba biti samostalno postavljena na posebnoj stranici.
Legenda/opis slike-videa: potreban je opis za svaku sliku i video (vidi takoer dolje).
Literatura: literaturni navodi trebaju biti predstavljeni u nizu, i to redoslijedom kako se pojavljuju (citiraju) u
tekstu. Literaturni navodi koji se citiraju u tekstu trebaju biti oznaeni brojevima u uglatim zagradama. Osobne
komunikacije, web-stranice i neobjavljeni podaci ne bi trebali biti ukljueni u popis literature, ali mogu se
spomenuti, i to samo u tekstu. Svi autori trebaju biti navedeni (uporaba i sur. nije prihvatljiva). asopisi trebaju
biti indeksirani, a njihove kratice usklaene s navodima u Indexu Medicusu.
Molimo Vas da paljivo slijedite ovaj referentni stil konfiguracije lanka jer se na taj nain znatno ubrzava
recenzijski proces.
Primjeri, za citiranje literaturnih navoda:
asopisi
[1] Solaini L, Bagnioni P, Grandi U. Role of video endoscopy in pulmonary surgery: present experience. Eur J
Cardiothorac Surg 1995;9:65-68.
Knjige
[2] Cooley DA. Techniques in cardiac surgery. Philadelphia: Saunders, 1984:167-176.
Knjige vie autora
88
[3] Huang GJ, Wu YK. Operative technique for carcinoma of the esophagus and gastric cardia. In: Huang GJ, Wu
YK, editors. Carcinoma of the esophagus and gastric cardia. Berlin: Springer, 1984:313-348
On-line publikacija (napomena: DOI je jedini prihvatljiv nain citiranja)
[4] Kazaz M, Celkan MA, Ustunsoy H, Baspinar O. Mitral annuloplasty with biodegradable ring for infective
endocarditis: a new tool for the surgeon for valve repair in childhood. Interact CardioVasc Thorac Surg
doi:10.1510/icvts.2005.105833.
Autorima se preporuuje da citiraju prethodno objavljene lanke u Sestrinskom glasniku da bi se poveao
stupanj vanosti.
Slike: Sve ilustracije/slike i popratne tekstualne oznake moraju biti profesionalne kvalitete. Moraju biti
numerirane redoslijedom kako se pojavljuju u tekstu. Sve ilustracije i tekstovi moraju biti profesionalne kvalitete.
Slike trebaju biti crno- bijele gdje god je to mogue, a slike koje je nuno reproducirati u boji u tisak ulaze nakon
odobrenja urednika - bez trokova za autora/e. Slike moraju biti numerirane redoslijedom kako se pojavljuju u
tekstu.
Video: Gdje je u skladu s tekstom, videoisjeci mogu se poslati u standardnom digitalnom videoformatu. Video
mora biti relevantna sadraja s vanim informacijama i ne smije trajati dulje od 30 sekunda (vidi specifikacije
dolje). Jedna fotografija (zaslon) po videu takoer mora biti predana. Video e biti prikazan u on-line asopisu (na
www.hums.hr) U tiskanom asopisu bit e objavljen link na video u on-line asopisu. Video mora biti numeriran
redoslijedom kojim se pojavljuje u tekstu. Molimo, paljivo ispunite on-line formular i na mreu stavite sljedee:
Tekst (ukljuujui naslovnu stranicu) i tablice (plus bilo koju ugraenu sliku - opcija) u kombinaciji u jednu
datoteku u programu za obradu teksta (.doc ili .rtf preporuljivo) Staviti na mreu kao tekstualnu datoteku.
Ilustracije za on-line objavu (stvaranje optimalnih PDF-formata):.jpg datoteka preporuljivo (specifikacija: 72
toke po inu/600 irina piksela, u sivim tonovima za crno-bijele, RGB u boji). Jedna datoteka po slici postaviti
kao sliku.
Izvorne ilustracije za tisak (samo revidirani rukopisi): Obvezne su .tif datoteke (specifikacija: veliine do 8,4
cm irine stupca, razluivost: 1000 toaka po inu za crtee, 300 toaka po inu za crno-bijelo / kombinirane /
boja, CMYK u boji) - upload u obliku dopunske datoteke. Ova specifikacija omoguuje da se slike reproduciraju
u najboljoj kvaliteti za tisak. Ako kvaliteta slike ne odgovara opisanu formatu, moe objavljivanje revidiranog
teksta moe se odgoditi. Ne moete li dostaviti slike elektronskim putem, moete ig poslati (u opisanu formatu)
kao tzv. hard-kopije (sjajne fotografije) na adresu urednitva radi skeniranja.
Video (samo za on-line): .avi, .mov, .mpg ili RM datoteke preporuljivo (specifikacija dimenzija: 320 x 240
piksela, trajanje: maksimalno 30 sekunda, broj okvira / drugi: 20-30). Odgovarajue fotografije i potrebno: .jpg
eljeni format (specifikacija: 72 toke po inu). Upload datoteke kao dopunske.
Revidirani rukopisi:
U odnosu na stupanj revizije (2., 3. verzija), ukljuujui i nove slike, video i tablice, sve promjene potanko opisati
u popratnu pismu uredniku, uz priloene odgovore na sve zahtjeve recenzenta. Na preporuke/zahtjeve recenzenta
potrebno je odgovarati toku po toku te komentare u odgovoru na zahtjev recenzenta istodobno postaviti u tekst
lanka te pisati sve promjene iz revidirane verzije. Oznaite promjene (druga boja) u revidiranom tekstu kako bi
se olakao opetovani uredniki proces.
Prijava rukopisa:
89
Molimo autore da prije procesa prijave tekstove za objavljivanje u Sestrinskom glasniku pripreme prema
navedenim uputama. Pripremljene lanke potrebno je poslati, i to istodobno, na elektronsku adresu glavnog
urednika i adresu urednitva asopisa: hums@hums.hr
r<0 ........................................................................................................................ 66
Grafiki prikaz 22. Nulta korelacija r=0 (nepostojanje povezanosti) .................................. 67
Grafiki prikaz 23 i 24. Visoka pozitivna (lijevo) i niska pozitivna korelacija (desno)
r>0 ........................................................................................................................................... 67
Tablica 10. Odabir statistike metode ovisno o vrsti uzoraka .................................................... 73
Tablica 11. Odabir statistike metode ovisno o nacrtu istraivanja............................................ 73
Tablica 12. Prometne nesree osiguranika osiguravajueg drutva Otkasko po danima
u tjednu (lipanj, 2003) ................................................................................................................ 80
Grafiki prikaz 25. Kodiranje podataka u Excel ................................................................... 81
Grafiki prikaz 26. Izrada histograma primjer .................................................................. 82
Grafiki prikaz 27. Izrada histograma primjer: izraun frekvencija .............................. 83
90
91
92
Istraivanja razvoja 6
Istraivanje 4, 5, 7, 12, 19
Ispitivanje 4, 5, 20, 56
Izvori i vrste podataka 13, 14
Izvori strune literature traganje 25, 26, 27
Jednostavni sluajni uzorak 11
Koeficijent relativnog varijabliteta 47
Konceptualizacija 7
Kontinuirani podaci 56
Kontrolna skupina 23
Korelacija pojam 52, 55
Korelacija vrste (Pearsonov, Spearmanov koeficijent korelacije) 54, 55
Kvalitativna istraivanja 5, 6, 12
Kvalitativne varijable (podaci) 10, 56, 57
Kvantitativna istraivanja 5
Kvantitativne varijable (podaci) 10, 56
Kvotni uzorci 11
Longitudinalni nacrt istraivanja 6
Metoda djelominog promatranja 13
Metoda popisa 13
Metoda potpunog promatranja 13
Metoda registracije i izvjetaja 13
Metrijske karakteristike 15, 22, 23
Mjerenje 14, 15, 16, 17, 18, 19
Mjerne ljestvice 14, 15
Nacrt istraivanja 6, 12
Namjerni uzorci 11
Negativno asimetrina distribucija 16
Nenametljivo (nereaktivno ili posredno) istraivanja ponaanja (fiziki tragovi, arhivska graa) 25
Neparametrijska statistika 33
Nezavisne varijable 10
Nezavisni (neparni) uzorci 57
Nominalna mjerna ljestvica 14, 15, 56
Nomotetiki pristup 5
Normalna (Gaussova) raspodjela 48, 49
Nul-hipoteza 50, 55
Objektivnost 16, 17, 22
Omjerna mjerna ljestvica 14, 15, 56
Opaanje drugih ili ekstraspekcija 17
Ope metode prikupljanja podataka 16
Operacionalizacija 7
Ordinalna mjerna ljestvica 14, 15, 56
93
94
95