Professional Documents
Culture Documents
Stanislav Fajgelj - Metodi Istrazivanja Ponasanja
Stanislav Fajgelj - Metodi Istrazivanja Ponasanja
METODE
ISTRAŽIVANJA PONAŠANJA
II d o p u n je n o iz d a n je
M E T O D E IS T R A Ž IV A N JA PO N A ŠA N JA
Dmgo dopunjeno izdanje, 2005. godine
Recenzenti
Prof. dr Lajoš Genc
Prof. dr Dejan Todorović
Izdavač
Centar za primenjenu psihologiju
Beograd, Đušina br. 7/III
tel./faks: 011/3239-685
Za izdavača
Duško Babić
Lektor i korektor
Milorad Rikalo
Stampa:
Centar za primenjenu psihologiju, Beograd
Format: 17 x 24 cm
Tiraž: 500
P R E D G O V O R D R U G O M IZDANJU
U V O D U I S T R A Z I V A N J E P O N A S A N J A .................................... 15
A. Namena i koncepcija knjige .............................................................. 15
B. Šta je istraživanje u naukama o ponašanju ...................................... 16
1. Sta su društvene n a u k e .............................................................. 17
2. Naučno istraživanje ponašanja................................................. 18
3. Neka važna pitanja istraživanja ponašanja ...........................21
C. Epistemološke osnove istraživanja ponašanja................................. 25
1. Š taje epistemologija ................................................................ 25
2. Osnovni ciljevi epistemologije ...............................................26
3. Osnovni epistemološki p rin c ip i...............................................26
4. Šta je naučni metod ...................................................................32
5. Š ta je n a u k a ................................................................................ 35
6. Š taje is tin a .................................................................................. 38
7. Osnovni elementi naučnog saznanja ......................................40
8. Problem uzročnosti ...................................................................51
9. Objašnjenje i razum evanje....................................................... 58
D. Individualne raz lik e ..............! ..............................................................60
1. Slučajnost i determinizarn - istorijski u v o d ...........................61
2. Šta je verovatnoća i u kakvoj je vezi sa slučajem ................62
3. Slučaj i praksa ............................................................................64
4. Slučajnost, saznanje i m e re n je .................................................66
5. Slučajnost i razvoj je d in k e ........................................................67
6. Paradoksi slučajnosti ................................................................ 69
7. Izvori individualnih razlika ..................................................... 71
8. Greške merenja ......................................................................... 75
9. Analiza individualnih ra z lik a ...................................................77
10. Slučaj i veze između pojava - ko relacija............................... 79
E. Teorija m e re n ja .....................................................................................81
1. Pretpostavka kvantitativnog sv o jstv a......................................82
2. Uspostavljanje povezanosti između sveta i z n a k o v a ........... 83
3. Prvi i drugi Campbellov zakon merenja ............................... 84
4. Fundamentalno i izvedeno m e re n je ........................................ 86
5. Problem aditivnosti ...................................................................87
6. Kombinovano m eren je.............................................................. 88
7. Merenje, skaliranje i nivoi m e re n ja ........................................90
8. Zaključci o fonnalnoj teoriji merenja ....................................95
9. Kako se dokazuje da je svojstvo merljivo .............................97
10. „Praktična” teorija merenja ..................................................... 98
11. Problem usklađivanja statističkih tehnika i istraživačkih
p o d atak a.......................................................................................99
II. O S N O V N I E L E M E N T I E M P IR IJ S K O G I S T R A Ž IV A N J A
P O N A Š A N J A ......................................................................................... 111
A. Teorijski okvir istra živ a n ja.............................................................. 111
1. Izbor teorijske perspektive..................................................... 111
2. Koje perspektive postoje ........................................................ 112
3. Izbor opšteg pristupa istraživanju ........................................ 117
4. Izbor strukture istraživanja i istraživačkih metoda ........... 125
5. Na osnovu čega se vrši iz b o r ................................................. 126
B. Varijabla .............................................................................................. 130
1. Entiteti i a trib u ti....................................................................... .130
2. Od entiteta i atributa do ispitanika i v arijab li...................... .131
3. Varijable i merenje ponašanja ................................................134
4. Manifestne i latentne v arijab le....................................135
5. Kvantifikatorska i strukturalna uloga varijabli ...................137
6. Osobine i stanja ....................................................................... .138
7. Varijable u empirijskom istraživ an ju................................... .139
8. Nezavisne i zavisne v arijab le..................................................142
9. Aktivne i deskriptivne v arijab le............................................ .144
10. Moderatorske i medijatorske v arijab le................................. .147
11. Osnovna matriea p o d atak a..................................................... .150
C. Problem i cilj istra ž iv a n ja ..................................................................157
1. Izvori id e ja ................................................................................ .157
2. Problem istraživanja..................................................................160
3. Cilj istraživanja ....................................................................... .162
D. Istraživanje u b ib lio te c i......................................................................163
E. Hipoteze i istraživačka pitanja .........................................................170
1. Da li su hipoteze uvek p o treb n e............................................ .172
F. Struktura, projekt i p r e d lo g .............................................................. .173
G. Validnost istraživanja ....................................................................... .178
1. Intema validnost....................................................................... 178
2. Ekstema validnost ................................................................... 184
3. Konstruktivna v alid n o st..........................................................186
H. Neki primeri istraživanja sa niskom v a lid n o šć u ........................... 187
II. O S N O V N I E L E M E N T I E M P IR IJ S K O G IS T R A Ž IV A N J A
P O N A Š A N J A ......................................................................................... 111
A. Teorijski okvir istraživ an ja.............................................................. 111
1. Izbor teorijske perspektive..................................................... .111
2. Koje perspektive postoje ....................................................... .112
3. Izbor opšteg pristupa istraživanju .........................................117
4. Izbor strukture istraživanja i istraživačkih metoda ........... .125
5. Na osnovu čega se vrši iz b o r ..................................................126
B. Varijabla ............................................................................................. .130
1. Entiteti i a trib u ti....................................................................... 130
2. Od entiteta i atributa do ispitanika i varijabli...................... 131
3. Varijable i merenje p o n a š a n ja ............................................... 134
4. Manifestne i latentne v arijab le............................... . . . 135
5. Kvantifikatorska i strukturalna uloga varijabli . . . .*......... 137
6. Osobine i stanja ....................................................................... 138
7. Varijable u empirijskom istraživanju.................................... 139
8. Nezavisne i zavisne v arijab le................................................. 142
9. Aktivne i deskriptivne v arijab le............................................ 144
10. Moderatorske i medijatorske v arijab le................................. 147
11. Osnovna matrica p o d atak a..................................................... 150
C. Problem i cilj istra živ a n ja................................................................ 157
1. Izvori id e ja ................................................................................ .157
2. Problem istraživanja................................................................ .160
3. Cilj istraživanja ....................................................................... .162
D. Istraživanje u b ib lio te c i......................................................................163
E. Hipoteze i istraživačka pitanja ....................................................... .170
1. Da li su hipoteze uvek p o treb n e............................................ .172
F. Struktura, projekt i p re d lo g .............................................................. .173
G. Validnost istraživanja ........................................................................178
1. Intema validnost....................................................................... 178
2. Ekstema validnost .................................................................. 184
3. Konstruktivna v alid n o st.......................................................... 186
H. Neki primeri istraživanja sa niskom v a lid n o šć u ........................... 187
V. S P R O V O Đ E N J E E M P I R I J S K I H I S T R A Ž I V A N J A ........... 428
A. Praktični problemi i moguća re š e n ja .............................................. 428
1. Tehnički i organizacioni p ro b lem i........................................429
2. Problemi sa saradnicima ....................................................... 430
3. Problemi sa ispitanicima ....................................................... 433
B. Etička p ita n ja .......................................................................................439
1. Moralan odnos prema istraživanju........................................439
2. Moralan odnos prema ispitanicima ......................................440
3. „Eksperiment Milgram” ..........................................................447
C. Primena računara u istraživanju p o n ašan ja....................................450
1. Unos p o d a ta k a ......................................................................... 451
2. Kodeks š if a r a ............................................................................455
3. In te m e t.......................................................................................459
4. Trajnost resursa na Interaetu .................................................460
5. Baze podataka iz istraživanja-m etabaze ...........................461
6. Pisanje .......................................................................................462
7. Računari i merenje naučne produkcije................................. 465
8. Osnovni problemi primene računara u istraživanju
p o n a š a n ja .................................................................................. 465
V I. O S N O V I K V A N T I T A T I V N E A N A L I Z E P O D A T A K A . 467
A. Osnovni p o jm o v i................................................................................ 471
1. Populacija i u zo ra k ...................................................................471
2. Matematički jezik sta tistik e ................................................... 472
3. Devijacioni i standardizovani s k o ro v i................................. 474
4. Normalna distribucija.............................................................. 475
B. Deskriptivna statistik a....................................................................... 477
1. Parametri i statistici ................................................................ 478
2. Mere centralne tendencije ..................................................... 479
3. Mere varijabilnosti...................................................................482
4. Mere oblika distrib u cije..........................................................484
5. Standardne greške i intervali po v eren ja............................... 486
6. Kategorijalne v arijab le............................................................ 488
7. Neka dodatna pitanja u vezi deskriptivne statistik e........... 490
C. Korelacija i re g re sija ......................................................................... 492
1. Regresija .................................................................................. 492
2. K orelacija.................................................................................. 495
D. Višestruka regresija i višestruka k o relacija....................................498
E. Statistika zaključivanja-testiranje hipoteza ............................... 503
1. Statističke hipoteze .................................................................504
2. Verovatnoća testa i statistička značajnost ...........................507
3. Distribucije uzoraka ra z lik a ................................................... 510
4. Alternativna hipoteza i dvosmerno nasuprot
jednosmemom testiranju ........................................................513
5. Dodatne napomene 0 testiranju h ip o te za.............................516
6. Sličnost korelacija i razlika ................................................... 519
F. Da li je testiranje značajnosti nulte hipoteze korisno ..................520
G. x ^ te s t.................................................................................................... 526
1. Tabele kontingencije .............................................................. 529
H. Grafičko prikazivanje rez u ltata........................................................535
1. Vrste grafikona i primeri ........................................................535
I. Primena računara u statističkoj obradi .......................................... 539
1. Statistička analiza u najopštijem sm islu ............................... 540
2. Problem inteipretacije rezultata statističke obrade ........... 543
IX. BIBLIOGRAFIJA...................................................................645
X. IN D E K S P O JM O V A ......................................................................... 651
I. U V O D U IS T R A ZIV A N JE P O N A ŠA N JA
' Jer studentsko doba je kratko i prolazno, tck uvod u dugi profesionalni život.
Stuđentsko doba jc i lepo, što brucošima koji počinju da uče metodologiju možda ne izglcda
tako, ali uveravam ih da jeste.
nauka se radi? O kojim pristupima u okviru tih nauka je reč i u koje svrhe se vrše
ta istraživanja?
Postoje različite taksonomije nauka i one se raenjaju tokom vremena. U
savremenim taksonomijama nauka, od 1950. naovamo, sve češće se javlja termin
nauke o ponašanju. Taj se pojam vrlo često koristi sinonimno sa terminom druš-
tvene nauke, ali u ovoj knjizi nećemo izjednačavati ova dva pojma, iako se nauke
o ponašanju i društvene nauke značajno preklapaju. Na narednim stranama
objasnićemo šta podrazumevamo pod istraživanjem ponašanja, šta su nauke o
ponašanju i šta ih razdvaja od društvenih (socijainih) nauka.
^ U ovoj knjizi koristiće se, u najvećoj meri, izvomo pisanje hčnih imena. Pravopis
srpskogjezika Matice srpske predviđa ovakvo rešenje, pogotovo u latiničnim tekstovima.
Izvomim pisanjem čitaocu se olakšava pretraživanje elektronskih biblioteka i Intemeta, a
nije nevažna ni olakšica ovom autoru kojom se izbegava često jalovo traganje za pravilnom
transkripcijom stranih imena. S druge strane, da li izvomo treba pisati Frojd, Njutn ili
recimo, Njujork? Kod tako poznatih imena, koristili smo ponekad i prilagođeno pisanje, jer
je očigledno da doslednost u primeni bilo izvomog, bi!o prilagođenog pisanja nije praktična
- pogotovo ako se imaju u vidu sve reči stranog porekla, a ne samo imena.
javno, ponovljivo, kritično, teorijski zasnovano itd. Pored toga, ono što je ovde
posebno važno i čemu je ova knjiga posvečena su em pirijska istraživanja. Em-
pirijska istraživanja u svakoj nauci zasnivaju se na prikupljanju iskustvenih
podataka za različite namene, a prvenstveno u cilju potvrđivanja i stvaranja
naučnih teorijal Na drugi način rečeno, kada se bilo koja nauka, pa i nauka o
ponašanju, zasniva na podacima, ona je empirijska nauka.
Za razliku od empirijskog istraživanja, naučnik se može baviti problemima
i na diskurzivan način - bez podataka. Može pisati rasprave, traktate, eseje,
polemike i drugo. Nekada se ovakav način istraživanja problema naziva teorlj-
skim istraživanjem , pa čak postoji i termin misaoni eksperiment (ideja Maxa
Webera, Milić, 1965, slična ideji kontrafakata (v.): šta bi se desilo da se desilo).
Dve discipline su i široj javnosti poznate po tome što isključivo koriste ovakav tip
istraživanja: matematika i filozofija. Naravno, i svakom empirijskom istraživanju
prethodi razmišljanje o problemu.
Empirijska istraživanja se bave proverom teorija, traženjem objašnjenja,
sticanjem znanja, stvaranjem novih hipoteza i teorija, ali uvek na osnovu empi-
rijskih podataka (koji se u filozofiji nazivaju iskustvom). Istraživanja koja nisu
empirijska, koja ne prikupljaju podatke, mogu imati iste namene i iste ciljeve -
sve osim provere teorija. Međutim, ni sva empirijska istraživanja nisu pogodna za
proveru hipoteza i teorija. Takva su kvalitativna istraživanja. Podaci koji mogu da
posluže testiranju hipoteza i teorija moraju biti prikupljeni nierenjem, koje na
svom elementamom nivou može da uključuje i klasifikaciju. Merenjem dobijamo
podatke, na prvom mestu kvantitativne, koji imaju „epistemološku snagu” da tes-
tiraju hipoteze. Istraživanja koja nemaju takve podatke mogu da stvaraju nove
hipoteze i teorije, ali ne mogu da ih dokazuju. Nekada je podatke koje prikupljaju
kvalitativna istraživanja moguće transformisati ili reorganizovati, tako da mogu
poslužiti za testiranje teorija. Najbolji način da se to uradi je meta-analiza (v.),
koja na osnovu više kvalitativnih istraživanja može da generiše kvantitativne
podatke.
Ova knjiga, dakle, ima u vidu nauke o ponašanju koje se zasnivaju na poda-
cima, a kada se zasnivaju na podacima nauke imaju epistemološki status empi-
rijskih nauka.
Šta su podaci u naukama o ponašanju? To su pi-venstveno individualne i
gnipne razlike u ponašanju. Osim invidualnih i gnipnih razlika u ponašanju,
nauke o ponašanju mogu izučavati i proizvode takvog ponašanja: artefakte,
poruke, organizacije, informacije i slično.
^Izraz „empirijski”, koji ovde koristimo, ima korenu empirizmu, filozofskom pravcu
po kome svo naše znanje potiče od naših pet čvila. Medutim, kada se danas kaže da je nešto
„empirijski provereno”, misli se da je provereno na osnovu podataka koji nisu prikupljeni
samo putem naših čula, nego i putem memih instrumenata, uređaja za posmatranje, testova,
eksperimentalnih procedura itd. Uprošćeno, pridev „empirijski” opisuje prikupljanje i
analizu podataka, dok se „empirizam” odnosi na stav da svako znanje mora biti ulemeljeno
na podacima.
To ne znači da su individualne razlike jedini podaci kojima se bave nauke o
ponašanju. Svaka od njih prikuplja i druge podatke o svetu koji nas okružuje. U
literaturi se često pojam „socijalno istraživanje” tretira različito od „istraživanja
ponašanja”. Pri tome se, zapravo, razlikuju „socijalna istraživanja”, koja se bave
grupnim razlikama, od istraživanja ponašanja koja se bave razlikama pojedinaca.
Socijalna istraživanja se, u tom smislu, bave „ponašanjem” grupa ili društva u
celini. Medutim, i u tako shvaćenim socijalnim istraživanjima jedinice posmatra-
nja su vrlo često pojedinci, samo što se njihova ponašanja objedinjavaju i tumače
u celini, kao agregati, pa se može reći da su u socijakiim naukama Ijudske grupe
jedinice analize. Radi jasnoće i preglednosti, dobro je da čitalac uoči ono što se u
ovoj knjizi smatra dominantnim - ponašanje i individualne razlike.
Ako bismo temu ove knjige nazvali „empirijska istraživanja u oblasti nauka
0 ponašanju”, onda bismo malo drugačije povukH granice izmedu društvenih i
prirodnih nauka, kao i unutar društvenih nauka. Bilo bi jasno da u sferu našeg
interesovanja spadaju psihologija, pedagogija, defektologija i druge slične oblasti.
S druge strane, mnoge oblasti koje ne prikupljaju podatke o ponašanju, makar
sadržavale prefiks „socijalno”, ne bi bile empirijske nauke o ponašanju. Drugim
rečima, ako gradivo ove knjige posvetimo izučavanju ponašanja, sve se čini
rrmogo jasnije u pogledu toga kome i kada ova knjiga može biti korisna.
Takode, postaje jasno da će sva kasnija poglavlja koja se odnose na
prikupljanje i obradu podataka imati u vidu prvenstveno individualne razlike u
ponašanju. Biće, medutim, obrađena i metodoiogija prikupljanja podataka o
grupnim razlikama i razlikama u rezultatima individualnog i grupnog ponašanja.
Analiza sadržaja, kao metodologija za prikupljanje podataka o porukama, primer
je izučavanja podataka o jednom rezultatu Ijudskog ponašanja - porukama.
Međutim, naučne oblasti koje se primamo bave proizvodima i rezultatima
Ijudskog ponašanja, kao što su ekonomija i organizacione nauke, imaju potrebe za
specifičnom metodologijom i bilo bi vrlo nepraktično smestiti sve takve metode u
jednu knjigu. Istini za volju, postoji jedno staro iskustvo kod Ijudi koji se bave
metodologijom i tehnologijom naučnog istraživanja koje kaže da su na nivou
podataka „sve nauke iste”. Metodom faktorske analize se može tražiti najbolji
skup pokazatelja uspešnosti preduzeća, na isti način kao što se analizom grupi-
sanja (klaster analizom) mogu tražiti tipovi organizacije metalskih preduzeća.
Zasada smo izbegavali da kažemo „Ijudsko ponašanje”. Jednim delom to je
zato što imamo u vidu i ponašanje Ijudskih grupa, a drugim delom zato što se u
nekim disciplinama, posebno u psihologiji, izučavaju i životinje. Psihologija se
bavi izučavanjem životinja iz dva razloga: a) da bi bolje objasnila ponašanje Ijudi
1 b) da bi razumela ponašanje životinja (zoopsihologija).
Uopšte rečeno, kao što je Comte smatrao da je „sociologija jedna”, sa
stanovišta metodologije empirijskih istraživanja se generalno može reći da je
„nauka jedna”. Mnoge metode za prikupljanje i analizu podataka su univerzalrie
i, uz male modifikacije, koriste se u raznim naukama. Recimo, metoda uzor-
kovanja se koristi i u geologiji (uzimaju se uzorci zemljišta), higijeni (uzimaju se
uzorci hrane), kontroli kvaliteta (uzimaju se uzorci proizvoda) itd. U tom kon-
tekstu ne treba posebno spominjati statistiku, koja je takođe univerzalna metoda,
ili neposredno posmatranje. Međutim, u ovoj knjizi, sve te metode i tehnike se
izlažu i ilustruju primerima prvenstveno imajući u vidu istraživača u oblasti nauka
0 ponašanju. Praktična je okolnost što mu spomenuta univerzalnost naučnog
instrumentarijuma omogućava da izložene metode primeni u svim situacijama,
recimo ukoliko prikuplja neke fizičke („objektivne”) podatke.
Takođe, metode i tehnike koje se u ovom tekstu prezentiraju su na prvom
mestu metode i tehnike prikupljanja i obrade podataka. To je veoma važan deo
svakog empirijskog istraživanja. Naravno, većina istraživača smatra da najvažniji
deo empirijskih istraživanja i njihov cilj nije prikupljanje podataka, nego interpre-
tacija rezultata obrade tih podataka. U osnovi, sa time se možemo složiti.
Međutim, interpretacija nalaza j e stvaralački akt i bilo bi pogrešno za nju
praviti priručnik. Postoje pravila i iskustva koja nesumnjivo pomažu interpretaciji
1 pomažu istraživaču da izbegne greške u interpretaciji nalaza. Ta pravila se
prvenstveno odnose na izbor i primenu istraživačkih metoda i tehnika, a to onda
već jeste predmet metodoloških priručnika i udžbenika.
Svaki istraživač se suočava sa mnogobrojnim tehničkim problemima oko
sprovođenja istraživanja. Neki osnovni problemi će biti spomenuti u ovoj knjizi i
biće ukazano na izvesna rešenja tih problema. Na primer, biće u osnovnim crtama
prezentirane mogućnosti primene računara u društvenim istraživanjima.
Jedan od tih problema je svakako i problem naučne produkcije, odnosno
pisanja naučnih radova i izveštaja i sva druga pitanja koja se tiču diseminacije
naučnih radova i njihovog vrednovanja. Smatramo da ta oblast takođe zaslužuje
poglavlje u ovakvom metodološkom priručniku. Koriščenje računara i naučna
produkcija su faze, odnosno zadaci naučno istraživačkog rada koji ne čine lanac
prikupljanja i analize podataka, ali bilo bi ih pogrešno ispustiti iz nečega što se
zove metodološki udžbenik ili priručnik.
Za nas u ovom trenutku nije važno to što postoje epistemološki pristupi koji
odbacuju mogućnost empirijskog istraživanja ponašanja. Namena ove knjige nije
da odredi mesto i značaj empirijske metode, merenja i kvalitativnih metoda, nego
da istraživačima koji se opredele za empirijskiprislup omogiići da to urade valja-
no. Važno je to što, bez obzira na izabranu paradigmu, ako istraživač ponašanja
odluči da dokaže svoje teorijske stavove empirijski, on na raspolaganju ima
prilično jasno defmisan metodološki instrumentarijum.
Sva je prilika da je današnji osnovni metodološki kostur istraživanja
ponašanja, kao što je npr. trijas merenja, individualnih razlika i statističke metode
(v.) izdržao probu vremena. Ako se ovaj trijas podvede pod objektivnost kao
kriterijum naučnog saznanja, i ako se onda u svetlu objektivnosti koriste i tzv.
kvalitativna istraživanja (v.), dobiće se prilično celovit uvid u metodološki domen
empirijskih istraživanja ponašanja. Dakle, ako se istraživač odhiči za empirijsko
istraživanje, onda su njegove obaveze jasne.
Bilo kako bilo, osnovni, pravi i zdravi motiv svakog istraživača je radoz-
nalost, odnosno želja za saznanjem. Ljubopitljivost je čoveku prirodena i u tom
pogledu se ne treba bojati za budućnost naučnog istraživanja. Međutim, istra-
živačka radoznalost će biti naučno plodna i korisna samo ako je usaglašena sa
epistemološkim pravilima koja su opisana u poglavlju o epistemološkim osnova-
ma i svim ostalim metodološkim pravilima koja se obraduju u ostalim delovima
knjige. Uvek treba imati na umu kritičnost, kao osobinu koja je komplementama
radoznalosti i koja je vrlo važna za društvene nauke. Kao što je isticao Descartes,
metodička skepsa treba da se neguje prema tuđim, ali još više prema vlastitim
nalazima. Jedan od najčešćih uzroka pogrešnih istraživačkih zaključaka je to što
nisu obuhvaćene, pa ni kontrolisane varijable koje imaju uticaja na predmet
istraživanja. U tom pogledu istraživači su u vrlo nepovoljnoj situaciji da sve što
su oni obuhvatili i čega su se mogli setiti funkcioniše besprekomo, ali da su
zaključci ipak pogrešni zbog delovanja nepoznatih faktora. To je jedan od pro-
blema koji se ne može rešiti drugačije osim stahiim preispitivanjem.
Ulogu istraživača čini teškom i to što visoka motivacija, kao rezultat radoz-
nalosti, uloženog tmda, dmštvene verifikacije i bilo čega dmgog, ne sme uticati
na zaključke.
Pokazalo se vrlo delotvomim da istraživači ponašanja transformišu svoju
radoznalost u „metodološku radoznalost”, koja obuhvata metodičku skepsu i
stalno upoznavanje i usavršavanje novih istraživačkih metoda i tehnika. Za istra-
živanja ponašanja je, dakle, korisno da istraživači budu radoznali i zainteresovani
za samu metodologiju istraživanja, barem isto onoliko koliko ih interesuje sam
predmet istraživanja.
1. Šta je epistemologija
Postoji veliki broj nauka, a unutar njih vehki broj oblasti i podoblasti. Gra-
nice nauka se stalno pomeraju i prephću, a same nauke se menjaju i razvijaju. Sta
je ono što ih sve objedinjuje i da h uopšte postoji nešto što im je zajedničko?
Dovoljno je samo da uporedimo matematiku i komparativno pravo, ili elektro-
magnetiku i psihologiju. Ljudi će se lako složiti da su „prave nauke” pre svega
prirodne nauke. One izgledaju egzaktne, otkrivaju zakone koji su lako proverljivi
i važe stalno i univerzalno, a na osnovu njihovih saznanja mogu da se naprave
različite stvari koje su korisne u svakodnevnom životu. Nasuprot tome, društvene,
humanističke i nauke o ponašanju traže svoje mesto pod suncem, ah teško
uspevaju da „otkiiju” ijedan zakon kao što je Ohmov. Ipak, analiza i jednih i dru-
gih nauka otkriva da postoje mnoge zajedničke karakteristike, unatoč očiglednih
razlika.
Uobičajeno je da, kada se traže bitne karakteristike nauke, one bude takve
da nauku razlikuju od zdravog razuma. Tako, reeimo, preciznost i tačnost nisu
takve karakteristike, jer bismo onda i vozni red ili telefonski imenik mogli nazvati
naukom. Greške, zablude i neznanje, takode, jednako karakterišu nauku kao i
svakodnevni život. Da bismo se približili razumevanju naučnog pristupa svetu,
odnosno naučnog metoda, pogledajmo kojim metodama se služi zdrav razum.
Ovu podelu je inicijalno dao Charles Sanders Pierce, a modifikovali su je mnogi.
A prlori m ctod ili metod intuicije. - Ovaj metod se bazira na očiglednosti,
rezonovanju, logici i saglasnosti sa zdravim razumom. Ovim metodom se Ijudi
služe kada putem razgovora, u slobodnoj komunikaciji, dodu do „istine” koja se
svima čini razumnoni. Recimo, Ijudi su se lako složili oko toga da se Sunce
oki'cće oko Zemlje. Isto tako im je izgledalo očigledno da su putanje Sunca i
Meseca kružne, kao i da je Zemlja ravna. Kerlinger i Lee (2000) i Cozby (2003)
navode više primera „znanja” baziranog na apriori metodu. Recimo, Ijudima će
izgledati „razumna” pojava da parovi koji nakon mnogo bezuspešnih pokušaja da
imaju decu konačno usvoje dete, uskoro dobiju svoje. Ako čuju da se to desilo
jednom ili dvaput, Ijudi će poverovati dapostoji nekakav uticaj usvajanja dece na
mogućnost trudnoće. U sledećem koraku, Ijudi će naći i obiašnienie za tu „poja-
vu”, recimo da rasterećenje od bračnog stresa prouzrokovanog sterilnošću pogo-
duje začeću. Slično tome, u skladu sa zdravim razumom izgleda i stanovište da
učenje teških predmeta u školi popravlja duh, volju i moralni karakter učenika.
Isto tako, Ijudi lako donose generalizacije na osnovu „svog slučaja” ili
slučaja nekog koga poznaju. Neko ko ima stalne sukobe sa komšijama doneće,
recimo, generalni zaključak da do takvih sukoba dolazi uvek kada su različiti
Ijudi prisiljeni da žive zajedno i da se prilagodavaju jedni drugima, tj. da je uzrok
sukobima deljenje istog mesta za život.
Metod intuicije se zasniva na nekoliko principa kao što su „samo-
očevidnost” i „vremenska bliskost”. Primeri sa kretanjem planeta jasno ukazuju
da samoočevidnost može biti površna ili pogrešna. Ostali primeri ukazuju da
vremenska bliskost ne mora da znači uzročnost i da pojedinačni slučajevi ne daju
osnova za generalizacije. Medutim, osnovni problem nastaje kada Ijudi kroz
slobodan razgovor ne dodu do iste „istine”. Kako znati čija je istina prava?
Naučni metod treba da prevaziđe ovakve probleme koje ima zdravi razum.
M etod au to riteta. - Aristotel je našao da „Ubedljivost postiže govomik
svojim karakterom kada govor tako sroči da mi pomislimo da je on uverljiv. Mi
vcrujemo dobrim Ijudima potpuno i pre nego drugima.” Mi, recimo, danas
verujemo Aristotelu zato što je on za nas autoritet. Ljudi veruju Bibliji, zakonima,
spisku dozvoljenih lekova koji je donela Savezna komisija za lekove i drugim
pravilima koja je doneo neki autoritet. Danas Ijudi „znaju” da je nešto istina zato
što su videli na televiziji ili pročitali u novinama. Metoda autoriteta je korisna
kada treba doneti neku odluku, a mi nemamo vremena ili resursa da se informi-
šemo ili prosto nismo u stanju da sami rešimo problem. Ljudski razvoj se zasniva,
jednim delom, na uvažavanju istina koje su sročili autoriteti. Metoda je destruk-
tivna kada se koristi za ućutkivanje raznomišljenika i suzbijanje kritičkog i
samostalnog mišljenja.
U literaturi se često prepričavaju primeri Aristotelovih grešaka. Smatrao je, recimo, da
srce ima samo tri komore, da mozak nema krvi, kao i da ne zauzima celu lobanju. Za dija-
gnostikovanje šarlaha Aristotel predlaže sledeće: "Ako se žena koja ima šarlah ogleda u
ogledalu, površina ogledala prekriće se maglom crvenom kao krv, i ova magla, ako je
ogledalo sasvim novo, ne može se obrisati bez teškoća" (navedeno prema Marković, 1981).
Aristotel je takode bio zastupnik teorije o samozačeću, odnosno spontanoj generaciji, I
govorio je da se život stvara iz blata. Svi ovi stavovi se danas proglašavaju netačnim. Medu-
tim, zbog autoriteta Aristotela, kao tvorca jednog od najvećih filozofskih sistema, teško je
olako odbaciti poslednja dva zapažanja. Recimo, možemo razmišljati o tome da ona ogleda-
la nisu biia staklena, nego od uglaćanog metala, te da je dah ili znoj čoveka sa temperatu-
rom I sa šarlahom mogao dovesti do oksidacije. Takode, nije isključeno, a teško je dokazivo,
da i dan danas dolazi do formiranja složenih organskih jedinjenja i velikih molekula na nekim
posebnim mestima kao što su podmorski vulkani i gejziri, a ta mesta liče na primordijalnu
supu - Aristotelovo blato.
5. Šta j e nauka
■*Heuristika je metod rcšavanja problema koji se primenjuje kada nisu po:jnate sve
informacije o problcmii. Moguća rešenja se ocenjuju da li su „dobra” ili „loša” vrlo često
na osnovu pokušaja i pogrešaka ili na osnovu bilo kog raspoloživog kriterijuma i dostupnih
infoniiacija. Često se, kao ovde, heurističnim naziva svako saznanje do koga sc dolazi
đomišljatošću, lukavošćuiliinventivnošću-strategijamakojepodstičuislimulišuspoznaju.
jama. Iz prethodnih rečenica se može uočiti da one ponavljaju neke pojmove koji
su ovde istaknuti kao osnovni epistemološki principi: sistematičnost, provera i
objektivnost, uz dodatak pojma kontrole.
U nekim definicijama se u prvi plan ističe značaj naučnog objašnjenja sveta
i pojava, te se naučno znanje u celini vidi samo kao preduslov da bi Ijudi mogli da
objasne svet. Razumevanje sveta oko nas i pretnje koju on predstavlja najveća je
težnja čovekova, pa prema tome i osnovni cilj nauke.
S druge strane, nauka se često defmiše preko njene praktične funkcije,
prvenstveno društvene. U tom smislu se od nauke očekuje da „popravlja stvari”,
da rešava probleme i da bude deo opšteg progresa, ako ne i njegov nosilac. Vrlo
slična ovakvoj defmiciji je i defmicija nauke kao najboljeg čovekovog sredstva da
predviđa događaje u budućnosti.
Time nije iscrpljeno sve što može poslužiti za defmiciju nauke. Recimo, ako
se u obzir uzmu epistemološki kriterijumi iz prethodnog poglavlja mogla bi se
dati 1 sledeća defmicija nauke: „Nauka je skup istinitog, opšteg, objektivnog,
sistematizovanog, preciznog, pouzdanog i proverljivog znanja o prirodi, Ijudskom
dništvu i čoveku.” U narednim poglavljima biće opisani elementi naučnog
saznanja i osnovne teorije istine, je r istinu i način dolaženja do nje takođe treba
imati u vidu kada se određuje šta nauka jeste.
D edukcija i indukcija. - Jedan od mnogih Aristotelovih doprinosa
celokupnoj nauci jeste afirmacija dedukcije. Po Aristotelu, dedukcija je način
mišljenja u kome se pomoću višeg temiina, a posredstvom srednjeg termina
(svojstva), izvodi zaključak o nižem terminu. Suštinu dedukcije Aristotel je video
u silogizmu. Dedukcija je takav p u t od opštem ka pojedinačnoin u kome, ako su
premise istinite, i sam zaključak nužno je istinit. Zato je Aristotel smatrao da je
dedukcija superioma u odnosu na sve ostale metode i da je ona osnovno sredstvo
traganja za istinom. Vekovima se dedukcija smatrala jedinim dopustivim načinom
zaključivanja u nauci.
Istovremeno, po klasičnom gledištu, dedukcija predstavlja tok zaključivanja
od opšteg ka specifičnom, ih od univerzalnog ka pojedinačnom. Mnogi su uočili
da kad bi svo naučno zaključivanje bilo takvo, u nauci ne bi postojale nikakve
novine. Takođe, osnovni cilj naučnog saznanja jeste spoznaja opšteg, a dedukcija
pretpostavlja da je opšte već spoznato. Tokom razvoja nauke ove protivurečnosti
su se uobličile u pitanje: „kako spoznajemo opšte?”
Prvi ozbiljan odgovor na ovo pitanje dao je Francis Bacon u XVI veku,
nakon dominacije srednjovekovne sholastike (prouzrokovane ideologiziranom
primenom Aristotetolovog učenja). Baconov doprinos se ogleda u afirmaciji
indukcije kao logičke i naučne metode. Indukcija se defmiše kao način zaključi-
vanja posredstvom koga se o d pojedinačnihprem isa dolazi do saznanja opšteg.
Kvintesencija indukcije kao logičke metode jeste postupak generalizacije.
Analizirajući određeni broj elemenatajedne klase, mi zaključujemo da svi pripad-
nici te klase poseduju neke osobine. Dakle, na osnovu analize „nekih” doiazimo
do saznanja „svih”. Ovaj „skok sa pojedinačnog na opšte” naziva se generali-
zacijom, ali do danas nisu nadeni čvrsti, logički utemeljni razlozi kojim bi se bilo
koja ovakva generalizacija mogla potpimo opravdati. Zato se danas smatra da je
svo saznanje stečeno pomoću induktivne logike manje ili više verovatno, te se u
njega uvek može sumnjati. Sa stanovišta logičara, takvo saznanje je veoma
problematično.
Međutim, danas se na indukciju gleda kao na deo metodologije nauka,
posebno prirođnih, a ne kao na deo logike (jer se smatra da je sva logika deduk-
tivna). U savremenim naukama, induktivna metoda je usko povezana sa iskustve-
nim podacima i sa empirijskom proverom. Kao deo naučne metodologije induk-
tivna metoda i dalje pati od spomenutog nedostatka - bez obzira koliko je
elemenata neke klase uzeto kao osnov za zaključak, nikad nećemo biti sigumi da
ne postoji još neki element koji bi zaključak opovrgao. Medutim, u savremenim
naukama, koje se baziraju na iskustvenim podacima, donošenje generalizacija i
njihova konstantna provera spadaju u samu osnovu naučne metode. Shodno tome,
i induktivna metoda je deo temelja modeme nauke.
6. Sta je istina
b. D efinicija
Kao što je čitalac već mogao pomisliti, prvi koji je „defmisao defmiciju”
bio je Aristotel i to pomoću „najbližeg višeg rodnog pojnia i karakteristične razli-
ke” (lat. per genus proximum et p er differentiam specificam). Aristotel, kao i
nmogi posle njega, smatrali su da je defmicija objašnjenje suštine stvari, a tek u
novije vreme se defmicija tretira kao tumačenje značenja neke reči.
Najjednostavniji opis svake defmicije je: „5 je P ”. 5 i P su pojmovi, pri
čemu se subjekt S naziva defmiendum, a predikat P se naziva definiens, na
primer, „Čovek je životinja”. I definiendum i defmiens mogu biti složeni izrazi, a
ne pojedinačne reči. Defmiens se, tako, može sastojati od nabrajanja ili cele
rečenice. Medutim, u skladu sa Aristotelovim shvatanjem, defmiendum je uvek
pojedinačnog karaktera, a defmiens opšteg. Suština klasičnog shvatanja defmi-
sanja je u uopštavanju. Međutim, po savremenom shvatanju, suština defmisanjaje
u tumačenju značenja manje poznatih pojmova poznatijim pojmovima, novih
pojmova starim, pa sve do toga da je defmisanje „transformacija jednih reči u
druge”. Po savremenim shvatanjima, defmicija je element naučnog saznanja i
predstavlja iskaz kojim se određuje značenje nekog pojma.
Dobre defmicije čine naučni jezik jasnijim, preciznijim i svima razumlji-
vim. Defmicije su najbolji način da se sistem naučnih pojmova izgrađuje, usavr-
šava i proširuje. Definicije su preduslov zadovoljavanja epistemoloških principa
kao što su intersubjektivna saglasnost i proverljivost.
Idealni oblik prethodne defmicije, po Aristotelu, bio bi „Čovek je
racionalna životinja”. „Zivotinja” je u tom iskazugenusproximum, a „racionalna”
differentia specifica. Na nesreću, naučna potreba za definicijama postoji i onda
kada ne znamo šta je prvi opštiji pojam i šta je specifična razlika. Kao posledica
toga nastaju defmicije koje odstupaju od Aristotetolovog ideala da je defmicija
objašnjavanje suštine. Uzmimo na primer tzv. pokaznu (ostenzivnu) definiciju;
,,Ovo je Severnjača”. Marković (I9 8 I) smatra da su pokazne definicije u
epistemološkom smislu bliže perceptivnim sudovima nego defmicijama, te ne
pomažu mnogo u razumevanju značenja pojmova.
Postoje mnoge klasifikacije defmicija i analize strukture i saznajne vred-
nosti svake od klasa. Realne definicije su one koje uspostavljaju vezu između reči
i stvari, a nominalne one koje uspostavljaju vezu između reči. Nominalne
defmicije se dalje mogu podeliti na empirijske i normativne. Empirijske defmicije
nabrajaju skup značenja u kojima se defmiendum koristi u nekoj naučnoj ili
Ijudskoj zajednici. Pošto se ove defmicije koriste u rečnicima, nazivaju se i
leksičkim. Na primer, „Emocionahia stabilnost je emocionalna zrelost, otpornost
na frustraciju, mogućnost odlaganja potreba i stvaranje dobrih odnosa sa drugim
Ijudima”. Normativne ili stipulativne defmicije određuju pravila za buduće
korišćenje termina, autor normativne defmicije propisuje šta će termin značiti. Na
primer, „Pod emocionalnom stabilnošću treba podrazumevati uspešno razrešenje
emocionalnih konflikata iz detinjstva”.
Epistemološki su vredne i tzv. genetičke defmicije, koje objašnjavaju način
nastanka objekta koji se definiše. Recimo: „Čovek je nastao evolucijom od viših
primata, uspravljanjem na dve noge i upotrebom govora i oruda”. Dobre su i
analitičke defmicije koje u defmiensu nabrajaju sve bitne odlike defmienda,
recimo: „Čovek je jedino živo biće koje sebi pravi omđa za rad”. Defmisanje
putem nabrajanja primera ili svih sličnih objekata je osnova denotativnih defmi-
cija, koje su vrlo česte i važne u svakodneynom životu, ali manje vredne za nau-
ku, recimo: „Čovek je Aristotel, Njutn, Gali'lej, Rasel, Frojd itd.” Defmicija koja
se po savremenoj metodologiji smatra bezvrednom je negativna defmicija - npr.
„Čovek nije biljka”. Treba reći da se genetičke, analitičke, denotativne, teorijske
i operacionalne definicije nekad nazivaju metodima defmisanja.
T eorijske i operacionalne definicije - Za istraživača je možda najvažnija
podeia na teorijske {konceptualne, konstitutivne) i operacionalne defmicije.
Teorijske defmicije su sve one koje jedan pojam objašnjavaju drugim pojmovima,
po pravilu na jedan apstraktan i uopšten način. Na primer, psiliolozi kažu: „Ank-
sioznost je subjektivan strali”, ili „Frustracija je stanje koje se javlja kada Ijudi
osećaju da su njihovi ciljevi blokirani unutrašnjim ili spoljašnjim barijerama”, ili
„Klinička depresija je preovladavanje negativnog mišljenja” itd.
Operacionalne defmicije objašnjavaju značenje defmienda putem aktivnosti
ili operacija koje su neophodne da se on: a) zapazi ili da se zapaze njegove posle-
dice, b) izazove i c) izmeri. Posebnu epistemološku snagu imaju operacionake
defmicije koje kao definiens specificiraju operacije merenja. Ako možemo da
opišemo način na koji se neka varijabla meri i na koji se dobijene mere mogu
protumačiti, postigli smo da se varijabla može kvantifikovati.
Operacionalne defmicije su potekle iz operacionalističkog pravca u filozo-
fiji, čiji je začetnik Nobelovac P. W. Bridgeman. Bridgeman kaže: „Generalno,
pod bilo kojim pojmom mi ne podrazumevamo ništa više nego skup operacija;
pojam je sinonim za odgovarajući skup operacija.” Zato se kaže da su opera-
cionalne defmicije uputstva istraživaču: „uradi to i to na taj i taj način i dobićeš
varijablu X '. Ako se realne definicije mogu opisati kao struktura reč-stvar,
nominalne kao struktura reč~reč, onda operacionalne definicije imaju strukturu
reč-operacije.
Navedene operacije „izazivanja” varijable su veoma važne sa eksperimen-
talna istraživanja. U kontekstu eksperimentalnih istraživanja se pod tim operacija-
ma podrazumevaju operacije manipulisanja varijablama. Zato neki autori kažu da
postoje dve vrste operacionalnih defmicija: 1) merne i 2) eksperimentalne. Meme
su one u kojima se navode samo operacije merenja varijable. Tačnije, one objaš-
njavaju kako se varijabla meri ili kako će biti merena. Recimo, nivo stresa kod
zaposlenih će biti iskazan brojem dana odsustvovanja. Ili, osobina „pažljivosti”
kod dece u vrtiću biće iskazana brojem upotrebljenih izjava kao što su „molim”,
„izvini” i ,,da li mogu”.
Eksperimentalne dcfmicije opisuju operacije pomoću kojih istraživač
manipuliše varijablom. Na primer, potkrepljenje se može operacionalno defmisati
navođenjem detalja pomoću kojih se subjekt potkrepljuje za jedno a kažnjava za
drugo ponašanjc. Prilikom ispitivanja dugotrajne memorije, složenost informacija
se defmiše težinom numeričkih zadataka koji se prezentiraju subjektima. Ili, da bi
se učinilo da lica učesnika u istraživanju izgledaju kao da se smeju daće im se da
drže olovku u zubima.
Značaj operacionalnih definicija za empirijska istraživanja je nemerljiv.
Kasnije će biti pokazano kako je operacionalizacijajedan generalan proces koji je
neophodan u svim početnim delovima empirijskih istraživanja. Kao prvo, empi-
rijska istraživanja ne mogu postojati bez islcustvenih podataka, a iskustveni poda-
ci su nemogući bez jasnih i određenih instrukcija za njihovo prikupljanje. Drugo,
operacionalne defmicije su preduslov kvantifikacije, kao saznajno najtačnije
metode prikupljanja podataka. Treće, one su preduslov proverljivosti istraživanja
putern njegove ponovljivosti.
Osnovni prigovor operacionalnim defmicijama, koji se standardno sreće u
metodološkim udžbenicima, jeste da one ne mogu pokriti svo bogatstvo sadržaja
naučnih pojmova i veza među njima. Takođe, credo operacionaHzma: ,,da sve što
postoji postoji u nekoj kohčini, pa se može i izmeriti”, doveo je do pogrešnog
zaključka da ,,što se ne može izmeriti i ne postoji”. Ove primedbe su nesumnjivo
tačne, aU je tačna i opaska nekih autora da su operacionalno defmisani pojmovi
jedini pojmovi na koje se možemo osloniti, dok su sve ostale defmicije manje ili
više proizvoljne. Neki autori sugerišu zaključak da svi ostali tipovi defmicija
mogu biti naučno plodni, ali da su operacionahie defmicije potrebne da bi se sve
ostale proverile.
c. H ipoteza
d. N aučni zakon
e. Naučna teorija
8. Problem uzročnosti
G enotip
(a) (b)
O---------------KD
Pušenje Rak p lu ć a
Pušenje Rak p lu ć a
G enotip
(d)
9. Objašnjenje i razumevanje
D. Individualne razlike
3. Slučaj i praksa
6. Paradoksi slučajnosti
Teškoće razutnevanja slučajnostl su prisutne kod svlh Ijudl, bllo da se radl o svako-
dnevnom žlvotu III naučnom radu. Postojl prillčan broj referencl u naučnoj llteraturi koje su
se bavlle teškoćama Ijudskog uma u pltanjima slučaja. Tim problemom su se bavlli poznatl
autori iz razllčitih oblastl i utvrđene su različite pravilnostl i zakonitosti po kojima Ijudl greše u
tumačenju slučajnosti.
Istražlvanja koja se najčešće cltiraju u tom domenu je obavlo pslholog Amos Tverskl,
a njegovl zaključcl se smatraju fundamentalnlm. Osim naučnlka, ponašanjem Ijudl u neiz-
vesnim sltuacljama bave se i obaveštajne službe. Njlma je to pltanje važno Iz vlše aspekata:
sa stanovišta zaključaka koje donose agenti-operativci, analltlčari, kao I Ijudl kojl su pred-
met obaveštajnog rada.
U najkraćim crtama, jedan od osnovnih probiema shvatanja slučajnostl se manifes-
tuje kao konflikt izm e đ u slučaja kao diskretnog i konkretnog događaja i verovatnoće kao
kontinuirane i apstraktne veiičine. Ljudl slučajnost prepoznaju u nekom događaju kojl se
desio III se nlje desio, III treba, odnosno ne treba da se desl. S druge strane, matematika Im
nudl verovatnoću, koja može da zauzme bilo koju vrednost izmedu 011. Kasnlje će to bltl
demonstrirano na konkretnom primeru.
Pored toga, Ijudl ne znaju da rezonuju na način teorije verovatnoće. Karakteristlčan
primer je kada se probleml definlšu pomoću tzv. uslovnlh verovatnoća. Osim uslovnlh vero-
vatnoća, teorija verovatnoće operiše i druglm načinlma kombinovanja vlše verovatnoća (vlše
slućajnih dogadaja). U svlm tlm primerima Ijudi a) ne rezonuju koherentno i b) često rezo-
nuju suprotno od matematlčklh pravila. Generalno, to je zato što Ijudi događaje interpretiraju
kauzaino, a ne stohastički.
Jedna vrio neobična stvar se primećuje kod kolokvljalne Interpretacije slučajnlh doga-
đaja. Nalme, kad se nekome desl nešto neočeklvano, Ijudi kažu da je to sudblna. Sudblna
nlje ništa drugo do kolokvijalan Izraz za determinlzam (eventualno anlmlstlčke, mistićne III
religlozne vrste). Iz toga bl sledilo da Ijudi siučajnost tum ače determinističkl, u čemu se
ogleda još jedna paradoksalnost Ijudskog shvalanja slučajnosti. Zdrav razum voli kauzal-
nost. Tverski i Kahneman su zaključlll da „intuitivno sudenje o svim relevantnim marginal-
nim, konjunktivnim i uslovnim verovatnoćama teško da će biti koherentno, tj. da će zadovo-
Ijavati pravila teorije verovatnoće". Značajno je reći da su ova dvojica autora smatrali da ta
nekoherentnost nije površna, već da proističe iz temelja kognitivnog funkcionisanja Ijudi.
H e u ris tik a r e p r e z e n ta tiv n o s ti.- U brojnim studijama tokom ranih 70-ih godina XX
veka, Tversky i Kahneman' su pokazali da tipična odrasla osoba nije statističar u minijaturi,
kao i da se rezonovanje statlstičara početnika fundamentalno razlikuje od eksperta. Oni su
formulisali niz heurističkih metoda koje Ijudi svakodnevno koriste prllikom odlučivanja u
uslovinia neodredenosti. Pogledajmo sledeči originalan primer Tverskog i Kanemana:
Naše merenje, kao takvo, praktična je delatnost, a njegov cilj je tačna mera.
Da bismo merili mi moramo da konstruišemo merne instruinente, moramo da
izvlačimo uzorke objekata posmatranja, da sprovodimo procedure merenja i
prikupljamo podatke putem intervjua ili neposrednog posmatranja na primer.
Svaka od tih praktičnih delatnosti dovodi do slučajnih odstupanja. Razlike koje se
kao slučajne pojave toni prilikom generišu se često nazivaju greškama merenja.
Biće posebno jasno o kakvim se odstupanjima radi ako kažemo da do njih dolazi
kada se ponavljaju merenja uzastopno na jednom te istom objektu. Ta odstupanja
su posebno uočljiva kada se merenja ponavljaju sa drugim memim instrumentima,
posmatračima ili ocenjivačima. Do istih takvih odstupanja redovno dolazi i u
fizičkommerenju i tamo se nazivaju „slučajnim greškama”.
Međutim, merenje kao praktična delatnost, u naukama o ponašanju rie
dovodi samo do ovakvih odstupanja koja se žargonski nazivaju slučajnim greš-
kama. U naukama o ponašanju se stalno iznova konstruišu merni instrumenti i
stalno se iznova postavlja pitanje njihovih memih karakteristika, posebno valid-
nosti. Na primer, memi instrument koji je primenjen možda uopšte ne meri
osobinu koju smo mislili da meri i to možda zato što je teorija o osobini koja se
meri pogrešna.
Takođe, veoma poznata vrsta grešaka koja se može pripisati ovom izvom je
pristrasnost, odnosno nereprezentativnost uzorka. Pristrasnost uzorka je vrlo često
rezultat toga što je uzorak projektovan kao nereprezentativan, tj. kao prigodni ili
namemi. A projektovan je kao prigodni ili namerni zato što nije bilo dovoljno
vremena, novca, volje ili znanja da se primeni reprezentativni.
Treću, a vrlo čestu varijantu ovog izvora, predstavljapristrasnost istraživača
u odnosu na pojavu koju izučava. Ova pristrasnost se može ogledati u izboru i
defmisanju problem a istraživanja, a naročito prilikom tumačenja rezultata.
Međutim, sa aspekta generisanja individualnih razlika važna je pristrasnost tokom
prikupljanja podataka. Naime, istraživač kao posmatrač, ocenjivač, učesnik ili
moderator tumači pojave u skladu sa svojim iskustvima i ciljevima. U tom
pogledu nastale individualne razlike su rezultat interakcije istraživača i merene
pojave, ali posmatrano sa strane istraživača kao aktivnog činioca.
Pogrešan predmet merenja, nereprezentativan uzorak i pristrasnost po
pravilu neće davati nasumična odstupanja ,,od stvamosti” (slučajne greške), nego
će biti manje ili više sistematska, budući da su povezana sa odabranom teorijom,
pristupora i dotadašnjim znanjima.
Imajući sve to u vidu, za individualne razlike koje su generisane iz prvog
izvora može se reći da predstavljaju „mere” istraživanja kao takvog - od teorijske
osnove do memih procedura - i ne govore ništa o predmetu merenja. Takve
individualne razhke su u principu neželjene i mogu se okarakterisati kao greške
merenja, ali se u daljem razvoju teorije mogu pokazati kao saznajno vredne i
mogu predstavljati osnov za popravljanje postojeće ili stvaranje nove teorije.
8. Greške merenja
* Slatistika je nastala iz teorije verovatnoće, grane m atem atike, uglavnom kao prim ena
tcorije verovatnoćc u oblasti naučnih istraživanja i m erenja. N aslanak statističke m etodc se
obično vezuje za X V III vek i radove Jacoba B em oullija, p ie ra Sim ona L aplacea i K arla
prim er, n je n a d o m in a n tn a p rim e n a u n e k im n au k am a kao što je p silio lo g ija , u
o bliku tzv. m u ltiv a rija tn e sta tistik e (m u ltiv arijatn e analize, M V A ), p o k a z u je d a se
p rv e n stv en o radi o p rim e n i m atričn e alg e b re z a analizu pod atak a. T ak o d e , danas
se c elo k u p n a o b last o b ra d e p o d a ta k a često n a ziv a „d ata m in in g ” (k o p a n je po
p o d a cim a), p ri čem u su sta tističk e m eto d e sam o je d a n o d n ačin a „ k o p a n ja ” .
Ipak, p ro se č a n istraž iv ač se sta ln o sreće sa sta tistič k o -p ro b a b ilistič k im
p o jm o v im a k a o što su v a rijan sa, u z o rak , sta n d ard n a gre.ška i sl. N a o sn o v u tih
p o jm o v a istraž iv ač i p o g re šn o z ak lju ču ju da se radi o p rim en i č iste sta tistik e u
istraž iv an jim a p o n a ša n ja . N o, statu s tih p o jm o v a u v ećin i ra d o v a iz statistik e
p rim e n jen e u n a u k am a o p o n a ša n ju j e teh n ič k i. O ni služe za d e sk rip ciju je d n e , po
svem u izu z etn e p o ja v e k o ja je isto v rem e n o i sudbina i n a d a d ru štv en ih , antro-
p o lo šk ih i sv ih b io lo š k ih n a u k a u o p šte . T a p o ja v a su in d iv id u a ln e razlike.
Što se tič e sta tistik e, su p e rio m i skup m e to d a za a n alizu in d iv id u a ln ih razli-
k a čini ono što se o b ičn o n a z iv a m u ltiv a rija tn o m analizo m , ih m u ltiv a rija tn o m
statistik o m . T o je zato što M V A p re d sta v lja m o d ele m eđ u o d n o sa v iše v arijab li,
u p rav o o n a k o k ak o sm o d e fm isa li n a čin n a sta n k a in d iv id u a ln ih razlik a. Z b o g toga
se m u ltiv a rija tn a a n a liz a m o že n a zv a ti a n a lizo m ind ivid u a ln ih razlika.
F riedricha G aussa.
uzorku ispitanika, dobićemo rasipanje rezultata i na jednom i na drugom instru-
mentu, koje je rezultat slučajnih pojava (individualnih razlika iz sva tri izvora).
Statistika nas u toj naizgled teškoj situaciji pretvara iz gubitnika u dobit-
nike, jer nam omogućava da izračunamo korelaciju. U tumačenju izvora te kore-
lacije postoje dve mogućnosti.
E. Teorija merenja
5. Problem aditivnosti
6. Kombinovano merenje
Nominalni
• Dvama objektima će biti dodeljen isti numeral ukoliko oni poseduju istu
vrednost atributa.
• Dozvoljene transfomiacije su bilo koje jedan-u-jedan ili mnogo-u-jedan
tranformacije; imajuću u vidu da kod mnogo-u-jedan transformacija dolazi
do gubitka informacija.
• Primeri: numerisanje fudbalskih igrača, numerisanje opština poredanih
azbučnim redom, zatim npr, l=ateist, 2=pravoslavac, 3=katolik itd.
Ordinalni
• Objektima će biti dodeljeni numerali tako da poredak numerala odražava
poredak defm isan relacijom poređenja prisutnosti atributa. Dvama
objektima X i 7 sa vrednostima atributa a{X) i a(Y) biće dodeljeni brojevi
m{X) i m(Y) tako da ako je m{X) > m{Y) bude i a{X) > a{Y).
• Dozvoljene transformacije su sve monotono neopadajuće transformacije, pri
čemu kod transformacija koje nisu striktno monotono rastuće dolazi do
gubitka informacija.
• Primeri: Mohsova skala tvrdoće minerala, rangiranje hotela brojem
zvezdica ili putem kategorija A, B, C,..., brzina sedimentacije krvi kao mera
intenziteta oboljenja.
• Napomene:
1. U matematičkoj realizaciji statističkih metoda za obradu ordinalnih
varijabli pojavio se problem kada više objekata ima isti poredak/rang (engl.
ties). Uprkos tome što Campbellov prvi zakonm erenjapotpuno sankcioniše
takav slučaj, ovaj matematički problem je morao posebno biti rešavan, a
skala koja ima ties se često naziva „slabom ordinalnom”.
2. Premda su ovde u dozvoljene transformacije svrstane samo monotono
neopadajuće, koje čuvaju poredak objekata (,,od najmanjeg do najvećeg”),
negde se navodi da su dozvoljene i monotone nerastuće, koje poredak
objekata izokreću („od najvećeg ka najmanjem”), ali se tako dobijene skale
nazivaju inverznim.
Intervalni
• Objektima se dodeljuju brojevi tako da razlike izmedu brojeva reflektuju
razlike u stepenu prisustva svojstva. Služeći se primerom iz ordinalnog
nivoa i dodajući dva objekta U i V, za intervalni nivo mera mora važiti da
ako m{X) - m{Y) > m{U) - m{V), onda mora biti i a{X) - a{Y) > a{U) - a{F).
• Dozvoljene transformacije mogu biti bilo koje tzv. afme transformacije
t{m) = c^m + d, gde su c i konstante. Prostim jezikom rečeno: početak
(nula) i jedinica merenja su na intervalnom nivou merenja proizvoljni.
• Primeri: temperatura u stepenima Celzijusa ili Farenhajta, kalendarski
datum.
Racio'”
• Objektima se dodeljuju brojevi tako da razlike i razlomci izmedu brojeva
reflektuju razlike i razlomke između vrednosti svojstva.
• Dozvoljene transformacije su bilo koje linearne (slične) transformacije
t{m) = c^m , gde je c konstanta. Na dmgi način rečeno, na racio nivou
merenja je jedinica merenja proizvoljna.
• Primeri: najbolji primer je temperatura u stepenima Kelvina. Primeri sa
dužinom neke stvari u centimetrima i trajanjem neke pojave u sekundama
su još samom Stevensu izgledali problem atični je r je u njima nula
problematična, Naime, nulta dužina se može defmisati kao nulto rastojanje
izmedu dve tačke, ali nije jasno kojem objektu se može dodeliti ta dužina.
g. Zaključak i rešenje
Kao što se može očekivati, postoji prilično slaganje oko teorijskih perspek-
tiva koje su klasične i i koje su zato dobro poznate i široko prihvaćene. Slaganja
je mnogo manje oko novih pravaca i škola, posebno onih koji se odnose na speci-
fične oblasti ili probleme.
U oblasti društvenih nauka generalno, pored klasičnih, identifikuje se i niz
novih perspektiva. S obzirom da su zasnovane na radovima novih autora, da
imaju užu oblast primene i da su ekletičke ili nedovoljno proverene u praksi, u
literaturi ne postoji saglasnost oko njihovog broja, svojstava, pa ni naziva. Isko-
ristićemo četiri osnovne teorijske perspektive, kako ih danas vidi Creswell
(2003), i prikazati ih u nešto modifikovanom obliku u tabeli 2.
U tabeli 3 prikazana je Stembergova (2001) podela klasičnih psiholoških
perspektiva i njihovih glavnih osobina. To su klasične perspektive širokog obima,
jer su npr. strukturalizam i funkcionalizam prisutni ne samo u psihologiji, nego u
svim društvenim naukama, pa i van njih.
Tabela 4 sadrži „nove psihološke perspektive” (po Stembergu, 2001), od
kojih su neke, kao bihejviorizam, imale snažan uticaj na sve nauke o ponašanju.
Perspektiva Ključna svojstva Ključne metode
• Osnivači
P ostpozitivizam Kritičlci realizam: znanje o ponašanju je uvek Eksperiment; primamo
• Auguste Comte, nesavršeno i pogrešno, zato apsolutna istina nije kvantitativne metode uz prihvatanje
John Stewart Mill, moguća; „statistički determinizam”; redukcija kvalitativnih; merenje
Emile Durldieim, Rudolf Camap, fenomena na mali skup ideja; provera teorije
Thomas Kuhn, Karl Popper...
K onstruktivizam Relativizam; razumevanje različitih i višestnikih Kvalitativne metode; neposredno
• Merton, Mannheim, Piaget značenja koje pojedinici konstruišu o svojim posmatranje; intervjui; otvorena
iskustvima; teorija se gradi induktivno na osnovu pitanja; naracija
interakcija istraživača sa učesnicima i
participacije istraživača u društvenim procesima
Z astupničko/učesnička Preplitanje sa politikom; preraspodela dmšU'ene Kvalitativne metode; saradnja; CD
• Marx, Adomo, Marcuse, moći u korist marginalnih grupa; učestvovanje interakcija; dmštveni i politički rad
Habermas (participacija) u dmšrvenim procesima; društvena
promena
P rag m atizam Usredsredenost na problem a ne na metode i Mešovite metode, sve koje „rade”
• James, Dewey, Mead, Pierce pristupe; znanje proističe iz akcija, situacija i
njihovih posledica; cilj je da se promeni subjekt
Perspektiva Ključna pitanja Ključne metode Ključne kritike
• Osnivači prikupljanja podataka
S tru k tu ra liz am Priroda svesnog; analiza Introspekcija Suviše mnogo osnovnih oseta; nedostatak
• W iIlieImW undt, svesti u njene konstitutivne (samoposmatranje) sredstava za razumevanje procesa
• Eđward Titciiener elemente (osnovne osete) mišljenja; nedovoljna primenjivost na
svet izvan laboratorije; isključiva
upotreba introspekcije
F unkcionalizam Mentalne operacije; Sve koje daju rezultat Previše defmicija rtči funkcija; preterana
(i njegov naslednik, praktična uloga svesti; fleksibilnost u korišćenju previše
pragmatizam) ukupan odnos organizma i različitih metoda, što rezultira slabom
• W illiam James sredine eksperimentalnom koherencijom;
• John Dewey preteran naglasak na primenjenoj
psihologiji; nedovoljno fundamentalnih
istraživanja
A socijacionizam Mentalne veze između dva Empirijske strategije, Prevelika pojednostavljenost; ne
• Hermann Ebbinghaus događaja ili dve ideje, koje primenjene na objašnjava kogniciju, emocije ili druge
• Edv/ard Lee Thomdike ; dovode do oblika učenja samoposmatranje i psihološke procese
• Ivan Pavlov studije životinja
B ihejviorizam Opazivo ponašanje Eksperimentalna; jak naglasak Ignoriše i ne istražuje unutrašnje uzroke
• Jolin Watson na životinjske subjekte ponašanja; ne priznaje socijalno (na
• B. F. Skinner osnovu posmatranje) učenje; ne objašnjava
mnoge aspekte Ijudskog ponašanja (npr.,
usvajanje i upotrebu jezika ili uživanje i
divljenje prema muzici i drugim
umetnostima)
Biološka psihologija Biološke interakcije Eksperimentacija; studije na Trenutno nisu obuhvaćeni svi aspekti 2
(D
• Roger Sperry tela i duha, posebno Ijudima i životinjama; Ijudskog ponašanja; mnogi aspekti se ne O
o
• Eric Kandel kao funkcije mozga i neurofiziološka i neurohemijska mogu etički sprovesti na Ijudima, a nalazi fD
in '
nervnog sistema istraživanja mozga na životinjama se ne mogu uvek
generalizovati na Ijude N<
<■
flj
Evoluciona psihologija Evolucione osnove Plauzibilno zaključivanje; Nalaze je teško empirijski odbaciti; £u"
eksperimentacija; ankete preterana spekulativnost •O
o3
• Leda Cosmides Ijudskog ponašanja
OI
• David Buss U)t
0)
13
P sihodinam ska Razvoj ličnosti; Psihoanahza, bazirana na Prevelik naglasak na seksualnosti; prevelik Dj'
psihologija psihoterapija; studijama kUničkih slučajeva oslonac na studije slučaja; suviše uopštena;
• Sigmund Freud otkrivanje nesvesnih teško se naučno istražuje; previše se
iskustava oslanja na teoriju
H um anistička Slobodna volja i KHnička praksa, posmatranje, Teorije nisu posebno opšte; ograničeni
psihologija s amo aktuah zac ij a studije shičaja; holistički a ne fond istraživanja
• Abraham Maslow čovekovog analitički pristup
• CarlR ogers potencijala; svesno a
ne nesvesno iskustvo
3. Izbor opšteg pristupa istraživanju
b. Kvantitativna istraživanja
c. K valitativna istraživanja
d. Mešovita istraživanja
1. Entiteti i atributi
Kasnije će se videti (v. tabelu na str. 151) d aje osnovna matrica podataka u
naukama o ponašanju tipa entiteti x atributi. Ova elementama matrica zapravo
definiše dva prostora: jedan u kojem su objekti i drugi u kojem su atributi. Ne
samo da postoje zasebne statističke metode za svaki prostor, npr. faktorska i
klaster analiza, nego se unutar svake metode oba prostora javljaju na drugačiji
način.
E ntiteti. -E ntiteti, tipovi, ili objekti su u naukama o ponašanju obično Ijudi
(vidi uvodno poglavlje o tome šta su socijalna istraživanja). Pošto istraživači
Ijudima često postavljaju neka pitanja, za ove entitete se onda koristi izraz ispila-
nici. U naukama o ponašanju i u statistici često se koristi izraz objekt istraživanja.
Nažalost, u psihologiji se vrlo često Ijudi, kao objekti, često nazivaju subjektima,
što stvora terminološku konfuziju. Jedan dobar a uopšten izraz koji obuhvata sve
ove pojmove, a istovremeno sadrži kratko tumačenje o čemu se radi je jedinica
posm atranja. Jedinice posmatranja u naukama o ponašanju mogu biti:
• Ijudi,
• Ijudske grupe kao što su porodica, školsko odeljenje, sportski klub,
verska sekta,
• životinje,
• artefakti, kao što su poruke, knjige, fotografije, časopisi,
• geografske celine, kao što su gradovi, opštine, regioni,
• socijahie interakcije, kao što su brakovi, hapšenja, razvodi itd.
Nesretna okolnost je to što je termin ,jedinica posmatranja” predugačak i
nespretan za svakodnevnu i neformalnu upotrebu. Ahemativni naziv za jedinicu
posmatranja je jedinica analize, zato što je ona ne samo jedinica prikupljanja
podataka, nego i jedinica obrade podataka i interpretacije.
Celokupna logika istraživanja odreduje šta je osnovna jedinica posmatranja
u istraživanju. Medutim, istraživanje može imati višestruke jedinice analize ih
može koristiti i neke druge jedinice - recimo jedinice uzorkovanja (v.). U oblasti
statističke obrade podataka, pa i u statističkim programima, koristi se termin
sliičaj. Slučaj je slcup podataka o jednoj ili više jedinica posmatranja. Dobro je da
se pravi razhka između jedinice anahze i shičaja. Recimo, u anketnom istraživa-
nju jedinica anahze je ispitanik, a slučaj čine svi njegovi odgovori na postavljena
pitanja. Međutim, slučaj može obuhvatati sve podatke o jednom domaćinstvu,
dok su jedinice anahze u tom istraživanju bili pojedinci, članovi tog domaćinstva,
zatim nekretnine koje pripadaju domaćinstvu, kao i porodica koja tu živi u celini.
A tributi. - U pogledu termina atribut, u socijalnim istraživanjima se
umesto njega takođe koriste mnogi alternativni nazivi. Tu su pre svega svojstvo i
osobina. Nauke o ponašanju nemaju problema da utvrde šta su njihovi entiteti
(kao što ima fizika sa elementarnim česticama, ili astronomija sa nebeskim teli-
ma) - to su jedinke i njihove grupe. Pažnja je pre i iznad svega posvećena otkri-
vanju atributa tih entiteta. Većina tih atributa su skriveni, odnosno ne mogu se
direktno opaziti, niti spolja, od strane posmatrača, niti iznutra, putem introspek-
cije. Zato su atributi žiža interesovanja nauka o ponašanju i nazivaju se kon-
struktima (v. uvodnu glavu).
U novije vreme, nakon bumog razvoja empirijskog proučavanja ponašanja
živih organizama, uobičajilo se da se konstrukti alternativno nazivaju varijab-
lama. Pojam varijable ili promenljive potiče izvomo iz matematike (algebre).
Međutim, onako kako se koristi u algebri, po pravilu se ne sreće u naukama o
ponašanju. Prvi razlog leži u tome što su algebarski izrazi, tj. jednačine koje se
koriste za prikazivanje fizičkih zakona i odnosa među podacima u prirodnim
naukama vrlo retki u naukama o ponašanju. Pojave koje se izučavaju u naukama
o ponašanju i dništvenim naukama ne stoje u kauzainim, odnosno funkcionalnim
odnosima sa drugim pojavama. Drugi razlog je taj što su svi podaci koji pred-
stavljaju individualne razlike po prirodi slučajne pojave i ne mogu se prikazati
determinističkim izrazima, nego samo statistički.
Termin varijabla je u društvene nauke došao iz statistike gde mu je puni i
tačan naziv slučajna varijabla (engl. random variabie). Slučajna varijabla se u
statistici definiše kao pravilo ili fijnkcija koja svakom ishodu u uzorku pridružuje
jednu vrednost. Iz toga možemo izvesti jednu strogu, statističku definiciju (slučaj-
ne) varijable u naukama o ponašanju:
Varijabla j e rezidtat merenja nekog atributa na skupu entiteta.
Kada se u naukama o ponašanju govori o empirijskim podacima o ponaša-
nju, oni su po pravilu organizovani u slučajne varijable. Slučajna varijabla je
takva varijabla koja sadrži podatke čije vrednosti ne možemo sa sigurnošću
predvideti. U matematici (teoriji verovatnoće) bi se kao primer slučajne varijable
naveo rezultat bacanja novčića. U tom slučaju bi varijabla sadržavala vrednosti P,
G, P, P, G, P,... (gde je P pismo, a G glava). Nakon neke od vrednosti, recimo P,
ništa nam ne govori koja će biti sledeća vrednost - postoji samo verovatnoća.
Analogno tom primeru bilo bi merenje telesne visine na grupi Ijudi. Kad
izmerimo visinu jednog čoveka, ne znamo koje će visine biti sledeći čovek.
Slučajna varijabla, dakle, nastaje merenjem nekog atributa-svojstva na
uzorku entiteta-objekata. Ako su entiteti Ijudi, onda slučajna varijabla sadrži
individualne razlike, čije smo izvore detaljno objasnili u prethodnimpoglavljima.
Ova precizna statistička interpretacija varijable je u izvesnoj koliziji sa
slobodnijim načinom upotrebe termina „varijabla” - kao konstrukta. Slučajna
varijabla je nešto konkretno i ne predstavlja sam atribut, nego sadrži podatke o
atributu. U kasnijim poglavljima ćemo videti da se varijablom ne nazivaju samo
atributi ispitanika, nego i događaji i uslovi, npr.: „bio na utakmici - nije bio na
utakmici”, „primio elektrostimulaciju - nije primio elektrostimulaciju”, „slušao
gradivo po novom programu - slušao po starom programu” itd. Za takve varijable
čak ne možemo reći da predstavljaju konstrukte. Srećna okolnost je u tome što
istraživači nemaju problema da intuitivno razumeju pojam varijable i da ga
pravilno koriste, bez obzira što epistemolozi imaju s time problema. U ovom
tekstu nećemo izbegavati da izraz „varijabla” koristimo umesto tennina kao što su
pojam, atribut, dogadaj, osobina ili svojstvo ali i u statističkom smislu, kao skup
podataka o nekoj osobini.
3. Varijable i m erenje ponašanja
6. Osobine i stanja
' ’ Poj am konstm kt, inače, skoro po pravilu, odgovara poj mu onoga što ovde nazi vamo
latentnom varijablom.
introverzija, buka i osvetljenost prostorije, pol i starost „žrtve saobraćajne
nesreće”, trajanje i jačina elektroška i sl.
Pažljiv čitalac je sigurno uočio razliku između druge i treće definicije neza-
visnih varijabli. U dnigoj tački su opisane one nezavisne varijable na koje mi
nernamo uticaj, je r ne zavise od nas i našeg istraživanja. Treća tačka definiše
nezavisne varijable kao one koje mi stvaramo. Takode, druga definicija kaže da
su nezavisne varijable svojstva ispitanika, dok treća kaže da su to neki uslovi u
koje mi smeštamo ispitanike. Druga definicija se zaniva na kontroli nezavisnih
varijabli, a treća na nianipulaciji nezavisnim varijablama. O sličnosti i razlici
pojmova kontrole i manipulacije biće reči u poglavlju o eksperimentalnim
istraživanjima.
Pogledajmo sada šta su zavisne varijable. Naravno, one se u vremenskom
poretku nalaze iza nezavisnih varijabli, što znači da su primile ili promenile
vrednosti nakon nezavisnih. U eksperimentalnim istraživanjima je vremenski
poredak lako ustanoviti jer mi merimo zavisne varijable nakon što smo promenili,
svojom voljom, vrednosti nezavisnih varijabli. U neeksperimentalnim istraživa-
njima se nezavisne i zavisne varijable često niere u istom trenutku. Vremenski
poredak se onda utvrđuje na osnovu logičke analize: pol je „nastao” pre izbora
profesije, socijalno poreklo je „nastalo” pre partijskog opredeljenja itd.
U slučaju istraživanja posttraumatskog stresnog poremećaja (PTSP), pore-
mećaji sna, vraćanje „slika” iz rata, bezvoljnost, povlačenje iz dništva i sl. biće
manifestni indikatori zavisne varijable - PTSP-a. Da li će nastati PTSP zavisi ođ
ratnih iskustava kao što su smrt najboljeg druga, ranjavanje, prisustvovanje
zverstvima, ili od osobina ličnosti i životne anamneze osobe. Kod primera sa
uspehom na poslu, mi proveravamo hipotezu da li on zavisi od inteligencije
ispitanika.
Konačno, mi manipulišemo nezavisnim varijablama da bismo izazvali i
merili promene u zavisnim varijabiama. U istraživanju „sprerrmosti za iznošenje
mišijenja” prebrojavaćemo verbalne iskaze, rečenice ili stavove, ili ćemo prosto
meriti vreme koliko ispitanik govori. Ako tako izmerena zavisna varijabla „izra-
žavanje mišljenja” varira u zavisnosti od toga kakvo je bilo potkrepljenje, onda
ćemo zaključiti da ona zavisi od potkrepljenja.
Prema tome, distinkcija nezavisnih i zavisnih varijabli je u tome da li po
našem nacrtu istraživanja, ili po opštoj logici sveta i razuma, postoji između
varijabli relacija zavisi od. Nije važno da li neko kontroliše ili manipuliše neza-
visnim varijablama. Manipulacija varijablama je važna samo zato da bismo bili
sigurni da sunezavisne varijable nastale pre zavisnih. Naime, nekadaje vrlo teško
odrediti da li su nezavisne varijable nastale pre zavisnih. Zato će čitaocu biti
najlakše da zapamti da zavisne varijable, prosto, zavise od nezavisnih. Pri tome,
kao što je ranije rečeno, istraživači nastoje da terminu „zavise” pridaju kauzahio
značenje: ,,su posledica”, aH u naukama o ponašanju teško to mogu dokazati.
Već na prvi pogled se vidi da je sastavljač pitao više stvari. Samo po sebi,
to nije pogrešno. Šta više, ispitanicima verovatno neće mnogo smetati formulacija
pitanja. Međutim, kod unosa i obrade podataka postaviće se problem koliko tu
varijabli zapravo ima. Naime, izgleda da je istraživača interesovalo ne samo da li
je ispitanik imao problema, nego i kakvih (altemative 2.b i 2.c), a kao i da ga je
interesovalo ispitanikovo obrazloženje (2.d).
Dakle, ovakva pitanja nisu a priori besmislena, ali kad god statističar vidi
hijerarhijske altemative on posumnja da istraživač nije načisto sa time šta je želeo
da pita. Ako ne postoje neki posebni razlozi za ovakva složena pitanja, bolje ih je
razdvojiti na jasna i eksplicitno sročena odvojena pitanja.
1. Izvori ideja
3. Cilj istraživanja
D. Istraživanje u biblioteci
b. Bibliografski softver
Pod ovim nazivom se krije softver koji služi da piscu olakša i automatizuje
citiranje, navođenje referenci i formiranje bibliografije (literature, referenei).
Poznati su Thomsonovi Reference Manager (http://www.refman.com) i ProCite
(http://www.procite.com), ali postoje i dmgi programi i treba očekivati da će ih
biti sve više. U osnovi većine tih programa je interna bibliografska baza referenci.
Tu bazu može da popunjava sam korisnik, ili može da „skida” reference sa
Intemeta (npr. sa prezentacija časopisa i univerziteta), sa CD-ROMa ili diskete.
Referensnu bazu korisnik može formirati sam, kopirajući reference iz dmgih baza
iii ih unoseći direktno.
Kada tokom pisanja autoru zatreba da se pozove na neki objavljeni rad, on
mora pronaći taj rad u nekoj od baza koje je već ranije formirao ili na Internetu.
Ako nije potpuno siguran o kom članku se radi, može da pretražuje po raznim
kriterijumima i ključnim rečima, bilo lokalne baze bilo baze na Internetu. Kad
pronađe ono što mu treba, može ubaciti poziv na referencu direktno u svoj tekst,
može ubaciti samu referencu u bibliografiju i može formatirati bibliografiju po
nckom od standarda (APA, MLA, Turabian i sl.). Postoji problem sa integracijom
ovih programa u tekst procesore (prilikom instalacije, bibliografski programi se
„ugrade” u Tools opciju na meniju), zato što izlaze stalno nove verzije procesora
teksta. Isto se može očckivati i za pravila citiranja, koja se menjaju, pa recimo
nova APA pravila nisu ista kao stara.
E. Hipoteze i istraživačka pitanja
Postoje brojna istraživanja koja nisu namenjena proveri hipoteza. Takva su,
pre svega, kvalitativna i eksplorativna istraživanja. Cesto su takva akciona,
evaluaciona ili strukturalna istraživanja i studija slučaja. Zato će jednostavan
odgovor na gomje pitanje biti da hipoteze nisu uvek potrebne.
Medutim, svako istraživanje ima svoje pitanje, predmet--cilj, dakle sadrži
izvesnu namem, a iz te namere se onda mogu izvesti očekivanja. Očekivanja se
pojavljuju i onda kada se istraživanje uklopi u neki teorijski okvir (a prepomčuje
se da se istraživanje osloni na neku teoriju kad god je to moguće), jer već sama
odabrana teorija predstavlja izvesno očekivanje. U mnogim istraživanjima su
dovoljne implicitne hipoteze, odnosno hipoteze koje se mogu zaključiti iz odabra-
nog cilja istraživanja, teorijskog okvira i očekivanja koja iz njih proističu.
Važno je znati da hipoteze i istraživačka pitanja, fomudisana u onakvom
eksplicitnom i egzaktnom obliku kako je upravo opisano, doprinose epistemološ-
koj vrednosti istraživanja, čine da istraživanje ima ideju vodilju i fokus - poentu,
istraživaču olakšavaju formulisanje zaključaka a čitaocu njihovo razumevanje.
Eksplorativna istraživanja se prepoznaju po tome što ne polaze od hipoteza.
Akciona i evaluaciona istraživanja su slična, a strukturalna mogu imati „struk-
turalne hipoteze” ali se one obično teško operacionahzuju u statističke hipoteze,
te opstaju kao istraživačka pitanja. Problem može nastati onda kada eksplorativna
istraživanja, koja odgovaraju na pitanje ,,šta” ih „koliko”, to rade na taj način što
porede razne grupe objekata, instrumente, metode, prate razvoj pojave tokom
vremena i sl. U takvim istraživanjima se u cilju bolje deskripcije istraživane
pojave koristi komparativna anahza, što je epistemološki sasvim opravdano i
saznajno vrlo vredno, Međutim, u tim istraživanjima nije cilj da se anahzira, na
primer, razlika između dece i odrasiih, da bi se ustanovio uticaj razvoja iU neke
slične nezavisne varijable na zavisnu, nego se razhka koristi samo za bolju
deskripciju merenih osobina kod dece.
To znači da se u eksplorativnom istraživanju mogu testirati statističke
hipoteze, ah sa ciljem bolje deskripcije predmeta istraživanja. Te hipoteze nemaju
status istraživačkih, a pogotovo ne supstancijahtih, barem ne u tom istraživanju, i
ne treba ih navoditi u uvodnom delu izveštaja, nego mogu biti opisane u poglavlju
o metodama, a diskutovane u poglavlju o rezultatima i analizi.
G. Validnost istraživanja
1. Interna validnost
M ože đelovati iznenadujuće što efekat socijalne faciUtacije postoji i kod životinja.
Na primer, Zajonc je našao da bubašvabe trče brže kad su u paru nego kad su same (Stem-
berg, 2001).
Pri tome može biti reči o sasvim prostim mptomim reakcijama kao što su vožnja
bicikla, trčanje i sl.
Drugi veoma poznat, ponekad i dramatičan, izvor ugrožavanja validnosti u
programskoj grupi je placebo efekat, kojim se označava promena ponašanja
ispitanika zato što misle da tretman deluje na njih (u bilo kom pravcu). Ove
promene ponašanja mogu, na primer, obulivatati promenu krvne slike, telesne
temperature, pojave slične ovulaciji kod žena, dakle mnogo više od proste
„sugestije”, povodljivosti ili „glume”. U medicini je kontrola placebo efektajedna
od osnovnih kontrola koja se sprovodi u ispitivanju delovanja lekova. Placebo
efekt je verovatno aktivni princip isceljenja i čudesnih izlečenja tokom verskih i
drugih obreda.
2. Eksterna validnost
Svakom bloku (redu matrice) mora biti podvrgnut najmanje jedan ispitanik,
ali se obično slučajno dodeljuje nekoliko njih. Jedino je važno da u svakom redu
bude jednak broj ispitanika. Dakle, ako svakom bloku dodelimo pet ispitanika
biće nam potrebno 20 ispitanika. Postoje posebni nacrti analize varijanse name-
njeni analizi Latinskih kvadrata. U statističkim i metodološkim udžbenicima lako
je naći uputstva kako da se formiraju Latinski kvadrati za bilo koji broj usiova.
Treba naglasiti da uravnotežavanje ne ukida efekte redosleda. Ono ih samo
uprosečava i time ih eliminiše iz eksperimentalnih uslova, čime se statistički eli-
miniše i njihovo mešanje sa efektom nezavisne varijable.
B. Eksperimentalno istraživanje
R M T M Eksperlmentalna grupa
R M M Kontrolna grupa
T ix Tly M ic
M^a T2 x M^b M^c
Msa Msb Mac
^M^a M4b M4c
Generalno se može smatrati da je nacrt koji omogućuje više poređenja, ima
veću epistemološku, odnosno saznajnu, odnosno istinitosnu vrednost od onog koji
omogućuje manje poređenja. To važi za bilo kakav tip nacrta; eksperimentalni,
kvazi-eksperimentaini ili neeksperimentalni. Nažalost, kao i uvek, ova povećana
saznajna vrednost ima svoju cenu. Naime, što je nacrt kompleksniji, što ima više
grupa i merenja, to i nacrt statističke obrade mora biti složeniji. Ponekad istraži-
vačima predstavlja nerešiv problem da koncipiraju onakvu statističku obradu koja
omogućuje ekstrakciju svili informacija koje postoje u mnogobrojnim grupama i
merenjima.
lako je, kako je prethodno rečeno, svako poređenje dobrodošlo, neka pore-
đenja u istraživanjima imaju posebnu snagu. Prosto, zdravorazumski, zaključu-
jemo da su od posebnog interesa ona poređenja koja uključuju neko početno
stanje, neki osnovni ili bazni nivo, neke vrednosti zavisne varijable koje postoje
pre početka istraživanja i bez bilo kakve eksperimentalne manipulacije.
Upravo u cilju takvih poredenja zamišljeni su kontrolna grupa i pretest. Ono
što zovemo kontrolnom grupom je invencija XX veka, iako je, naravno, ideja
kontrole eksperimentalnih uslova postojala odavno, praktično od početka razvoja
empirijske metode. Cesto se u udžbenicima sugeriše da kontrolnu grupu naziva-
mo griipom za poređenje, odnosno poredbenom grupom što sasvim ukazuje na
njeno mesto i ulogu. Tu praksu ćemo koristiti i u ovoj knjizi.
Medutim, na kontroinu grupu se može gledati na dva načina. Onako kako
smo je u ovom tekstu najčešće koristili u dijagramima i u primerinia za ilustraciju,
to je kontrolnagriipa bez tretmana. Mnogi ozbiljni metodolozije nazivaju upravo
tako (engl. no-treatment group), da bi je razlikovali od kontrolnih grupa koje
takođe primaju tretman, ali alternativan. Naime, sasvim je logično da nivoi neza-
visne varijable ne moraju biti: prisutan - nije prisutan. Kako je opisano u poglav-
Iju o složenim eksperimentalnim nacrtima, nezavisna varijabla može biti kategori-
zirana u više nivoa koji se međusobno razlikuju po stepenu ili intenzitetu
prisustva.
Nivo koji označava odsustvo nezavisne varijable (kontrolna griipa bez tret-
mana) ne mora čak uopšte biti prisutan. U tom slučaju su sve grupe eksperimen-
talne i svaka služi za poređenje sa ostalima. To će se desiti kada istraživača ne
interesuju kauzalni zaključci o tome da li nezavisna varijabla izaziva ponašanje,
nego ga interesuje kvantifikacija uticaja nezavisne na zavisnu varijablu.
Isto tako, pretest služi određivanju početnih vrednosti, ili baznog nivoa
vrednosti svih varijabli u istraživanju. Bez poznavanja baznog nivoa, svi zaključ-
ci o promenama zavisne varijable su problematični. U neeksperimentalnim istra-
živanjima, gde su nezavisne varijable poprimile vrednost pre nego što je istraživa-
nje počelo, istraživači moraju da pokažu puno inventivnosti da bi rekonstruisali
bazni nivo, odnosno supstituisali pretest merenje. Za tu svrhu se mogu koristiti
da se takvim varijablama dodeli status nezavisne varijable. M eđutim, pošto je
potrebno da se njihov uticaj na zavisnu varijablu kontroliše, često se nazivaju
kontrolnim varijablama, zbog specifične namene u okviru istraživanja (kontrole
varijanse). Tu mogu postajati dvaslučaja. Prvi je k ad aje neželjena varijabla kate-
gorijalna, sa malim brojem kategorija, pa je pogodna da bude grupišuća varijabla
(v.). Takvu varijablu merimo i na osnovu nje razvrstavam o objekte u grupe, sa
ciljem da kontrolišemo njen uticaj na zavisnu varijablu. Kontrola se obavlja tako
što se primenjuje faktorski nacrt (v.) ili tzv. ugnježdeni nacrt (engl. nested
design), pri čemu se efekti kontrolnih varijabli obično ocenjuju kroz faktore
interakcije.
Drugi shičaj je kada je varijabla intervalna - kontinuirana. Ona se može
klasifikovati u manji broj kategorija i postupak se može nastaviti kao sa grupišu-
ćom varijablom. Medutim, to nije postupak koji se preporučuje, je r se sažimanjem
gubi varijansa. Najbolje je primeniti odgovarajuću statističku tehniku namenjenu
kontinuiranim varijablama. Tada se za ove varijable obično koristi naziv
kovarijable. Efekat kovarijabli kako na nezavisne tako i na zavisne varijable se
najbolje ehminiše statistički pomoću analize kovarijanse (v. eksperimentalne
nacrte), ah se mogu koristiti i parcijalne korelacije ih višestruka regresija.
Naravno, promocija neželjene varijable u nezavisnu nije uvek primenljiva.
Treba imati u vidu da uključivanje varijabh u nacrt povlači za sobom i obavezu
da se efekti svih varijabh i njihovih inlerakcija interpretiraju. Statistički izveštaji
su mnogo duži i složeniji i taj problem je sve veći što je veći broj neželjenih
varijabh.
Peti način, korišćenje ispitanika kao vlastite kontrole, sastoji se u tome da se
odabare nacrt sa ponovljenim merenjima, nacrt randomiziranih blokova, odnosno
nacrti u kojima se posebno tretira varijansa „unutar objekata”. Ovaj metod je, u
drugom kontekstu, opisan u poglavljim a o dodeljivanju objekata u grupe i
eksperimentalnim nacrtima. U svim ovim nacrtima se koriste isti ispitanici u svim
nivoima eksperimentalnog tretmana. N a taj način je sasvim sigumo da će „grupe”
biti ujednačene jcr se radi o istim ispitanicima. Ako je moguće sprovesti ovaj tip
nacrta, kontrola neželjene varijanse će biti veoma jaka. U poredenju sa jednače-
njem po parovima, može se reći da se ova tehnika zasniva na rezonu da je svaki
ispitanik najbolje uparen sam sa sobom. Dakle, svaki ispitanik se koristi u svim
grupama, tj. kako u kontrolnoj, tako i u eksperimentalnim. Ovaj nacrt se koristi,
recimo, ii ergonomskim istraživanjima kada se proverava prilagođenost uređaja
operateru i kada svi operateri moraju da probaju sve uređaje.
Svaki od ovih načina ima dobre i loše strane. Drugi, treći i četvrti način
imaju jedan isti osnovni nedostatak - teško je znati a priori koje su varijable
važne da bi po njima ujednačih grupe. Povezan sa tim problem om je i problem
ehminacije varijabh iU nalaženja jednakih parova kada je broj varijabh veći od
jedan. Nedostaci tehnike jednačenja grupa opisani su u odgovarajućem poglavlju.
Neće smetati ako podsetimo da jednačenje grupa ima smisla jedino ako varijable
po kojima se jednači dovoljno korehraju sa zavisnom varijablom - ne manje od
0,5 ih 0,6.
Treći način, a donekle i drugi, mogu imati problem sa generalizabilnošću
istraživanja - nalazi će biti generalizabilni samo na pojedince koji imaju ista
svojstva kao uzorak. Ako smo koristili samo muškarce - da bismo eliminisali
varijablu pol - nalazi će važiti samo za muškarce.
Peti način (ponovljena merenja) je nemoguće sprovesti kad god memorija,
učenje ili razvoj mogu imati udela u ishodu. Mogu postojati i druge praktične
smetnje za sprovođenje nacrta ponovljenih merenja. Zato ovaj način kontrole
neželjene varijanse obično nije primenljiv.
M T M
T M
M
Kao što ime kaže, u ovom nacrtu je simuliran pretest tako što su uzeti
podaci za neku drugu grupu, za koju se smatra da je ekvivalentna eksperimen-
talnoj. Šta više, neki istraživači smatraju da su na ovakav način uveli kontrolnu
grupu u istraživanje. Drugi autori smatraju da ako su grupe odabrane randomizi-
rano, onda su one ekvivalentne, pa bi gomji nacrt u tom slučaju bio adekvatan.
Nacrt je zadovoljavajući i onda kada je varijabilnost pojave (zavisne varijable)
dobro izučena, ako se zna da ona nije visoka i ako se zna da je stabilna. Takve
varijable su, na primer, fiziološki parametri ili niži kognitivni procesi.
Međutim, čak i ako je grupa koja je odabrana za pretest stvamo ekviva-
lentna eksperimentalnoj, pravi pretest nije izvršen, niti je izvršen posttest na
„kontrolnoj” grupi, pa je intema validnost ovakvog nacrta pod znakom pitanja i
treba biti oprezan u zaključcima iz ovakvih istraživanja.
Najviše pogrešan nacrt je nacrt bez kontrolne gnipe i bezpretesta. Njegov
dijagram je sasvim jednostavan;
Z' \
Nacrt bez kontrolne grupe, samo posttest
R T M Eksperimentalna grupa
R M Kontrolna grupa
b. H ibridni nacrti
Solomonov nacrt
R M T M E grupa 1
R M M K grupa 1
R T M E grupa 2
R M K grupa 2
S obzirom da se ovaj nacrt može anahzirati kao faktorski nacrt (v. kasnije),
možemo ne samo statistički otkloniti uticaj senzitizacije, nego i tačno utvrditi da
li je i kohko je ona postojala, odnosno da H je već samo pretestiranje dovelo do
povećanja skorova u posttestu.
Epistemološka anahza pokazuje da ovaj nacrt poseduje snažnu kontrolu i
omogućuje snažna poredenja. Posebno je zanimljiva kontrolna grupa 2. Ona se
može izbaciti iz nacrta, a da preostah nacrt sa dve eksperimentalne grupe i dalje
bude epistemološki snažan za ehminaciju senzitizacije. Isto tako, zahvaljujući
drugom paru E i K gnipa, nacrt predstavlja konibinaciju randomiziranog nacrta i
nacrta bez pretesta - dva epistemološki najjača nacrta.
Sledeći interesantan hibridni nacrt je nacrt sa naizmeničnim ponavljanjima
(engl. SNvitching replicationos). U njem u se tretmani ponavljaju, ah naizmenično
na svim grupama.
R M T M M
R M M T M
Ako postoje uslovi da se ovaj nacrt primeni, on otklanja neke veoma akutne
probleme eksperimentalnih istraživanja, kao što su socijalne pretnje intemoj
validnosti ili Hawthorne i placebo efekat.
Z' ~ ^
N a crt sa ra n d o m iz ira n im b lokovim a
B lo k 1 R T M
R M
B lok2 R T M
R M
B io k S R T M
R M
B lo k 4 R T M
R M
Ovaj nacrt je često korišćen i smatra se veoma jakim nacrtom, ali zahteva
složeniji model statističke obrade. Njegov dijagram je identičan dijagramu
osnovnog eksperimentalnog nacrta. Jedino što se u okviru pretesta, osim zavisne
varijable mere i kontrolne varijable, odnosno kovarijable (v. poglavljc o kontroli
neželjene varijanse). Jedna ili više kovarijabli iz pretesta se zatim koristi za
korigovanje mera u posttestu. Podrazumevamo da je čitaocu u osnovi poznat
pojam korigovanja ili kontrolisanja, kada se jedna varijabla koriguje na osnovu
njene kovarijanse sa nekom drugom varijablom.
Na primer, ako ispitujemo efikasnost neke metode učenja, možemo kao
kovarijablu uzeti inteligeneiju. Onda ćemo mere grupa na zavisnoj varijabli u
posttestu (to će vcrovatno biti količina zapamćenog gradiva, brzina reprodukcije
ili sl.) korigovati za iznos njihove korelacije sa intehgencijom. Razliku između
grupa ćemo onda ispitati samo na onom dehi varijanse posttesta koji je preostao
nakon što je učešće intehgencije ehminisano. Na taj način smo uradih sasvim isto
što smo mogh i jednačenjem grupa po intehgenciji. Iz grtipnih razhka eliminisali
smo intehgenciju. Zato se za nacrt analize kovarijanse kaže da j e statistička
zamena za jednačenje grupa - i to vrlo efikasna zamena. Jednačenje grupa se
danas retko koristi upravo zato što postoji efikasan način statističkog jednačenja.
Kao što je rečeno za kovarijable, one u ovom nacrtu moraju biti intervalne
(zato što kovarijansa postoji samo za intervalne varijable). Medutim, šta uzeti za
kovarijablu ili kovarijable? Načelno, treba uzeti one varijable koje imaju visoku
korelaciju sa zavisnom varijabloni. Ako se uzme kovarijabla koja nisko korelira
sa zavisnom varijablom, recimo 0,20, njen doprinos varijansi zavisne varijable je
svega 4%. Zato se ne niože očekivati da će rezultati poređenja E i K grupe biti
vidljivo promenjeni nakon analize kovarijanse (najviše 4%).
Ako nastavimo sa logikom visoke korelacije sa kovarijablom, možemo
postaviti pitanje koja to varijabla najviše korelira sa posttestom? Pretest. Mere
zavisne varijable na pretestu će verovatno vrlo visoko korelirati sa nierama na
posttestu. Kakav je smisao uklanjanja doprinosa pretesta? Redukcija šuma,
redukcija neželjene varijanse, odnosno redukcija pretestnih individualnih razlika.
Skoro identičnu logiku poseduju i nacrti sa ponovljenim merenjima. Opisali smo
je u njihovom poglavlju i tamo smo rekli da uklanjanje varijanse individualnih
razlika povećava osetljivost nacrta.
a. F aktorski nacrli
Faktorski nacrl 2 x 2
M Grupa 1
T i2 M Grupa 2
T^i M Grupa 3
T 22 M Grupa 4
Čitalac će lako uvideti kako se faktorski nacrti mogu proširiti na više nivoa
i više varijabh: recimo 4 x 3 x 2 . Nedostatak ovakvog proširivanja je u tome što
broj kućica u matrici brzo rasle, a s time i broj gmpa. Ako želimo da grupe budu
dovoljno vcHke i da pri tomc budu jednake veličine, a posebno ako nacrt sadrži
pretest i posttest i želimo da održimo veličinu grupa unatoč pojavi morlaliteta,
veći faktorski nacrti postaju nepogodni. Postoje i nekompletni faktorski nacrti,
koji su prvenstveno namenjeni sitiiaciji u kojoj postoji jedna kontrolna grupa koja
ne prima ni jedan tretman (pa ne može da se „ukrsti” sa ostalim grupama).
In terp reta cija faktorskih nacrta. - Kod faktorskili nacrta se analiziraju i
interpretiraju dva aspekta podataka: glavni efekti i efekti interakcije. Glavni efekti
su oni efekti koje nezavisne varijable pojedinačno vrše na zavisnu varijablu.
Glavni efekti se mogu izraziti kroz povezanost nezavisnih i zavisnili varijabli, ili
kroz učešće u varijansi zavisne varijable.
Prvi i osnovni razlog uvodenja novili nezavisnih varijabli u nacrt je taj što
istraživač očekuje da nove varijable imaju moderatorski efekt. Efckti interakcije
obično im aju za cilj da te stiraju nioderatorski efekt. Ako je efekt interakcije
dve nezavisne varijable statistički značajan, onda te dve varijable skupno deluju
na zavisnu varijablu, ili jedna (moderator) deluje na drugu NV i na ZV. Efekt
interakcije ne zavisi od toga da li varijable imaju ili nemaju značajan glavni efekt.
Efekti interakcije su hijerarhijski uređeni, pa za nacrt koji ima tri varijable, A, B i
C postoje efekti interakcije A > < B , A x C , B ^ C i A > < B x C .
Cozby (2003) daje jedan ilustrativan primer mogućih ishoda u jedno-
stavnom 2 x 2 nacrtu. Prikazi sadrže tri varijable: dve nezavisne varijabe sa dva
nivoa, A i B, i zavisnu varijablu koja je kontinuirana, ZV. Svaki ishod prikazan je
A:Ne
B:Ne
B2 A x B :N e A
A: Ne
B:Da
A x B :N e ^
02 -•a
I
5 5 1 9
9 1 9 1
C. Kvazi-eksperimentalno istraživanje
” Sam naziv promovisali su Campbell i Stanley 1963. godine. Ova dva autora, poseb-
no Donald T. Campbell i njegovi naslednici, detaljno su analizirali kvazi-eksperimentalna
istraživanja i doprineli njihovoj populamosti. Campbell je, takođe, poznat po invenciji
pojmova konvergentne i diskriminativne validnosti.
Raison d'etre kvazi-eksperimentalnih istraživanjaje, zapravo, nemogućnost
randomizacije ili nemogućnost pribavljanja kontrolne grupe uopšte - situacija
koja je česta u istraživačkoj praksi. Često je teško, ili čak neizvodivo slučajno
biranje objekata, ili slučajno alociranje objekata u grupe, ili je takvo biranje i
alociranje neetično. U takvim slučajeviina preporučuje se primena kvazi-eksperi-
mentalnihnacrta koji predstavljaju metodološki fundiranu, „prvu zamenu” pravog
eksperimenta. Isto tako, dešava se da kontrolna grupa ne može da postoji, ih nije
uverljiva. Na primer, ako sprovodimo terenski eksperiment u kome proučavamo
delovanje novih zakonskih propisa na bezbednost saobraćaja, ne možemo jedan
deo stanovništva izuzeti od primene zakona kako bi nam služio kao kontrola.
Ako ne možemo da sprovedemo randomizaciju, saznajni potencijal istraži-
vanja možemo povećati tako što ćemo uzeti više grupa kako bismo njihovim
poređenjem eliminisali mogućnost da su postojeće razlike između gnipa dovele
do razlikau zavisnoj varijabli. Možemo nastojati da grupe, iako nisu randomizira-
ne, ipak budu što ujednačenije. Na primer, ako grupe formiramo od postojećih
razreda u školi, one će biti ne-randomizirane, dakle neekvivalentne. Stvar se
može poboljšati tako što će svaku grupu činiti više razreda iste, ih još bolje,
različitih škola. lako ovde nije mesto za to, ukazaćemo i na mogućnost da svaka
gmpa sadrži jedan razred, ali da varijablu razreda ili škole uključimo u faktorski
nacrt (v.), pa da vidimo da li ona kao efekt deluje i da li deluje u interakciji.
Takode, ako ne možemo da imamo kontrolnu grupu, moraćemo eksperi-
mentalnu gmpu da merimo više puta kako bismo vremenski pratili promene
zavisne varijable i uverili se da su te promene rezultat delovanja nezavisne
varijable. Da bi se epistemološki (saznajni) kvalitet kvazi-eksperimenta podigao
na što viši nivo, istraživač mora uraditi sve da on što više hči na pravi eksperi-
ment ” da grupe budu što shčnije, da ih bude što više, kao i da postoji što više
merenja kako bismo mogli napraviti što više poređenja.
Ipak, osnovna razlika kvazi-eksperimenta i pravog eksperimenta, nedostatak
randomizacije, ne može se sakriti, pa se za kvazi-eksperimente smatra da imaju
nižu intemu validnost (v. kasnije).
Kvazi-eksperimenti se često koriste u terenskim uslovima, kao primenjena
i evaluaciona istraživanja. Terenski uslovi su glavni razlog zašto se u istraži-
vanjima ne može sprovesti randomizaeija. Gmpe objekata koje se koriste u kvazi-
ekspcrimentima obično su takve da se za njih može reći da se biraju same, odno-
sno da ih ne alocira istraživač. N a primer, eksperimentalnu grupu čine deca iz
jednog razreda, a drugu iz dmgog, ili eksperimentalnu gmpu čine studenti dobro-
voljci, a kontrolnu grupu ostali studenti, jednu grupu predstavlja jedna opština, a
drugu druga itd. Grupe mogu predstavljati i kohorte (v. kasnije).
1. Nacrt sa neekvivalentnom kontrolnom grupom
Kvazi-eksperimentalno istraživanje sa
neekvivalentnim grupama
N M T M E grupa
N M M K grupa
M, M2 M3 T M4 Mg Mg
2. Multivarijatni eksperiment
E. Neeksperimentalno istraživanje
Kada istraživač nema direktnu kontrolu nad nezavisnom varijablom zato što
je ona nastala ili prom enila vrednost ranije, ili zato što nije u mogućnosti da
njome manipuliše, a želi da ispita povezanost nezavisne i zavisne varijable, istra-
živač će primeniti neeksperimentalno istraživanje. Neeksperimentalna istraživanja
su, dakle, nam enjena istraživanju povezanosti između varijabli. Osnovni tip pove-
zanosti koji interesuje svaku nauku je kauzalni. Međutim, neeksperimentalna
istraživanja ne m ogu dokazati uzročno-posledičnu vezu izmedu varijabli, čak i
ako je pravilno utvrde.
Ranije su se neeksperimentalna istraživanja često nazivala ,,ex post facto
istraživanja”. Taj naziv je potekao od prvog uslova koji mora postojati u uzročnoj
vezi: post hoc, ergo propter hoc. Pošto se nezavisna varijabla desila sama od
sebe, mi o njenom uticaju na zavisnu varijablu zaključujemopostfacto. Nažalost,
uslov vremenskog redosleda ne samo da nije dovoljan (v. poglavlje o uzročnosti
u uvodnoj glavi), nego se, ako se uzima zasebno, smatra jednom od najčešćih
grešaka u mišljenju. Zbog toga se danas naziv ex post facto sve ređe koristi. Mi
moramo da kažem o da je tačno da uzrok mora biti nužan i dovoljan uslov i da
vremenski sled dve pojave ne dokazuje njihovu uzročnu povezanost, ali je tačno
i to da je vremenski sled nužna pretpostavka kauzalnosti. Ako nezavisna varijabla
nije nastala pre zavisne, ona sigumo nije njen uzrok.
Međutim, traganje za uzročnošću nije jedini cilj naučnih istraživanja. Tako
i neeksperim entalna istraživanja imaju dva altem ativna cilja: p red ik ciju i
otkrivanje stru k tu re . Ova dva cilja imaju veliki teorijski i praktični značaj i nisu
ništa manje poželjni od utvrdivanja uzročnosti. Obe se zasnivaju na korelaciji
odnosno kovarijaciji varijabli. Odnos korelacije i uzročnostije složen. Uzročnost,
kao što smo videli, podrazumeva korelaciju, ali korelacija ne podrazumeva uzroč-
nost. Drugim rečim a, korelacija je nužan uslov uzročnosti, a uzročnost je dovo-
Ijan uslov za korelaciju.
Iz svega se m ože zaključiti da neeksperinientalna istraživanja povezuju prvi
i drugi uslov uzročnosti: vremenski sled i korelaciju. Ono što neeksperimentalna
istraživanja ometa da donesu vahdne kauzalne zaključke je nepostojanje trećeg
uslova: eliminisanja altemativnih tumačenja.
Ovaj treći uslov neeksperimentalna istraživanja ne ispunjavaju iz jednog
osnovnog razloga — nedostatka kontrole. Istraživač nema kontrolu nad neza-
visnom varijablom. Ne može da bude siguran kadaje ona nastala i da li je nastala
pre zavisne varijable. Takođe, ne može da utiče na njen intenzitet ili trajanje. Još
gora je situacija sa kontrolom ometajućih varijabli, odnosno neželjene varijanse.
Objekti se ispituju u svom prirodnom okruženju, izloženi nizu različitih dejstava.
Takođe, čak i ako je nezavisna varijabla nastala pre zavisne, možda su pre nje ili
paralelno sa njom delovale druge varijable.
Ispitivali smo, recimo, uticaj telesne aktivnosti na anksioznost i dobili smo
da su Ijudi koji se manje kreću anksiozniji, i pri tome, što se manje kreću, više su
anksiozni. Iz toga smo zaključili da je nedostatak telesne aktivnosti uzrok an-
ksioznosti. Kao prvo, ne postoji dokazani redosled između telesnog kretanja i
anksioznosti. Po većini psiholoških teorija bi anksioznost bila „starija” varijabla
od rekreiranja. No, čak i ako zanemarimo te teorije, verovatno ćemo brzo otkriti
(mi ili neko drugi) da postoje još mnoge varijable koje koreliraju i sa rekreacijom
i sa anksioznošću. Na primer, možemo ustanoviti da više trče Ijudi koji imaju višu
platu i koji su oženjeni plavušom, i da su oni, istovremeno manje anksiozni. Štaje
onda, medu te četiri varijable, uzrok a šta posledica.
Neeksperimentalna istraživanja mogu da imaju eksperimentalnu i kontrolnu
grupu, a mogu čak i da imaju randomizaciju kao princip alociranja subjekata po
grupama (ali ne pre delovanja „tretmana” - nezavisnih varijabli). Međutim,
nijedno neeksperirnentalno istraživanje nema eksperimentalnu kontrolu nezavi-
snih varijabli. U takvim istraživanjima je naziv „eksperimentalna grupa” pogre-
šan, jer nema eksperimenta. Kod nas se taj naziv često koristi zbog nedostatka
dobrog altemativnog termina, ali i iz razloga žargona, neopreznosti, navike itd.
Preporučujemo da se, ako je istraživanje neeksperimentalno, naziv „eksperimen-
talna gmpa” zatvori u navodnike, jer u neeksperimentalnimistraživanjima nijedna
grapa ne može biti eksperimentalna. Takođe, može se koristiti nešto blaži termin,
programska grupa, što ćemo i mi koristiti u ovoj knjizi.
Poglcdajmo sledeći dijagram.
Neeksperimentalno istraživanje 1
T'' M
Neeksperimentalno istraživanje 2
N M
N M
Neeksperimentalno Istraživanje 3
P, M
2. Terensko istraživanje
F. Anketno istraživanje
Danas u opticaju postoji veći broj tehnika u ovoj oblasti i veći broj različitih
naziva, pri čemu se neki nazivi preklapaju ili koriste naizmcnično. Sve ove tchni-
ke se obično podvode pod opšti pojam računarski podržanog prikupljanja podata-
ka, ili cngl. Computer assisted data coUection, CADAC. Nabrojaćemo iikratko
glavne nazive tih tchnika i engleskc skraćenice koje se često sreću u literatiu-i.
• Računarski podržano telefonsko anketiranje; Computer A ssisted (ili
Aided) Telephone Interviewing, CATI.
• Računarski podržano lično anketiranje; Computcr A ssistedP crsoncd
Intervicwing, CAPI.
• Računarski podržano lično odgovaranje; Computer A s sis te d S e lf In ter-
vicwing, CASl (to se može organizovati kao CAPl, tako što intervjuer
pruži prenosni računar ispitaniku - u tom slučaju to se naziva CASI-IP,
Interviewer Present).
• Računarski podržani upitnici; Computerized Self-Administered
Questionnaire, CSAQ. CSAQ se može realizovati kao DBM {Disk By
Mail) metoda u kojoj se disketa sa programom za intervjuisanje šalje ispi-
taniku na njegovu adresu, on je stavlja u svoj računar, pokreće program i
odgovara na pitanja), ili na sledeće načine.
- EMS, ili Electronic Mail Survey je postupak kada se upitnik i
uputstva za popunjavanje šalju ispitaniku elektronskom poštom. On onda
daje odgovore popunjavajući poslate fonTiulare i vraća ih, obično takođe
elektronskom poštom istraživaču.
- Na ovaj (ili sličan) način se mogu sprovoditi i panel istraživanja kao
Computer Assistcd Panel Research (CAPAR). Ispitanici dobijaju spisak
pitanja na koja moraju odgovoriti i na njih odgovaraju u nekoliko navrata, u
fiksnim intervalima, na primer, jednom nedeljno tokom jednog mescca. U
istraživanjima sa dobrim budžetom se čak praktikovalo da se ispitanicima
instahra personalni računar sa modcmom.
• Kada se ispituju pojave u realnom vremenu, recimo gledanost telc-
vizijskih emisija, nijedna od prethodnih metoda nije pogodna. Zato u
zadnje vreme dobijaju na populamosti metode za ispitivanje gledanosti
televizije „tv-metri” {m g\. people meter).
• Internet ankete - ih glasanje preko web straniea. Danas je to veoma
čcst, jeftini i brz način anketiranja. Intemet ankete imaju „ugraden” pro-
blem uzorka, jer učestvuju samo oni ispitanici koji pristupe web stranici i
koji pristanu da odgovore. Ako se pitanja odnose na samu wcb prezen-
taciju i tematiku na koju se ona odnosi, onda se uzorak eventualno može
prihvatiti kao rcprczentativan. Kod nas je zasada to visoko selekcioniran
uzorak, jer u trenutku pisanja ovog teksta Internet koristi nešto preko 23%
stanovništva, od kojih je 43% mlađih od 29 godina, 35% ima najmanje
višu školu, a skoro 80% ih ima najmanje srednju školu.^“
Postoje kombinacije ovih načina intervjuisanja sa razhčitim tehničkim
mogućnostima koje pružaju računari. Na primer, pitanja može izgovarati (preko
telefona, ili direktno) sam računar. Takode, ispitanici mogu odgovarati glasom,
jednostavnim odgovorima kao što su ,,da” i ,,ne”, a da računar koristi automatsko
prepoznavanje govora i na taj način beleži odgovore. Nije poznato da u ovom
trenutku postoji opcrativno komercijalno rešenje za ovakav tip anketiranja na na-
šem jeziku. Postoje i razHčiti uređaji koji mogu da registruju odgovore ispitanika
pomoću pritiska prsta i da te odgovore šalju modemom centrahiom računaru.
U CADAC metodama, intei-vjuer obično čita pitanja sa monitora računara i
odmah upisuje odgovore ispitanika (svejedno da li preko telefona - CATI, iH
lično - CAPI). Odgovori se, dakle, odmah beleže. Zatim, česta je praksa u upitni-
1. Predikcija i uzročnost
2. Strukturalno istraživanje
H. Transferzalno i iongitudinalno
istraživanje
1. Istraživanje kohorti
2. Retrospektivno istraživanje
2. Pilot istraživanje
3. Akciono istraživanje
4. Evaluativno istraživanje
5. Metodološkz ,:,trjaživanja
U psihologiji, ah ne samo u njoj, vrlo velike studije, ih čak više njih, mogu
biti posvećene konstrukciji i evaluaciji memih instrumenata kao što su psihološki
testovi, upitnici, skale za merenje stavova i druge skale. Postoji nedoumica da li
da se takve studije nazivaju istraživanjima ili ne. U psihometrijskom smislu, svaki
merni instrument se mora primeniti na standardizacionom ili normativnom uzorku
da bi se odredila njegova mema svojstva i norme. U psihometriji se to tretira kao
korak u konstrukciji mcrnog instrumenta i ne naziva se istraživanjem. Uslovno
bismo ovaj korak mogli nazvati psihometrijslcom studijom.
Sa metodološkog stanovišta, za psihonietrijsku studiju se može reći da ima
specifičan cilj: određivanje mernih svojstava i normi za meme instrumente.
Dakle, studija nije posvećena izučavanju nekog svojstva objekata i bilo koje
đruge pojave - njen predmet je merni instrument a ne ono što on meri. U metodo-
loškom smislu, ovakva studija bi se, eventualno, mogla nazvati istraživanjem, ali
uz čvrstu i jasnu deklaraciju njenog cilja.
Situacija je nešto lakša ako se u studiji određuje validnost memog instru-
menta (kao jedno od osnovnil: memih svojstava). Takve validacione studije često
obuhvataju više meraih instrumenata, više razhčitih gmpa objekata ili više razhči-
tih uslova primene instrumenta. Zbog logike konstruktivne validacije (v. odgova-
rajuće poglavlje i Fajgelj, 2005) i primene telinika kao što su nomološka mreža i
multiosobinska-multimetodska matrica, vrlo je čest slučaj da se tokom valida-
cione studije detaljno razmatra konstrukt koji instmment meri, kako u teorijskom,
tako i u praktičnom kontekstu. Takvu studiju je, jasno, mnogo lakše svrstati u
istraživanje, iako je njen cilj i dalje određivanje memih svojstava instrunienta.
Konačno, u mnogim istraživanjima se konstmišu novi ili evaluiraju posto-
jeći memi instmmenti, a da nemaju kao primaran cilj odredivanje memih
svojstava instmmenata. Ta istraživanja se ne mogu razvrstati kao psihometrijske
studije, nego se razvrstavaju prema njihovom osnovnom problemu i cilju.
liv o t u celini
1. Svako ima životnu priču. Pričajte mi o svom životu, dvadesetak
minuta, ako možete. Počnite odakle vi želite i odaberite ono što vi
mislite da je važno.
2. Koje su najvažnije prekretnice u vašem životu?
3. Pričajte mi o najsrećnijim trenucima u vašem životu.
4. Ali 0 onim najtužnijim.
5. Ko su bili najvažniji Ijudi u vašem životu?
6. Ko su bili oni najbliži?
7. Kako vam sada izgleda vaš život, kada pogledate unazad?
8. Kada biste mogli ponovo da ga proživite, šta biste promenili?
9. Kako objašnjavate ono što vam se dešavalo u životu?
10. Kada biste imali priliku da napišete svoju životnu priču, koja bi po-
glavlja ona imala? Poglavlje 1? Poglavlje 2?... Koje bi bilo zadnje
poglavlje?
Ja lično
1. Kako biste opisali sebe kada ste bili mlađi?
2. Kako biste opisali sebe sada?
3. Jeste II se mnogo promenili tokom godina? U čemu?
4. Kakva je vaša životna filozofija? Uopšte, kakavje, po vama, smisao
života?
K. Utemeljena teorija
Treba znati da su oba autora bila pod značajnim uticajem pragmatizma, što se
odrazilo na čitav koncept utemeljene teorije.
• analiza podataka se bazira na kodiranju kvalitativnih podataka, koje je
dobro razrađeno i obavlja se u više faza i na više nivoa,
• literatura se konsultuje nakon početnih faza kodiranja, a nikako pre
kodiranja i
• gradi se teorija koja objašnjava nalaze.
Kasnije će svako od ovih svojstava biti detaljnije obrađeno i biće pokazano
zašto su ona značajna i zašto čine da utemeljena teorija zaslužuje status zasebne
vrste istraživanja koja predstavlja oličenje kvalitativne paradigme.
Debata Glasera i S trau ssa.- Nakon što su 1967. objavili knjigu J h e Discovery of
Grounded Theory", Glaser i Strauss su nastavili rad na utemeljenoj teoriji i u tridesetak
godina objavili nekoliko knjiga i mnogo članaka, Međutim, uskoro su počele da se pojavljuju
razlike između njih dvojice i njihovih saradnika, da bi devedesetih godina, po mišljenju
mnogih, nastale dve različite „utemeljene teorije" - Glaserova i Strauss-Corbinova.
Pojednostavljeno rečeno, Glaser naginje interpretaciji utemeljene teorije u celosti sa
stanovišta kvalitativne paradigme, u kojoj saznajni proces u potpunosti vode sami učesnici
(Glaser ima u vidu informatore, recimo stare Ijude koji pričaju o tome kako se nekada živelo
u njihovom selu). Nema i ne treba da bude nikakvog uticaja istraživača, usmeravajućih
pitanja, istraživačkih očekivanja, hipoteza i sl. Svet i stvarnost koji se pojavljuju u istraži-
vanju moraju biti isključivo oni koje konstruiše sam informator. Dakle, uloga istraživača je u
tome da prikuplja podatke, da ih kodira i da nastoji da vidi šta je suština, odnosno šta je ona
središnja kategorija koja objašnjava snimljene društvene pojave i dogadaje i na osnovu koje
se onda može formulisati teorija tih pojava. Glaserova utemeljena teorija je labav skup
tehnika i metoda, maksimalno induktivno orijentisana i pre svega usmerena ka sh/aranju
teorije, a ne njenoj verifikaciji. Glaser smatra da striktno poštovanje procedura za gradnju
utemeljene teorije - konstantnog upoređivanja, teorijskog uzorkovanja i kodiranja garantuje
da će teorija biti validna sa m a po se b i i ne predvida njenu dalju proveru.
Nasuprot njemu, Strauss i Corbin insistiraju na čvrstom pridržavanju postupaka za
gradnju utemeljene teorije. Oni su utemeljenu teoriju čvrsto metodoioški strukturirali I
zahtevaju od istražlvača da je poštuje. Pored toga, Strauss insistira na tome da utem eljena
teorija treba da p ro đ e p ro ces verifikacije, kao i svaka druga teorija. Po Straussu, utemeljena
teorija mora da se pridržava ,kanona dobre nauke”, kao što su ponovljivost, opštost,
preciznost, značaj i provera. Implicitno, Strauss smatra da su naučne metode univerzalne,
nazavisne od problema i zato smatra da ih se treba pridržavati. Glaser osporava Straussa u
tom pogledu jer misli da propisivanje metodologije umanjuje induktivnost i nepristrasnost
prikupijanja i analize podataka. On, naime, implicitno smatra da metode nisu univerzalne I
da određeni problemi zahtevaju određene metode za njihovo rešavanje i zato se preskrip-
cijom metodologije sužava mogućnost saznavanja fenomena.
Očigledno je da debata izmedu Glasera i Straussa ima opšti epistemološki značaj I
obuhvata stara pitanja saznajne teorije i epistemologije. ipak, danas se čini da većina autora
poštuje intenciju utemeljene teorije da generiše dobru teoriju, ali zahteva da ta teorija bude
proverer.a - razlike su samo u tome na koji način se smatra da treba biti proverena. Teorija
koja nastaje iz nepristrasno prikupljenih podataka, sa „bogatstvom detalja", autentičnim
iskazima učesnika i celovitim tumačenjem (što su perjanice kvalitativne paradigme) može
postići visok stepen uverljivosti. Medutim, ništa ne može zameniti empirijsku proveru teorije
jer nam jedino ona omogućuje da odlučimo koja je teorija bliža islini - ako ih ima više (a
hiljade društvenih istraživaća se brine za to da ih uvek ima više).
Važno je znati i to da se utemeljena teorija ne bavi testiranjem hipoteza, tj.
nije konfirmativna, ali to ne znači da je ona eksplorativna. Ona rezultira teorijom
koja objašnjava i predviđa ponašanje. Isto tako, ona nije deskriptivno istraživanje
jer nastoji da interpretira pojave. Po tome je ona različita od etnografske i
fenomenološke metode, jer ne opisuje nego tumači. Nažalost, pokazalo se da su
razlike između opisivanja i tumačenja suptilne, pa tako i između fenomenoloških
istraživanja i utemeljene teorije (posebno u psihologiji). Preporuka je studentu da
ove distinkcije zasada uzme „zdravo za gotovo”, ali da zapamti da postoje fmese
kako bi ih mogao proučiti kad mu zatrebaju.
Kearney et al. su 1995 (navedeno prema Russell i Ryan, 1998) intervjuisali 60 žena
koje su rekle da su tokom trudnoće uživale kokain u proseku jednom nedeljno. Polustruk-
turirani intervjui su trajali između jednog i tri sata i obuhvatali su detinjstvo, odnose, životni
kontekst, prethodne trudnoće I akcije tokom tekuće trudnoće koje su se odnosile na upo-
trebu droge, prenatalnu brigu i brigu o sebi,
Zapisnici su kodirani i analizirani odmah ćim bi postali dostupni. Čim bi se pojavila
neka nova tema, istraživači su postavljali pitanja o toj temi u sledećim intervjuima. Time su
prikupljanje i analiza podataka bili isprepleteni. Kearney i sar. su prvo kodirali podatke
prema opštim temama na osnovu kojih su sprovodili intervjue (otvoreno kodiranje), Nakon
toga su članovi tima ponovo čitali zapisnike, tragajući za novim primerima sociopsiholoških
tema u kazivanjima žena, Svaki put kad bi naišli takav primer oni bi postavljali pitanja ,,o
ćemu govori ovaj primer?”. Odgovori bi sugerisali neke suštinske kategorije koje bi zatim
bile doterivane na osnovu drugih zapisnika.
Autori su zatim pratili kako su te osnovne kategorije bile međusobno povezane (ak-
sijalno kodiranje), Oni su zapisivali svoje ideje o tim interakcijama u formi memoa i razvijali
su preliminarnl model, U svakom sledećem zapisniku tražili su negativne slučajeve i delove
teksta koji su dovodili u sumnju njihov model, Na osnovu toga su korigovali model kako bi
uključili sve varijante koje su se pojavljivale u zapisnicima,
Za početak, Kearney i sar, su identifikovali 5 glavnih kategorija koje su nazvali:
VREDNOST, NADA, RIZIK, REDUKCIJA ŠTETE i KONTROLA STIGME (velika slova se
ćesto koriste za kodna imena u istraživanjima sa utemeljenom teorijom). Zene su vred-
novale svoju trudnoću i buduću prinovu shodno svojim vlastitim životnim prioritetima
(VREDNOST); žene su iskazivale različite stepene nade da će tnjdnoća završiti dobro i da
će one biti dobre majke (NADA) i one su bile svesne da upotreba kokaina predstavlja rizik
za fetus, ali su taj rizik percipirale na različit način (RIZIK).
Žene su na različit način nastojale da smanje rizik za fetus (REDUKCIJA ŠTETE) i
koristili su različite strategije da smanje društveno odbacivanje i omalovažavanje (KON-
TROLA STIGME). Nakon što su kodirali 20 intervjua, Keamey i sar. su shvatili da su kate-
gorije REDUKCIJA ŠTETE i KONTROLA STIGME komponente jedne kaipnije kategorije
koju su nazvali IZBEGAVANJE ŠTETE. Nakon što je približno 30 intervjua bilo kodirano, oni
su identifikovali i označili jedan opšti psihološki proces koji su nazvall SPASAVANJE SELFA
koji je uključivao svih 6 glavnih kategorija (selektivno kodiranje). Teorljska saturacija je
dostignuta nakon približno 40 Intervjua, a Kearney i sar. su sprovell još 20 intervjua a da
nisu otkrill nijednu novu kategoriju ili odnos.
Kearney i sar. su predstavili svoj model grafičkl, povezujučl ga sa llustrativnim
primercima teksta. Opisali su sa bogatstvom detalja svaku glavnu kategoriju koju su otkrill.
Konačno, proverili su valjanost svog modela predstavljajući ga obaveštenim informatorima
(trudnlcama narkomankama), članovima tlma projekta i stručnjacima iz oblasti zdravstva I
socljalnog staranja koji su poznavali dotičnu populaclju.
L. Meta-analiza
S = {M E -p i^ /o , [ 1]
Oe k = {[(«£- 1 ^ ^ + K - [4]
Ako se u imenitelju koristi N — (n^ + njJ, onda se dobijeni d naziva
Cohenov d, a ako se koristi N = (n^ + n^ - 2), dobijena vrednost se naziva
Hedgesov g. Cohenov d^e vrlo populam a mera i često se izjednačava sa pojmom
meta-analize, iako je Hedgesov g verovatno tačniji. Naime, ako se u imenitelju
koristi N -2, a^j^ postaje ocena populacione standardne devijacije. Ako je u
istraživanjima korišćen jednofaktorski nacrt analize varijanse, ili kada se razlika
dve gmpe računala r-testom, takva je identična kvadratnom korenu iz srednjeg
kvadrata greške (engl. error mean square, residual mean square, unexplained
mean square-MSE). Ako je u istraživanjima korišćen višefaktorski nacrt analize
varijanse, koji se koristi u g^je koren iz srednjeg kvadrata unutar gnipa (MS„).
U daljem tekstu ćemo za oba indcksa koristiti oznaku d (osim kada razlika
nije izričito navedena). Na nesreću, ove tri varijante računanja d prave priličnu
zbrkii, što neke autore navodi da sugerišu da se za veličnu efekta koristi r. Razlika
između rfigje sve manja kako su veličine grupa veće. Postoji jednostavna foimu-
la za konverziju c/u
g = d ! [{nE+n^)l{ne+n,c-2)f = d / {N I b s s f . [5]
Veličina efekta iskazana preko d je jednaka nuli kada ne postoji razlika
između aritmetičkih sredina grupa i distribuirana je normalno (distribucija uzora-
ka) sa varijansom koja se može oceniti kao:
= (« £ + + '5?-’/ 2 ( n £ + n^), [6 ]
X
a b
c d
Poznati „odds ratio” (približan prevod je šansa za uspeh, a to je veličina
koja se nalazi u osnovi velikog broja koeficijenata koji pretenduju da prikažu
asocijaciju nominalnih varijabli) računa se kao:
o = (a X d) / ( b X c) = (a / b) / ( c / d), [8]
pri čemu su a, b, c i frekvencije u kućicama. Vrednost o će biti jednaka jedan
ako ne postoji nikakva veza izmedu pojava, a u suprotnom o može poprimiti bilo
koju pozitivnu vrednost. Vehčina efekta se onda izračunava prosto kao:
L = In(o), [9]
odnosno kao prirodni logaritam iz „odds ratia”. Ovaj logaritam (engl. log odds
ratio) se distribuira pribhžno normalno, sa varijansom
0 ^1^= \/a + \/b + 1/c + l/d, [10]
a pri tome treba napomenuti da se iz praktičnih razloga, da ne bi došlo do deljenja
sa nulom, svim frekvencijama dodaje 0,5 (/ je operator deljenja, razlomačka crta).
Međutim, x^-kvadrat statistik se lako konvertuje u r, čime se olakšava meta-
anahza tabeia kontingencije bilo koje veličine. Isto tako, na tabeh 2x2 se može
izračunati (p-koeficijent, koji je identičan r.
1. A-
2. z„ = S z , / r ' [11]
3- z „ - P „
E =~ ------ , [12]
2 ,(« ,-3 )
S G ,= [ l / E ( « , - 3 ) ] \ [16]
a na osnovu SG se mogu formirati intervali poverenja. Da bi se učinilo da Zbude
ekvivalentan z-skoru i da se njegovap-vrednost može oceniti iz normalne distri-
bucije, može se primeniti sledeća transformacija:
7 = Z /S G ^. [17]
Sledeće važno pitanje koje se tretira u savremenim radovima o meta-analizi
je pitanje izbora vrste meta-analize (Field, 2001). Pri tome se misli na izbor izme-
du niodcla fiksnih i modela slučajnih efekata (engl. fixed vs. random). Savim
pojcdnostavljcno, model fiksnih efekata podrazumeva da je efekt u populaciji
konstanta i daje nepoznat. Nalazi različitih istraživanjapredstavljaju samo slučaj-
ne varijacije oko tog jedinstvenog efekta - veličine efekta su homogene. Model
siučajnih efckata pretpostavlja da svako istraživanje potiče iz populacije koja
može imati različit efekt od drugih populacija. Populacije kojima pripadaju razh-
čita istraživanja su uzorak iz univerzuma mogućih efekata - veličine efekta su
heterogene. Kada se koristi r kao veličina efekta, homogenost veličina efekta svih
uključenih istraživanja može se oceniti g-statistikom koji ima hi-kvadrat ras-
podclu sa (k-1) stepeni slobode:
e = Z ( n ,- 3 ) ( Z ,- Z ) l [18]
Sve prethodne formule za računanje prosečnih veličina efekta se baziraju na
fiksnom modelu. Razlog za to je što se do danas koristio skoro isključivo taj
model, dok je primena modela slučajnih efekata tek počela. Kod modela slučajnih
efekata sc za konrbinaciju r-ova obično koristi Hunter-Schmidtova metoda.
4. Konverzije veličine efekta
/ /- = [ r / ( / + »)]"■
z r^z/n'-
položio pao
muški 60 40 100
ženski 40 60 100
100 100 200
Na primer, uticaj pola na visinu plate je nizak ako je dobijeni 0,2 < d < 0,5, srednji
akojc 0,5 ž cl< 0,8, a visok ako je d ž 0,8.
5. Koraci kvantitativne meta-analize
Ova tema, unatoč vclikim polemikama nije baš sistematski istraživana. Međutim,
polne razlike su uvek prisutnc u istraživanjima, jcr jc pol jedna od standardnih nczavisnih
varijabh, ali se, nažalost, često dcšava da ih istraživači ne prikazuju ckspUcitno. Postoji
stabilna cvidencija da u obiasti vrlo visokih IQ mcra muškarci značajno preovlađuju.
inteligenciji, ili uzorak tih radova, i koji zadovoljavaju kriterijume koje smo
upravo opisali. Pre svega, koristićemo radove koji sadrže veličinu efekta pola na
inteligenciju, ili barem osnovne podatke iz veličina efekta računa: npr.
^M’ "m "ž. ''mž itd. Za sva istraživanja ćemo povaditi podatke o veličinu efekta
r (ili d) i kombinovati ih u prosečan r ili d. Na osnovu prosečne veličine efekta
imaćemo uvid u dosadašnje znanje o povezanosti pola i inteligencije. Uvid u
pokazateljc vcHčine efekta pojedinačnih istraživanja kazaće nam koliko su se
istraživanja razhkovala - na taj način možemo porediti sva istraživ an ja s obzi-
rom na osnovni nalaz o polnim razhkama. To nam omogućavaju indeksi r ih d
koji su opšta mera vehčine efekta nezavisne varijable na zavisnu.
Recimo da smo prikupih par desetaka istraživanja i da sino za svako izraču-
nah vehčinu efekta u obhku korelacije pola i intehgencije (r). Zamishmo, zatim,
da smo iz istraživanja prikupih još i podatak o tome da h je uzorak bio dečji ih
odrash i da to, kao binarnu varijablu, kodiramo kao 1 i 2. Pored toga, iz istraži-
vanja možemo uzeti još i podatak o kojoj se vrsti intehgencije radilo; recimo
l=opšta (g-faktor), 2=verbalna, 3=numerička.
Računajući prosečnu veličinu efekta u svakoj gnipi po polu i vrsti inteligen-
cije izvršili bismo meta-anahzu istražujući da li postoje polne razlike, da li posto-
je i kod dece i kod odraslih i da li one zavise od vrste intehgencije. Na taj način
bismo: a) iskoristih saznajnu i statističku moć više istraživanja i b) sproveli
sasvim novu analizu po novim nezavisnim varijablama, koja, kao takva, možda
uopšte nije vršena u originalnim istraživanjima.
Naravno, svakom istraživaču se mora snažno sugerisati da uvek u istraži-
vačkom izveštaju budu uključeni oni statistički podaci iz kojih se može izračunati
veličina efekta. N a primer, ako je primenjena ANOVA ih regresija, treba da bude
priložena tzv. ANOVA tabela sa sumama kvadrata, srednjim kvadratima, bss i F,
a za regresiju još \ R, i korigovani R. U eksplorativnim studijama moraju biti
navedeni osnovni statistici i veličina uzorka ili poduzoraka. U svakom slučaju,
nije dovoljno navoditi samo F ili t (bez bss), a sasvim je pogrešno navoditi samo
/)-vrednost-značajnost. Svakako, najbolje j e ako sam istraživač izračuna veličine
efekta i navede način kako ih j e izračunao. Tako će omogućiti da njegovi nalazi
budu lakše uporedivi i da neko kasnije koristi te nalaze za meta-analizu.
Psiholog Hans Eysenck to ilustruje tako što bi među 10.000 slučajno odabranih Ijudi, IQ
veći od 160 imalo 5 žena i 55 muškaraca. U „prosečnoj” populaciji primetne razlike su u
vrstama inteligencije - npr. žene su bolje u verbalnoj, a muškarci bolji u spacijalnoj
(snalaženje u prostom). Postoji jedna stara pretpostavka, jo š od Eđwarda Thomdikea, da
znatno veći broj visokih IQ-ova kod muškaraca potiče od veće muške varijabilnosti. Neki
podaei govore tome u prilog, a neki ne.
6. Efekat fioke
7. Kvaiitativna meta-anaiiza
Pod ovaj naslov ćemo svrstati sve mogućnosti za meta-analizu koje nisu eg-
zaktno formulisane kao analiza veličine efekata kako je objašnjeno u prethodnim
odeljcima. Tu spada vrlo širok raspon mogućnosti; od kvalitativne analize
literature koja je relevantna za istraživanje, preko analize arhivske grade, do
meta-statističke analize istraživanja javnog mnjenja. K valitativnam eta-analizaje
klasičan postupak, nije zasnovana na nekoj celovitoj epistemološkoj teoriji, niti
ima takve ambicije. Zapravo, vrio često se svrstava p o d kvaiitativne metode za
prikupijanje podataka.
Kada se radi o meta-analizi literature, ona se koristi da bi istraživač mogao
bolje i lakše da locira vlastito istraživanje. Prethodna istraživanja se mogu klasifi-
kovati i urediti prema različitim kategorijama; vrstama hipoteza, da li su prihvaće-
ne ili odbačene, vrstama varijabli (zavisnih, nezavisnih, kontrolnih), vrstama uzo-
raka i populacija, vrstama metodologije itd. Proces defmisanja ovih kategorija i
razvrstavanje istraživanja se može tretirati kao vrsta analize sadržaja.
Kao rezultat meta-analize literature može se formirati jedna ili više tabela u
kojima je na pregledan i sistematski način prikazano šta je radeno u predmetnoj
oblasti i sa kakvim rezultatima. Sasvim je razumljivo da se za te svrhe može kori-
stiti i kvantitativna meta-analiza, kako smo je ovde defmisali, da bi se postavile
precizne noiTne ili referentne tačke potrebne za evaluaciju vlastitog istraživanja.
Osim kvalitativnih kategorija, mogu se prikupiti i svi ostali reievantni
kvantitativni podaci iz primamih istraživanja; veličina uzorka, broj varijabli, broj
izvedenih varijabli (izračunatih ili transformisanih), broj kontingencionih tabela,
broj objavljenih radova i drugi scijentometrijski pokazatelji. U kombinaciji sa
nominalno ili ordinalno kodiranim kvalitativnim varijablama (npr. korišćene
metode, korektnost metoda, da li su hipoteze potvrdene itd.), može se dobiti vrlo
dobra matrica podataka koja se može analizirati svim raspoloživim tehnikama; od
deskriptivne statistike, do multivarijatne analize kao što su klaster i faktorska
analiza (za klasifikaciju istraživanja i za klasifikaciju varijabh).
Kvalitativna meta-analiza može biti veoma korisna kao nad-analiza više
studija slučaja, koje se pojedinačno ne mogu generalizovati, ali će moći nakon
meta-analize.
IV. M E T O D E I T E H N IK E M ER E N JA
2. Pitanje klaslfikacije
5. Sličnosti i preplitanja
B. Neposredno posmatranje
1. Posmatranje i merenje
2. Ko se i šta se posmatra
Dakle, kad čovek nešto gleda, pošto je u njegov centralni nervni sistem i u
njegove kognitivne proccse ugrađeno zaključivanje, on „viđi” ono šta on misli da
vidi. Čovek ne može da ne zaključuje. Iz toga sledi da će on zaključivati i onda
kada nema dovoljno podataka i kada postoji velika verovatnoća greške.
Sledeći problem je što kognicija kod Ijudi iiije nezavisna od konacije
(motivacije). Biološka adaptacija je učinila da one rade zajedno, uvek zajedno i
nikad jedna bez druge. Svaki čitalac će lako zaključiti kakve posledice ove dve
činjenice (zaključivanje i motivacija) mogu imati na ishod posmatranja.
Medutim, da li se uloga subjektivnog i celovitog istraživača kao biološkog
bića manifestuje samo u posmatranju? Naravno ne. Ista pravila kognicije i kona-
cije deluju u svim postupcima koje čovek kao istraživač može da preduzima
tokom naučnog istraživanja. Od izbora literature, preko konstrukcije mernih
instrumenata do donošenja zaključaka, svuda figuriše taj isti posmatrač.
Kod posmatranja treba stalno postavljati pitanje o valjanosti, pouzdanosti i
objektivnosti da bi se mogućnost grešaka što više umanjila. Ali neposredno
posmatranje nije tehnika koja je pogrešna u principu, niti je više pogrešna od
dmgih tehnika prikupljanja podataka u kojima je pojedinac onaj koji sudi.
Posmatrač mora biti nepristrasan, mora biti svestan opasnosti postojanja svog
mentalnog seta i nastojati ga eliminisati što više. Na primer, razlike i odstupanja
od očekivanja treba isto tako pažljivo zapisivati kao i poklapanja.
Ali, za posmatrača se obično kaže da mora biti aktivan, u smislu da je on taj
koji analizira posmatrane situacije, aranžira uslove, zapisuje, pamti i razmišlja.
U ostvarivanju tih ciljeva, posmatraču će nmogo pomoći iskustvo, priprema
i obuka. Isto tako, u posmatranju treba koristiti sva pomagala koja mogu biti od
koristi i koja su na raspolaganju; sredstva za snimanje (kamere, magnetofoni),
štoperice, teleskopi i dvogledi, poluprovidna ogledala i sl.
a. Izbor posm atrača
5. Beleženje posmatranog
Postoji bezbroj formata ovakvih stavki koje mogu da čine skalu procene -
npr. kategorijalne, numeričke (kao ova u primeru), ih grafičke.
Kao altemativa kontrolnim Ustama nekada se koriste i skale sa prisilnim
izborom. Skale sa prisilnim izborom se sastoje iz parova tvrdnji, ih tria, kvarteta,
kvinteta itd. Parovi su najčešće konstruisani tako da svaki član predstavlja
zasebnu dimenziju ponašanja. Npr;
1. pažljiv 2. savestan
hladan krut
Posmatrač mora da izabere onaj opis (od dva) koji najbolje opisuje posma-
trano ponašanje (npr. nastavnika). Kod stavki sa prisilnim izborom se smanjuje
verovatnoća socijahio poželjnih, konvencionalnih i pristrasnih procena. Postoje i
znatno složeniji fonnati stavki sa prisilnim izborom, recimo sa 4 tvrdnje, koje su
odabrane tako da kombinuju poželjnost i dimenzije onoga što merimo (npr.
m aštovit-liut, uredan-nemaran). Dobri rezultati se postižu ako posmatrač mora
da zaokruži jednu tvrdnju koja najbolje i drugu koja najlošije opisuje posmatrano
ponašanje.
Protokol posmatranja predstavlja listu defmicija ponašanja i način njihovog
beleženja. Primer jedne kratkc defmicije agresivnogponašanja je; „Blago ponaša-
nje obuhvata svako negodovanje i odbijanje zadatka. Teško ponašanje obuhvata
svaki pokušaj agresije kao što su povređivanje, samopovredivanje ili uništavanje
stvari”. Ako se ispituje agresivno ponašanje prema terapeutu, defmicije agre-
sivnog ponašanja mogu biti višestruke, npr.: „Grizenje - stvamo ili pokušano
sklapanje gornje i donje viiice oko bilo kog dela tela terapeuta.”, „Guranje -
snažno pokretanje terapeuta uz pomoć ruku ili ramena.” ili „Pljuvanje - stvamo
ili pokušano izbacivanje pljuvačke u pravcu terapeuta.”
Sto se tiče načina beleženja ponašanja, posmatračima treba dati detaljna
uputstva kako da koriste zapisnik posmatranja i pomoćne uređaje (to se mora i
praktično izvežbati tokom obuke). Treba im odrediti i mesta odakle posmatraju,
uputiti ih kako da se odnose prema posmatranima, kako da se odluče ukoliko se
istovremeno desi više jedinica ponašanja i sl. Vrlo je korisno ako istraživač sam,
nakon što pripremi protokol i zapisnik, isproba procedum.
Uzorkovanje osoba, uzorkovanje dogadaja i uzorkovanje vrem ena.-
Probem nastaje kada su jedinice ponašanja kratke, kada se javljaju sa velikom
učestanošću i kada se posmatranje vrši na čitavoj gmpi odjednom. Posmatrač
neće stići da izrši složene operacije zapisivanja kao što su popunjavanje skala
procene. U tom slučaju se pribegava uzorkovanju. Mogu se izdvojiti samo neke
osobe u grupi koje će se pratiti sve vreme -- uzorkovanje osoba. Pod uzorkova-
njem događaja se podrazumeva da se posmatraju i beleže samo odredeni događaji,
kao što su npr. svađe, ustajanje sa stolice, zajedničko smejanje itd. Uzorkovanje
vremena se sastoji u podeli vremena na segmente i vođenju zapisnika samo u
određenim segmentima, recimo svakih 15 sekundi u petominutnim periodima,
tokom dva sata. Uzorci mogu biti ređi ili češći, mogu biti fiksni ili slučajni i mogu
trajati kratko (samo jedan trenutak) ili nešto duže. Ovaj se nacrt posmatranja
mnogo lakše sprovodi uz pomoć računara.
Dva osnovna podatka koja se najčešće prikupljaju tokom posmatranja
ponašanja su frekvencija pojavljivanja i tvajanje (i Ijubav se može izmeriti tako
što će se zabeležiti broj i trajanje pogleda). Najbolji način da se evidentiraju oba
aspekta je vremensko uzorkovanje, u kome se cela seansa posmatranja (recimo 30
do 45 minuta) izdeli na kratke intervale od 5-20 sekundi. Nakon toga, uz pomoć
štoperice (ili nekog dmgog tajmera), upisuje se „štrihla” u svakom intervalu u
kome postoji odredeno ponašanje. Tako se može odrediti kada se ponašanje
javljalo i koliko je trajalo. Nažalost, tim metodom se ne mogu snimiti sve
potrebne varijante, recimo koliko često i koliko dugo dete diže pogled sa sveske
i gleda okolo. Zato postoje modifikacije telmike kratkih intervala koje su opisane
kod Bailey i Burch (2002).
Obavljeno je niz istraživanja koja su imala za cilj da evaluiraju različite
načine uzorkovanja i beleženja posmatranja. Po svemu sudeći, ako je ponašanje
visokofrekventno i kratkotrajno, uzokovanje vremena daje dobre rezultate.
Takode, ako želimo da posmatramo celu gmpu (recimo decu koja traže ili zahte-
vaju neku stvar od drage dece), možemo u svakom vreinenskom intervalu beležiti
jednu osobu, pa sledeću, sve dok opet na red ne dođe prva. Kod retkih i
dugotrajnih ponašanja (npr. koliko dugo dete sedi a koliko stoji), ili kod složenih
ponašanja, izgleda da je bolje kontinualno posmatranje ili barem posmatranje sa
dužim uzorcima vremena.
C. Učesničko posmatranje
D. Psihološko testiranje
1. Definicije testa
2. Vrste testova
3. Delovi testa
Kroz tumačenje tipova testova spomenut je osnovni deo testa: stavka, ajtem
ili čestica. U testovima ličnosti to je jedno pitanje, a u testovima sposobnosti to je
jedan zadatak. Stavke u psihološkim testovima imaju vrlo različite fonnate. Sve
stavke se sastoje iz stabla stavice i lcategorija ili alternativa, odnosno mesta za
odgovore (Fajgelj, 2005).
F orm ati stavld. - Može se razlikovati a) format ocenjivanja stavke i b)
fonnat zadavanja stavke. Po fonnatu ocenjivanja, stavke se dele na tri osnovna
formata: binami-dihotorrmi, nominalni i ordinalni. Dihotomno se stavke ocenjuju
obično kao tačno-netačno, nominalno tako da svaki odgovor dobije svoju
oznaku/numeral, a ordinalno tako da se odgovori rangiraju po nekom svojstvu.
Što se tiče formata zadavanja, ili prezentiranja, stavke se mogu deUti na više
načina. Recimo, na verbalne, neverbalne, računske, grafičke, otvorene, zatvorene,
ikoničke, manipulativne itd. Kada je reč o verbalnim, štampanim testovima,
stavke se po načinu prezentiranja dele na: a) dihotoiTine, b) politomne i c) stavke
sa otvorenim ili konstruisanim odgovorima, Politomne stavke se, opet, mogu
podeliti na: a) pitanja sa višestrukim izborom (PVI) i b) pitanja sa uređenim ili
ordinalnim kategorijama,
Na binarne ili dihotomne stavke se može odgovarati samo na dva načina:
tačno-netačno, da-ne, ili nekim sličnim izborom izmedu dve mogućnosti. Pitanja
sa višestrukim izborom - PVI, su nadaleko poznata iz testova postignuća (znanja)
i sastoje se iz stabla koje je obično formulisano kao upitna rečenica i tri ili više
kategorija od kojih je jedna najtačnija, a ostale se nazivaju distraktorima.
Vrlo čest i poznat fo m at stavki iz verbalnih testova ličnosti je sa tzv.
uređenim (ordinalnim) kategorijama. U glavi o merenju stavova prikazane su
Likertove skale koje sadrže stavke sa ordinalnim kategorijama. Danas se za sve
stavke koje imaju evivalentan format kaže da su Likertove, bez obzira da li služe
merenju stavova ili ne. Verovatno najčešća verzija stavki u Likertovom formatu
ima 5 kategorija-ahemativa, označenih numerički sa I do 5, a tekstualno sa:
„uopšte se ne slažem”, ,,ugIavnom se ne slažem”, „neodlučan sam”, „uglavnom se
slažem” i „potpuno se slažem”. Jednu od ovih kategorija bira ispitanik kao svoj
odgovor na stablo stavke koje je formulisanu u vidu tvrdnje: npr. „Više volim da
pročitam dobru knjigu nego da uveče izađem sa društvom” ili „Ono što je ovoj
zemlji najviše potrebno to je par odlučnih vođa”. Broj kategorija nije uvek pet,
nego se kreće od tri do najviše deset (jer ogromna većina ispitanika ne može da
razhkuje više od nekoliko stepeni svojih osećanja). Ako postoji neparan broj
altemativa, onda srednja (neutralna) označava srednje prisustvo osobine koja se
meri. Nažalost, ispitanici biraju tu kategoriju i kada ne žele ili ne znaju da
odgovore, pa se ponekad pokušava da se eliminiše srednja kategorija tako što se
odabira paran broj kategorija, kako bi se ispitanici prisilili da „zauzmu stav”, ili
tako što se uvodi posebna kategorija „ne znam” i/ili ,,ne želim da odgovorim”.
U testovima sposobnosti broj fomiata stavki je ogroman; kao što je jedan
psiholog konstatovao, samo inteligencija konstmktora testa ograničava format
stavke u testu inteligencije, Vrlo često se koriste foraiati tipa analogija (mačka :
miš = zmija : ________ ) i tipa popunjavanja nedostajućeg elementa (1, 3, 5,
_____ ), Ovi poslcdnji mogu biti u verbalnoj, numeričkoj ili grafičkoj varijanti.
kada se često nazivaju zadacima kompletiranja matrice, npr.:
1 3
18
15 25 o
23 8
12
Pored stavki, test može da sadrži i podtestove (subtestove), koji
predstavljaju grupe ajtema koji mere istu stvar. Kad test ima podtestove, onda on
obično meri više stvari (npr. ekstraverziju, neurotičnost i impulsivnost).
Kod svih testova je veoma važno uputstvo za odgovaranje. Uputstvo za
odgovaranje mora biti odštampano na samom testu i administrator testa (osoba
koja test zadaje) ga mora pročitati takvo kakvo je. To je važno zato da bi svi
ispitanici, uvek, dobili jednako uputstvo. Značaj dobrog uputstva je posebno
važan za testove sposobnosti. Osim uputstva, testovi sposobnosti po pravilu imaju
i deo zaprim er i deo za vežbu. To su jednostavni zadaci na kojima se demonstrira
način odgovaranja (primer) i na kojima se proverava da li su ispitanici razumeli
šta se od njih traži (vežba).
Ukupan skor testa je po klasičnoj testnoj teoriji (koja danas ima jaku aher-
nativu u tzv. teoriji ajtemskog odgovora - TAO) zbir odgovora na pojedinačnim
stavkama. Ako su stavke u tzv. binamom formatu (tačno-netačno, kakva je
većina stavki u testovima sposobnosti, ih da-ne), onda je to prosto broj tačnih
odgovora, odnosno broj pozitivnih odgovora. Ako su stavke u formatu „potpuno
se siažem - uopšte se ne slažem”, a altemative nose brojeve (ocene) 1, 2, 3,...,
onda ukupni skor čini zbir ocena sa svake stavke.
4. Konstrukcija testa
[21]
E. Skale procene
Skale procene (engl. rating scale) obuhvataju vrlo širok krug namena, pri-
mena i formata. U literatiiri se mogu sresti primeri koji se protežu od nominalnog
do intervalnog nivoa merenja, od binamih do otvorenih stavki, od procenjivanja
dmgih do procenjivanja sebe, odprocenjivanjaponašanja do procenjivanja osobi-
na ličnosti. Do danas se mnogo uradilo na tome da skale procene postanu skale u
formalno teorijskom pogledu, u pogledu fiindamentalne kvantifikacije osobine
koja se procenjuje. Međutim, mnoge skale koje su u upotrebi uopšte nemaju za
cilj kvantifikaciju osobine, nego najčešće ordinalnoprocenjivanje, a ponekad čak
i nominalno. Pored toga, čak i za skale koje na to pretenduju, analize pokazuju da
ne sadrže kvantifikaciju osobine, odnosno da nisu dostigle intervalni nivo
merenja.
Prva važna podela skala procena je na dve situacije, odnosno postavke u
kojima se primenjuju:
a) kada neko kao ocenjivač procenjuje druge Ijude, pojave ili događaje, s
obzirom na neka njihova svojstva, i
b) kada pojedinci sami procenjuju svoja vlastita svojstva.
U prvoj situaciji, u psiiaologiji, najčešće se procenjuje ponašanje drugih
Ijudi. U drugoj situaciji procenjuju se vlastiti stavovi, mišljenja, osobine ili pona-
šanja. U prvoj situaciji se prikupljaju odgovori ocenjivača, procenjivača ili sudija,
a u drugoj odgovori ispitanika. Međutim, osim razlika koje proističu iz namene i
načina primene, nema principijelnih razlika u konstmkciji skala procene za jednu
i za drugu situaciju.
Skale samoprocene spadaju, prirodno, u oblast psihološkog testiranja i
merenja stavova, pa ih nećemo ovde obradivati. Sledeća važna dilema oko toga
šta jeste, a šta nije skala procene izvodi se iz neposrednog posmatranja i beleženja
ponašanja. Naime, ako procenjujemo tude ponašanje, najjednostavniji način
beleženja su liste označavanja ili kontrolne liste. One se veoma mnogo koriste u
medicini, psihijatriji i kliničkoj psihologiji kao. tzv liste simptoma, na primer;
1. Usporeno govori
2. Koristi bizame izraze
3. Govori samo kad ga se pita. . .
Kontrolne liste imaju binami format (v. psihološko testiranje) i ovde ih
nećemo tretirati kao skale procene u užem smislu. U literaturi se ide i dalje, pa se
kao skale procene opisuju i stavke koje imaju nominalni nivo i nazivaju se kvali-
tativnim. Kvalitativne skale procene se zasnivaju na deskripcijama, a ne nabroje-
vima, pa se nazivaju još i deskriptivnim skalama. Primeri ovakvih skala su:
a) U začetku Početnički Razvija se Nezavisan
b) Nema veštinu U toku ovladavanja Savladao veštinu
Ni ovakve kvalitativne i deski'iptivne skale nećemo tretirati kao skale
procene u užem smislu. Posebno su problematične one „kvalitativne” skale koje
se ne oslanjaju na stepenovanje, nego izvlače u prvi plan neke najviše istaknute
osobine, ili modalitete objekata koji se ocenjuju. Na primer:
1. Vredan i miran na času
2. Posebno sklon matematici i prirodnim naukama
3. Inteligentan ali nezainteresovan. . .
U školama su ovakve skale poznate kao „opisne ocene”. Ovde ih nećemo
tretirati kao skale procene. Kod nas se često koristi naziv skale rangova. Među-
tim, to može dovesti do mešanja skale procena sa pitanjima u kojima se od ispita-
nika traži da rangira neke objekte ili svoja ponašanja i koja se na engleskom
nazivaju rartking scales ili rank order scales. Način na koji se od ispitanika
zahteva rangovanje (npr. ne mora rangirati sve ponuđene objekte, nego samo prva
tri), kao i zbog toga što se eksplicitno zahteva rangiranje a ne procenjivanje, čini
da ni ovakve skale za rangiranja nisu skale procene u užem smislu.
Dakle, stavku ćemo tretirati kao skalu procene samo u slučajevima: a) kada
procenjivač ocenjuje druge Ijude, b) kada je skala-stavka politomna i c) kada
skala-stavka ima minimalno uređene kategorije. Što se tiče ovog poslednjeg
uslova, treba reći da psihometrijski modeli, posebno TAO modeli (v.), statističke
tehnike za analizu skala procene i tehnike formiranja ukupnog skora, svi odreda
podrazumevaju da su skaleprocene intervalne, da su kategorije ekvidistantne i da
su rastojanja između kategorija (alternativa) jednaka kod svih ajtema u testu, bez
obzira na težinu ajtema. Zbog ove konvencije istraživači obično tretiraju skale
procene kao intervalne. Međutim, treba imati u vidu da praksa često demantuje
ovu konvenciju.
Svaka skala procene predstavlja stavku koja ima stablo i skalu odgovora
(Trochim, 2000). Stablo je nekad impHcitno jer se iz skale odgovora zna šta se
procenjuje, ili se za skup skala navodi isto stablo. Skalu odgovora čini skup
alternativa. Skup alternativa može biti semantički, numerički ih grafički. Primer
semantičkog kontinuuma je skup: „neprihvatljiv”, „prihvatljiv” i „dobar”.
Pravila dobre skale procene - Šta je osnovni metrijski problem skala pro-
cene? Kada se formuUše egzaktno, psihometrijski, to je neujednačenprocespro-
cenjivanja kod svih ih kod istog procenjivača. A proces procenjivanja se sastoji
o d skupapragova koje procenjivač prihvata da bi prešao sa jedne ocene na drugu.
Da bi se smanjila mogućnost grešaka procenjivanja, skala treba da bude
takva da je na isti način interpretiraju svi procenjivači i svi oni koji tumače ocene
na skali da bi doneli neke odluke. Za sve učesnike kompletna skala, posebno
njena skala odgovora moraju imati ista značenja. Postoje brojna iskustva i suge-
stije kako se to postiže. Recimo, skala odgovora:
vrlo dobar dobar srednji loš vrlo loš
ne smatra se dobrom jer kategorije ne sugerišu nikakav stvami kriterijum šta je
dobro, a šta loše. Nasuprot tome, skala odgovora:
neprihvatljiv prihvatljiv dobar
smatra se boljom jer govori o tome da li je ponašanje (recimo učinak) prihvatljivo
ih neprihvatljivo za organizaciju za koju se sprovodi. Procenjivanje i tumačenje
će biti još jasnije ukoliko se u stablu (ili na drugi pogodan način) objasni da se
prihvatljivost odnosi, na primer, na: greške, olpad, kvalitet i sigumost. Sledeća
skalaje još preciznija:
5. konstantno dobar učinak
4. učinak generalno iznad proseka
3. zadovoljavajući učinak sa prosečnim brojeni grešaka
2. učinak obično ispod proseka
I . konzistentno nizak učinak
Ipak, kao što je u ovoj knjizi na više mesta istaknuto, pouzdanost psiho-
loških memih instrumenata se najbolje postiže ukoliko se sastave od više ajtema.
To isto važi za skale procene. Ako se za svako svojstvo ili ponašanje napravi više
skala, onda su manje mogućnosti da se kategorije pogrešno ili različito intepre-
tiraju (osim ukoliko postoji procenjivačko usmerenje). Na primer:
Potpuno Potpimo
netačno tačno
1. Profesor predaje jasno 1 2 3 4 5 6 7
2. Slajdovi su vidljivi i ističu najvažnije elemente 1 2 3 4 5 6 7
3. Obuhvaćene su najvažnije teme. . . 1 2 3 4 5 6 7
Sve prethodne skale se mogu izvesti i u grafičkoj, numeričkoj ili kombino-
vanoj varijanti, a sve u cilju da se procenjivaču sugeriše kontinuum i da mu se
olakša beleženje ocena.
U poslednje vreme popularne su skale za koje se veruje da imaju još preciz-
nije defmisano značenje. To su BARS skale od Behavioiirally Anchored Rating
Scales. U BARS skalama se kategorije vezuju (sidre) za neka određena ponaša-
nja, ili kako neki autori kažu, za neke incidente koji su ključni da bi se neko po-
našanje ocenilo kao prihvatljivo ili neprihvatljivo. Na primer, ako se radi o oce-
njivanju predavanja, BARS skala bi mogla izgledati ovako (Amold et al, 2005):
Prezentacija gradiva
9
8 Govori glasno, bez oklevanja i zastajkivanja i reaguje na studentska pitanja
Dosadašnja iskustva sa BARS skalama kazuju da one daju nešto bolje rezul-
tate nego grafičke skale procene. Trenutno dominira niišljenje da ih, s obziromna
dugačak proces konstrukcije i neznatno bolja metrijska svojstva, treba koristiti
samo za važne i standardizovane zadatke. Prikazaćemo neke od preostalih, a stan-
dardnih tipova skala procene koje se koriste u psihološkim memim instru-
mentima.
Bipolamim skalama se nazivaju stavke koje imaju sledeći format:
1) Zaokružite broj za koji mislite da je najbliži osobinama koje poseđuje vaš profesor.
1 5 9 13 17 20
1 1 1 1 , 1 1 J ...I..I I I 1... 1 I I I I I I I
Nikad ne Obično ne Ponekad ne Obično Uvek zadovol ava
zadovoljava zadovoljava zadovoljava zadovoljava
F. Upitnik
G. Intervju
H. Fokus grupe
Vrlo često naručilac istraživanja traži da bude prisutan tokom diskusije, ali
u zasebnoj prostoriji, u kom slučaju se diskusija mora sniniati video kamerom i
prikazivati na monitom u toj prostoriji. Ranije, pre nego što su postojale video
kamere, diskusiji je neposredno prisustvovao pomoćnik moderatora koji je
beležio neverbalne signale, menjao audio trake i kasnije poniagao u analizi poda-
taka. Danas diskusiji neposredno prisustvuje obično samo moderator, kako bi se
što više eliminisala arteficijeinost situacije i uticaj istraživača. Dobro opremljene
istraživačke ustanove poseduju sobe sa jednosmernim ogledalima, iza kojili mogu
da sede drugi istraživači ili predstavnici naručioca.
Neki autori naglašavaju važnost što manjeg učešća facilitatora u diskusiji,
dok su diTigi slobodniji i kažu, npr. da moderator pri kraju može postavljati više
detaljnih pitanja ili može zahtevati da se objasne različita mišljenja izneta u grupi
(što oni prvi autori smatraju jeresi). Ipak, postoji opšta saglasnost da uloga
moderatora, u celini, mora biti nedirektivna.
lako diskusija mora biti slobodna što se tiče sadržaja onoga što pojedinci
govore, ona neizostavno mora poštovati sledeće norme:
1. Moderator ne sme biti diskutant.
2. Svi učesnici moraju učestvovati u diskusiji (manje ili više).
3. Nema diskutovanja uglas.
4. Učesnici se obraćaju jedan drugom imenom i/ili prezimenom, u skladu sa
pristojnošću i običajima sredine odakle potiču. Ne koriste se titule i drugi
elementi koji bi uticali na neravnopravno učešće članova (recimo da se
stariji obrađaju mladima sa ,,ti”).
5. Nijedan učesnik ne sme preuzeti ulogu „vode debatne grupe”. U tom
cilju je korisno da učesnici sede za okruglim stolom.
Kad diskusija zamre, moderator ne treba panično da pokušava da je uspos-
tavi postavljanjem niza pitanja. U tom slučaju će se diskusija svesti na odgovara-
nje na pitanja, odnosno na grupni intervju, u kome se ista pitanja postavljaju
čitavoj grupi, a grupa na njih odgovara. Jedna dobra tehnika za oživljavanje
diskusije je da se tokom pripreme fokus grupe napravi lista ključnih tema, dilema
i pitanja koja mogu da iskrsnu tokom diskusije i da se moderator njima posluži za
oživljavanje diskusije (ali pažljivo i štedljivo). Kao dobra, pokazala se telmika
„šutnje”, kada moderator izvesno kraće vreme ne pokušava ništa. Taj svojevrsni
pritisak na sagovomike funkcioniše u svim vrstama intervjua.
Učesnici obično traže od moderatora dozvolu da govore. Takode, često
traže podršku ih odobravanje. Čest je slučaj da se na početku diskusije „drže
reda” sedenja za stolom. Te pojave štete slobodi diskusije i ciljevima istraživanja
(osim ako upravo te pojave nisu njegov predmet). U tom cilju moderator treba da
kontroliše svoj „kontakt očima” sa učesnicima, klimanje glavom, osmehivanje i
druge oblike „govora tela”. Ovakve oblike podrške može da primenjuje jedino da
ohrabri učesnike koji malo govore.
Često se javlja problem sa nekim učesnicima koji nastoje da drže reč,
prekidajući dnige. Takvi Ijudi to obično rade tako da „hvataju” pauze koje neki
govomik napravi i u tom trenutku upadaju sa svojom diskusijom. Moderator mora
posedovati veštinu da igra tu ignr brže od onih koji upadaju drugima u reč i da
usmerava diskusiju na drugu stranu. Ako to ne pomaže, još uvek postoji šansa da
sami učesnici neće dozvohti da budu prekidani.
Nasuprot tome, postoje Ijudi koji uglavnom šute, Zadatak moderatora je da
i njih uključi u diskusiju, ako treba i tako što će im se direktno obraćati.
A naliza podataka. - Prepis diskusije sa trake moraju da vrše osobe koje
poznaju problematiku i imaju iskustvo u tom poslu (daktilografkinje nisu za to
pogodne). Engleske norme su oko 7 minuta za prepis jedne minute snimljenog
razgovora. Učešće svakog diskutanta treba da bude označeno njegovim imenom i
jasno odvojeno od drugih. Prepis treba da ima dovoljno mesta za komentare koje
će istraživač kasnije upisivati tokom analize sadržaja diskusije. Obavezno treba
uključiti razne identifikacije kao što su datum, ime moderatora, naziv istraživanja,
oznaka audio ili video trake sa koje je vršen prepis, ime diskutanta itd.
Analiza prepisa diskusije podleže opštim pravilima kodiranja tekstualnih
podataka (v. odgovarajuće poglavlje). U najkraćem, istraživač treba da opiše,
ilustruje i analizira osnovne (istakmite) teme iznete tokom diskusije, ali isto tako
i latentne teme. Analizu i konačni izveštaj po pravilu piše moderator, koji osim
rezimea diskusije (analize njenog sadržaja) može i treba da opiše dodatne utiske i
zapažanja koji mogu biti relevantni.
Osnovna dva pojma teorije mreža su čvor (engl. node) ; relacija. M reža je
skup čvorova i relacija između njih. Da bismo nešto proglasili inrežom, moramo
imati najmanje dva čvora i jednu relaciju. U socijalnoj mreži čvorovi predstav-
Ijaju neke socijalne objekte; osobe, grupe ili organizacije. D ništvene nauke se
najčešće bave socijalnim mrežama u kojima su čvorovi Ijudi, a relacije odnosi
među Ijudima. U naukama o ponašanju čvorovi mogu biti i životinje, u nekim
drugim oblastima to su računari, a u matematici čvorovi su apstraktni objekti
(Kadushin, 2004),
Relacije mogu biti usmerene iU neusmerene. Prim er za neusmerenu vezu je
„sede u istoj sobi”. Usmerene veze mogu biti jednosm erne (intrazitivne) ili dvo-
sm erne-uzajamne (recipročne, simetrične, tranzitivne). Prim er za jednosm ernu
vczu je ,,A voH B”, a za dvosmemu ,,A i B se vole”.Osim toga, čvorovi u mreži
mogu biti povezani sa više od jedne relacije, u kom slučaju se one nazivaju
višestrukom vezom (engl. multiplex).
“ Njegovo pravo ime je bilo Jacob Levi. Bio je neobična ličnost, samoživ, Ivrđio je
da „čuje glasove”, ponekad je mislio da je Bog i žalio se da mu drugi kradu ideje, iako baš
za temiin „soeiometrija” ima indicija da su zaslužni njegovi saradnici. Inače, i dalje je vrlo
ciliran autor, posebno njegovo delo: „Ko će preživeti” (Who Shall Survive).
autori vide analizu socijalnih mreža pre kao granu raatematičke sociologije, nego
kao primenu statistike u sociologiji.
V rste p o d ataka u socijalnoj m reži - Kao što je rečeno, matrica 11 prika-
zuje binarnu i dvosmemu relaciju „komunicira sa”. Kada bi se relacija drugačije
definisala, recimo kao „svida se”, strelice u grafu ne bi uvek bile na obe strane
relacije. N a primer, Saši bi se mogla sviđati Anja, ali se Saša ne bi morao svidati
Anji. Posledica na matricu bi bila to da matrica više ne bi bila simetrična: jedinica
bi postojala na ukrštanju Saše kao birača i Anje kao birane, a ne i na ukrštanju
Anje i Saše.
Nadalje, osimbinarnih relacija „ima-nerna”, koriste se i; nominahie, grupne
ordinalne, pune ordinalne i intervalne. Nominahie relacije se dobijaju kada svaki
učesnik dobije spisak ostahh učesnika i uz svakog od njih treba da upiše svoj
odnos s njim, npr.: prijatelj, Ijubavnik, cimer, ne poznaje ga i sl. Gmpna inter-
valne relacije se dobiju kada pored svakog učesnika treba upisati: dopada mi se,
ne dopada mi se, neutralan sam. Pune ordinahie relacije dobijaju se kada svaki
učesnik treba da rangira ostale učesnike prema tome kohko mu se sviđaju. Inter-
vahie relacije bi se dobile kada bismo, na primer, merih vreme koje dve osobe
provedu zajedno ih kohko e-mailova razmenjuju.
Nažalost, iako svi ovi tipovi relacija nose mnogo više informacija nego
binarne relacije, postojeća metodologija za anahzu socijalnih mreža ne omoguća-
va da se te informacije dobro koriste. N a primer, teškoće nastaju već pri crtanju
grafa socijah^e mreže čiji su relacije nominalne, ordinalne ih intervahie. Najjed-
nostavnije rešenje je da se pored svake strehce upisuje i vrsta ih „iznos” relacije.
Isto tako, sasvim je prirodno da Ijudi stupaju u razhčite vrste odnosa. Na
primer, socijahia mreža bi bila razhčita za pitanje „sa kime radite” i „sa kime se
družite”. Nažalost, iako teorija socijalnih mreža predviđa postojanje višestrukih
veza, njihova anahza nije najbolje razrađena. Najednostavnije je da se za svaki tip
relacije sprovede zasebna anahza, pa se rezuhati porede bilo kvantitativno, bilo
kvahtativno.
P rik u p ljan je podataka za socijalnii m rež u .- Podaci za izradu socijalne
nueže mogu se prikupljati na razhčite načine. Kao prvo, učesnici („čvorovi”) se
ne uzorkuju slučajno, nego su obično članovi neke organizacije, institucije, grupe
ih neke druge mreže. Klasična sociometrija se nije primenjivala na vrlo mahm i
vehkim grupama jer se smatralo da za male nije potrebna, a za vehke je bila
nepraktična. Današnji matematički modeli i softver za crtanje socijalne mreže ne
postavljaju nikakva posebna ograničenja za vehčinu grupe.
Relacije izmedu čvorova mogu se zaključiti iz različitih vrsta evidencija,
neposrednim posmatranjem, intervjuima, merenjem, a klasičan način je putem
sociometrijskog upitnika. Sociometrijski upitnik sadrži pitanja kao što su: „sa kim
biste želeli zajedno da radite”, ,,sa kim bisle voleli da provodite slobodno vreme”
i sl. „Zajednički rad” i „slobodno vreme” su tzv. sociom ethjski kriterijumi,
odnosno definicije relacije. Odgovaranje na upitnik je obično anonimno, a mogu
se dodati još i pitanja o sociodemografskim obeležjima učesnika. Neobične ili
protivrečne konfiguracije mreže mogu se proveriti naknadnim intervjuisanjem
članova grupe.
M ere i pokazatelji socijalne m reže - Iz grafa 6 se vidi da Saša i Milan ne
komuniciraju direktno, ali postoje Anja i Olja sa kojima obojica komuniciraju.
Zato se za njih dvojicu kaže da imaju distancu dužine dva, a između Saše i Vesne
je distanca tri. Distanca je najnianji broj relacija (putanja, poteza) između dva
čvora. Učesnik koji ima manju prosečnu distancu prema ostalim učesnicima ima
veći uticaj, ili lakše prenosi informacije, ili lakše dobija informacije itd.
Drugi važan pojam mreže je gustina (engl. density). Gustina mreže se u
binamim mrežama iskazuje prosto kao odnos ostvarenih relacija prema maksimal-
nom mogućem broju relacija (kad su relacije intervalne, gustina se defmiše kao
odnos sume vrednosti relacija prema mogućoj sumi). U mrežama u kojima je
gustina veća informacije se brže prenose, veća je kohezija, učesnici imaju veća
socijalna ograničenja (predvidljiviji su) itd.
Sledeća važna grupa pokazatelja se odnosi na društvenu moč (kako radije
govore sociolozi i psiholozi), odnosno centralnost (kako radije govore mrežni
anaUtičari, Hanneman i Riddle, 2005). Ovi se pokazatelji obično odnose na poje-
dinačnog učesnika i nose nazive: stepen (engl. degree), zajedništvo (engl. betwe-
enness) i bliskost (engl. closeness). Na primer, najveći stepen ima Anja jer je
direktno povezana sa najviše Ijudi. Najveće zajedništvo ima Jole jer predstavlja
jedinu vezu između grupe Ijudi oko Anje i izdvojenog para. Najveću bhskost
imaju Nina i Nađa, je r imaju najmanju distancu prema svim ostahm osobama.
Postoje i mnogi drugi pokazatelji, od kojih su neki sasvim jednostavni, kao
što je vehčina mreže, a neki kompleksni, kao što su tok (engl. flow), reciprocitet,
sličnost/različitost i sl.
Sociom ctrijski in d e k s i- U klasičnoj sociometrijskoj tradiciji su se izraču-
navali različiti indeksi, kako za pojedinca, tako i za gnipu. Na primer, indeks
izbornog statusa osobe i se može izračunati kao: IS; = X^x/(n-I). Sa x su ozna-
čeni izbori koje je osoba i dobila, a sa n broj članova grupe (n-1 se koristi zato jer
osoba ne može birati samu sebe). Isto se može uraditi i za izbore koje je osoba
dala, ali za izbore koje osoba nije primila odnosno dala (kadaje;c;=0).
Cešće se koriste grupni indeksi. Recimo, ako je članovima omogućeno da
izaberu onoliko članova koliko žele, onda se može izračunati indeks grupne
ekspanzivnosti:
£ =~ , [22]
pri čemu je suma svih izbora svih članova grupe. Indeks E nije primenljiv
ako je broj izbora bio ograničen. Indeks giaipne kohezivnosti (sličan pojmu
gustine) može se izračunati kao:
pri čemu predstavlja sumu svih uzajamnih izbora-parova u matrici). Može
se, takođe, izračunati indeks uključivosti grupe kao proporcija izolovanih osoba.
Indeks gustine grupe čini proporcija postojećih izbora (strelica) prema mogućem
broju izbora svih izbora (koji je jednak = n!/[(n - 2)!2!], broj pozitivnih prema
broju negativnih izbora (privlačenja prema odbijanju) itd.
S tru k tu re i su b stru k tu re m rež e.- Postoje tri osnovna „idealna tipa” mre-
že: zvezdasta, linijska-lančana i kružna-cirkularna. Takođe, ove tri strukture
mogu postojati, kao substrukture, u okviru veće mreže. Na primer, oko Anje
postoji nešto vrlo sHčno zvezdastoj mreži, a ako bi se Anja izbacila učesnici oko
nje bi formirali kružnu mi'ežu, dok Jole, Vesna i M ara čine linijsku mrežu.
Anja je zvezda ili vođa. Njen položaj u zvezdastoj strukturi donosiće joj
verovatno najveći uticaj ili moć. U linijskoj strukturi položaj prvog i zadnjeg
člana može biti vrlo povoljan ili nepovoljan u zavisnosti od prirode relacije (na
primer, razmotrite slučaj kada struktura predstavlja hijerarhiju izdavanja nare-
đenja).
Može se reći da je osnovna substruktura svake socijalne mreže dijada ili
par. Pri tome je važno da li je dijada izolovana od ostalih učesnika. Izolovan
može biti i pojedinačan učesnik i onda je obično predmet posebnog interesovanja
istraživača. Medutim, mreža može imati više izolovanih delova, bilo koje veličine
i strukture. Kao što je rečeno, ako postoji neki učesnik koji povezuje te delove, on
ima visoku centralnost (moć) zajedništva.
M ogu postojati još neki tipovi odnosa, kao npr. inoć iz pozadine, koja se
defmiše kao svojstvo neke osobe da je biraju zvezde (ona nije generalno omilje-
na, ali ima moć zato što utiče na zvezde). Vrlo su često istraživane klike. Narativ-
no rečeno, klikaje grupa učesnika koji su više povezani međusobno nego sa osta-
lim učesnicima. U terminologiji mreža, po strožijoj defmiciji, klika je segment
mreže u kome postoji maksimalna gustina, a po blažoj defmiciji, to je segment u
kome postoji visoka gustina. Pažljiv čitalac će uočiti da su različiti koncepti
mreže povezani i prepleteni, je r npr. klike imaju veze sa gustinom i izolovanošću.
Softver za analizu socijalne nircžc - Dok se Morenova sociometrija raču-
nala i crtala ručno, današnje analize socijalne mreže se obavljaju isključivo
pomoću računara. Postoji veći broj programa, ujavnom vlasništvu, ili komercijal-
nih, koji se mogu naći na Internetu. Program InFIow (http://www.orgnet.com/
infIow3.html) crta i izračunava mere i pokazatelje. KrackPlot je program za vizu-
alizaciju mreže poznatog autora Davida Krackhardta (http://www.contrib.andrew.
cmu.edu/~krack. SIENA je program za longitudinalnu analizu mreže (http://stat.
gamma.rug.nl/snijders/sicna.html). Važno je znati da postoji više matematičkih
modela za izračunavanje metrike mreže, kao što su Freemanov i Bonacichev za
mem stepena centralnosti, ili HubcII-Katzov, TayIorov i Stephenson-Zelenov za
mere bliskosti. Oni nekad daju slične rezullate, a nekad i ne. Osim specijalizova-
nih pristupa za računanje mrežnih pokazatelja, mnoge statističke tehnike stoje na
raspolaganju za analizu mrežne matrice: od raznih koeficijenata asocijacije (npr.
Pearsonovog r i nominalnih koeficijenata), do analize grupisanja (klaster analize)
i multidimenzionalnog skahranja. Poslednje dve baziraju na tome da mrežna
matrica nije ništa drugo do matrica bhskosti, odnosno distanci.
D iskusija.- Ako podatke prikupljamo upitnikom može sc postaviti pitanje
objektivnosti i realiteta izbora. Poznato je iz prakse da Ijudi javno radije daju
pozitivne izbore, nego negativne. Osim toga, ako se radi o deci, ih ako su grupe
„mlade” i čianovi se nedovoljno poznaju, odluke članova o privlačenju ih odbija-
nju mogu biti iznuđene. U nekim osetljivim zajednicama, kao što su zatvori, može
se sumnjati u tačnost datih izbora ne samo zato što postoje nesvesne simpatije i
mržnje, nego zato što se odnosi kriju. Ti nedostaci se mogu otkloniti dopunja-
vanjem podataka dobijenih upitnikom drugim tehnikama.
Osim toga, sociometrijski podaci odshkavaju presek grupnih odnosa u jed-
nom trenutku. S obzirom da se radi o „dinamici”; odnosi se stalno menjaju, jedni
parovi se kidaju, a drugi stvaraju, jedan sociogram ne znači i konačnu reč o odno-
sima u jednoj grupi. To se može prevazići tako da se sociometrijski podaci pri-
kupljaju u više vremenskih tačaka. Pomenuh smo program SIENA pomoću koga
možemo napraviti animirane sociograme, iz kojih se vide vremenske promene.
Većina opisanih primena anahze socijalne mreže spadaju u oblast neekspe-
rimentalnih istraživanja. Međutim, anahza socijahie tnreže se može koristiti i u
eksperimentalnim nacrtima. Na primer, vremenske promene u mrežnim pokazate-
Ijima se mogu koristiti za evaluaciju nekog programa, kao što je neka grupna
terapija, koja ima za cilj da unapredi odnose u grupi, razvije saosećajnost, pod-
stakne slobodnije uključivanje u odnose sa drugima i sl. Kad se govori o psihote-
rapiji, onda se sociometrija sreće u kontekstu tehnika grupne terapije, tzv.psiho-
drame ih sociodrame, koje su sUčne metodi igranja uloga koju smo ovde opisah.
Naravno, metoda igranja uloga se takođe može kombinovati sa sociometrijom u
cilju boljeg „kastinga”, aU i izučavanja delovanja metode igranja uloga na učesni-
ke. Pomoću anahze socijalne mreže mogu se anahzirati stvame društvene uloge
staleža, klasa, profesionalnih grupa i sl. (u tom slučaju se obično u prikazima
mrežnih pokazatelja koriste prosečne vrednosti izbora za taj stalež ih klasu).
J. Igranje uloga
K. Analiza sadržaja
Kodiranje u analizi sadržaja spada u domen onoga što u ovoj knjizi naziva-
mo kodiranjem kvalitativnih podataka i čemu smo posvetili posebno poglavlje.
Sva relevantna pitanja su obrađena u tom poglavlju. Podvlačimo potrebu da se
kodnoj shemi pristupa razvojno i da sc kodcri dobro obuče kako bi imali istu
viziju o svom zadatku.
Ako se konačno kodiranje ukupnog teksta radi ručno, onda treba angažo-
vati više kodera i najbolje je da oni ne znaju za ciljeve istraživanja kako se ne
bi ugrožavala valjanost. D anas je potreba za ručnim kodiranjem uglavnom
prestala, nego se za to koristi odgovarajući softver (vidi poglavlje o prim eni
računara u analizi teksta). Isti softver shiži i za kreiranje kategorija, anali-
ziranje teksta i prikazivanje rczultata.
E valuacija valjanosti i pou zd an o sti.- Pravilno bi bilo da se proveri valja-
nost svake nove verzije kodne sheme, jednako kao i pouzdanost kodiranja. Među-
tim, od suštinskog značaja je da se to uradi nakon konačnog kodiranja. Savetuje
se da se oceni kako interrater pouzdanost (neki autori je u ovom kontekstu
nazivaju reproducibilnost), tako i pretest-posttest pouzdanost (stabihiost). Isto
tako, savetuje se da se valjanost oceni celovito, imajući u vidu sve aspekte koji su
navedeni u poglavlju o kvahtativnom kodiranju.
c. A naliziranjepodataka
Kao što smo videli, analiza teksta je prilično apsolvirana oblast u tehničkom
i tehnološkom smislu. S obzirom na današnju dostupnost tekstova u elektronskom
formatu, istraživač će verovatno čak biti pošteđen unosa teksta. Medutim, analiza
audio i video komunikacija i poruka je nešto sasvim drugo. Zasada ne postoje
tehnička rešenja za prepoznavanje sadržaja tih medija, onako kako ih čovek pre-
poznaje. Međutim, radi se mnogo na tome da se taj problem ublaži.
Utvrdeno je, npr. da se analizom fizičkih karakteristika audio zapisa (ampli-
tuda, frekvencija, dinamika, pauze) može ustanoviti da li se radi o govomoj ili
muzičkoj emisiji. Ako se radi o muzičkoj emisiji, čak se elektronski može ustano-
viti kom žanru pripada muzika. U govomim emisijama postoje mogućnosti da se
elektronski prepoznaju odredene reči, ako već ne mogu sve, kako bi se prepozna-
lo 0 kakvom sadržaju se radi.
Kod video zapisa smo još daleko od toga da se elektronski mogu prepoznati
osobe ili predmeti na eki'anu, ali se, koristeći iskustvo sa audio zapisa dosta može
saznati o prirodi emisija. Postoje i uspešni pokušaji da se prepoznaje tekst koji se
pojavljuje na ekranu: špice, titlovi, odjave, tekstovi u reklamama i sl.
U svim slučajevima je korisno ako se mogu napraviti „apstrakti” emisija,
analogno apstraktima tekstuahiih članaka. Takvi apstrakti se onda mogu lakše
čuvati i pretraživati kada se prave pregledi sadržaja emisija. Postoje uspešni
pokušaji da se automatski, putem računara, prave apstrakti tv emisija, biio kao
serija stojećih slika, bilo kao kratki živi inserti.
L. Narativna analiza
1. Beleženje i snimanje
2. Transkripcija
4. Kodiranje
Analiza kvalitativnih podataka ili kvalitativna analiza podataka, teško je odlučiti. Oba
termina mogu biti tačna. Kvantltativna analiza podataka se već odavno ne može zamisliti
bez računara, prvo vellklh (engl. m ainfram e), a zatim personalnih. Računari ne samo da
olakšavaju kvantltalivnu analizu, nego je u značajnoj merl I omogućuju. Na primer, multi-
varljatna analiza je zbog vellkog broja računskih operacija praktično nemoguća bez primene
računara. Sledeća važna karakteristlka prlmene računara u kvantitativnoj analizi je to što se
nakon niza godina relativno stabilizovalo tržište statlstičkog softvera (v. odgovarajuće po-
glavlje). To ne znači da postoji samo jedan ili dva programa, nego da postoje neki glavni
predstavnici statističkih paketa (npr. SPSS i SAS) i kriterijumi koji služe za njihovu evalu-
aciju i izbor.
U domenu kvalitativne analize stvari ne stoje tako. Ovde računari mogu
značajno da olakšaju posao istraživaču, ali nisu nužni za primenu kvalitativne
analize (osim ukoliko obim podataka nije vrlo veliki). Šta više, iz raznih razloga,
još uvek postoji otpor prema primeni računara u kvalitativnoj analizi, sa argumen-
tacijom da se ona (primena) protivi duhu i tradiciji kvalitativne analize. S druge
strane, ponuda softvera još nije na onom nivou da bi računar učinila nezame-
njivim. Na engleskom postoji termin „killer application” za onaj program koji je
učinio da nične procedure odu potpuno u zaborav i da ih zamene računari. Na pri-
mer, procesori teksta su takve „killer apps”, a u domenu kvantitativne analize to
su SPSS i nekoliko drugih programa. Kvalitativna analiza podataka još nema
svoju „killer application”. Pošto se na engleskom kvalitativna analiza podataka
skraćeno naziva QDA, softver za analizu kvalifativnih podataka naziva se skra-
ćeno CAQDAS (od engl. Computer-aided Qualitative Data Analysis Software).
Fhck (prema Langdridge, 2004) identifikuje 14 procedura kvalitativne
analize koje mogu da se obave uzpom oć računara: pravljenje terenskih zabeleški,
transkripcija, uređivanje, kodiranje, memorisanje i čitanje podataka, pretraživanje
i pristup podacima, povezivanjejedinica analize, pisanje memoa, analiza sadržaja,
prikazivanje podataka, provera i zaključci, gradnja teorije, izrada grafičkih
prikaza i pisanje izveštaja.
Za većinu ovih procedura - svuda gde se spominje pisanje, memorisanje,
čitanje, pretraživanje - dovoljan je procesor teksta kao što su Microsoft Word ili
Corel WordPerfect. Za neke od procedura (kodiranje, povezivanje) mogu da
posluže i komercijalni programi za tabelarno izračunavanje (engl. spreadsheet) ili
upravljanje bazama podataka (engl. database). Vehki broj istraživača se zadržava
na upotrebi ovih opšte dostupnih i poznatih programa i koriste ih na opšte
zadovljstvo.
Međutim, za punu računarsku kvalitativnu analizu je presudno da postoje
specijalizovani programi. To su oni programi koji uz sve pobrojane procedure
mogu da obavljaju srž kvalitativne analize: defmisanje jedinica analize, kodiranje
i povezivanje kodova, što uz kombinaciju sa memoiziranjem omogućava formi-
ranje kategorija i gradnju teorije. Upravo ove procedure ne postoje o komerci-
jalnim programima opšte namene, kao što su procesori teksta.
S obzirom da se najčešće analiziraju tekstualni podaci, programi za analizu
kvalitativnih podataka se često nazivaju programima za kvalitativnu analizu
teksta. U poglavlju o analizi sadržaja spomenuti su programi za kvantitativnu i
lingvističku analizu. Programi koji se bave kvalitativnom analizom teksla,
odnosno semantičkom, sadržinskom ili bihejvioralnom analizom, usmereni su na
sadržaj teksta, luuitrašnje odnose jedm ica anahze, na kategorije i njihova znače-
nja. U ovom drugom tipu programa se sreće i kvalitativni i kvantitativni pristup
analizi teksta.
Navešćemo sasvim kratak spisakprogram apo glavnim kategorijama, koji je
aktuelan u trenutku pisanja ovog teksta.
N V iv o , h ttp ://\v w w .q srin le m a tio n a l.c o m
N 6 (še sta v e rz ija N U D * I S T - N o n -n u m e ric a l U n stru c tu red D a ta In d ex in g
S e a rc h in g a n d T h eo rizin g ), h tlp ://w w w .q srin te rn a tio n a l.c o m
A T L A S .Ii, h ttp ://w w w .a tla sti.c o m /in d e x .p h p
K w a lita n 5.0, h ttp ://w w w .k u n .n l/m e th o d e n /k w a Iita n /in d e x .h tm l
b. Guttmanova skala
c) K olikoje: 1 4 *5 -1 2
Q = l - | , [24]
C,, = l - ~ . [25]
N
E ']e broj g re šak a , d e fm isa n k a o g o re, a jV je u k u p a n broj o d g o v o ra u m atrici
(broj isp ita n ik a x broj ajtem a). K o e fic ije n t re p ro d u c ib iln o sti (ili re p ro d u k tib iln o -
sli) m o ra b iti n a jm a n je 0,90 d a b i se sk a la m o g la n a zv a ti G u ttm an o v o m .
G u ttm a n o v a sk a la sp ad a u determinističke modele za sk a lira n je osoba. N je n
d e te rm in iz a m se o g led a u tom e što se o č ek u je d a su k a rak terističn e k iiv e a jte m a
ste p en a ste; sv i isp itan ici ko ji su v iso k i 1,6 m e ta ra ili m anje n ik a d a n e će z a o k ra ž iti
ajtem e a, b i c, a u v e k će z ao k ru ž iti a jte m d. T o isto v rem e n o zn ači da j e G u ttm a -
n o v a sk a la monotoni model, z ato što nijedan n iži isp ita n ik ne z a o k ru ž u je dati
ajtem , a zao k i užuju ga.v v /v iši isp ita n ici. O v a s itu a c ija p rik a z a n a je n a slici 7, a za
o sn o v u j e u z et skup ajtem a koji m ere te le sn u v isin u sa p o č e tk a o v o g p o g lav lja.
N a a p sc isi bi ii to m p rim e ru o so b in a b ila tele sn a v isin a, a „ ste p e n ic e ” a jte m a bi
b ile n a 160, 170, 180 i 190 cm .
T ešk o je k o n tru is a ti tv rd n je za m eren je stav o v a k oje z a d o v o ljav a ju k u m u la -
tiv n i m odel. Z b o g to g a se G u ttm a n o v a sk ala danas v e o m a m alo k o risti u prak si.
M eđ u tim , sk a lo g ra m i sk a lo g ra m sk a a n aliza n ašli su p rim e n u u T A O m odelim a.
U T A O m o d elim a, n a ro č ito u R a se h o v o m m odelu, G u ttm a n o v e g rešk e slu že za
a n alizu m isfita. In te m e p ra z n in e i e ksterni X -o v i u k a zu ju n a n e o če k iv a n e o d go-
v o re (v. p o g lav lje o testira n ju ). O v a v e z a sa T A O m o d elim a b iće m n o g o ja s n ija
u k o lik o ste p en a ste k riv e sa slik e 7 zam islim o kao og iv e (k a k v e one i in ače u
p ra k si izg led aju ). U to m slu č a ju se vidi d a je G u ttm an o v m o d el, k a d a se u k lo n i
d e te rm in iza m , p re te č a te o rije a jte m sk o g odgovora.
c. Thurstoneova skala
Z akon kom parativiiogsiiđenja (engl. law o f com parative jiidgm ent), je po Thursto-
ncovoj vlastitoj izjavi (citirano prem a N unnally i B em slein, 1994), dclo na koje jc najviše
ponosaii. Svoju punu im plem entaciju zakon k o m parativnog suđenja postižc upravo kro2
m etodu porcdenja po parovm ia, što bi u slučaju skale stavova od stotinjak stavki bio prak-
tičn o ncsavladiv posao.
Jasn o j e da je Thurstoneova skala stavova tismerena na merenje afektivne
komponente stava.
S le d eć e što treb a u rad iti sa sv im p rik u p lje n im is io z im a je d a se, je d n a k o
kao u p sih o fizic i, za svaku d ra ž - is k a z utvrdi njen a sk a ln a v rc d n o st, o d n o sn o
položaj na k o n tin u u m u stava. Z a to se isk azi daju grupi su d ija na p ro c en jiv a n je;
T liurstone je k o ristio n jih 300. S u d ije d o b ija ju instrukciju da ra zv rsta ju sve iskazc
u 11 k a te g o rija . O n e isk a ze koji iz ra ž a v a ju n a jp o z itiv n iji stav treb a da stav c u 11.
kategoriju, isk aze koji su n e u tra h ii u šestu , a iskazc koji sadrže n a jn c g ativ n ije
m išljenje u p rv u k a te g o riju . O sta le isk aze treba da razv rstaju u ostale k a te g o rije
prem a step cn u p o z itiv n o sti, o d n o sn o n cg ativ n o sti.
T h u rsto n e jc n a k o n toga iz ra č u n a o m cd ijan u k a te g o rija u k oju su sudijc
razv rstav alc isk az (te ž in u sta v k e), k a o i in te rk v artiin o ra sto ja n je (d isk rim in a tiv -
nost). K o n a ča n iz b o r isk a za j e izv ršio tak o što je iz svake k a te g o rije o d ab rao
iskaze koji z a d o v o lja v a ju d v a k i'iterijum a: a) da budu n a jv iše d isk rim in a tiv n i, i b)
da biide p o k riv en ceo ra sp o n skale.
O d ab ran i iskazi p o sta ju sta v k e T h u rsto n co v e sk ale stav o v a. Isp itan ici
o d govaraju tak o što z a o k ru ž u ju sta v k e sa kojim a se slažu (po p rin cip u k o n tro ln e
hste). ih z ao k ru ž u ju o d g o v o r ,,d a ” ih ,,ne” , ih „shjženi sc ” i ,,ne siažem se ” . D a-
kle, stavke u T h u rsto n e o v im sk a lam a su dih o to m n o g form ata.
d. L ik e r to v a s k a la
Pre nego što se pređe na tumačenje konstrukcije Likertove skale treba znati
da se danas može sresti veoma široka upotreba termina „Likertova skala”. Kada
se danas spomene Likertova skala, obično se misli na stavke sa 4 -9 kategorija,
bez obzira na njihov predmet merenja (dakle, ne samo stav).^^ Međutim, ako se
Sani L ik ert j e koristio b ip o lam i sim clrični skup alternaliva (v, kasnijc), koji se
danas u cng lcsk o m žargonu obično naziva; SD , D, N, A i SA (S trongly D isagrce, D isagree,
N eu tral, A g rce, S trongly A grcc).
smatra da je suština Likertovih skala to da su one sumacione skale procene, onda
se defmicija i primena ovog formata stavki može još više uopštiti. U tom slučaju
za Likertove skale više ne samo da nije presudno da li mere stavove, nego ni
altemative ne moraju pripadati bipolamom simetričnom skupu. Na sledećim
stranama ukratko ćemo opisati različite tipove alternativa.
Konstrukcija Likertove skale prolazi kroz nekoliko faza. Spector (1992)
navodi tih pet koraka kao:
L definicija konslrukta, odnosno kontinuuma,
2. uobličavanje i pisanje stavki,
3. pilot istraživanje,
4. prva primena i ajtem anahza, i
5. odrcdivanje mernih svojstava skale.
s la b ____________________________________________________ ja k
aktivan pasivan
mali veliki
h la d a n ____________________________________________________________topao
d o b a r ____________________________________________________________ rđav
n a p e t____________________________________________________________ opušten
m o k a r ____________________________________________________________ suv
svež ustajao
h. Ostale tehnike
r„= a / / a ^ , [27]
gde je ff/ varijansa pravog skora, a varijansa ukupnog skora. Ova formula je u
opštem slučaju jednaka formuli:
/•„= [28]
gde je f f / varijansa skora greške.
Generalno, pouzdanost se definiše kao odsustvo grešaka merenja. U
sledećim poglavljima ćemo malo detaljnije specificirati tu opštu definiciju.
1. Tipovi pouzdanosti
i i .....m [29]
što ne znači ništa drugo do: da su im a) jednaki pravi skorovi i b) varijanse greške
i c) da su grcške nekorelirane. U teoriji postoji još jedan dodatni skup uslova koje
paralelni indikatori moraju zadovoljiti, ali oni ovde nisu presudni.
Kada napišu sve formule, izvrše potrebne zamene i srede svi izrazi dobije se
ključna i osnovna jednačina pouzdanosti:
[30]
gde su sa j i k označena dva paralelna indikatora, je korelacija izmedu njih, a
ff/ varijansa pravog skora tih indikatora (ona je jednaka za oba paralelna indika-
tora). Ova naizgled neuglcdna fonriula iskazuje jednu jednostavnu i eleganfnu
defmiciju da je pouzdanost nekog mernog instrumenta jednaka njegovoj
korelaciji sa nekim drugim, njemu paralelnim instrumentom. Naime, ako
iiporedimo gomju jednačinu sa defmicijom koeficijenta pouzdanosti: r„ = cr/
/ o^, onda vidimo da su ta dva izraza potpuno jednaka.
Svi koeficijenti pouzdanosti tipa interne konzistencije izvedeni su iz ove
defmicije, samo različito definišu šta su indikatori i koliko ih ima. Najčešće
korišćeni takav koeficijent dali su Guttman i Cronbach, ali se danas sreće samo
pod imenom Kionbahova alfa. Formula mu je:
m
a = [31
m - \
gde je m dužina testa ili upitnika, odnosno broj stavki, su varijanse stavki, a cr^
je varijansa ukupnog skora memog instrumenta. Pažljiv čitaiac će primetiti para-
doksahiu stvar da u fomiuli uopšte ne postoji ništa što ukazuje na interkorelacije
slavki (a alfa predstavlja pouzdanost inteme konzistencije). To jednostavno sledi
iz izvodenja obrasca. Jedini potrebni podaci su varijanse stavki i varijansa uku-
pnog skora.
Osim Kionbahove alfe, poznati su još i Speannan-Brownov koeficijent
(koji se nekada naziva i ^p/7?-/;a^koeficijentom ih proročkim koeficijentom),
Kuder-Richardsonov koeficijent 20 i mnogi drugi (Fajgelj, 2005).
b. P relest-posltest pouzdanost
Ova vrsta pouzdanosti se vrlo često naziva siabilnošču merenja. Ona se
ocenjuje tako šlo se jedan te isti merni instrument administrira na istim ispitani-
cima dva puta, u izvesnom vremenskom razmaku. Pošto se radi o istom instm-
mentu, sasvim je jasno da to potpuno odgovara niodehi paralehiih indikatora iz
prelhodnog odeljka (svaki instrument je paralelan sam sebi). Otuda je jasno da će
korelacija između dva zadavanja instrumenta predstavljati koeficijent pouzdanosti
tog instrumenta.
Ovu potpuno jasnu teorijsku situaciju prljaju praktični uslovi reahzacije.
Osnovni problemi su u tome: a) što se ispitanici mogu promeniti u periodu izme-
du dva zadavanja instrumenta i b) što ispitanici imaju memoriju i što mogu
zapamliti odgovore iz prethodnog ispitivanja, što se mogu uvežbati u odgovori-
ma, ili, čak, što se mogu umoriti od ponavljanja, Ako su se „ispitanici promenih”,
to može biti zbog njihovih unutrašnjih razloga, recimo razvoja ili starenja, ili zato
što su u međuvremenu na njih delovale neke eksteme varijable. Pored toga, ako je
period između dva zadavanja vehki dolazi do osipanja uzorka.
Nema pravog odgovora na ove probleme. U praksi se to rešava tako što se
period izmedu dva ispitivanja odredi „razumno”, na primer ne više od 6 meseci
kod deco ili godine dana kod odrashh.
Ovaj tip pouzdanosti je pogodan za određivanje pouzdanosti „problemati-
čnih” meniih instrumenata kod kojih je teško izračunati intemu konzistenciju, na
primer, kod onih koji nemaju precizno definisane stavke (kao što je intervju), ili
kod psiiaoloških „testova brzine”. Ovaj tip pouzdanosti se često naziva i test-
retest pouzdanošću.
d. P ouzdanost ocenjivača
Ovaj nezgrapan naziv potiče od engleskog izvora: interrater rehability. Po
koncepciji, ova pouzdanost je ekvivalentna modehi paralelnih indikatora, pretest-
posttest pouzdanosti i pouzdanosti ahernativnih fomii. Primenjuje se u situaciji
kada prisustvo osobine kod ispitanika procenjuju ocenjivači, bilo neposrednim
posmatranjem, bilo tumačenjem odgovora ispitanika. Iskazuje se kroz korelaciju
izmedu razhčitih ocenjivača. Nekada se ova korelacija tretira kao objektivnost
merenja, a nekada kao reproducibilnost rnerenja.
Postoji jedan poseban problem vezan za izbor koeficijenta korelaeije kojim
treba da se izmeri saglasnost ocenjivača. Mnogi smatraju da Pirsonov koeficijent
nije prikladan jer ne detektuje razlike u aritmetičkim sredinama ocenjivača; vrlo
blag i vrlo strog ocenjivač bi mogh irnaU korelaciju jedan. Zato se često kao mera
pouzdanosti izmcđu ocenjivača uzimaju dmgi koeficijenti, posebno intraklasni
koejicijent korelacije.
Q. Valjanost merenja
a. Sadržinslca valjanost
Sadržinska validnost (eng. content validity) se zasniva na takozvanoj teoriji
uzorkovanja iz domena. Po ovoj teoriji, osobinu koju merimo možemo meriti
velikim brojem stavki (teorijski beskonačnim). Tek ako bi je izmerili pomoću tog
beskonačnog domena stavki, dobijena mera bi biia potpuno tačna.
Pošto mi merimo sa konkretnim instmmentima, sa krajnje ograničenim
brojem stavki, postavlja se pitanje da li je taj uzorak stavki dobro odabran. Pod
izrazorn „dobro odabran” se podrazumeva reprezentativnost, aii samo do izvesnog
stepena.
U psihologiji se, na primer, sadržinska validnost najčešće zahteva od testo-
va postiginića. U testove postignuće spadaju testovi znanja i testovi veština.
Recimo, ako pravimo test znanja geografije za 7. razred osnovne škole, onda
domen iii univerzum stavki defmiše udžbenik geografije, eventualno neka zbirka
zadataka, „radni listovi” i predavanja nastavnika. Sve rečenice iz udžbenika se ne
mogu staviti u tcst kao stavke. Treba izvršiti izbor tako da: a) budu zastupljenji
svi delovi gradiva, b) da svi delovi gradiva budu proporcionalno zastupljeni i c)
da budu zastupljena „kritična znanja” bez kojih učenik ne može dobiti pozitivnu
ocenu (npr. da zna na kom kontinentu je njegova zemlja).
Sadržinsku valjanost procenjuju eksperti iz oblasti koja se testira, psiholozi
koji konstruišu test, naručioci testa, eventualni korisnici testa itd. Njihova procena
se bazira na ekspertskoj proceni, mišljenju i dedukciji. Dakle, ne samo da ne
postoji jedinstven pokazatelj valjanosti, nego ne postoji ni njena kvantifikacija.
Danas se često kao posebna vrsta sadržinske valjanosti tretiraju pojavna
(engl. face validity) i prividna valjanost. Pojavno ili očigledno valjan test mora
imati takav sadržaj i izgled da jc „svima” jasno da meri ono za šta je namenjen da
mcri. Testovi inteligencije, npr., imaju zadatke koji teraju na razmišljanje, skala
stavova o patriotizmu sadrži pitanja o odnosu prema državi i naciji itd. Često se
pojavna i sadržajna valjanost poistovjećuju, verovatno zbog toga što se i jedna i
druga odreduju na osnovu toga šta Ijudi misle o tome da ineri neki instrument.
U psihologiji se prividna valjanost dcfmiše kao „ono što drugi misle da test
meri”. Pod „drugima” se misli kako sami ispitanici, tako i drugi učesnici u poslu
testiranja. Test znanja iz geografije npr. mora da ima pitanja iz oblasti geografije,
u testu znanja iz elektrozavarivanja se ne očekuju pitanja kao što su ,,da li čoveku
koji puno stoji otiču noge” itd. Pitanje prividne valjanosti je veoma važno u
nekim primenama, kao što je npr. profesionalna selekcija, kada su Ijudi zaintere-
sovani da se predstave u što boljem svetlu i pokušavaju da uvide šta test meri
kako bi davali što „bolje” odgovore.
b. Kriterijiimska valjanost
Kriterijumska valjanost predstavlja svojstvo nekog mernog instrumenta da
može da zameni neku drugu aktivnost, ponašanje ili proceduru. To se utvrduje
tako što se instrument administrira, pa se izračuna njegova korelacija sa tom
aktivnošću, ponašanjem ili procedurom. Ako je ta korelacija dovoljno visoka,
onda kažemo da memi in.stmment može da predvidi aktivnost, odnosno da može
da se koristi imiesto nje. Recimo, u oblasti psihologije rada vrlo važna je oblast
profesionalne orijentacije i selekcije. U toj oblasti se masovno koriste različiti
psihološki testovi kako bi se predvidelo da li će Ijudi biti uspešni u nekim
poslovima. Naravno da možemo da zaposlimo te Ijude, odredimo probni rad i da
ih, ako zadovolje, primimo.
Međutim, to je vrlo skupa procedura, a praktično je nemoguća ako za jedno
mesto konkuriše 100 kandidata. Zato je idealno ako možemo da kažemo da će
Ijudi koji su dobro rešili test, sa velikom verovatnoćom uspeti u tom poslu i da
tako, pomoću jeftine procedure grupnog testiranja izaberemo prave Ijude. Testovi
koji se koriste za te potrebe se obično nazivaju testovimapodobnosti (npr. testovi
za daktilografe, testovi za programere itd.).
Uspeh na poslu nazivamo kriterijumom i otuda potiče naziv čitave ove
grupe valjanosti. Sreću se još i nazivi praktična valjanost, empirijska valjanost,
pragmatička valjanost, dijagnostička valjanost, prognostička valjanost, prediktiv-
na valjanost, konkurentna valjanost, simultana valjanost itd.
U spomenutom primeru kriterijumsku valjanost možemo kvantitativno
iskazati i to jednim koeficijentom. Taj koeficijent valjanosti bi bio korelacija
između skora na testu i uspeha na poslu.
U ovom primeru je kriterijum ,,bio u budućnosti”, tj. pokušavamo da pred-
vidimo kako će se ispitanici ponašati u budućnosti. Zbog toga se taj tip valjanosti
naziva prediktivnom, ili prognostičkom (kada je u pitanju neko patološko
ponašanje). Kriterijum, medutim, može biti i u sadašnjosti. Na primer, taj podtip
valjanosti je važan u kliničkoj psihologiji gde test mora dobro da oceni sadašnje
stanje pacijenta - u cilju dijagnoze. Zato se u kliničkoj psihologiji ona obično
naziva dijagnostičkom, a u drugim oblastima konkurentnom ili simultanom.
Ovaj vrlo razuđeni tip valjanosti ima i različite probleme. Možda najvažniji
problem je onaj koji se odnosi na merenje samog kriterijuma. Naime, lako je reći
„uspeh naposhi”, ali je teško defmisati šta je to i teško je izmeriti takvu osobinu.
c. K onstruktivna valjanost
Gledano vremenski, ovaj tip valjanosti je najmladi; njegovim početkom se
smatra rad Cronbacha i Meehla, objavljen 1955. godine. U ovom tipu valjanosti
se daje odgovor na pitanje šta meri merni instrument, pa se danas ovo pitanje naj-
češće sreće kao defmicija validnosti uopšte.
lako je ovaj tip valjanosti „pravi” i odigrao je značajnu pozitivnu ulogu u
razvoju ne samo mercnja u naukama o ponašanju, nego i tih nauka uopšte, njegov
ozbiljan problem jc u tome što ne sadrži operacionalizovanu mctodologiju za
ocenjivanje stcpena konstruktivne valjanosti (eng. construct validity). Da bi to
ispravili, Cambcll i Fiske su 1959. godine definisali konvergcntnu i diskrimina-
tivnu valjanost. Konstruktivna valjanost kaže da je memi instrument valjan ako
mcri ono što treba da meri. Mcđutim, ne kaže se eksplicitno da ne trcba da meri
ništa drugo. Pojmovi konvcrgentne i diskriminativne valjanosti su otklonili taj
nedostatak je r kažu da je mcrni instrumcnt konstruktivno vaijan ako visoko
korelira sa sličnim pojmovima i varijablama, a istovremeno nisko korelira sa
pojmovima i varijablarna koji nisu slični.
Recimo, tcst koji mcri anksioznost mora da značajno korelira sa tcstom koji
mcri neurotičnost, introverziju, ncsamopouzdanost itd., jer su to „slične” osobine.
Isto tako, taj test ne sme da korelira značajno sa inteligencijom, dominantnošću,
motivacijom itd., jer to nisu „slične” osobine. Jasno je da se pod sličnošću misli
na teorijske i iskustvenc stavove o povezanosti osobina.
Ovo što je rečeno ne bi mnogo značilo za operacionalizaciju konstruktivne
valjanosti da Cambcll i Fiskc nisu započeli rad na tzv. multiosobinskoj-multi-
metodskoj matrici (MOMM matrici, na cngleskom MTMM - multitrait-multi-
method). Ova matrica jc u osnovi korelaciona matrica (elementi su joj korelacije),
ali sa specifičnom striikturom. Inicijalno, ta sc matrica tumačila narativno, ali sii
do danas uspcšno testirani neki statistički modeli koji su kvantitativno ocenjivali
stepen konvergentne i diskriminativne valjanosti. Pre svega, kao uspešan statis-
tički model sc pokazala konfirmativna faktorska analiza.
Značaj koji ima ova matrica i imdtimetodskipristup koji iz nje sledi je danas
značajno prevazišao inicijaine intencijc da se operacionalizuje konstniktivna
valjanost. Multimetodski pristup zahteva da se ista pojava istraži na više različitih
načina, koristeći prednosti različitih metoda, i da se razlike u nalazima koje su se,
eventualno, pojavile između mctoda uporcde i objasni njihovo poreklo. Česta su
nastojanja da se anketna i druga terenska istraživanja, bazirana na velikim uzorci-
ma i objektivnim metodama prikupljanja podataka kao što su upitnici, skalc
stavova i testovi, dopune i kombinuju tzv. kvalitativnim istraživanjima koja se
sprovodc na mahrn uzorcima, ah na velikom skupu svojslava koja, pri tome, ne
moraju biti unapred dcfinisana. Na primer, ankete se mogu kombinovati sa
studijama odabranih slučajeva, mcta analizom, analizom sekundardnih podataka,
fokus grupama itd. Takode, podaci dobijeni razhčitim metodama prikupljanja
podataka mogu se obrađivati na različit način, koristeći npr. regresiju i analizu
kovarijanse. Zasada ne postoji tehnika koja bi u svim shičajevima primene
multimetodskog pristupa ponudila egzaktan pokazatelj „pravog”, „srednjeg” ili
„prosečnog” nalaza iz svih metoda.
Čitav postupak poređenja različitih metoda i eliminacije razhka ineđu njima
su Cainpbell i Fiske nazvali metodološkom triangulacijom. Triangulacija je
metoda odredivanja položaja u navigaciji i geodeziji, a u društvenim istraživa-
njima se sastoji u tome da se istraživač fokusira na celovitu sliku pojave iz
različitih uglova - perspektiva, odnosno da pronalazi srednje ili kompromisno
rešenje iz više metoda. Multimetodski pristup, metodološki pluralizam i triangu-
lacija se u ovom tekstu spominju na više mesta, što govori o značaju utvrđivanja
validnosti u svim metodama za prikupljanje podataka. Sve vrste validnosti koje su
ovde spomenute, kao i sva pitanja vezana za validnost (šta je povećava i šta je
ugrožava) su g e n e ra ln o p r im e n ljiv a za sva socijalna istraživanja, odnosno za sve
metode prikupljanjapodataka. MOMM matrica i logika koja stoji iza konvergent-
ne i diskriminativne validnosti su samo jedan takav aspekt.
skih ocena.
V. S P R O V O Đ E N J E EM PIR IJSK IH
IS TR A ŽIV A N JA
Jedan naš psiholog je dobio napad kam enaububregu tokom eksperimcnla iz oblasti
crgonomije, pa je otišao po pomoć i kasnije u bolnicu, ostavivši ispilanika u laboratoriji.
ju validnost istraživanja, ali prouzorkujii i praktične probleme. Istraživači se u
tom slučaju dovijaju na različite načine, dajući kontrolnoj grupi placebo, ili nakon
završetka eksperimenta obećaju da će sprovesli tretman i na kontrolnoj grupi (v.
poglavlje o validnosti istraživanja).
U terenskim istraživanjima jedna faza može biti veoma komplikovana, čak
toliko da onemogući sprovodenje istraživanja u celini ili delomično. Radi se o
dobijanju saglasnosti od nadležnih pojedinaca ili ustanova. Kada se istraživanja
vrše u preduzećima, školama, zdravstvenim ustanovama, a pogotovo u vojsci ili
zatvorima, onda najčešće treba obezbediti niz saglasnosti, što formalnih, što
neformainih. Istraživač treba da ima na umu da od viših nivoa rukovodenja treba
da dobije saglasnost, a od nižih nivoa saradnju. Upravo to, saradnja, jeste ono što
je istraživaču najvažnije i što je najteže obezbediti.
Zbog malih fondova i kratkih rokova, istraživači posežu za raznim „krati-
cama” i „zaobilaznicama”. Umesto ekipe saradnika sa kojima se organizovano
sprovodi priprema i obuka i koji se uredno plaćaju, angažuju se prijatelji. Umesto
uredno dobijenih saglasnosti, takode se računa na prijatelje, koji na svoju ruku
obavljaju prikupljanje podataka. U tim okohiostima istraživač, kao primalac
usluge, ne usuduje se da od prijatelja zahteva da produ obuku i mora umnogome
da progleda kroz prste „metodologiji” koju oni primenjuju na terenu. Što je
najgore, ispitanici, čak i ako se radi o deci, po praviki uočavaju da procedura nije
čista i gube motivaciju za saradnju.
2. Problem i sa saradnicima
3. Problemi sa ispitanicima
B. Etička pitanja
Radi se o onome što se u egleskoj literaturi naziva c o sl/b e n e fit ili risk /b en e -
f i t analizoni. To znači da istraživač mora prvo da oceni r iz ik k o ] i postoji za ispita-
nike. Rizik se obično posmatra ki'oz mogućnost: fiiičke povrede, društvene
povrede ili mentalnog ili emocionalnog stresa. Rizik od fizičke povrede nije
veliki u istraživanju ponašanja, ali kad god se primeiijuju neki tretmani koji bi
mogli dovesti do fizičkih oštećenja treba učiniti sve da do njih ne dode.
Pod društvenim povredama misli se prvenstveno na neprijatnosti koje ispi-
tanik može doživeti u grupnim istraživanjima, kada njegove osobine ili postupci,
izazvani istraživanjem, postanu dostupni drugim članovima grupe. Poznat je
primer Aschovih eksperimenata sa konformizmom (str. 205) u kojima sii se
subjekti mogli osećati prilično obnikanim zbog promene mišljenja i prihvatanja
mišljenja drugih.
Psihološka povređenost nastaje kod ispitanika vrlo često upravo zbog toga
što su obmanuti, aU i kad nisu, uslovi istraživanja mogu, sami po sebi, predstav-
Ijati stresnu situaciju. Recimo, ispitanici moraju istraživaču saopštavati neke
intimne pojedinosti o sebi iU moraju učestvovati u kognitivnom testiranju koje
zahteva koncetraciju i napor. Još je teža situacija sa eksperimentahiim istraživa-
njima u kojima se ispitanicima preti elektrošokovima, ih se pušta dim u prostoriju
da bi sc ispitalo ponašanje u hitnim situaeijama.
Prilikom analize rizika treba biti realan. Kao što kaže svakodnevna pamet,
život je vrlo rizična pojava, sam po sebi. Pažljiva analiza moralne odgovornosti
istraživača je pokazala da treba oduzeti onaj nivo rizika koji bi svaki ispitanik
imao u svakodnevnom životu. Taj rizik se naziva m in im a ln im rizikom . Istraživa-
nje ima minimahii rizik kada on nije veći nego što ga nosi sam život. Na primer,
opasnost da ispitanik koji je srčairi bolesnik doživi srčani napad, ili da dobije
alergiju ako je alergičan, ili da bumo reaguje na intervju ili psihološko testiranje
ako je inače depresivan spadaju u minimahii rizik istraživanja, jer ta oštećenja
ispitanik može doživeti i u redovnom životu.
Tačno je da svako ispitivanjc i testiranje predstavljamaltretiranje ispitanika,
ali pravo je pitanje da li je ono veće nego što ga imaju učenici i studenti svaki
dan. Dakle, ne može se od istraživača tražiti da obezbede ispitanicima veći mir i
spokoj nego što ga imaju u svakodnevnom životu.
Nakon analize rizika po ispitanike, treba evaluirati dobitak koji donose
nalazi istraživanja. Radi se o jednostavnom pitanju da li se istraživanje uopšte
isplati. Dobici se mogu odnositi na same ispitanike: bolji nastavni programi, bolja
mogućnost lečenja, bolje usluge, bolja zaštita itd. Ovi dobici su posebno izraženi
u primenjcnim istraživanjima (v.). Ipak, ne treba preterivati i zahtevati od društve-
nih istraživanja mnogo takvih direktnih dobitaka. Mnoga istraživanja ponašanja
su stekla svctsku slavu samo po tome što su p rik u p ila re le v a n tn e p o d a tk e . Dakle,
pri ocenjivanju dobitaka treba stvari postaviti u širi kontekst, društveni, a pre
svega naučni. U naučnom kontekstu se na prvom mestu inora oeeniti validnost
istraživanja - da li istraživanje ima izgleda da postigne svoj cilj. Ako to nije
slučaj, onda se ono sigurno ne isplati. Rosenthal je to formulisao na sledeći način:
„Ako je sve ostalo jednako, istraživanje koje ima veći naučni kvalitet lakše je
etički branjivo.”
Ako je nacrt istraživanja validan, a projekt dobar, može se postaviti pitanje
o tome da li istraživanje ima društvenu relevantnost. Društvena relevantnost se
može ispreplesti sa ličnom. Na primer, edukativna istraživanja (v.) imaju ogroman
značaj za pojedinca, ali imaju i društveni značaj u tonie što se održava ili poveća-
va stručna i naučna kadrovska baza. Dakle, u tom smislu, edukativna istraživanja,
sama po sebi, predstavljaju izvestan dobitak.
Kada se evaiuiraju dobici, onda ih treba uporediti sa gubicima. Nažalost, taj
učeni te m in , costAienefit analiza, u ovoj oblasti neće biti od velike pomoći
istraživačima. Najviše što ovde možemo je da im ukažemo da taj korak treba
obaviti, ali kako...? Odgovor na to pitanje je prepušten njima. Na primer, jedna
dobro poznata dilema nastaje u slučaju kada su jednako veliki društveni i naučni
dobitak, kao i individualni gubitak. Kada je dozvoljeno žrtvovati interese pojedin-
ca zbog širih interesa? Ta dilema je konstantna i svako se sa njom suočava u
svakodnevnom životu. Zato se može reći da izvesna doza suprotstavljenosti
pojedinačnih i opštih interesa spada u minimalni rizik istraživanja.
c. Informiscma saglasnost
d. Izlazni iniervju
Osim Milgrama, zgranuta je bila stručna i naučna javnost, a zatim i šira jav-
nost. „Vera u čoveka” je bila poljuljana. Ubrzo nakon toga stigle su i osude
Milgrama zbog neeličnosti njegovih eksperimenata jer su nanosili patnju učesni-
cima. Kao jedna od posledica iracionalnog odnosa prema nalazima ovog eksperi-
menta je i to što se u literaturi nalaze različiti opisi i pođaci o eksperimentu, često
protivrečni i po pravilu usmereni ka izazivanju zgražavanja.
Milgram je uočio problcm sa obmanjivanjem učitelja pa je kasnije sa njima
obavljao izlazni intervju, kojom prilikom im je objasnio o čemu se radilo, pa je
čak i dovodio g. Valasa koji bi ispitanicinia potvrdio da je s njime sve u redu.
Ispitanicima je objašnjeno da je njihovo ponašanje bilo nonnalno i da su se tako
ponašali zbog socijalnog pritiska koji su trpeli. Pored toga, svim učesnicini. '
poslao osnovne nalaze iz istraživanja i kratak upitnik o tome šta mi.'^'-' n
istraživanju. Odgovori su pokazali da jc 84% bilo zadovoljno što je učestvoM :
74% ih je reklo da su imali koristi od njega, a samo 1% je reklo da im je žao što
su učestvovali. Psihijatri su intervjuisali učesnike godinu dana kasnije i nijedan
negativan efekt nije mogao biti utvrdcn.
M ilgram je čak snimao tok eksperimenta. Na filmovima se vidi da je većina
ispitanika negodovala, tražila da prekine, nudila da vrati novac, znojila se, ner-
vozno se smejala. Očigledno ih je njihova društvena uloga (bili su plaćeni) i
priznavanje uloge vode-autoriteta eksperimentatoru navodilo da nastavljaju
eksperirnent. Ispitanici su dali prednost osećanju za dništvenu hijerarhiju i organi-
zaciju nad saosećanjem za pojedinca, iako Milgramovi zapisnici jasno ukazuju da
je sa o s e ć a jn o st p o sto ja la . Evo Milgramovog opisa jednog slučaja.
Z a p a zio sa m zr e lo g i u ra v n o te ž e n o g p o s lo v n o g čoveka, k o ji j e ušao
n a sm ešen i sa m o p o u zd a n . N a k o n 2 0 m im ita p re tv o r io se u d rh ta v u i
m u c a v u o lu p in u k o ja s e u h rza n o b ližila n e rvn o m slom u. S ta ln o se
vuka o z a u h o i lo m io p rs te . U je d n o m trenutku, sta v io j e ša k u n a ćelo
i p ro š a p ta o : „ O B ože, d a j d a o v o p re sta n e A ip a k j e n a sta v lja o d a
re a g u je n a sv a k u r e č isira živ a ć a i bio j e p o slu ša n sv e do kraja.
1. Unos podataka
1«: 2{
i
m: 71
3 5 ei 8; «i n
i i
11 12 13 14 16 1£ 17. 18| lOj 21
[ .......... . 1 i [
Šifriranje je na prvi pogled „dupli posao”, ali treba imati u vidu sledeće.
• Tokom šifriranja se obavljaju sve operacije od 1 do 6 koje smo gore
nabrojali.
• Unos podataka se može preklapati sa šifriranjem, jer može početi
odmah nakon što se šifrira pi-va količina upitnika.
• Unos podataka se obavlja maksimalnom brzinom, od otprilike 8000
znakova na sat, a i šifriranje ide vrlo brzo jer se šifranti „uhodaju” sa istim
upitnikom. Tako se obe aktivnosti, koje su obavezne prihkom unosa poda-
taka - kontrola i priprema upitnika i sam unos - obavljaju maksimalnom
mogućom brzinom.
• Postoje i druge prednosti unosa sa šifriranjem kao što su: bolja organi-
zacija, tajnost podataka, unaki'sna kontrola tačnosti i sl.
Unos podataka direktno iz upitnika ne zahteva prethodno šifriranje i karak-
terističan je za mala istraživanja, za istraživače početnike i onda kada se pokušava
uštedeti trud, novac i vreme. Naravno, to ne znači da se samo u tom slučaju pri-
menjuje unos iz upitnika. Ta strategija unosa je legitimna, ali kada se radi profe-
sionalno, ona pretpostavlja da se izvesni koraci moraju izvršiti kako bi se posao
obavio brzo i tačno.
Kao prvo, treba podsetiti da se gore pobrojane operacije na upitnicima (1 do
6) moraju obaviti i da je sasvim prirodno da se one obave pre unosa. Dalje, da bi
sam unos bio brz i tačan, upitnici se moraju grafički tako urediti da budu pre-
gledni i laki za unos (zbijeni upitnici, sa naguranim i nedovoljno razdvojenim
odgovorima i odgovorima koji su razbacani svuda po strani značajno komplikuju
percepciju, zamaraju operatera i povećavaju greške).
Treba spomenuti i jedno međurešenje, a to su poznati upitnici ,,sa kući-
cama”. Upitnik se može tako grafički prelomiti da uz desnu ivicu ima kućice u
koje se šifriraju odgovori ispitanika. To rešenje je skoro potpuno identično unosu
sa šifrantskih listića, osim što se umesto listića koristi sam upitnik. Nedostatak
ovog rešenja je u tome što upitnici moraju biti znatno veći da bi se rešenje sa
kućicama moglo realizovati. Na velikim uzorcima nije svejedno da li će upitnik
imati 10 ili 20 strana jer to povećava troškove papira, štampanja i distribucije.
Ovakvi upitnici, ako su stvamo uredno izvedeni i šifrirani mogu se podvrći
optičkom čitanju.
Najbolje je da se sam unos podataka obavlja namenskim programom koji
tokom unosa vrši logičku kontrolu podataka i upozorava operatera na greške.
Reaino je očekivati da broj grešaka u unosu ne obuhvati više od 1% upitnika i to
sa jednom do dve greške u upitniku (kada se radi unos sa šifrantskih listića). Ako
to istraživaču nije dovoljno dobro, on može koristiti tzv. unos sa verifikacijom
kada se podaci dva puta unose u cilju otkrivanja grešaka. Namenski programi
obično imaju ugrađenu mogućnosti verifikacije” . Poznat je komercijalni paket za
unos podataka Blaise koji je prilagođen unosu direktno sa upilnika.
Inače, unos bez logičke kontrole, verifikacije i drugih pogodnosti koje nude
namenski programi za unos, može se obavljati direktno u statističkim paketima, u
programima za tabelarna izračunavanja kao što su Excel ili Quattro, pa čak i u
bilo kom editoru teksta ili tekst procesoru (ovi poslednji nisu pogodni kada je broj
varijabli veliki).
2. Kodeks šifara
Kodeks šifara, šifarnik, eng. codebook, ili prosto kodeks, je u svom izvor-
nom značenju dokument u kome je opisana struktura i sadržaj datoteke podataka
iz istraživanja. Pošto se obrada podataka vrši na računaru, kodeks predstavlja ono
što se u informatici naziva opisom sloga. Kodeks je neophodno sredstvo za komu-
nikaciju između istraživača i između istraživača i statističara. Shodno informati-
čkoj terminologiji, svi podaci jednog objekta istraživanja (recimo ispitanika)
organizovani su u jedan ili više slogova (eng. record). U informatici se pojedina-
Ovaj autor koristi zadnjih dvađeselak godiiia vlastiti pakct programa za unos
podataka. Programi su prilagođcni brzom i produklivnom unosu, dakle unosu sa šifrantskih
listića. To su DOS programi koji minimalno angažuju resurse računara pa su se mogli kori-
stiti na bilo kojoj klasi pcrsonalnih računara.
čni podaci u slogu nazivaju p o ljim a (eng. field), a u društveno-naučnoj statistici
v a rija b la m a .
Danas se zahteva da kodeks sadrži i dmge informacije o podacima, a ne
samo opis sloga. Sve više se koristi medunarodni standard opisan u D a ta D o c u -
m e n ia tio n In itia tiv e - D D l (http://www.icpsr.umich.edu/DDI), koji se, opet,
oslanja na poznati D n b lin C ore. DDI tretira kodeks kao m e ta p o d a tk e o istraživa-
nju (metapodaci su podaci o podacima). Osnovna ideja DDI je da podaci bez
valjane dokumentacije nemaju vrednost, dok dobra dokumentacija može, sama po
sebi, biti korisna za istraživanje (v. meta-analizu i sekundamu analizu)
Prema DDI, kodeks treba da sadrži sledeće osnovne celine:
• cpis dokumenta,
• opis istraživanja,
• opis datoteka podataka,
• opis varijabli i
• druge povezane materijale.
Opis dokumenta je „zaglavlje” kodeksa i treba da sadrži naslov, a može da
sadrži i druge podatke kao što su: autore, ustanove, adrese, URL adrese i sl. U
opisu istraživanja treba navesti: naziv istraživanja i istraživača, vreme istraživa-
nja, geografsku lokaciju, populaciju, uzorak i jedinice analize i posmatranja, kao
i način prikupljanja podataka (instrumente). Mogu biti važni i podaci o onome ko
je prikupljao podatke (ustanove i pojedinici), kratak opis projekta i metodološki
detalji.
Opis podataka, posebno opis varijabli, je najveći deo kodeksa. Potrebno je
detaljno opisati sve uključene varijable, nazive varijabli, njihovu prirodu, vred-
nosti, nazive vrednosli, lokaciju varijabli u okviru sloga (kolona i broj pozicija),
ispuštene vrednosti i drugo.
Šifrantski list koji je opisan u prcthodnom poglavlju nije ništa drugo do slog
podataka na papiru. Da bi se napravio šifrantski listić, da bi se podaci pravilno
uneli i kontrolisali, da bi se statistički obradili i, što je najvažnije, da bi mogli da
ih koriste i diTigi istraživači, čak i nakon mnogo godina, mora postojati dobar
kodeks. Po potrebi, kodeks šifara se može prevesti na neki od svetskih jezika i
može se slati svakom onom koji kasnije bude koristio podatke. Kodeks šifara je,
kako za samog istraživača, tako i za istraživački tim jedan vrlo pogodan doku-
ment u kome su objedinjeni svi podaci istraživanja, na jedinstven i prečišćen
način. Onoliko koliko dobar kodeks olakšava pripremu za unos podataka, obradu
podataka, interpretaciju rezultata obrade i naknadne analize nakon višegodišnje
pauze, toliko loš kodeks svim učesnicima otežava rad.
Osnovna jedinica kodeksa su v a rija b le . To čini značajnu razliku u odnosu
na upitnike i druge meme instnunente koji su orijentisani na pitanja, stavke ili
zadatke. Upitnici se prave tako da ih razumeju ispitanici, a kodekse treba da
razumeju statističari i istraživači. Prirodno je da kodeks fonnira istraživač sam,
jer jedino on ima pregled svih pitanja, njihovog smisla, otvorenih pitanja itd. Ko-
dcks može obuhvatati (i obično obuhvata) podatke iz više mernih instiiimenata.
U nekim, vrlo retkim slučajevima, sam upitnik ili test mogu poslužiti kao
kodeks šifara. Po pravilu, međutim, upitnici a) ne sadrže sve podatke koji su
potrebni za opis sloga (jDogotovo ako se poštuju preporuke DDI), b) sadrže mnoge
druge, a nepotrebne podatke i c) nepregledni su za namenu unosa i obrade podata-
ka. Na primer, ako upitnik sadrži otvorena pitanja, ona se moraju prethodno
zatvoriti i tek tada su spreiTma za unos i obradu. Neka druga pitanja mogu biti
pogrešno formulisana, ili pogrešno odštampana, pa će ih istraživač izbaciti iz
dalje obrade. Osim pitanja iz upitnika, u fond varijabh mogu biti uključeni i drugi
raspoloživi podaci koji nisu sadržani u upitniku. Na primer, to može biti pripad-
nost nekoj grupi (recimo škoh). U istraživanju se podaci o objektima ne moraju
prikupljati samo jednim instrumentom, u jednom trcnutku, nego može postojati
više upitnika i testova, koji se daju u vremenskim razmacima (kao u longitu-
dinalnim istraživanjima).
Da bismo objasnih kako treba da izgleda najvažniji deo kodeksa, opis vari-
jabU, prikazah smo u tabeh isečak iz jednog mogućeg kodeksa. U prvoj koloni se
nalaze redni brojevi varijabh u istraživanju. Na primer, prva varijabla u ovom
kodeksu je redni broj upitnika/ispitanika, iz čega se vidi da varijable ne moraju
biti samo pitanja iz upitnika, nego i neki dodatni podaci koji se generišu u istraži-
vanju i koji mogu imati razhčite namene. Logika obrade podataka nalaže da se
svaki podatak koji se unosi na „magnetni medijum” tretira kao varijabla. Redni
broj ispitanikaje po pravihi nominahia varijabla, ah u izvesnim shičajevima može
biti i ordinalna.
3. Internet
Pre svcga skjećem pažnju na različita niesta na koja Garson ukazujc na kojima sc
mogu pronaći podaci iz socijalnih istraživanja, vcoma pogodni za vežbanjc i
eksperimentisanjc sa tehnikama analizc podataka. Nažaiost, pristup podacima je ograničen
i samo neki od njih su slobodno dostupni.
URL” . URL može biti veoma kompleksan, sa mnogo teksta i specijalnih znakova,
a najprostiji su oni poznati: http://www... Svaki URL zapravu ukazuje na neki
određeni, fizički postojeći računar i na neku datoteku na njegovom hard disku.
Zamislimo da negde nađcmo jedan URL (adresu) sa kursom za istraživanja
ponašanja koji vodi neki profesor na nekom univerzitetu kao npr. http://www.
unsff.ns.ac.yu/profesor/behavres.htm. Nleđutim, pre nego što smo uspeh da pri-
stupimo tom kursu, dotični profesor je otišao na drugi univerzitet i poneo kurs
(oko koga se pomučio i uložio dosta rada) sa sobom. Sada se uvodna stranica tog
kursa nalazi na drugom računaru, pa će njena adresa možda biti http://w w w .fbg.
ac.yu/profesor/behavres.htm.
K ada se radi o promeni adrese vehkih firmi, one ponekad zadrže i staru
adresu na čijoj stranici stoji uputstvo da se izmeni URL. No, istraživaču najčešće
ne preostaje ništa dnigo nego da pokuša da pronade novu lokaciju starog resursa
(ako još postoji, jer je spomenuti profesor mogao da povuče svoj kurs izjavnog
domena) putem Intemet pretraživača kao što su Altavista, Yahoo, Google i sl.
Ovo upozorenje apsolutno važi za sve URL koji su navedeni u ovoj knjizi.
6. Pisanje
b. Slonn izdavašlvo
A. Osnovni pojmovi
1. Populacija i uzoral<
Važno je spomenuti jedan značajan problem koji se javlja kod primene sta-
tistike u svim naukama o ponašanju. Taj problem se tiče upotrebe matematičkog
jezika. U oblasti društvenih nauka, matematika i statistika se najčešće primenjuju
u psihologiji, matematičkoj psihologiji i psihom etiiji (osim ekonomije i ekono-
metrije). U standardnom gradivu tih oblasti, a za potrebe studenata i istraživača
čije matično obrazovanje nije sadržavalo matematiku, razvijen je poseban jezik
koji se vrlo često koristi i obično je kvazi-matematički. On društvenim istraživa-
čima „liči” na matematiku, ali kada ga čitaju matematičari oni u njemu prepo-
znaju nepismenost. Uzmimo, na primer, kako će se u naukama o ponašanju često
reći i napisati, ah i pročitati na mnogim mestima, šta je arimetička sredina. Napi-
saće ZX /N (izgovara se: sum aX kroz A'^).
Matematičar (ili statističar) bi to napisao potpuno drukčije i to onako kako
ćemo mi uraditi u jednom od sledećih poglavlja o merama centralne tendencije.
Primer aritmetičke sredine je veoma prost i verovatno će svi razumeti šta je
psiholog napisao. Radi se o tome da je psihologpodraziimevao mnogo šta: da je
X oznaka za vektor sirovih skorova na jednoj varijabli, da njih ima A'’ i da se
sumira svih N skorova. U statistici postoje, na nesreću, mnogo složeniji izrazi kod
kojih se ne možemo osloniti na popularnost i opštu razumljivost.
Matematički jezici nisu svi isti u tom srnishi da im azbuka, reči i rečenice
nisu isti. Često nisu ista čak ni sintaksna pravila. To otežava stvar društvenom
istraživaču, koji kad čita statističke priručnike nailazi na formule koje na prvi
pogled izgledaju različito. Međutim, jedno pravilo u matematici je univerzahio, a
to je da se na početku teksta autor deklariše „kojim jezikom govori”. Tu on
eksplictno mora da objasni i defmiše svu bazičnu sintaksu i semantiku kojom se
shiži, ili se pribegava čestoj praksi da kroz uvodno izlaganje osnovnih pojmova i
propozicija kojima se tekst bavi demonstrira sintaksu koju će koristiti.
2 75 1 3 •■■ 3
2 75 1 3 ■ 3
Tom praksom ćemo se i ovde poslužiti. Kao prvo, osnovna matrica podata-
ka, polazno mesto sve statistike, onako kako je data u tabeli 5 (str. 151) nije
neposredno upotrebljiva za statističku obradu. U jednačini [32] smo prikazali
jednu malu transformaciju, kako od osnovne niatrice podataka, koja je „opšte
namene”, nastaje matrice podataka, koja je namenjena statističkoj obradi.
Kao prvo, termin matrica ima u matematici vrlo precizno značenje. U izrazu
[32], krajnje desno, je ono što bi matematičar nazvao matricom podataka. Ako
ovu matricu uporedimo sa tabelom na str. 151, vidi se da su izbačena prezimena
ispitanika (prva kolona matrice), a zatim i prvi red sa nazivima varijabli. U
matrici podataka ostali su samo podaci, u ovom primeru numerički. To što više
nema redova i kolona sa identifikacijom objekata i varijabli može da predstavlja
teškoću samo čitaocu laiku. Identifikacija pojedinili članova matrice se vrlo
precizno postiže identifikacijom mesta na kome se oni nalaze. Pogledajmo levu
stranu izraza [32] i videćemo da je uobičajena konvencija u malematici da se
matrice označavaju velikim masnim slovima - ovde X, ili oznakom članova
matrice običnim malim slovom, zatvorenim u vitičaste zagrade. Da se radi o
opštoj oznaci člana matrice, vidi se po dva indeksa i ij . Prvi sc indeks po konven-
ciji odnosi na redove, i u slučaju matrice podataka može da ima vrednosti od 1 do
n (veličina uzorka), a drugi se odnosi na kolone, i u slučaju matrice podataka
može da ima vrednosti od 1 do tn (broj varijabli).
Matrice su predmet izučavanja posebne grane matematike, matrične algeb-
re. Clanovi matrice, kao uopšte svi pojedinačni brojevi nazivaju se skalarima, a
jednodimenzionalni nizovi brojeva, kao što su pojedinačni redovi ili kolone u
matrici vektorima. Dakle, matrice su sastavljene od vektora, a vektori su
sastavljeni od skalara. Na matricama (i vektorima) se mogu izvoditi neke operaci-
je koje su vrlo slične skalaiTiim operacijama. Tako se matrice mogu sabirati,
oduzimati, množiti, deliti i stepenovati. Naravno, te operacije liče na skalarnc
operacije, ali se po mnogo čemu i razlikuju. Osim tih osnovnih operacija, na
matricama sc mogu izvoditi i potpuno spccifične operacije kao što su inverzija
matrice (koje je, doduše, slična skalarnoj operaciji I/x) i analiza karakteristične
stmkture matrice. Sve te operacije su osnova multivarijatne analize, koja je skoro
isključivo zasnovana na matričnoj algebri i operacijama na matricama.
Matematičar bi priču u matrici podataka ukratko ispričao na sledeći način:
defmišimo matricu X kao matricu sirovih podataka, čiji su elementi x,y. kao:
X = {.V,} [33]
za !=l,...,n i pri čemu je n broj ispitanika, a m broj varijabli. Kolone
matriee X čine vektori m varijabli:
7=1,...,m [34]
Na taj način bi on precizno pokazao da se matrice označavaju masnim
velikim siovima, vektori masnim malim slovima, a skalari koji su njihovi članovi
ili elementi malim slovima. Pozicija vektora u okviru rnatrice i člana u okviru
vektora ili matrice se označava indeksima. Upravo ovakva sinlaksa se koristi u
ovom tekstu, jer se danas može reći da ona preovladava u tekstovim a koji koriste
lineamu, odnosno matričnu algebru.
Nažalost, niatematičari obično izbegavaju da dalje izlažu o „sadržajim a” i
„značenjima” elemenata u redovima i kolonama matrice X. Za razliku od njih,
društveni istraživači se osećaju osujećeni kad se sretnu sa egzaktnim m atem ati-
čkim opisima. Oni bi možda bolje razumeli primer matrice X kakav je dat u tabeli
5 ili bar u sredini izraza [32] u kome ,,sve lepo piše” : da kolone matrice čine vari-
jable pol, obrazovanje, starost i ajtemi neke A:-ajtcmske skale stavova, a redove
rezultati n ispitanika na tim varijablama.
Još jedan vrlo važan i čest simbol u statistici zaslužuje kratko objašnjenje.
To je simbol „operatora sumacije” za koga se koristi grčko slovo sigma, Z . N a
primer, sabiranje svih n članova j-te kolone matrice podataka napisali bism o kao:
J
i=\
a sumiranje svih članova matrice X kao:
n m
i=i y=i
4. Normalna distribucija
Kad kažcmo „vidimo” to znači da gledamo u statističke tablice koje se mogu naći
na kraju svakog statističkog udžbenika. Stalističke tablice u kojima se nalaze proporcije
(procenti) kojc ovdc navodimo se obično nazivaju „površina pod nomialnom krivom” ili
„površinc pod standardnom nomialnom krivom”.
Na slici 13 je prikazana tzv. kmmilativna noiinalna distribucija, ili kako se
popularno naziva - ogiva. To je funkcija koja prikazuje kako se kumulira broj,
odnosno procenat slučajeva sa porastom skora na apscisi (u ovom slučaju
standardizovanog skora). Vidimo da aritmetička sredina leži na 50% slučajeva, a
na slici su prikazani i prvi i treći kvartil koji će biti objašnjeni u poglavlju o mera-
ma varijabilnosti.
B. Deskriptivna statistika
Pi-vi korak koji istraživača čeka nakon prikupljanja podataka je brz i efika-
san pregled onoga šta se dobilo. Toni prilikom se uvek utvrdi da neke varijable
,,ne rade”, odnosno da nemaju varijabiliteta, da kod drugih varijabli (posebno
nominalnih) neke kategorije imaju vrlo niske frekvencije pojavljivanja, da kod
mtei-valnih varijabli postoje ekstremi (recimo da postoje ispitanici stari jednu ili
101 godinu) i razne dnige stvari o kojima teorija ne kaže ništa, a stvarna istraživa-
nja stahio govore o tome. Ovaj prvi korak svake analize podataka se na engles-
kom zove „data screening” ili „data cleaning” i njegova namena je validacija
podataka.
Nakon što se greške, nepravilnosti, propusti i nelogičnosti u podaeima
otklone, islraživača konačno interesuje da vidi šta je dobio. Sve te preglede i
uvide u dobijene podatke nazivamo deskriptivnom statistikom.
Medutim, defmitivna deskripcija distribucije varijabli obično nije sania po
sebi cilj. Cilj su generalizacije sa uzorka na populaciju, jer će društveni istraživač
težiti da njegovi zaključci budu što univerzalniji i da nc važe samo za grupu Ijudi
koje je ispilao, nego za sve Ijude koji pripadaju toj populaciji. Ako se u anketnom
istraživanju utvrđi da je 50% Ijudi odgovorilo da su religiozni, istraživač će
nastojati da to uopšti na čitavu državu/republiku u kojoj je istraživao. Naravno,
on će u tom uopštavanju biti onoliko u pravu koliko je uzorak bio reprezentativan.
U ovom smislu, uopštavanja na populaeiju, deskriptivna statistika je deo
onoga što statističari zovu statistikom ocenjivanja. Statistika ocenjivanja služi da
se na osnovu dobijenih aritmetičkih sredina, standardnih devijacija ili relativnih
frekvencija (procenata) oceni koje su njihove vrednosti u populaciji. Dobijene
vrednosti na uzorku su statistici, a vrednosti u populaciji su parametri (v.
kasnije).
Nije uvek u praksi istraživača da se deskriptivna statistika koristi za genera-
lizacije, niti je to uvek potrebno (recimo u inicijalnim, ekspiorativnim istraživa-
njima). No, deskriptivna statistika se uvek koristi u kvantitativnim studijama,
barem za validaciju i deskripciju dobijenih podataka. Ako se koristi samo sa tim
ciljem, onda pripada spomenutom prvom zadatku statističke analize invididualnih
razlika - kvantifikaciji.
Kad kažemo „deskriptivna”, mislimo prvenstveno na opis distribucije
slučajnih varijabli. Dakle, važno je da istraživač razunie da je to prvenstveno
tehnički termin i da se odnosi na distribuciju frekvencija varijabli iz istraživanja.
Distribucija frekvencija odražava dobijcnu raspodelu skorova” na uzorku i
fundamentahii je statistički pojam.
Kod kontinuiranih, uslovno kontinuiranih (npr, onih koje su nastale broja-
njem) i intervahiih varijabh, da bi se dislribucija frekvencija što prcciznije opisa-
la, potrebno je predočiti nekoliko važnih podataka. Ti podaci se niogu grupisati u
tri gmpe:
• mere centralne tendencije,
• mere varijabilnosti i
• mere obUka distribucije.
Statističari koriste jedan univerzalan tennin za sve ove mcre/pokazatelje -
momenti distribucije. Bez kompletnog navoda svih tih pokazatclja ne možemo
steći pravihiu sliku o distribuciji kontinuiranc varijable.
Varijable koje merimo na uzorku shiže nam da bismo oceniH stcpen prisu-
stva tih varijabli u populaciji. Recimo, ako ispitujemo stepen znanja o SIDI
(pomoću nekog testa znanja) ili količinu alkohola koliko Ijudi popiju nedeljno,
nas inleresuje situacija u našoj zemlji uopšte (ili eventualno kod omladine). Kad
bismo stvarno mogli da ispitamo sve omladince dobili bismo distribuciju tih vari-
jabli na populaciji.
Mcre centralne tendencije, varijabilnosti i oblika distribucije na populaciji
nazivaju separametrima. Na primer, najpoznatija mcra centralne tendencije, arit-
mctička sredina, u populaciji je jcdan od parametara distribucije ncke varijable.
Isla ta aritmetička sredina, kada se izračuna na uzorku naziva se .statistilrom
(naglasak je kao kod „kolerikom”). Značaj razlikovanja statistika i parametara se
krije u sledećem prostom iskazu: statistici nam služe da ocenimo koliki su para-
metri. Citava ta oblast statistike, ocenjivanje parametara iz statistika se naziva
.•italistikom occnjivanja.
U slatistici je uobičajeno da se parametri označavaju grčkim slovima, p a je
aritmetička sredina populacije /i, a standardna devijacija a, dok su aritmetička
sredina i standardna devijacija uzorka i populacije M \ s. Medutim, mi se ovde
nećemo držati tog potpuno opravdanog pravila, najviše zato što je postalo
uobičajeno da se standardna devijacija označava grčkim malim slovom sigma, a,
bilo da se radi o parametru, bilo da se radi o statistiku.
” Pod „skorom” se u psihomctriji podrazumeva ukupni skor iia nekom lcslu, upitniku
ili skali stavova ciobijcn sabiranjem odgovora na pojedinačnim ajtcmima. Mcđutiin, u žar-
gonu sc koristi i/jaz „skor” za bilo koju mcru ili rezultat koje jc ispilanik dobio.
2. Mere centralne tendencije
o
c
II)
ž
ai
t-,
M ■= — ---- , za svako j , ili kao:
I*. ,
M ■= —-------
=
[39]
^ n n j = \,...,m
3. Mere varijabilnosti
[41]
U jednakosli [41 ] krajnji desni izraz predstavlja tzv. formulu za ručno raču-
nanje varijanse. V arijansaje, mogli bismo reći, centralni statistički pojam. Vrlo je
važno da se zna da je ona „čist broj”, tj. da se ne izražava u jedinicam a u kojima
je merena varijabla. N aprim er, u našem prim eru varijansa starosti je 192,87, ah to
ne znači 192,87 godina. N ajbolje je da se o varijansi misli kao o površini, što
ćemo kasnije još demonstrirati na V enovim dijagramima (u poglavlju o korelaciji
i regresiji). Na normalnoj distribuciji sa slike 12 smo varijansu simbolički označili
tamnije osenčenim kvadratom.
Cuvena standardna devijacija neke varijable je prosto:
Čitalac je dosada već mogao da uoči značaj koji ima oblik distribucije za
interpretaciju dobijenih podataka. U uvodnim poglavljim a o teoriji m erenja su
ukratko razmotreni tzv. statistički uslovi, između ostalili i pretpostavka normalne
distribucije. Tamo je rečeno d aje normalna distribucija stvarno univerzalni model
distribucije većine društvenih pojava. Osim toga, normalna distribucija ima
mnoga veoma povoljna svojstva za teorijsku statistiku, pa je većina statističkih i
m ultivarijatno-statističkih metoda bazirana na modelu normalne distribucije.
Medutim, važno je da se ponovo naglasi da je normalna distribucija teorijski
model merenja i statistički model, a ne model podataka.
Imajući u vidu da je normahia distribucija model merenja, ako dobijemo
pribhžno normalno distribuiranu varijablu znamo nekoliko stvari: a) individualne
(iH gi-upne) razUke koje sadrži ta varijabla nastale su delovanjem veHkog broja
nesistematskih i nepovezanih faktora i b) procedura našeg merenja nije imala
uticaja na ukupan ishod merenja (uključujući i nepristrasno biranje uzorka).
S druge strane, pokazano je kako ne treba očekivati da će sve pojave kojim a
se bave driištvene nauke biti normahio raspodeljene. Navedeni su telesna težina i
starost, a može se navesti i broj dece u porodici i sve pojave koje u sebi
odražavaju interese i motivaciju. N a primer, distribucija vremena dolaska na
posao je asimetrična jer Ijudi uglavnom kasne, a vrlo retko ranije dolaze na posao.
Isto tako, distribucija razhka plaćene i dobijene kohčine robe je asim etrična je r
prodavci imaju interes da daju manje robe, a ne više itd. Takode, zbog psihomet-
rijskih zakona, ukupni skorovi instrumenata kao što su skale stavova, psihološki
testovi i upitnici neće bili normalno raspodeljeni, nego će biti spljošteni.
Sve u svemu, istraživač ne treba da pridaje značaj „pretpostavci normalne
distribucije” veći nego što ga ona ima. Ono zbog čega obhk distribucije mora biti
važan istraživaču je pravilo koje je gore spomenuto: ako distribucija nije
normalna (a očekivalo bi se da jeste), onda smo ih našim merenjem uticali na
dobijene rezultate, ih je u uzorku preovladao uticaj nekog malog broja faktora na
ponašanje ispitanika. N a primer, ako je distribucija nagnuta možda je naš test bio
suviše težak (pa ga većina nije rešila), ili su naša pitanja bila suviše drastična u
smislu da su izražavala suviše ekstremne stavove, pa se većina ispitanika sa njima
nije mogla složiti. To su primeri kada bismo rekh da je procedura m erenja uticala
na ishod. Drugi primer je, recimo, sa bimodahiom distribucijom čiji vrhovi odgo-
varaju polovima. U tom slučaju bismo rekli da je na individualne razlike veliki
uticaj imala razlika u polu ispitanika.
U tumačenju mera centralne tendencije rekli smo da se iz međusobnog
položaja moda, medijane i srednje vrednosti može zaključiti o asimetričnosti
distribucije. Slika 15 govori više od reči. Ako postoji asimetrija distribucije, onda
će postojati tendencija da aritmetička sredina bude sa one strane medijane i
posebno moda, na kojoj strani postoji asimetrija. Ako je asimetrija pozitivna (duži
desni krak distribucije, više ispodprosečnih slučajeva ili postoje ektremni visoki
slučajevi), onda će prosek biti veći od medijane i od moda. I suprotno, ako je
srednja vrednost niža od medijane i moda, onda je asimetrija negativna (ima više
iznadprosečnih slučajeva ili ekstremno niskih shičajeva). Koristi se i temiin
nagib; pozitivno asimetrična distribucija je nagnuta udesno, a negativno asimet-
rična ulevo.
Distribucije će biti slične, ali ne identične. Neke će imati viši prosek, neke će
imati veću varijabilnost itd. Recimo da smo ih sve nacrtali na istom grafikonu.
Dobićemo približan prikaz kao na slici 17.
Šta je ključni utisak ako posmatramo aritmetičke sredine? lako poneke zna-
tno odstupaju na jednu ili na dmgu stranu vidimiO da se većina grupiše oko jedne
srednje vrednosti. Recimo da smo nakon računanja deskriptivne statistike za svaki
uzorak unosili podatak o svakoj aritmetičkoj sredini u računar. Dobili bismo
jednu slučajnu varijablu za koju bismo mogli izračunati deskriptivnu statistiku.
Naime, la slučajna varijabla inia vlastitu distribuciju koja se naziva distribucja
uzoraka (engl. sampling distribution) aritmetičke sredine.
Slalistička teorija i zdrav razum kažu da će aritmetička sredina te slučajne
varijable biti sličnija aritmetičkoj sredini populacije - parametru - što veći broj
uzoraka izvadimo. Još važniji pojam je pojam standardne devijacije te slučajne
varijable. Standardna devijacija distrihucije uzoraka aritnie/ičkih sredina na n
uzoraka se naziva standardnom greškom aritmetičke sredine. Ako smo izvukli
sve moguće iizorke veličine 872 iz naše populacije, jezikom fonmila se gornji
iskazi mogu napisati kao:
[47]
gde je i-i aritmetička sredina populacije, a prosečna M svih izvučenih uzoraka.
U sledećoj fomiuli;
[48]
V«
ffj,je standardna devijacija distribucije uzorka aritmetičke sredine, a standardna
devijaeija merene osobine u populaciji - parametar.
Centralna granična teorema nam govori da će distribucija uzoraka srednjih
vrednosti biti normalna. Iz gomje fonnule vidimo da će njena varijabilnost biti to
manja, što su uzorci veći (jer je obmuto proporeionalna korenu iz veličine iizor-
ka). Šta to znači? To znači da što su uzorci veći, to je standardna greška aritmeti-
čke sredine manja. Pošto je greška manja, M uzorka će biti preciznija ocena para-
metra populacije.
Kako se taj zaključak koristi u statistici? Tako što se pomoću standardnih
grešaka formiraju tzv. intervalipoverenja. Pošto je distribucija uzoraka normalna,
intervali poverenja se jednostavno formiraju po formuli M±z^a^,, gde je z^.
granična vrednost. Ako je z^=l ,96, smatramo da će sa 95% sigurnosti, vrednost
populacije/y, ležati u rasponu A/±l,96ff^,. Prema tome, saslike 17 možemo zaklju-
čiti kolika je verovatnoća da će parametar populacije ležati u nekom rasponu sre-
dnjih vrednosti. Intervali poverenja se, takode, nazivaju marginom greške između
rezultata dobijenog na uzorku i vrednosli populacije (o intervalima povercnja biće
još reči u poglavlju o korisnosti testiranja nulte hipoteze).
Standardna greška aritmetičke sredine (kao i bilo kojeg drugog statistika) se
u praksi ocenjuje iz uzorka, na isti način kao što se i ostaii parametri ocenjuju iz
uzorka. U novije vreme, pošto su personalni računari postaii veoma brzi, u
komercijalnim statističkiin paketima se iialazi tzv. tehnika resamplinga (sreće se
još pod nazivima Monte Carlo, bootstraping ili jackknifing), gde se veštački iz
našeg stvarnog uzorka izvlače dmgi uzorci (veličine n - 1) i za njih računaju distri-
bucije uzoraka. Tim načinom se mogu vrlo egzaktno izračunati standardne greške
za sve slatistike i u uslovima kada ocenjivanje standardne greške nije pouzdano
(recimo kad su uzorci mali). Dakle, ocena standardne greške Mj, za varijablu j , iz
uzorka računa se kao:
n
6. Kategorijalne varijable
[51]
Ne primer, ako bacamo jedan novčić «=100 puta, prosečan broj pisama će
biti M=50, a standardna devijacija će biti a=5. Iz fonnule za binomnu distri-
buciju:'®
P if) =
n 2
a . f54]
z
t55]
C. Korelacija i regresija
1. Regresija
(a) Pozitivna lineariia korelacija (b) Negativna linearna koreladja (c) Nema korelacije
Slika 18. Korelacija i regresija dve varijable
To što su na dijagramima (a) i (b) ucrtane dve linije nije slučajno. Naime,
regresijanije jednaka k adaje sa varijable j^na^* i sa varijablej; nax. Zbog toga bi
regresione prave verovatno izgledale tako kako su ucrtane. Pogledajmo regresij-
sku jednačinu koja je prikazana na grafikonu (a):
/ = b,x + b„. [56]
Čitava jednačina u matematičkom smislu predstavlja lineamu funkciju,
odnosno u geometrijskom smislu defmiše jednu pravu. Zato se i ova jednačina
naziva linearnom regresijom (za razliku od nje, postoje i razne vrste nelinearnih,
krivohnijskih regresija). Vrednost b, se naziva regresionim koeficijentom i na
grafikonu prcdstavlja ugao, odnosno nagib regresione prave u odnosu na apscisu.
Vrednost je tzv. regresiona konstanta i na grafikonu defmiše visinu regresione
linije u odnosu na koordinatni početak. Zato se ovaj koeficijent često naziva
odsečkom.
U tenninologiji regresije, varijabla x se obično naziva nezavisnom varijab-
lom ih prediktorom, a varijabla y zavisnom varijablom ili kriterijumom. Ovi
nazivi su direktno izvedeni iz opšte namene regresione jednačine da se iz jedne
varijable prcdviđaju vrednosti druge varijable. Egzaktno napisana regresiona
jednačina zapravo glasi:
y = b , x + bo [57]
pri čemu / označava prediktovane, predvidene ili procenjene vrednosti varijable
y. Razlika ()' - f ) se naziva rezidualom - odstupanjem, a kvadrat te razlike (y -
je minimalan u odnosu na sve druge moguće jednačine jer regresiona jedna-
čina predstavlja liniju čiji su kvadrirani reziduali najmanji.
Na grafikonu (a) je ucrtana i verovatna druga regresiona linija, defmisana
regresionom jednačinom: x = a,y + a^. U terminologiji regresije, ta regresiona
linija opisuje regresijuj' na x.
Regresiona linija y = b,x + b„ poseduje različita zanimljiva svojstva,
korisna za izučavanje statističkih povezanosti između intervalnih varijabli. Jedno
od glavnih svojstava je to što ta linija zadovoljava „metodu najmanjih kvadrata”.
To je jedna od najčešćih metoda u matcraalici koja služi za fitovanje funkcija.
Radi se o tome, da ako raspršenje prikazano na slici (a) želimo da fitujemo (opiše-
mo, aproksimiramo) pravom linijom, onda će ta linija biti regresiona linija.
Regresiona linija je linija najmanjih kvadrata zato što su kvadrati odstupanja svih
tačaka od te linije (u odnosu na sve druge prave linije) najmanji. Kvadrati odstu-
panja, kao što smo malopre videli, u regresiji se nazivaju rezidualima. U praksi se
preponičuje da se u okviru interpretacije regresione analize posmatraju i reziduah,
a komercijalni statistički paketi nude različite pokazatelje za njihovu analizu,
Reziduaii su one informacije u varijabli y koje se ne mogu predvideti iz varijable
X . Cuvena jednačina Johna Tukeya glasi:
nV X V - Y x Y X
^ = b,a„ [59]
gde su b, i a, regresioni koeficijenti iz gornje dve regresione jednačine.
Korelacija je dakle „srednja regresiona linija” u jednoin literarnom smislu - kao
kad bismo na sredini izmedu dve regresione linije na dijagramu (a) povukli treću
liniju. Takođe, sa malo izvodenja se može dobiti da je
, cr^ o-
r = b , ^ = a ,-^ -, [60]
[61]
V.-1 /-I
Simbol označava takozvanu kovarijansu varijabli x i y, a i su
devijacioni skorovi tih varijabli. Krajnje desno je poznata „psihološka” fomiula
za ručno izračunavanje koeficijenta korelacije iz sirovih skorova, koja matemati-
čki nije potpuna, ali je intuitivno jasna. Naravno, danas će retko ko računati kore-
laciju mčno, pa ta fomiula ima samo edukativni značaj.
Svaki koeficijent korelacije, ako pretenduje da bude dobra kvantitativna
mera povezanosti izmedu dvc varijable mora zadovoljavati sledeća 3 uslova:
• Njegova vrednost je jednaka nuli ako, i samo ako ne postoji slohas-
tička povezanost između varijabli.
• Njegova vrednost je jednaka jedan ako, i samo ako postoji funkcio-
nalna povezanost izmedu varijabli.
• U svim ostalim slučajevima, njegova vrednosl se mora kretati između
-1 i+ 1.
lako ovi uslovi izgledaju vrlo blagi, samo retki koeficijenti korelacije ih
ispunjavaju, a i oni samo pod određenim uslovinia. Pirsonov koeficijent lineame
korelacije ih ispunjava, ali samo ako su varijable x i y intervalne i normalno ras-
podcljene. Radi se o tome da na nivou teorijske statistike, putem analize formula.
može biti pokazaiio kako, recimo, r =0 ne mora da znači odsustvo korelacije ako
varijable nisu normalno raspodeljene.
Međutim, nasuprot tome postoje brojne simulacione studije u kojima su se
simulirale različite varijable sa različitim distribucijama (tzv. Monte Karlo
studije) i pratile promene koeficijenta korelacije. Ispostavilo se da je taj koefici-
jent vrlo robustan na odstupanja od teorijskih uslova koji se postavljaju pred
varijable. To znači da se istraživač m ože osloniti na r-koeficijent dobijen na kon-
kretnom uzorku, na konkretnim varijablama, bez obzira što logička analiza i
deskriptivna statistika ukazuju da varijable nisu na intervalnom nivou i nisu nor-
malno raspodeljene. Cak se pokazaio da obični r-koeficijent sasvim dobro oce-
njuje povezanost ordinalnih varijabli.
r-Jn - 2
t = -------- [63]
•V« - 3
Nakon što se izračuna intcrval poverenja za Z, granice intervala se mogu
vratiti u r-koeficijente inverznom transformacijom r = (e^ - 1) / (e^ + 1). Z
statistik ne zavisi od visine korelacije u populaciji ni od veličine uzorka. Na
primer, na prethodnom primeru, gde smo na uzorku veličine 77= 18 dobili
koeficijent korelacije od od r=0,32, dobićemo da je 95% interval poverenja za Z-
statistiic od -0,1744 do 0,8377. Kada granice intei-vala vratimo u /--koeficijente,
dobićemo d aje 95% interval poverenja za naš r-koeficijent -0,1727— 0,6846. To
znači da sa sigurnošću od 95% možemo da tvrdimo da se parametar populacije
nalazi u tom rasponu. Vrlo važno je da se uoči da interval poverenja obuhvata i
nulu. Uvek kada interval obuhvata nulu moramo biti svesni da naša dobijena
korelacija nije značajno različita od nide.
Kao što se vidi, lako se proverava nulta hipoteza za koeficijent korelacije,
tj. hipoteza da je p=0 pomoću navedenog /-statistika. Upravo je ta mogućnost
uobičajena u statističkim paketima. Ona nije besmislena, jer istraživač u minimal-
nom smislu mora biti siguran da li je njegova korelacija značajno različita od
nule. Međutim, ako ga interesuje da se nulta hipoteza ne odnosi na nultu vrednost
korelacije u populaciji, nego na neku specifičnu vrednost p* 0 , onda će morati
obaviti transfomaaciju r u Z (verovatno ručno), utvrditi p-vrednost za dobijeni Z
(kao za z) i odlučiti da li da je odbaci ili zadrži na osnovu usvojenog nivoa zna-
čajnosti (v. poglavlje o testiranju hipoteza).
Razlike korelacije i re gresije .- Za regresiju je poznato da je osetljiva na uzorak - u
smislu da regresioni koeficijenti mogu značajno variraju na malim i nereprezentativnim
uzorcima, posebno ako je njihova varijabilnost smanjena. Međutim, kada se izračunaju
nagib i odsečak regresione linije, oni će biti isti u svakom segmentu uzorka po nezavisnoj
varijabli. Drugim rečima, regresiona iinija je invarijantna (jednaka) u subpopulacijama,
ukoliko podaci fituju linearni model u potpunosti.
Koeficijent rn ije invarijantan u subpopulacijama, a posebno zavisi od varijanse u
subpopulacijama. Regresioni koeficijent, koji definiše nagib regresione krive, ne zavisi od
svojstava populacije, posebno varijabilnosti, a koeficijent korelacije zavisi. Koeficijent
korelacije nije direktni parametar regresione linije, iako odražava nagib elipse raspršenja i
usko je povezan sa regresijom.
r ^ = cos(Zxy) [67]
i pošto je cos(90'*)=0 i cos(0“)= l, što je ugao manji, korelacija je veća. Ovu
činjenicu čitalac je mogao da uoči već pri interpretaciji bivarijalne regresije u
kojoj smo rekli da regresioni koeficijent predstavlja nagib regresione linije.
Takode, dužina vektora odražava varijabilitet varijable. Otuda se na „vektorskim”
grafičkim prikazima prilično tačno mogu reprodukovati svojstva različitih statis-
tičkih tehnika.
Radi jednostavnosti, podrazumevaćemo da smo sve varijable prethodno
standardizovali, ah ćemo pri označavanju standardizovanih varijabli ispustiti
indeks ,,s” koji smo koristih u prethodnim poglavljima. Tako će varijabla u sim-
bohčkom smislu biti npr. y, a vektor njenih standardizovanih rezultata y. Pošto su
varijable standardizovane, regresione koeficijente ćemo označavati sa Pj, a regre-
siona konstanta će nestati iz jednačine.
Slika 20 pred.stavlja jedan od mogućih prikaza višestruke regresije sa dva
prediktora x, i x, u standardnom Dekartovom praovuglom koordinatnom sistemu.
Iz nje se vidi većina svojstava regresije. Vidljivo je, recimo, da se prediktovana
vrednost y zavisne varijable y može predstaviti kao njena projekcija na hiper-
ravan koju rastežu prediktori. G uttmanje tu projekciju nazvao imažem varijablej'.
hnaž varijable je, dakle, onaj deo varijanse varijable koji se može predvideti iz
prediktora; na slici 21 je predstavljen zbirom svih osenčenih površina. U ovom
slučaju je hiperravan prosta ravan jer imamo samo dvaprediktora: x, i x,. Rezidu-
ale (y - y) predstavlja druga kateta pravouglog trougla, pa je jasno da se za izra-
čunavanje jednih iz dnigih koristi obična Pitagorina teorema (jednačina [69]).
Vidljivo je da će prediktovana vrednost y biti to veća što je ugao 9 izmedu zavis-
ne varijable i hipeiTavni manji, jer to znači da je ukupna korelacija između zavi-
sne varijable i prediktora veća. To defmiše jednačina [70] u kojoj je R koeficijent
višestruke lineame korelacije. }e koeficijent determinacije, ili kako se često
naziva u MVA - SMC (engleska skraćenica od Squared Multiple Correlation).
sa dva prediktora
y = + f^2X2 [ 68 ]
/ = f +(y-yf [69]
CQs{0) = y / y = R [70]
iy-yf=y\\-R^) [71]
y=y^R^ [72]
1. Statističke hipoteze
Ho : Ha = IIb
H, ; Mb •
Fisherova trad icija nalaže da ta v rednost bude jednaka nuli, ali to uop.štc nijc nužno.
N ulta hipotcza sc m ože đefuiisati i k ao „h ip o teza o vrcđnosti param etra u populaciji” .
nost nezavisne i zavisne varijable, a alternativna H,:p 0. U poglavlju o korela-
ciji i regresiji objašnjeno je da ako se želi testirati H„:p ^ 0, to se mora obaviti
preko Fisherovog Z, koji ima približno norm.alnu raspodelu.
Nije slučajno što ovde koristimo oznake /i i p za artimetičku sredinu i
korelaciju. One ukazuju na to da mislimo na vrednosti parametara u populaciji.
Stvarno, statističke hipoteze se odnose na vrednosti populacije, a iz uzorka se
ocenjuju njihove vrednosti pomoću dobijenih vrednosti za M i r. Dakle, iako
statističke hipoteze imaju za cilj testiranje povezanosti između varijabli, one su
ipak na liniji zadatka celokupne statistike - ocenjivanje populacije na osnovu
uzorka.
Kada su statističke hipoteze postavljene, empirijsko istraživanje ima za cilj
da prikupi podatke na osnovu kojih se ove hipoteze testiraju. Dobijene vrednosti
M i r s t porede sa onini koje pretpostavlja nuita hipoteza i ako su razlike veće od
neke prihvatljive, nuha hipoteza se odbacuje, a u protivnom zadržava. Na primer,
ako su dobijene razhke i Mg veće od neke prihvatljive, onda odbacujemo
H„:M^-Mb=0. T o znači da podaci ne podržavaju tu hipotezu. Ako razlike
aritmetičkih sredina nisu dovoljno velike, mi ne odbacujemo nultu hipotezu, ili
kako se još kaže, zadržavamo je. Pri tome treba stalno imati na umu da se
odbacivanje ih zadržavanje temelje samo na konki'etnim podacima. Podaci ili
podržavaju ih ne podržavaju nultu hipotezu.
Zadržavanje nulte hipoteze ne znači njeno defiuitivno dokazivanje, niti
njeno odbacivanje znači definitivno dokazivanje ahernativne hipoteze.
Da bismo stvarno prihvatih nuUu hipotezu kao tačnu, morali bismo biti
potpuno sigurni da ne postoji uticaj nezavisne na zavisnu varijablu, ili da možda,
ne postoji neka ometajuća varijabla koja je taj uticaj umanjila ih otklonila, a za to
nije dovoljno jedno istraživanje. To isto važi i za odbacivanje hipoleze.
Postoji više razhčitih tumačenja i aspekata tumačenja nulte hipoteze. S
jedne strane, različita tumačenja doprinose da se sagleda utemeljenost načela
testiranja statističkih hipoteza u teoriji verovatnoće, statistici i, konačno, u
zdravom razumu. Tačno je, naime, da testiranje statističkih hipoteza ima uteme-
Ijenje u svim tim područjima. S druge strane, nažalost, ona otežavaju društvenom
istraživaču da razume principe testiranja i da ih zapamti. Razlike u tumačenjima
dovode društvenog istraživača u nedoumicu, a nedoumica je još veća zato što su
razlike u inteipretacijama suptilne. Takav ishod se može izbeći samo na jedan
način - pažljivim i motivisanim čitanjem.
Recimo, osim objašnjenja statističkih hipoteza koje je upravo prikazano,
jedno sasvim tačno tumačenje je i da nulta hipoteza sadrži onakav odnos između
varijabli koji bi nastao kada bi uzajamne varijacije tih varijabli bile prosto slu-
čajne. Ako su varijable povezane „samo shičajno”, tj. ako im je zajednička samo
varijansa greške, onda se u nekim istraživanjima može desiti da povezanost bude
vehka, ali će najčešće ona biti blizu nule.
Iz toga sledi zaključak da će velike razlike između giaipa biti retka pojava -
ako je nulta hipoteza istinita. Dalje, pošto je to retka pojava, mala je verovatnoća
da ćc baš u našem istraživanju biti utvrđena. Zato, ako dobijemo veliku razliku,
pošto je ona neočekivana, mi dovodimo u pitanje istinitost nulte hipoteze. Reci-
mo, ako smo našli da se dve grupe, jedna homogena i dmga nehomogena, visoko
razlikuju po uticaju na svoje članove, odlučićemo se da odbacimo nuhu hipotezu,
jer podaci nisu bili u skladu sa njenom prognozom. Takav ishod testiranja nulte
hipoteze, kada podaci ukazuju da treba odbaciti nultu hipotezu, naziva se statis-
tički značajnim .
Važno je zapamtiti da testiranje statističkih hipoteza ima dve komponente:
utvrđivanje povezanosti varijabli i ocenjivanje populacije na osnovu uzorka.
Kada je reč o povezanosti varijabli, za potrebe testiranja statističkih hipoteza se,
po pravilu, iz dobijenih podataka izračunava neki testni statistik. Izbor testnog
statistika zavisi od vrste varijabli, nivoa merenja, nacrta istraživanja itd. Testni
statistici su obično neka vrsta standardnog skora koji izražava razliku u jedini-
cama standardnog odstupanja. Razhka o kojoj je reč je ona koja se navodi u nul-
toj hipotezi: Ma-Mb, r-r„ i koja, u saglasnosti sa hipotezom, treba da bude nuha.
Važno je da se uoči da se testni statistik form ira na osnovu nulte hipoteze.
Najčešći testni statistici su: z , t , F i
Ako je izračunati testni statistik dovoljno veliki, nulta hipotcza se odbacuje.
Granične veličine testnih statistika se određuju na osnovu poznavanja distribucije
tih statistika. Recimo z statistik inia normalnu raspodelu. Iz osobina normalne
krive znamo da z=l ,96 deli raspodelu na 95%-5%, a z=2,58 na 9 9% -l% . Dakle,
ako je dobijeni z veći ili jednak 1,96 (z ž I,96), znamo d a je verovatnoća pojave
takve razlike aritmetičkih sredina svega 0,05 (ili manje). Ako usvojimo da je
granična vrednost z-statistika 1,96, svi testovi nuhe hipoteze koji budu rezultirali
sa z ž l,9 6 biće proglašeni statistički značajnim i nulta hipoteza će biti odbačena.
PoSlo se veličina testnih statistika ocenjuje na osnovu njihove distribucije, kaže-
mo da testiranje nulte hipoteze sadrži i zaključivanje sa uzorka na populaciju.
Moć statističkog testa. - Ako smo prihvatili (zadržali) nultu hipotezu, onda
će zavisno od; a) usvojenog nivoa značajnosti testa nulte hipoteze (a-nivoa), b)
veličine efekta i c) veličine uzorka, postojati verovatnoća (3 da smo pogrešili.
Vrednost p je vcrovatnoća greške II tipa, a vrednost 1-P je poznata moć testa.
Dakle, moć statističkog testa je verovatnoća da će nulta hipoteza biti odbačena
kada je pogrešna. Rečeno istraživačkim jezikom, moć statističkog testa se odnosi
na njegovu sposobnost da otkrije efekat nezavisne varijable na zavisnu.
Određivanje moći testa je prilično komplikovano i retko se sreće u komer-
cijalnim statističkim aplikacijama. Postoje tabele u novijim udžbenicima koje
povezuju veličinu efekta i veličinu uzorka, obično za nivo značajnosti 95%, iz
kojih se mo^že očitati moć testa. Na osnovu ovih tabela može se oceniti nekoliko
vrlo korisnih stvari, pre svegapotrebna veličinauzorka. Ništamanje nije značajno
to što istraživač može, uzimajući u obzir veličinu uzorka kojom raspolaže i
uobičajene vehčine efekta iz prethodnih studija, oceniti da li može postići zado-
voljavajuću moć statističkog testa. Ako je očekivana moć niska, to znači da će
greške II tipa biti visoke, a to, posredno, znači da će nulta hipoteza verovatno biti
zadržana. Uobičajeno je da se kao granična vrednost moći uzima 0,80 i ta vred-
nost je blaža od a-nivoa 0,05, što znači da će nulta hipoteza češće biti zadržana.
Naglašavamo da su značajnost i moć u recipročnom odnosu - povišavanjem a -
nivoa snižavamo moć statističkog testa.
Naveli smo tri izvora moći statističkog testa, ali treba reći da sva dosadašnja
saznanja govore da je veličina uzorka osnovni izvor, i da, ako želimo da budemo
sigurai da smo dokazali da nešto postoji, moramo povećavati uzorak. Međutim, u
poglavlju u kojem se razmatra korisnost testiranja nulte hipoteze objašnjeno je da
vrlo veliki uzorci čine to testiranje besmislenim. Problem određivanja veličine
uzorka raspravlja se detaljnije u glavi o uzorkovanju.
Možemo sada zamisliti da vadimo sve nove i nove parove uzoraka (veličine
112 i 122) iz populacije učenika osnovne škole i dajemo im isti test znanja
matematike. Dobijene razlike proseka će težiti da imaju normalnu distribuciju,
jednako kao što će i svi dobijeni pojedinačni proseci težiti da imaju normalnu
distribuciju.
Kad se kaže da su razlike M normalno distribuirane, misli se da su one
normalno distribuirane oko prave razlike populacije. To znači da je aritmetička
sredina distribucije uzoraka razlika M jednakapravoj razlici u populaciji.
Na slici 22 je prikazana verovatna raspodela razlika srednjih vrednosti
dečaka i devojčica. Pretpostavili smo da su dečaci stvamo za 5 poena bolji od
devojčica, pa je srednja vrednost distribucije uzoraka = 5. Odlučili smo se da
na apscici prikažemo D^ u prirodnim jedinicama, skorovima na testu, iako bi bilo
prirodnije da na apsici bude vrednost testnog statistika - z-skora. Vidimo da se u
rasponu ±3o nalaze razlike od 0,64 do 9,36 poena. Položaj dobijene razlike D^, =
M„, - Mj = 4,1898 smo na grafikonima označili sa M„ - M^. Skrećemo pažnju da
izrazi 1,96odm i l,645a[,M, kojima su na grafikonirna označene ki'itične oblasti
(oblasti odbacivanja-zadržavanja), nisu tačno napisaui u našem konkretnom
primeru, Naime, oni su bazirani na uobičajenoj pretpostavci da je = 0. Zato u
našem primeru tim izrazim a treba dodati 5, dakle 1,96^0^ + 5, odnosno
l,645aDM + 5,
Potpuno isti principi važe i za sve druge razlike: razlike izmedu proporcija,
razlike izmedu varijansi, razlike između koeficijenata korelacije, razlike između
distribucija frekvencija i sl, Jedino su testni statistici koji se primenjuju razhčiti,
U načelu, distribucije uzoraka svih testnih statistika teži da se distribuira normal-
no kada su uzorci veliki i kada su zadovoljeni neki drugi uslovi, ali normalna
distribucija ij)ak nije univerzalni model za distribuciju razlika, Ako se radi o
malim uzorcima i uvek kađa ne važi pretpostavka normalne distribucije, statis-
tičari su utvrdili posebne zakone distribucije razlika za dotične testne statistike na
malim uzorcima. Tako je utvrđeno da se razlika srednjih vrednosti na malim
uzorcima distribuira shodno t distribuciji (tzv. Studentovoj distribuciji, po W. S.
Gossetu koji je svoje radove objavljivao pod pseudonimom „Student”). N a isti
način, R.A. Fisher je pokazao da količnik dve varijanse (koji služi testiranju
razlike te dve varijanse) ima F distribuciju. Većinom važi pravilo da t, x i
Altemativna ili istraživačka hipoteza, kao što smo rekli, ima vehki značaj u
testiranju hipoteza, bez obzira da li su istraživači toga svesni, ih ne. Da bi odluka
0 prihvatanju ili odbacivanju hipoteze bila ispravna, istraživač, naravno, mora biti
svestan pitanja allernativne hipoteze.
Prva reperkusija koju H, ima na testiranje hipoteze se odnosi na pitanje
jednosmernog testiranja nasuprot dvosmernom testiranju (sreću se još i tem:iini
jednosirano testiranje i dvostrano testiranje, a engleski termini su one-tailed i
two-tailed, odnosno one-sided i two-sided). Ne treba da zbunjuje to što se u litera-
turi dvosmerno testiranje nekada naziva neusmerenim testiranjem (engl. nondirec-
tional), a jednosmemo testiranje usmerenim (engl. directional). U skladu s time,
postoji i podela samih istraživačkih hipoteza na neusmerene i usmerene, u
zavisnosti od toga da li tvrde samo da razlika postoji, ili iznose i tvrdnju o smeru
razlike (v. glavu o strukturi istraživanja).
Uzmimo kao primer prelhodno navedeno istraživanje razlike u znanju mate-
matike dečaka i devojčica u srednjoj školi. Na osnovu prethodnih istraživanja
saznali smo da su na tom uzrastu dečaci bolji od devojčica za 5 poena na testu
znanja. Nas zanima da li ista ta razlika važi i kod naših srednjoškolaca. Zato smo
nultu hipotezu H„ formulisali da je u populaciji - |ij = 5. Nakon toga smo
odabrali nivo značajnosti od 0,05, što znači da ćemo tolerisati mogućnost greške
1 tipa u 5% slučajeva (greška I tipa je, kao što smo rekli, pogrešno odbacivanje
nuhe hipoteze).
Jasno je da će statističke (kao i svake druge) odluke biti donete tako da važe
u nekom rasponu uslova. Izvan tog raspona uslova nećemo očekivati da će odluka
biti dobra. Međutim, svaka odluka, pa i statistička, biće kvalitetnija ako se egzakt-
no utvrde granične, kritične vrednosti iza kojih odluka više ne važi. U našem
primeru to će biti kiitične razlike srednjih vrednosti za koje više nećemo tvrditi da
se nalaze u očekivanoj 95% zoni oko 5 poena. Jasno je da će se te vrednosti
nalaziti na kiajevima, „rcpovima” distribucije. Normalna distribucija ima dva
kraja („repa”), niski i visoki. Ako želimo da utvrdimo koje vrednosti omeđuju 5%
kritične površine ispod nomialne krive to možemo uraditi na dva načina - sa
jednog, ili sa oba kraja distribucije. Na primer, je li nam važno da li su dečaci
bolji od devojčica za 5 poena, ili nam je važno samo da postoji razlika od 5
poena, u bilo kom smenj. Da bismo odlučili koju mogućnost ćemo testirati
moramo se odlučiti za izbor altemativne hipoteze.
H, : fi,n^Hž+5,
>Hž+5 i
H., : P™<P2+5.
Ako se postavi alternativna hipoteza onda se Ho testira
dvosmernim testom, a ako se postave hipoteze H^ ili Hj, H„ se testira jednosmer-
nim testom. Pogledajmo sliku 22 da bismo objasnili šta to znači. Ako testiramo
dvosmeraim testom, znači da nam nije važno na koju stranu populaciona Dj,
odstupa, nego samo ispitujemo da li je ona različita od 5. Za odabrani nivo zna-
čajnosti od 0,05, percentilni skor koji omeđuje srednju površinu od 95% slučajeva
je 1,96. Medutim, vidimo da se kritičnih 5% slučajeva deli na dva dela: donjih i
gornjih 2,5% .
Naš dobijeni z od -0,5512 ima vcrovatnoću pojavljivanja od oko 0,29.
Medutim, pošto je tcstiranje dvosmerno, prcdznak z-statislika nije važan, tačnije
koristimo i negativni i pozitivni z, a usvojeni a-nivo sc dcli na dva dcla, onako
kako je prikazano grafikonom na slici 22. Dakle, jedino nam je važno da H su
dečaci različiti od devojčica za manje od 5 poena. Zato uzimamo verovatnoću z-
statistika zaneniarujući predznak i za z=0,5512 dobijamo p=0,29. To znači da
posloji 29% verovatnoće da se može dobiti viši z od 0,5512, ali i 29% verovatno-
će da se može dobiti niži z od -0,5512. U zbiru, imanio 58% verovatnoće da se
može dobiti razlika dečaka i devojčica veća nego što je dobijena. Pošto je ta
verovatnoća znatno veća od usvojenog nivoa od 5%, dobijeni z proglašavamo
nedovoljno velikim za odbacivanje nuhe hipoteze.
Isti zaključak možemo doneti ako stvari tumačimo grafički. Pošto smo na
uzorku dobili razliku izmedu dečaka i devojčica koja pada unutar raspona
±l,96aDM+5, zadržavamo nultu hipotezu da je populaciona D^ jednaka 5 i odba-
cujcmo altcrnativnu hipotezu da je populaciona Dj, različita od 5. Ako bi sc
dobijena razlika nalazila izvan intervala ±1 ,960[3m+5, odbacili bismo nultu hipote-
zu i smatrali da je D^, raziičita 5.
Međutim, ako postavimo H^ ili Hj, onda moramo naših 5% tolerisane
greške uzeti sa jednog kraja distribucije. Sada nam je p red zn a k važan, a-nivo se
uzima samo sa jednog kraja distribucije, a testiranje nulte hipoteze se naziva
jednosmernim. U našem primeru, H^ nije plauzibilna jer je dobijeni z negativan i
nema smisia na osnovu njega proveravati da li je razlika veća od 5. Dakle, razma-
tramo Hj, što znači da nas interesuje samo verovatnoća da je razlika dečaka i
devojčica manja od 5, tj. da z bude manji od dobijcnog. Usvojeni a-nivo od 0,05
omcđuje samo donjih 5% slučajeva i odgovara z= -l,6 4 5 (simetrično u odnosu na
prikaz iz donjeg grafikona slike 22). Za đobijeni z— 0,5512 postoji 29% vero-
vatnoće da se može dobiti manja vrednost. Pošto je to znatno veća verovatnoća od
5%, opet zadržavamo nultu hipotezu i odbacujemo alternativnu hipotezu Hj.
Treba uočiti da je verovatnoća jednosmernog testa duplo manja od
dvostrane (0,29 u odnosu na 0,58) i da je lako konvertovati jednu u drugu.
Ako jednostrani test tumačimo grafički, rezonovaćemo ovako: ako je dobi-
jcna razlika srednjih vrednosti D,,>-1 ,645 odm+5, zadržaćemo nultu hipotezu da je
razlika jednaka 5, a odbacićemo Hj. Medutim, ako je dobijena razlika D^<-1,645
OnM+5, odbacujemo nultu hipotezu i usvajamo altemativnu hipotezu da je razlika
manja od 5.
Primer kojim smo se ovde poslužili je namemo komplikovaniji od primera
kojima se uobičajeno ilustnije testiranje nulte hipoteze. Uobičajena nulta hipoteza
bi bila da dečaci jednako znaju matematiku kao i devojčice (Ho:p„=Mj)> a aitenia-
tivna hipoteza bi eventualno bila da su dečaci bolji od devojčica (H ,:|^>|,ij) To
bi bila „prava” nulta hipoteza, jer tvrdi da razlike nema, dok smo u našem primeru
demonstrirali kako se nulta hipoteza formira i testira za nenulte vrednosti.
Vrlo je važno uočiti da bi u slučaju „prave” nulte hipoteze, u tabeli sa rezul-
tatima istraživanjima, jedino bio različit z-statistikkoji bi sada bio z„o=2,889. Kao
što je rečeno: testni statistici se računaju za konkretnu nultu hipotezu. U našem
slučaju, jednoslrana verovatnoća z„o statistika bila bi 0,002, pa bismo zaključili
da su dečaci bolji od devojčica i da je ta razlika vrlo visoko značajna. Zašto je
sada, za uobičajenu nultu hipotezu, r-statistik viši? Zato što smo ga izračunali kao
z=(M,„ - M i)/0|,M. Nema više 5 u brojitclju,
Dakle, alternativna hipoteza odlučuje o tomc koju vrstu testiranja ćemo oba-
viti: jednostrano ili dvostrano i shodno tome, gde će biti granice kritične oblasti.
U lislinzima statističkih paketa se obično ne kaže pod kojom H, je vršeno testira-
nje, nego se za izračunatu verovatnoću (p-vrednost) kaže da li je dvostrana ili
jednostrana. Recirno da smo testirajući neku hipotezu dobili izveštaj iz programa
da je verovatnoća dobijenog /-testa (obično se koriste eng. nazivi ,,p”, significan-
ce ili sig.) jednaka 0,0585 i da je dvostrana. Mi bismo znali da je postavljena
Hi^Mi^^M,. Ako iz rezultata obrade vidimo da je M|>M,, možemo biti zaintere-
sovani da testiranje izvršimo sa H,:M ,>M 2. Ukoliko program ne nudi tu opciju,
morali bismo podeliti dobijenu verovatnoću sa dva da bismo dobili jednostrani
test (po dvostranom teslu gornja razlika nije značajna na nivou 0,05, a po jcdno-
stranom, p=0,02925, jeste). To će pažljivom čitaocubiti jasno ako analizira sliku
22 i prateća objašnjcnja.
Uglavnom, sa današnjim statističkim paketima je promcna H, i promcna
testiranja iz jednosmemog u dvostrano vrlo jednostavna. Egzaktno izračunata
verovatnoća testa (recimo /-testa) koju štampaju programi, i za koju piše da je
dvostrana, mora se podeliti sa dva da bi sc dobila jednostrana verovatnoća. U
suprotnom skičaju, ako je test bio jednosmeran, verovatnoća se mora duplirati da
bi se dobio dvosmeran test.
Osim za izbor jednosmernog ili dvosmernog testa, alternativna hipoteza je
značajna i za odredivanje iznosa grešaka 11 tipa. Naime, H q zadržavamo ako
vrednost testnog statistika pada izvan kritične oblasti (na slici 22 to znači da
razlika mora pasti u neosenčeno polje). To je obično vrlo velika oblast, što znači
da prihvatanjem Ho nismo isključili mogućnost da vrednost populacije leži negde
drugde. Tu verovatnoću, da vrednosti populacije leži negde drugde, a ne ondje
gde pretpostavlja nulta hipoteza, možemo testirati nizom specifičnih altemativnih
hipoteza. U našem primeru sa shke 22 to bi mogla biti bilo koja altemativna
hipoteza od 2,15<(M^ - Mj)<7,85. Detaljan opis određivanja verovatnoće greša-
ka II tipa, odnosno moći testa treba pogledati u udžbenicima statistike. Generalno,
moć testa je utohko veća ukoliko su specifične ahernativne hipoteze više udaljene
od nuhe hipoteze. To je sasvim logično, jer je u tom slučaju manja šansa da će
nulta hipoteza biti pogrešno zadržana.
Kad se radi o greškama II tipa, onda treba reći da su neki statistički testovi
takvi da sami po sebi imaju veću moć, pa zato treba koristiti njih kad god je mo-
guće. Pored toga, ono što istraživač može da ućini, greška II tipa će biti manja, a
moć testa veća ukoliko je standardna greška manja, a ona je uvek manja kada su
uzorci veći. U poglavlju o uzorkovanju je rečeno da stratifikovani uzorci u princi-
pu imaju manje standardne greške. I konačno, nioć statističkog testiranja će biti to
veća što je dobijena razlika veća, odnosno, preciznije, što je veličina efekta veća
(v. meta-analizu).
G. test
J o
Indeks ,,đ” označava dobijene frekvencije, a indeks ,,o” označava očekivane
frekvencijc. Oblast sumiranja nije navedena, jer se podrazumeva da se sumiraju
sve željene frekvencije, a to su obično sve kućice tabele (ali ne obavezno). Oko
indeksa d i o, nažaiost, postoji zbrka. U engleskim tekstovima se sreću indeksi o
i e, od „observed” i ,,expected”. U našim tekstovima se sreću takođe o i ^ od
„opažene” i „teorijske”. Zabunu obično izaziva indeks o koji može da označava i
očekivane i opažene frekvencije. Zato treba biti pažljiv kod primene formula.
Sta kaže gornja fonnula? Iz brojioca vidimo da se izračunaju razlike dobije-
ne i očekivane frekvencije, da se te razlike kvadriraju, podele sa očekivanom
frekvencijom i međusobno saberu. Kad kažemo „dobijena i očekivana” izlazimo
u susret najčešćoj upotrebi hi-kvadrat testa, ali ponovo naglašavamo da je x^-test
namenjen testiranju razlika biio kakve dve distribucije frekvencija (uključujući i
dve dobijene).
Na primer, jeđan radnik je tokom 5 radnih dana proizveo 17, 24, 28, 23, 18
komada nekog predmeta, a dmgi radnik: 12, 16, 17, 17, 13 komada. Pomoću
testa možemo uporediti te dve dobijene distribucije sa ciljem da vidimo da li se
učinci ova dva radnika značajno razlikuju.
Iste te podatke možemo podvrći sledećem razmišljanju: da li broj proizve-
denih komada zavisi od dana u nedelji. U tom slučaju bismo distribuciju prvog
radnika uporedili sa „teorijskom” distribucijom, koja se zasniva na pretpostavci
da se svih dana proizvodi jcdnako: 2 2, 22, 2 2 , 22, 22 (za drugog radnika bi očc-
kivana distribucija bila: 15, 15, 15, 15, 15).
U prvom primeru, test razlike učinka dva radnika je dao rezultat od
X^=17,242. Za broj stepeni slobode od 4 (broj frekvencija - I) taj hi-kvadrat
prihvatamo na nivou 0,01, ili kako se u statistici piše p<0,01. Odatle ne vidimo da
h je nekim određenim danima prvi radnik postizao viši rezultat, ili je nekim dani-
mapostizao viši, a nekima niži, niti vidimo da li je ukupno gledajući, prvi radnik
imao višu produktivnost. U x^-statistiku su sve te razlike objedinjene (sabrane) i
na osnovu njega možemo da kažemo samo da je prvi radnik radio drugačije od
drugog. Postoje razne „poštapalice” koje pomažu istraživaču da odredi koji su
„izvori” značajnosti x'-testa. Jedna od tih poštapalica je analiza reziduala,
odnosno vrednosti ili ili analiza tzv. komponenti hi-kvadrata: (f^
- f f f ’if„. Tamo gde su te vrednosti najveće, tu su razlike najveće. Tako bismo,
izučavajući reziduale i sirove frekvencije videli da je prvi radnik svim danima
proizvodio više.
U drugomprimem su dobijena dva hi-kvadrata%^=3,727 i x^=l,467 od kojih
nijedan nije značajan, što znači da za dobijene dnevne razlike, ni kod jednog
radnika ne možemo da kažemo da su one nešto više od slučajnih razlika.
U poglavlju o deskriptivnoj statistici je već rečeno da se pomoću x^-testa
može testirati shčnost dobijene distribucije sa normalnom. Sada možemo reći da
se na taj način može ispitati sličnost dobijene distribucije frekvencija sa hilo
kojom teorijskom distribucijom: normalnom, binorrmom (za kategorijalne varijab-
le), Poissonovom (Puasonova, za retke događaje) itd.
Međutim, draštveiii istraživači najčešće koriste %^-test u analizi kontin-
gencionih tabela.
1. Tabele kontingencije
fo ij = f d i f d j / n . [74]
dakle kao proizvod pripadajućih marginalnili suma podeljen sa ukupnim brojem
odgovora (veličiiiom uzorka). x^-statistik se sada računa prosto kao;
[75]
;-l j=\ J o ij
C= - f — . [76]
X +n
lako sc najviše koristi, od svih pokazatelja sličnog tipa (koji se izvode di-
rcktno iz lii-kvadrata), C koeficijent ima najmanje statističkog smisla. Osim
nedostatka bilo kakve teorijske osnove, C koeficijent muče dva nedostatka:
minimalna vrednost mu je 0 (dakle, nema negativne vrednosti, što znači da ne
ukazuje na smer povezanosti, koji istraživač mora da utvrdi inspekcijom tabelc),
a maksimalna vrednost mu zavisi od veličine tabele. Na tabeli 2x2 njegova maksi-
malna moguća vrednost je 0,707, a što je tabela veća, to je i maksimalna moguća
vrednost C koeficijenta veća (ali praktično nikad ne dostiže 1). Iz toga sledi da se
ne mogu uporedivati C koeficijenti na različitim tabelama.
Sledeći koeficijent je <p koeficijent, koji je ekivalentan (p koeficijentu kore-
lacije za binarne varijable, poznatom iz elementarne statistike. tp se iz hi-kvadrata
računa kao;
[78]
n{k - 1) ]J ( k - 1 )
U ovoj glavi je već bilo više primera grafičkog prikaza rezultata istraživa-
nja. Međutim, mogućnosti koje danas postoje za prikazivanje različilih aspekata
prikupljenih podataka su ogromne. Već je spomenuto đa danas neki autori defmi-
šu statistiku kao oruđe za grafičko prikazivanje rezultata. To nije bez osnova, jer
su izmišljene miioge metode analize podataka čiji je prvenstveni cilj crtanje odgo-
varajućih grafikona.
Nema jeduostavnog i preglednog načina da se ukratko predstave svi tipovi
grafikona i njihova osnovna svojstva. Kao što se moglo pomisliti, crtanje grafiko-
na se danas isključivo obavlja na personahiim računarima. U tom smislu bi ovo
poglavlje moglo potpuno da se priključi glavi o primeni računara u socijalnim
istraživanjima. To što nije može se objasniti jedino povezanošću grafičkih prikaza
sa dosada opisanim metodama deskriptivne statistike.
o Zaposlenje
» Sociialni status Prin odmor
1.5
Penzioner
l.D
Poljop
o
Nezaposlen
0.0 Ucenik a
„ o Zaposlen
Domacica
Ostalo
-.5 o
Slrucniak
PnvatA?»f'='“*
Rukovodilac
D om aćica - RukD*'Ođilac
Slika 27. Korespondentna analiza
Kada prosečnl društveni istraživač dobije rezultate statističke obrade njemu nažalost
neće mnogo pomoći naš stav da u tom trenutku dolazi do sjedinjenja anaiize i sinteze,
nauke i statistike, indukcije i dedukcije. To se posebno odnosi na rezultate multivarijatne
statistike. Na nesreću kako društvenih istraživača, tako i statističara, postoji više razloga
zbog kojih rezuitati statističke obrade ne donose onolikc koristi koiiko bi trebalo. Taj problem
nazivamo kadrovskim problemom. U najkračem, koreni kadrovskog problema leže u
razlikama kognitivnih stiiova društvenih nauka i statistike. Prcsečan društveni istraživač ne
razume statistiku, rie razume matematiku, boji ih se, a spreman je na sve da taj konflikt
umiri. Neko to umiruje cslanjajući se na diskurzivne i narativne epistemološke pravce (sa ili
bez omalovažavanja empirijskih istraživanja), a neko nastoji da u okviru vlastitih resursa
savlada gradivo statistike. Inače, potpuno analogan konfiikt kognitivnih stilova se javlja i kod
upotrebe računara. Naime, bez obzira što moderni sofiver nastoji da od korisnika sakrije
ono što se stvarno događa - u obiiku raznih grafičkih korisničkih interfejsa (eng. Graphical
User Interface - GUI) - ipak su opšta organizacija i rad računara bazirani na stilu koji je bliži
matematiei nego, na primer, sociologiji.
Problem interpretacije dobijenih rezultata se mora prvenstveno rešavati putem edu-
kacije istraživača, kadrovskim ekipiranjem u okviru istraživačkih institucija itd., ali postoje
uslovi i postoje putevi da se stvar olakša u okviru aplikativnog softvera. Istraživači koji odra-
nije koriste računarsku obradu podataka znaju za problem krutosti planova obrade, nemo-
gućnosti variranja parametara obrade, teškoće sa ponavljanjem obrade, modeliranjem, is-
pravkama grešaka i sl. Opštom dostupnošću računara dobilo se znatno na fleksibilnosti ob-
rade, što samo po sebi olakšava korišćenje rezultata. Sve je još povoljnije kada istraživač
sam koristi personalni računar. U tom slučaju dostupni su mu .helpovi” koji prate statističke
pakete, a naročitu pogodnost čini to što može testirati razne modele obrade, proveravati
efekte uvođenja raznih varijabli i na taj način ispitivati (i razumevati) ponašanje statistićke
metode.
a. Ekspertski sistem i za interpretaciju statističkih rezultata
Što se tiče upotrebljivosti samih rezultata statističke obrade, odnosno tzv. listinga, ili
outputa, današnji softver nudi olal<šice istraživačima l<ao što su oblmnlji prateći tekstovi i
objašnjenja, a posebno grafički prikazi rezultata. Medutim, sve su to ipak estetske korekcije
a stvarni napredak bi mogii biti ekspertski sistemi za statističku obradu podataka.
Koliko je nama poznato, ne postoji ništa slično ekspertskim sistemima za statističku
obradu u komercijalnoj upotrebl, odnosno ništa što je opšte dostupno. Poznati su nam neki
pokušaji da se napravi ekspertski sistem, čak i kod nas, međutim ništa nije dovedeno do
kraja.“
Ekspertski sistem se sastoji iz baze znanja i baze pravila zaključivanja, koje se
formiraju na osnovu saradnje i intervjuisanja eksperata u dotičnoj oblasti. Na osnovu tih
pohranjenih znanja i aktualnih podataka iz istraživanja, ili same obrade, softver ekspertskog
sistema bi istraživaču sugerisao kako da obradi podatke, ili kako da interpretira dobijene
rezultate.
Postoji vlše razloga zašto takav softver skoro da ne postoji. Između ostalog, postoje
razlozi da se veruje da postoji stručni ekskluzivizam, a zatim I slabosti u saradnji između
statističara i istraživača. Međutim, ono što je Ipak presudno u domenu multivarijatne analize
je to da ona samo liči na statistiku, a u stvari je I nešto više i nešto drugo. Otuda u multi-
varijatnoj statistici nema iskaza o statističkoj značajnosti, a nema ni opšteusvojenih krite-
rijuma za visinu koeficijenata, uporedivanje rešenja itd. Istraživači ne mogu decidirano da
kažu je II neki koeficijent vlsok ili nizak, da li je pravi broj faktora tri ili četiri, da li je koeficijent
od 0,30 u jednom istraživanju isti kao 0,40 u drugom. Ono što je bitnije, to ne mogu da kažu
ni statističari, jer su jednim svojim delom rezultati multivarijatne statistike predmet prouča-
vanja perse. Ovi nabrojani „gabaritni" problemi (mada principijelni) su samo jedna od smet-
nji u interpretaciji nalaza, jer osim njih postoji i problem izbora metode, variranja parametara
izabrane metode, pridavanja važnosti pojedinim segmentima rezultata itd.
U praksi, tokom interpretacije, u rešavanju ovih problema veliku ulogu igra subjek-
tivna procena I .osećaj". Zbog toga je ekspertu veoma teško da izdvoji manji skup pravila po
kojima bi se interpretacija trebala ravnati, a koji bi bio pogodan za softversku implementaciju
i koji bi važlo univerzalno.
No, uprkos tome smatramo da bi se u tom pravcu trebalo i moglo dosta uraditi. Više-
decenijska upotreba nekih ođ multivarijatnih tehnika je dovela do kristalizacije bitnih tačaka
interpretacije i iskustava o ponašanju dotične tehnike. Imanentna neodredenost konačnog
interpretativnog iskaza postoji i dalje, ali bi ekspertski sistem mogao suziti Izbor na manji
broj mogućnosti, mogao bi sugerisatl „kritična mesta" i eventualne dodatne obrade koje bi
razjasnile stvari. Konkretno, ekspertski sistem bi mogao pomoći u odlučivanju da II je oda-
brani uzorak varijabli i/ili objekata pogodan za odabranu tehniku. Mogao bi pomoći u pozna-
tom problemu odredivanja broja faktora, funkcija ili klastera i na drugim sličnim mestirna.
Između ostalih, ovaj aulor je imao poštcnu nameru da koncipira i realizuje jedan
ekspertski sislem za automatsku interpretaciju faktorske analize. Namcra je završila kralkim
projektom na papiru jer se po ko zna koji put potvrdilo tužno antropološko pravilo da su
želje i polrebe konstantno veće od resursa.
Pored toga, poznato nani jc da su pok. prof. Konstanin Momirović i saradniei radili
na statističkim ekspertnim sistemima u Zagrebu.
Oni koji su razmišljali o izradi takvog ekspertskog sistema znaju da bi prost sistem
koji „čita” dobijeni listing i objašnjava pojedinačne koeficijente bio samo jedan mali korak.
Veoma bi značajno unapređenje bilo da s a m program za neku statističku tehniku bude
napravljen da radi interaktivno i u sprezi sa ekspertskim sistemom. Naime, jedna od bitnih
tehnika i pomoćnih alatki u interpretaciji je testiranje nekoliko varijanti statističke obrade i
upoređivanje raznih mogučnosti. Ta Jnduktivna heuristika" bi mogla biti vodena od strane
ekspertskog sistema.
U današnjim komercijalnim statističkim paketima se već nalaze tunkcije pomoći
(helpa) i raznih uputstava i vodiča za rad (engl. tutorial, coach, ask me). Javljaju se i opcije
formatiranja listinga u HTML formatu, ali pravi korak bi bio u tome da izlaz obrade bude u
pravom hipertekst obliku, gde bi istraživač imao mogućnost da klikom miša na neki
koeficijent dobije objašnjenje, da ima mogućnost skoka (linka) na ostale rezultate koji su
logički povezani sa dotičnim koeficijentom ili matricom itd.
Da zaključimo; cilj ekspertskog sistem za vodenje i interpretaciju statističke analize
ne može i ne treba da bude davanje konačnih odgovora. Osim u trivijalnim slučajevima,
recimo statistike zaključivanja, istraživačima niko ne može ponuditi sistem koji će „pročitati”
podatke i dati odgovore. Medutim, istraživači bi s pravom mogli očekivati softver koji bi im
pomogao u koriščenju statistike u empirijskim istraživanjima. Na taj način bi uloga računara
u tom domenu bila zaokružena.
VII. U ZO R K O V A N JE
A. Osnovni pojmovi
Ono što istraživač može da uradi u vezi svoje populacije je da obilazi na-
rodnc kuhinje, zavode za socijalni rad, humanitarne organizacije, staračke domo-
ve i eventualno neka raesta gde se takvi Ijudi okupljaju. Dakle, praktični razlozi
će nalagati đa se inicijalna teorijska defmicija populacije konkretizuje time što će
se ograničiti na evidentirane Ijudc bez prihoda. Takva populacija se naziva dos-
tupnora, praktičnom ili operacionalizovanom populacijom i uobičajeno je da se
predstavlja spiskom populacije (v. kasnije).
Prirodna je težnja istraživača da svoje nalaze uopštava što je više moguće. Ako je
uspeo, uz velike probleme, da anketira 100 dilera droge, ili da testira 50-tak Ijudi koji su imali
ozbiljan pokušaj samoubistva, on će pretendovati da njegovi zaključci budu primenjivi na
sve dilere droge i na sve samoubice. To znači da će on želeti da njegova populacija bude
opšta, pa čak i beskonačna (za sva vremena), bez obzira koliko je tokom operacionalizacije
morao da je ograniči i uslovi. Ta težnja istraživača se može razumeti, ali ništa ne sme da
prikrije činjenicu da je stvarna populacija iz koje je on vadio uzorak ograničena. U slučaju
dilera droge to bi recirno bila populacija onih koji pristaju na razgovor, a u slučaju samoubi-
ca, populacija onih koji su slučajno preživeli (pored vremenskih i teritorijalnih ograničenosti).
Broj mogiićih uzoraka veličine n koji se mogu izvući iz populacije veličine A^se u
matemalici označava sa (broj kombinacija), Zadatak proslog slučajnog biranja jc da
svaka od kombinacija ima jednaku verovatnoću da bude izabrana.
Tabela 19. Tabela odnosa veličine iizorka i verovalnoće obuhvatanja jedne
_______retke pojave kao što je osiromašenje zboR kockanja
H=1000 n=1200 »=2000 n=3000 «=6000 /;=9000
/ % / % / % / % / % / %
0 498 49,80 431 35,92 251 12,55 106 3,53 13 0,22 3 0,03
1 350 0,10 390 0,08 363 0,05 284 0,03 63 0,02 7 0,01
2 122 0,20 124 0,17 247 0,10 275 0,07 145 0,03 39 0,02
3 22 0,30 42 0,25 92 0,15 177 0,10 194 0,05 73 0,03
4 7 0,40 12 0,33 38 0,20 106 0,13 170 0,07 111 0,04
5 1 0,50 1 0,42 7 0,25 34 0,17 156 0,08 161 0,06
6 2 0,30 15 0,20 130 0,10 154 0,07
7 3 0,23 76 0,12 157 0,08
8 31 0,13 111 0,09
9 18 0,15 76 0,10
10 0,17 59 0,11
11 0,18 31 0,12
12 12 0,13
13 4 0,14
14 0,16
16 0,18
0,502 0,569 0,749 0,894 0,987 0,997
Naporaena: Veličina populacije je A^=l 00.000.
Stvarna proporcija pojave u populaciji j e / j=0,0007 (0,007%).
Legenda:
fi- Frekvencija pojavljivanja osobe koja je izgubila imetak na kocki u uzorku
(„retka pojava”).
/ Frekvencija uzoraka koji su imali dotičnu f^.
% Prvi red te kolone (masnim slovima) sadrži procenat uzoraka koji nisu
sadržavali nijcdnu osobu koja se kockala. U ostalim redovima jc procenat
//«xIO O . Dakle, %=0,07 odgovara „pravom” procentu koliko bi tih osoba
trebalo biti u uzorku veličine n.
p Verovatnoća da će se u uzorku tc veličine naći bar jedna osoba koja se
kockala.
Postupak za pdkupljanje podataka za tabelu je bio ovakav: iz populacije od
//=100.000 Ijudi u kojoj ima samo 70 osoba koje su postale siromašne zbog
kocke, računar je izvlačio po 1000 uzoraka, veličine «=1000, pa »=1200, itd. sve
do 77=9000. Od 1000 uzoraka veličine n=1000 u 498 uzoraka nije bila nijedna
takva osoba, a bio je jedan uzorak gde je bilo čak 5 takvih osoba. Kad su
izvlačeni uzorci od n=9000, u samo tri uzorka od 1000 nije bilo takvih osoba, ali
je u jednom uzorku bilo čak 16 osoba koje su se kockale.
Pravi procenat osoba koje su postale siromašne zbog kocke u populaciji je
70/100000x100=0,07. Vidimo da uzorci veličine «=1000 suviše često (okvimo
50%) uopšte nisu hvatali nijednu takvu osobu. Međutira, problem s tim uzorcima
je i to što kad takva osoba uđe u uzorak, ona predstavlja najmanje 0,1% uzorka,
što je precenjivanje u odnosu na populaciju. Dakle, sa uzorkom od «=1000 ne
bismo obavili zadovoljavajući posao niukom slučaju: ili bismo potpimo prevideli
problem kockanja, ili bismo ga precenili.
Nasuprot tome, kod uzoraka veličine ij=9000 ne bismo imali problem sa
„nehvatanjem” osoba koje su se kockale (takva verovatnoća je praktično nulta).
Međutim, imali bismc otprilike 0,30 (30%) verovatnoće da dobijemo uzorak koji
sadrži manje od 6 ili više od 7 osoba. Dakle, sa uzorkom veličine 77=9000 u 60%
slučajeva bismo ili precenili ili potcenili stvarni broj osoba u populaciji.
C. Reprezentativnost uzorka
D. Veličina uzorka
« V 100 ’
-mu. 180]
odnosno 0,14%. Dakle, na osnovu našeg uzorka i na osnovu dobijenog broja osoba koje su
se kockale možemo pravi procenat u populaciji locirati u rasponu od 0 do 0,474, dakle od 0
do 474 osoba. H o ia bene, stvami procenat od 0,007% se nalazi u ovom opsegu, ali inteival
b inom nom distribucijom , koja je kađa je uzorak m ali, a verovatoća pojave m ala, nagnuta na
je d n u s tra n u , a p rib liž a v a sen o rm aln o j k a d a s u u z o rc i veliki i k a d a je vero v atn o ća(frek v en -
cija) p o jav e srednja.
poverenja je toliko veliki da obuhvala i nulu, što ukazuje na to da se ne možemo osloniti na
naš nalaz.
Biće mnogo lakše ako imamo neko očekivanje procenta osoba koje su osiromašile
zbog kocke u populaciji. Pretpostavimo da očekujemo da je proporcija jednaka 0,0007.
Onda možemo postaviti nultu hipotezu da se neka dobijena proporcija ne razlikuje od stvar-
ne proporcije, osim zbog slučajnih greški. Na osnovu te nulte hipoteze, kao što je rečeno,
može se izračunati testni statistik, koji je u ovom slučaju obični z-statistik jer podrazu-
mevamo da je distribucija uzoraka proporcija približno normalna. Dakle:
f,-n p 2 - 1000*0,0007
z=— = ~7= ' ' " = 0.^43 181]
V l 000 *0,0007 *0,9993
«= [82]
[83]
N
gde je II veličina uzorka dobijena prethodnom fonmilom. Vidi se da što je n manji
od N, to je vrednost imenitelja bhža jedinici, a bUži n. Može se slobodno
preporučiti da se uvek koristi kompletna formula, odnosno da se pr\'0 izračuna n,
a zatim i n^
O dređivanje na osnovu testa - Osim dva navedcna pristupa, veHčina
uzorka se može odrcditi i pomoću testa. Na primer, ako u istraživanju želimo
da testiramo povezanost između obrazovanja i stranačkog opredeljenja za jednu
stranku, onda ćemo napraviti zamišljenu tabelu kontingencije izmedu obrazovanja
i podrške. Prvo ćemo popuniti marginalne frekvencije redova (totale) sa demo-
grafskom procenoni zastupljenosti pojedinih nivoa obrazovanja, a marginalne
frekvencije kolona sa procenom stranačke podrške (broj za - broj protiv). Onda
ćemo na osnovu toga izračunati očekivane frekvencije u kućicama po uobičajenoj
formuli.
Nakon toga, popunićemo „dobijene” frekvencije (koje se onda obično
nazivaju modeliranim frekvencijama) koje odražavaju npr. 10% više podrške kod
niže obrazovanih, 3% manje podrške kod srednje obrazovanih i 7% manje podr-
ške kod visoko obrazovanih (ako smo nivoe obrazovanja podelili na ta tri nivoa).
Na tako dobijenoj tabeli kontingencije možemo primeniti fonmilu za
testni statistik, ali tako da nam on bude zadat. Iz tablica za npr. nivo značajnosti
0,05 i za broj stepeni slobode hss=2 dobićemo da je %'=5,991. U tom slučaju, u
formuli za ostaje jedina nepoznata n, veličina uzorka, i lako možemo formulu
preurediti tako da izračunamo upravo veličinu uzorka. Dobijena veličina uzorka
je, onda, dovoljna da bi se testirala 10% -3% -7% hipoteza o nejednakoj distribu-
ciji stranačke podrške u obrazovnim stratumima.
O drcđivanje ponioću M onte K arlo m etode.- Potpuno drugačiji pristup
određivanju veličine uzorka se naziva statističkim (jer su sve gornje fomuile bazi-
rane na teoriji verovatnoće, odnosno matematici) i bazira se na empirijskom ili
kvazi-empirijskom formiranju distribucije uzorkovanja. Na primer, u poglavlju o
sistematskom slučajnom biranju sa jednakim verovatnoćama se spominje i siste-
matsko biranje sa višestrakini uzorcima. Dakle, mi naš ukupan uzorak veličine n
možemo izdeliti na više manjih (recimo 4, 10, 20 ili više poduzoraka), koje ćemo
izvući potpuno istom metodologijom ali koristeći drugu frakciju biranja, odnosno
drugi korak,
Iz tih poduzoraka onda možemo neposredno izračunati standardnu devijaci-
ju neke proporcije, neke aritmetičke sredine, nekog regresionog koeficijenta ili
koeficijenta korelacije. Odnosno, raspodelu tog statistika kroz te poduzorke
možemo tretirati kao distribuciju uzorkovanja pa će dobijena standardna devijaci-
ja zapravo biti standardna greška. Ovakav pristup se nazivaponovljenim uzorko-
vanjem (engl. rephcated sampling).
Ova metodologija je danas vrlo razvijena i to prvenstveno u smishi simula-
cije uzorkovanja. Ne izvlači se stvamo veći broj manjih poduzoraka (replikacija),
nego se ti poduzorci simuhraju putem računara. To se obavlja tako što se pomoću
računara iz dobijenog uzorka izvlače poduzorci neke zadate vehčine (obično n~\)
i izračunava potrebni statistik. Potpuno analognu metodologiju smo iskoristih u
ovom tekstu za formiranje tabele 19. Dobijena vrednost statistika se pamti kao
posebna varijabla i na kr'aju se izračuna njena prosečna vrednost i standardna
devijacija. Prosečna vrednost je ocena parametara populacije, a standardna
devijacija standardna greška tog statistika. Obično se ovaj način izračunavanja
ocene parametra i standardne greške naziva resamplingom, a ponekad i Monte
Karlo metodom. Zahvaljujući brzini današnjih (personalnih) računara, ovaj metod
je sve popularniji i potiskuje proste formule bazirane na teoriji verovatnoće.
Prcciznost uzorka. - Ovaj pojam se često sreće u literaturi (eng. precision)
i može se operacionalno definisati veličinom intervala poverenja - što je interval
uži, preciznost uzorka je veća. Važno je znati da preciznost zavisi od veličine
uzorka, od metode biranje uzorka i od grešaka (pristrasnosti) tokom sprovođcnja
uzorkovanja. Greške i pristrasnosti tokom intervjuisanja, tzv. anketarske greške.
greške posmatrača i dmge slične greške koje uobičajeno nazivamo greškama
merenja ne iitiču na preciznost uzorka. Ponekad se u literaturi nalazi da te greške
utiču na tačnost uzorka, ali to nije opravdan naziv i eventualno se može govoriti o
tačnosti (]Douzdanosti) podataka, a ne o tačnosti uzorka.
Uz određivanje intervala poverenja c treba reći nekoliko reči. Naime, vrlo popularni
interval poverenja od 2c=6 (u procentima) ima smisla kad je proporcija pojavljivanja veća od
0,03. U primeru sa predsedničkim kandidaton:i smisiena je prognoza izbora koja se kreće u
okviru ±3%. Za malu političku stranku inteival od ±3% već ne znači mnogo, jer ne daje
pouzdan odgovor da II će stranka uopšte ući u parlament ili ne. Naime, ako je cenzus za
ulazak u parlament 3%, onda sa ovom preciznošću prognoze stranka može da računa i sa
nula glasova.
Još je veći problem sa starijim siromašnim muškarcima koji su osiromašili zbog
kocke, kojih u populaciji starijih siromašnih muškaraca ima 0,07%, odnosno n=70. Koju
preciznost bismo tu želeli? Videli smo u ranijem primeru da ako u uzorku od n=1000
dobijemo dve takve osobe, da će interval poverenja broja osoba u populaciji biti 0 ^ 7 4 . To
je vrlo neprecizno. Šta bi tu bio interval koji je analogan ,±3%"? Ako bismo, na primer, hteli
preciznost od ±70 osoba (što zapravo nije prihvatljivo, jer bi onda u interval ušla i moguć-
nost da nema takvih osoba), onda bi nam polovina intervala poverenja bila c=0,0007, a
uzorak bi morao bili veličine n=6300.
Danas se obično za proračun veličine uzorka koriste računarski programi
koji su specijalizovani za taj proračun, a slične funkcije postoje i u koinercijalnim
statističkim paketima. Na Intemetu se mogu naći web stranice sa kalkulatorima za
izračunavanje veličine uzorka. Na osnovu onoga što je rečeno na prethodnim stra-
nama može se zaključiti da potrebna veličina uzorka zavisi od sledećih elemenata.
• Što veću moć statističkog testa i viši nivo značajnosti žehmo, to uzo-
rak mora biti veći.
• Ako koristimo kontrolne varijable, odnosno ako želimo da uzorak de-
Hmo na poduzorke po nekom kriterijumu, uzorak mora biti veći. Na pri-
mer, kada nas zanima da ii preferencije nekog proizvoda zavise od pola i
starosti, svaka poina i starosna grupa mora biti dovoljno velika.
• Sto su poduzorci koji nastaju „delovanjem” kontrolnih varijabli broj-
niji, uzorak mora biti veći. Posebno sc mora obratiti pažnja na vehčinu
najmanjeg poduzorka, odnosno grupe (v. sledeće poglavlje).
• Što pojave (varijable) koje se mere imaju veći varijabilitet u populaciji,
to uzorak mora biti veći. O tome je bilo mnogo reči u prethodnim poglav-
Ijima.
Ozbiljan problem u uzorkovanju nastaje kada nas zanimaju svojstva, kao što
su recimo stavovi, Ijudi koji su retki u populaciji. U našem primeru siromašnih
starijih muškaraca koji su izgubih sredstva za egzistenciju zbog kockanja, sasvim
je jasno da bismo morali imati uzorak takvih osoba koji je reprezentativan za
njihov stratum. Jedan ili dvojica, koiiko bismo ih mogh očekivati u slučajnom
uzorku od n=1000, ne mogu pružiti dovoljno infonnacija. Slično, ako nas
interesuju stavovi pristalica neke male političke stranke, onda nije dovoljno da u
uzorku imamo proporcionalan broj takvih osoba (recimo 3%).
Ta situacija se može posmatrati tako da odvojene analize pođataka moramo da
radimo na poduzorcima koje čine pojedini stratumi od interesa. U tom slučaju je jasno da
svaki stratum mora biti predstavljen reprezentativnim uzorkom - kako po načinu biranja,
iako i po veličini. Statističari po pravilu smatraju da svaki poduzorak/stratum/gnjpa mora biti
velik najmanje 100. Danas postoje statističke tehnike, tzv. egzaktni testovi (koji se danas
izvode metodom resamplinga), koji se mogu primenjivati i kada su poduzorci znatno manji.
To ne znači da su mali poduzorci postali reprezentativni, nego da če egzaktni testovi tačno
oceniti značajnost dobijenih statistika (recimo x^).
5. „Dobrovoljačka greška"
1. Spisak populacije
5. Ponderisanje
Na ovaj način smo put koji anketari moraju da pređu značajno smanjili jer
su jedinice posmatranja prostorno grupisane, a rešili smo i problem nedostatka
spiska populacije. Medutim, opisana varijanta klasler biranja je suviše pojedno-
stavljena je r ne prcdvida nikakvu kontrolu veličine klastera, veličine uzorka i
stratifikaciju. Zato se klaster biranje obično koristi višeetapno ili kombinovano sa
drugim metodama.
7. Višeetapno biranje
U praksi se uzorci prave kombinacijom dva ili više načina biranja koji su
gore opisani. Posebno se potrcba za kombinovanjem metoda javlja kod velikih
uzoraka koji se prave za istraživanja na nacionalnom nivou. Najčešća je
kombinacija klaster biranja sa nekirn od dmgih načina biranja, pa se u literaturi
može sresti da se višeetapno biranje tretira kao uopšteno klaster ili zonsko biranje.
P rim er prv e etape. - Kod višeetapnog biranja (engl. multistage sampling)
populacija se obično deli na hijerarhijski način u geografske, administrativne,
ekonomskc, političke ili neke dnige celine, od većili, ka sve manjim. U tcrminolo-
giji iizorkovanja ove celine se nazivaju klasterima, odnosno zonama. Prva etapa
tizorkovanja se onda vrši primcnom nekog načina biranja na spisak klastcra. Na
primer, teritoriju Srbije i Cme Gore možcmo podeliti na nekoliko načina, npr.:
• na republike i pokrajine,
• na regione kao što su sevcr, centralni deo, jug, Beograd, razvijcni,
nerazvijeni itd.,
• na izbome jcdinice (ako po tckućcm izbornom zakonu one postoje) ili
ncke druge siičnc cclinc.
Naravno, ove gcopolitičkc cclinc su uglavnom suviše krupne i obično se
tretiraju kao stratumi iz kojih se proporcionalno biraju opštinc. Daklc, u prvoj
etapi su opštinc jcdinice uzorkovanja. Na spisak svih opština možemo primeniti
slučajno biranje po stratifikovanom (proporcionalnom ili kvotnom) modelu, tako
da dobijeni uzorak opština budc rcprczcntativan za Srbiju i Crnu Goru (stratumi
su rcpublike, rcgioni itd.). Na ovoj ctapi smo daklc uzorkovali opštinc po modclu
stratifikovanog biranja, opštinc sc trctiraju kao zonc, a uzorak sc naziva zonskim.
Prinicr drugc ctape. -N a k o n toga, u drugoj ctapi, iz opština koje su ušle u
uzorak možemo birati naselja, odnosno mcsnc zajcdnicc. Obično sc naselja prvo
stratilikuju po kriterijumu: gradska nasclja, ostala nasclja, pa sc zatim biraju tako
da u uzorak uđe proporcionalan broj gradova i scla. Kriterijum šta jc grad, a šta
selo („ostala nasclja”) varirao jc tokom vremena. Tokom popisa 1991. godine Sa-
vezni zavod za statistiku je imao ,,pravni kritcrijum” i „statistički kritcrijum” po
kojima je razvrstavao naselja u gradove odnosno scla. Pažljivo pripremljena istra-
živanja se mogu poslužiti vlastitom klasifikacijom nasclja u gradska i seoska, po
vlastitim kritcrijuinima. Dakle, u ovoj ctapi sc uzorkovanjc vrši sa spiska nasclja.
U ovoj ctapi se još uvek koristi zonsko biranje. Jcdinicc uzorkovanja su
nasclja, koja se u istraživačkoj temiinologiji nazivaju punktovima ili popisnim
krugovima, a najčcšće odgovaraju mesnim zajednicama. U terminologiji uzorko-
vanja se može sresti i naziv „blokovi”, vcrovatno zbog toga što sc u Americi
popisni krugovi nazivaju popisnim blokovima (eng. ccnsus blocks),
Treća ctapa, varijanta prva. - Činom odabiranja naselja obično se završa-
va „zonski” dco uzorkovanja. U zavisnosti od toga šta su nam jedinicc posmatra-
nja (odrasli, omladina, stanovi, domaćinstva...), prcostajc da neposredno izabcrc-
mo jedinicc koje ćc ući u uzorak. Da bi uzorak u cclini bio slučajan i ovo konačno
biranje se mora obaviti nekom metodom slučajnog biranja. Jedan od načina jc da
se konačnc jcdinice uzorkovanja (kojc su onda i jcdinice posmatranja) biraju sa
nckog raspoloživog spiska, Kao što je ranije rcčcno, domaći istraživači će obično
posegnuti za biračkim spiskovima. U tom slučaju će sc biranje obaviti mctodom
sistcmatskog slučajnog biranja, tj. mctodom izbora po koraku, a anketar će ići
dircktno na adrese odabranih ispitanika.
Treća ctapa, varijanta druga. - Ako se istraživač nc opredcli za neki od
raspoloživih spiskova (zato što mu nisu dostupni, zato što sumnja u njihovu tač-
nost ili iz netcog drugog razloga), onda mu oslajc da i u trcćoj etapi nastavi sa
,,zonskim” pristupom biranju. Naime, ako raspokiže spomcnutim skicama naseija,
onda može siučajno odabrati kuće iii zgrade, označiti ili na skici i poslati anketare
direktno na te adrcsc. Ako ne raspolaže takvim skieama može dati uputstvo anke-
tarima da obilaze punktove po nekom opštcm planu kao što jc kretanjc u smeru
kazaljke na .satu, u gradskim sredinama, iii nekom drugom varijantom ,,siučajnog
puta”.
Nakon što je definisan način kretanja kroz punkt, anketarima se mora dati
uputstvo za biranje zgrada i kuća koje će posetiti. Pošto se ne raspolaže tačnim
skieama i spiskovimr stambenih objckata (jcr ako se raspolaže biranje bi se izvr-
šilo ,,u kancclariji”), obično se ankctarima zadaje korak izbora. Na primer, daje
im se uputstvo da ulaze u svaku pctu kuću.
Naravno, „kiiće” nisu iste, jer se niože raditi o kući na selii u kojoj živi
jedno domaćinstvo, jednako kao i o višespratnoj zgradi u gradu sa par stotina
stanova. Za takve vclike zgrade se može predvideti nova ctapa „slučajnog puta” i
koraka biranja koji obulivata spratove i stanove.
Analogno biranju Ijudi sa biračkog spiska, stanovi ili kiiće bi sc moglc birati
sa spiskova stambcnog fonda, spiskova elektrodistributivnih prcduzcća, ili nekih
drugih komunalnih institucija. U tom slučaju bi se biranjc opet moglo izvršiti
prostim ili sistematskim slučajnim biranjem.
U ovoj varijanti trcće ctape, jcdinice uzorkovanja na kojima sc biranje vrši
na manje-više slučajan način su, dakle, stanovi/kuće, odnosno domaćinstva.
Problem koji tu nastaje je u tome što primarnc jediniee uzorkovanja (jer jc ovo
poslednja ctapa) obično ne odgovaraju jcdinicama posmatranja. Naime, jedinice
posmatranja su obično osobe, a ne domaćinstva.
Taj problcm sc u praksi obično rešava tako da kada ankctar konačno dode
do jednc kućc ili stana gde tipično živi jedno domaćinstvo, primenjuje pravilo da
se odabcre onaj član domaćinstva koji je zadnji iniao rodcndan, ili koji ćc pi^vi
imati rodendan. Naravno, ako su jedinice ])osinatranja domaćinstva, onda anketar
neće primenjivati kriterijuni prvog rodendana, nego će po uputstvu izabrati osobu
koja predstavlja to domaćinstvo (domaćina). Ako ispituje ncku odrcdcnu starosnu
grupu, ili koji drugi stratum, onda takodc neće primenjivati kriterijum prvog
rodcndana, nego će birati osobu (osobe) koja pripada tom stratumu.
Pošto jc tehnika biranja prcma datumu rodenja |iokazala ncke nedostatke,
prcdložcni su alternativni postupci koji podrazumevaju relativno složenc tabcle i
postupke izračunavanja. Složcnost postupka biranja osoba unutar domaćinstva je
ograničena vremenom i raspoloživim stipljenjcm Ijiidi. Naime, da bi po ovim
altcrnativnim postupcima utvrdio koji član ćc ući u uzorak, anketar mora postaviti
seriju uvodnih pitanja i razgovora i što je ta serija pitanja duža, to su šansc da
izgubi saradnju vcće. Taj problem je poscbno akutan kod iclcfonskih anketa.
Klaster biranje i višcctapno biranje su praktično jedini praktičan izlaz za
istraživanja na velikim uzorcima koji obuhvataju cclu zemlju. Medutim, njihova
preciznost jc gcncralno manja nego kod drugih slučajnih uzoraka. .loš važnije jc
to što formule za izračunavanje standardnih grešaka u komereijalnim statističkim
paketima nisu primerene ovim uzorcima i šlo najčešće značajno potcenjuju
standardnu grešku.
Iz gornjeg opisa koji približno odgovara jednom realnom iizorku za
nacionalno istraživanje (reciino javnog mnjenja) vidi se raznovrsnost i slojevitost
postupaka biranja. Vidi se, takode, da nakon „zonskog” dela uzorkovanja, za koji
je postojao spisak gcografskili celina, zona, odnosno klastera, kasnije etape
biranja nisu uvek imale spiskove popukicije. Opisane skice ili karte su jedna vrsta
spiska, pa ako je konačni izbor domaćinstava vršen na osnovu njih, može se reći
da su domaćinstva birana slučajno. Međutim, odredivanje puta kretanja anketaru
i koraka biranja adrcsa nije isto što i slučajno biranje sa spiska po principu jedna-
kih verovatnoća.
Zbog toga za ovakve uzorke generalno važi da su manje precizni (imaju
veću standardnu grešku) od prostog slučajnogbiranja, apogotovo od stratifikova-
nog slučajnog biranja. Naravno, pitanje preciznosti, a posebno reprezentativnosti
(generalizabilnosti) uzorka je složeno pitanje na koje nema prostog odgovora. U
literaturi postoje komparativna istraživanja raznih vrsta uzoraka, a postoje i
evidencijc o tome koliko su koji uzorci bih uspešni u predviđanju i generalizaciji
(na primer u prcdizbomim istraživanjima javnog mnjenja koja se vrše sa ciljem
prognoze izbornih rezultata).
F. Neprobabilistički uzorci
1. Prigodno biranje
3. Kvotni uzorak
Slučaj „The Literary D igesta". - Ova američka revija je u periodu od 1916. do 1936.
izvršila veoma veliki broj anketa istražujući ono što se danas naziva javnim mnjenjem. Obič-
no su glasačke listlće ili upltnlke u formi dopisnica slall poštom na adrese vlasnlka telefona
III automoblla. Dopisnlce su služlle istovremeno kao reklama za časopls. 0 kollklm uzorclma
se radl govorl podatak da su 1922. godlne poslall 8 mllona pisama telefonsklm prelplatnl-
cima, a 1932. godlne čak 20 miliona telefonskim pretplatniclma I vlasnlcima automoblla. U
ovom drugom slučaju, dobill su odgovor od oko 5 mlllona građana. Naravno, zalnteresovale
su Ih I prognoze predsedničklh Izbora pa su tokom nekoliko godlna vršlll ankete sa tim clljem
po Istoj metodologljl. Greške predvidanja su varlrale I nekada su za današnja shvatanja bile
vrlo vellke (Izmedu 1 2 121%), all su spomenute 1932. godlne predvldell pobedu Roosevelta
sa svega 1% pogreške. Tada još nisu postojali krlterljuml koji bi nalagall da „zazvonl zvono
za uzbunu” zbog povremenih veliklh grešaka.
Nažalost, došla je 1936. godina kada je The Literary Digest predvldio pobedu repu-
bllkanca Alfa Landona nad demokratom Frankllnom Rooseveltom, a na osnovu .uhodane’
tehnologije obraćanja pretplatnlcima telefona I vlasnlclma automoblla. Roosevelt je pobedlo
Landona sa 523 elektorska glasa prema 8, čime je dovedeno do kraja ne samo izlaženje
The Llterary Dlgesta, nego I do ozbiljnog razmatranja metodologlje javnomnjenjsklh Istražl-
vanja. George Horace Gallup, kojl je te Iste 1936. godlne, na uzorku od samo n = 3 000 prcd-
video pobedu Ruzvelta, odmah je loclrao problem ove predizborne prognoze kao problem
uzorkovanja, jer su vlasnicl telefona i automoblla prlpadall boljestojećem srednjcm sloju kojl
je većlnski blo raspoložen konzervatlvno, prorepublikanskl. U uzorku su blll značajno podre-
prezentovanl slablje stojeći glasačl Iz radnićke klase kojl su blli s jedne strane brojniji, a s
druge strane listom za demokratskog kandidata, Gallup je iskoristio priliku i sa jakom eki-
pom statističara i psihologa osnovao Američki institut za javno mnjenje (American Institute
of Public Opinion, danas The Gallup Organization, www.gallup.com ) koji su za ankete počeli
koristiti kvotne uzorke.
Kasnije greške u predizbornim prognozama su bile mnogo manje, ali su se neke od
njih svejedno .proslavile”, kako kod nas, tako i u inostranstvu. Na predsedničkim izborima u
SAD 1948. godine ponovila se greška u anketama koje su predviđale pobedu Thomasa
Dewyea nad Harry Trumanom, koji je na kraju pobedio. Danas se greškom smatra već
sama greška u procentima koja je veća od 3%, a da ne govorimo o pogreški u redosledu
kandidata.
Jedna od velikih grešaka u prognozi izbornih rezultata se dogodila 1992. godine na
britanskim opštim izborima. Tada su glasovi konzervativaca potcenjeni za oko 7,5%, a to je
čak bilc najmanje podcenjivanje u skoro 60 anketa koje su objavljene pred te izbore. Osno-
van je čak i komitet koji je analizirao tu grešku. U opticaju su bila tri glavna objašnjenja: a)
1/4 grešaka je nastala zbog tzv. brzog preokreta pred same izbore, b) kvotni uzorak je
doveo do pristrasnosti prema biračima laburista I c) dogodila se .spirala tišine”. Spirala tišine
je pcjava da izvesne grupe I slojevi, kao što su partijske pristalice, izbegavaju da ispolje svo-
ja opredeljenja, obično ih iskazujući kao ,ne znam”, „ne želim da odgovorim” i „neću glasati”.
Utvrdeno je da su baš tih godina pristalice konzervativaca bile izrazite po tim odgovorima.
Ukupno 10 10 20
Kvote po obrazovanju
- Bez škole ili nezavršena OŠ 2 3
- Osnovna škola - OŠ (8 razrcda) 3 5
- Škola za radnička zanimanja 1 3
- Srednja škola 2 5
- Viša škola 1 2
- 1-akuitct, akademija, mi', dr 1 2
Ukupno________________ 10 10 20
4. Problemi kvota
5. Mešovito biranje
Postoji još jedan važan aspekt koji se može zaključiti iz kvotnog obrasca
prikazanog u tabeli 21. Taj kvotni obrazac se odnosi na jedan punkt, popisni krug,
naseljc ili mesnu zajcdnicu (kako se već ta jedinica uzorkovanja sve naziva).
Dakle, kvotnom biranju je prethodilo zonsko biranje. Anketari se ne šalju u sve
gradove i mesta u zemlji iz razloga koji su ranije navedeni. Zbog toga se kvotni
uzorci obično realizuju kao dvoetapni tizorci (ih čak višeetapni uzorci), gde se u
prvoj etapi slučajno biraju naselja po stratifikovanom modelu. Recimo, naselja se
biraju prema tipu (selo-grad), regionu, izbornoj jedinici, a škole prema vrsti,
lokaciji, veličini mesta ili na neki dmgi način. Čak šta više, anketar sc može
služiti raznim spiskovima da bi došao do potrebnih osoba (kao što su spiskovi
zaposlonih, npr.). Medutim, suština kvotnog modela namernog uzorka je u tome
da anketar ne bira sa spiskova slučajno (npr. po koraku), nego namerno po 10 bilo
kojih žena i 10 bilo kojih muškaraca. Ovakva kombinacija zonskog i kvotnog
biranja naziva se mešovito biranje.
Konkretna uputstva anketarima, čak i kad se radi o slučajnim uzorcima,
često sadrže uputstvo da ako osoba koja je izabrana sa biračkog spiska nije do-
stupna ili ne žcli da odgovara, sledeća osoba bude odabrana „poštujući raznovr-
snost po polu, starosti i obrazovanju”. Ako anketar posluša to uputstvo, onda on u
stvari uzorkuje po kvotnom modelu, bez obzira što je plan uzorka slučajan. Sve u
svemu, kvotni uzorak se praktično nikad ne koristi samostalno kad se radi o
opštoj populaciji jedne zemlje ili veće geografske celine. Njemu uvek prethode
neke etape koje se obično sprovode po modelu slučajnog biranja (kao što je
zonsko ili klaster biranje).
Zbog toga se višeetapni uzorci najčešće realizuju po mešovitom modelu.
Kao što smo videli u odgovarajućem poglavlju, etape mogu biti mešovite već s
obzirom na vrstu slučajnog biranja koje se koristi. Npr. opštine se mogu birati
pomoću stratifikovanog slučajnog biranja, dok se ispitanici mogu birati sa birač-
kih spiskova po modelu sistematskog slučajnog biranja (po koraku). Malopre smo
videli da konačna etapa, biranje jedinica posmatranja, može biti obavljena po
kvotnom modelu, kada uzorak postaje mešovit u pogledu kombinacije proba-
bilističkog i neprobabihstičkog biranja.
G. Poređenje probabilističkih i
neprobabilističkih uzoraka
Na svim ovim mestima se mogu pročitati, čuti ili videti rezultati naučne
produkcije. Medutim, kako utvrditi da li je neki časopis naučni i da li je skup
naučni? Postoje različiti kriterijumi koji se primenjuju kod nas i u svetu, ali to ne
znači da je klasifikaciju jednostavno izvršiti. Ti kriterijumu se obično primenjuju
„zbimo” i ne ciljaju direktno na identifikaciju „naučnosti”, nego na izvesne for-
malne preduslove za koje su praksa i iskustvo rekli da su važni. Navešćemo neke
od tih kriterijuma.
Kao prvo, podrazumeva se da će izdavač naučne publikacije biti neka nauč-
na, nastavna, razvojna ili stručna institucija ili udruženje.
Kod naučnih časopisa, koji po pravilu izlaze periodično (mesečno, trome-
sečno, polugodišnje, godišnje), jedan od najvažnijih kriterijum aje redovnost izla-
ženja. Ako časopis ne izlazi redovno, on se obično skida sa raznih spiskova i
pregleda. Ako nije na spiskovima ih u bazama podataka, onda autori znaju da u
njemu ne vredi objavljivati. Problemredovnosti izlaženja časopisaje univerzalan,
a posebno je zaoštren u siromašnim i društvima u krizi. Ti problemi su, nažalost,
kod nas bili veorna prisutni u godinama na prelazu XX i XXI veka. Časopisi su
kasnih sa izlaskom godinu i više dana. Redakcije su se dovijale tako što su ka-
šnjenje „ispravljale” objavljivanjem takozvanih dvobroja, trobroja ili čak četvero-
broja. Kasnije će se videti da je za časopise koji kasne teško izračunati kvan-
titativne pokazatelje naučnog učinka.
Poseban problem u smishi vremenske stabilnosti postoji kod elektronskih
izdanja koja se prezentiraju na Intemetu. N a dmgom mestu u ovoj knjizi je taj
problem posebno spomenut (odcljak o trajnosti resursa na Intemetu), a ovde ćemo
samo ponoviti da su Internet pubhkacije vremenski nestabilne i da trenutno ne
postoji rešenje tog problema. U većini „pravila za citiranje” se zahteva da uz
Intemet referencu stoji i datum kada joj je pristupljeno. Taj zahtev proističe
direktno iz saznanja da reference pročitane pre 2-3 godine imaju male šanse da u
istom obliku budu pronadene na istoj adresi.
Sledeći kriterijum koji se primenjuje kako za naučne časopise, tako i za
knjige i dmge publikacije, jeste sistem recenziranja. Manje-više se podrazumeva
da naučne publikacije moraju imati neki sistem provere kvaliteta objavljenih
radova. Tu proveru mogu vršiti urednici, urednički kolegijumi, saveti, ili neko
slično telo, ali univerzalno i opšte prihvaćeno rešenje je da rad pročita jedan ili
više recenzenata, posebno odabranih za tu priliku. Metodologiji recenziranja, kao
kvalitativnoj metodi ocenjivanja naučnih radova, posvećen je poseban odeljak.
Od naučnih publikacija se, takode, zahteva da poštuju pravila i običaje koji
se odnose na format, izgled i sadržaj. Na primer, iz naučnih publikacija se mora
lako dobiti informacija o imenu autora, kao i njegova adresa zap o slen ja- afilija-
cija. Svi nazivi i naslovi u radu moraju biti jasni i kompletni, mora postojati
bibliografija, pri čemu njen izgled i način pozivanja referenci moraju pratiti neku
od konvencija. Moraju postojati rezimea, i to najbolje na nekom od svetskih
jezika (engleski i francuski) i moraju postojati ključne reči. Ako ste, kao korisnik,
fotokopirali članak iz naučnog časopisa, ili neko poglavlje iz knjige, s pravom
ćete očekivati da ćete na stranama koje imate moći naći kompletnu referencu
dotične publikacije (naziv, godinu-volumen i broj), pa je uobičajeno da se takve
informacije obezbede pogodnim grafičkim rešenjem. Za bibliografsku obradu su
posebno važne numeričke klasifikacije publikacija i radova u njima, koje moraju
biti navedene na koricama, potkoricama i uz svaki članak (kod nas se koristi
poznata decimalna klasifikacija UDK). Ukralkn, sve bibliografske informacije
moraju biti prisutne i lako dostupne.
U zavisnosti od tipa publikacije, mogu se očekivati i drugi formalni zahtevi
koje pubiikacija mora ispuniti. Na primer, za knjige se zahteva da imaju određeni
broj strana, kod nas najmanje 51, ali i da imaju i odredeni broj autocitata, recimo
15, kako bi se pokušalo obezbediti d a je autor koji je napisao knjigu, jedan ili više
njih, kompetentan za tu oblast.
Vrlo važno pitanje, pogotovo za „male naučne sredine” je da li je publika-
cija „medunarodna”, odnosno, „od međunarodnog značaja”. To znači da u toj
publikaciji moraju učestvovati autori iz drugih zemalja, osim iz zemlje gde je
publikacija izdata. Takođe, očekuje se da citirani autori budu takođe iz meduna-
rodnog okruženja. Posebno je značajno ako su članovi redakcije i tecenzenti iz
drugih zemalja. Korisno je i ako su istraživanja koja se objavljuju sprovedena u
drugim zemljama, ili su medunarodna po prirodi, makar autori bih domaći.
Takođe, vrlo je česta praksa malih zemalja.da izdaju časopise na stranom jeziku,
najčešće engleskom, ili da bar neki radovi budu na stranoni jeziku.
Kasnije će o tome biti više reči (u odeljku o kvantitativnom ocenjivanju
naučnog rada), ali sada treba naglasiti da su američka i uopšte anglosaksonska
publicistika apsolutno dominantni. To ima uglavnom pogubne posledice na autore
iz ne-engleskih i malih sredina i nije poznat neki dobar i uhodan način da se taj
problem prevazide. Kao što je gore rečeno, objavljivanje domaćih publikacija na
stranom jeziku je jedan od najtežih načina ,,da se izađe u svet”. Nisu svi izdavači
spremni na takvu avanturu. Međutim, za naučne publikacije je vrlo korisno da u
minimalnom pogledu imaju bihliografske elemente na nekom od svetskih jezika,
najbolje engleskom. To se prvenstveno odnosi na rezimea, ključne reči i afdijacije
autora, ali i na organizaciju radova, način prezentiranja, citiranja itd.
Nije bez značaja tradicija, odnosno dužina izlaženja časopisa. Stari i poznati
časopisi će biti iakše uvršćeni u bibliografske indekse i baze, a novoosnovanim
treba vremena. Od značaja je i naučni rcnome glavnog urednika i ostalih članova
redakcije, kao i renome izdavača. U svemu tome treba imati u vidu da se obično
smatra da postoji vrlo mali broj časopisa koji pokrivaju samu suštinu pojedinih
naučnih oblasti. Bolje rečeno, naučne oblasti su već uveliko izdiferencirane i
omeđene i za svaku je obično ključan jedan, ili eventualno par časopisa. To je
pogotovo slučaj u malim zemljama: sociologija, psihologija, pedagogija, etnologi-
ja, lingvistika itd. moraju imati jedan časopis i vrlo je čest slučaj u nacionabim
publicistikama da je taj jedan časopis centralni i/ili jedini. Novi časopisi nastaju
kada se osnovne naučne oblasti diversifikuju, tj. kada broj radova u podoblastima
postane značajan, odnosno kad se nove oblasti pojave na sceni. Ostali časopisi
mogu da pokrivaju neke posebne podoblasti, ili posebne pristupe istraživanjima,
ili su prosto jedan demokratski način da se uzdrmaju „naučni establišmenti” i
zatvoreni naučni krugovi.
Neki od gore navedenih kriterijuma, ali prilagođeni toj posebnoj nameni,
primcnjuju se i na ocenjivanje naučnih skupova. Redovni skupovi, kao što su na
primer godišnji skupovi koje organizuju naučna udruženja ili institiicije, nesum-
njivo se mogu nazvati naučnim skupovima. Naravno, prelpostavlja se da postoji
organizaeioni odbor, da su defmisani „okrugii stolovi”, „simpozijumi”, „radi-
onice” i drugi obhci rada skupova i njihovi rukovodioci/predsedavajući/modera-
tori. Prijavljivanje radova, kao i način njihovog odabira moraju biti defmisani
(najbolje je ako izbor radova vrše recenzenti). Očekuje se da „knjiga rezimea”
bude gotova pre početka skupa, a izdavanje zbom ika radova nakon skupa je više
nego poželjno. Naravno, danas je sve češća praksa da svaki takav skup ima svoju
prezentaciju na Interaetu. Prigodne konferencije koje se organizuju tematski
moraju poštovati ista pravila; od toga ko je organizator i ko su učesnici, do zbor-
nika radova.
U novije vreme, sarazvojem bibliom etrije i scijentometrije, vrlo je jak priti-
sak da se naučne publikacije objektivno ocenjuju na osnovu kvantitativnih poka-
zatelja. Zasada je najviše korišćeni pokazatelj citiranost, odnosno tzv. faktor
uticajnosti naučne publikacije. Zbog značaja objektivnih pokazatelja njima će
kasnije biti posvećeno posebno pogiavlje.
2. Vrste radova
Postoje najmanje dve grupe pitanja koja se mogu nazvati etičkim ili moral-
nim. Prva grupa se odnosi na stil i manir pisanja, na ophođenje prema naučnim,
oponentima, na prilaz i tretman debata koje se vode u okviru naučnih publikacija.
Može se reći da su to eminentno etička pitanja jer se tiču opšteg duha i klime
naučnih komunikacija, slobode govora, i u krajnjoj liniji podsticajnosti naučnog
stvaralaštva. Pitanju stila će biti posvećena pažnja u okviru poglavlja o stilu
pisanja (odeljak o elementima stila).
Pitanja iz druge grupe su na granici između zakona i morala. Ona obuhvata-
ju problem dvostrulcog (iH višestrukog) objavljivanja, plagijala (krade) ifalsifilta-
ta (lažiranja rezuUata). Pitanje višestrukog objavljivanja je posebno osetljivo jer
pokreće pitanje o tome šta je novi rad u odnosu na ranije objavljeni rad.
U svakom slučaju, podrazumeva se da su redakcije časopisa neposredno
zadužene za kontrolu etičnosti radova koje objavljuju (po svim pitanjima). Zakon-
ska zaštita protiv širenja mržnje i netipeljivosti i drugih zakonski zabranjenih dela
se retko primenjuje prema naučnim publikacijama. Medutim, ugled naučne publi-
kacije zavisi od toga koliko se u njoj poštuju moralna načela naučne produkcije.
Višestruko objavljivanje nije sasvim jednostavno pitanje. Ovde je već spo-
menuto da časopisi sami objavljuju prevode ili prepise članaka koji su ranije
objavljeni na drugim mestima, za koje ocene da su od značaja za njihove kori-
snike. Ako rad poseduje naučnu vrednost od opšteg značaja, onda je uobičajeno
da redakcije traže da objave taj rad (radovi po pozivu). U slučajevima kada autor
pošalje svoj članak redakcijama časopisa koji imaju nepreklapajući auditorijum,
smatra se da nije prekršeno nijedno etičko pravilo i da rad na takav način samo
dobija na vidljivosti.
U svim drugim slučajevima se smatra nedopustivim da autor isti rad
objavljuje na više mesta, što istovremeno znači da „greh” pada i na redakcije
naučnih publikacija koje su takav tekst objavile. Ne smatra se pristojnim da neki
autor hčno svoj rad proglasi naučnom vrednošću od opšteg značaja i nudi ga
redakcijama za višestruko objavljivanje. Ipak, postoji praksa da autori isti rad
istovremeno pošalju na adrese više časopisa zato što redakcije često odbiju rad, ili
ga vrate sa zahtevom da se znatno modifikuje (nakon više meseci). Pošto se može
desiti da dve ili više redakcija ipak prihvati rad, takva praksa se ne smatra isprav-
nom. Autor može staviti do znanja uredniku da je poslao rad i drugima, ali će
retko koji urednik u tim uslovima pristati da pokrene mučni proces rcdakcijskog
i recenzentskog pregleda. Jedini ispravan put je da autor pošalje rad časopisu koji
je odabrao, pa ako tu bude odbijen, da pošalje rad drugom časopisu. Smatra se
vrlo poželjnim da autor obavesti drugi časopis o tome da je rad pregledala pret-
hodna redakcija, koje zamerke je utvrdila i šta je autor uradio da bi te zamerke
otklonio.
Postoji i pojava da autori šalju rad na objavljivanje drugim časopisima pod
novim naslovom. To se, takode, smatra potpuno neprihvatljivim, posebno ako je
tekst isti. Medutim, sasvim je verovatno da će istraživači, dok rade na istom
projektu, ali i u okviru svog naučnog opredeljenja, pisati o istim problemima,
korisliti slične instriimcnte i metode i sazrevati u svom shvatanju istraživanog
problema. Dakle, kada će se smatrati da su njihovi tekstovi isti, kada da su skoro
isti, a kada da su to novi tekstovi? Nema lakog odgovora na to. Postoje neka
pravila koja kažu da 10-15% teksta mora biti izmenjeno, ali nije dovoljno jasno
na šta se moraju odnositi te izmene, odnosno šta može, a šta ne može ostati isto.
Sto se tiče plagijota, odnosno krađe tudeg teksta, tu stvar podleže zakon-
skim sankcijama, pa čak i poništavanju stečenih naučnih i nastavnih zvaiija
ukoliko se dokaže da su stečena plagiranjem (npr. magistarskih teza i doktorskih
disertacija). U tom smislu nisu potrebna dalja objašnjenja. Treba istaći i da se
neznanje ne smatra opravdanjem. Međutim, plagir^nje može imati vrlo različite
oblike i, premda je pojava retka (u odnosu na broj objavljenih radova), potrebna
je stalna doza opreznosti kod naučnih redakcija ali i celokupne naučne zajednice.
Nije plagijat ako autor javno usvoji nečije ideje, metode ili zaključke - citirajući
ih. Plagijat je ako ih prcdstavi kao svoje. U praksi se to često svodi na to da li je
tekst koji je preuzet iz tuđeg rada stavljen u navodnike (i eksplicitno naveden kao
citat, sa detaljnom referencom), ili nije. lako se ne smatra plagijatom, vrlo je
bliska tome pojava kada neko dopisuje svoje autorstvo na radovima u kojima nije
učestvovao (često u formi zloupotrebe višeg nastavničkog ili istraživačkog
statusa).
Ako nečiji rad potpuno slcdi pristup i opredeljenja nekog svog prethodnika,
postavlja se pitanje u kojoj meri je prihvatljivo da se rad sastoji od citiranih
navoda, makar bili i pod navodnicima. Rad koji se sastoji isključivo iz taksativno
pobrojanih tuđih mišljenja i navoda, može imati probleme da se prizna kao naučni
rad. Ako takav rad ima za cilj da demonstrira kako se neki naučni stav razvijao
kroz istoriju, i to prvenstveno ilustruje citatima poznatih autura, onda će se možda
čak razvrstati kao pregledni rad.
Folsifikati se odnose na lažiranje podataka, lažno predočavanje rezultata
istraživanja, selektivno prikazivanje, prešutkivanje negativnih nalaza itd. Postoje
mnoga dokumentovana svedočanstva o takvim „radovima”, od arheologije do
svih drugih nauka. Neki takvi primeri imaju anegdotsku i humorističku konotaci-
ju, a neki doslovno predstavljaju prevare. U oblasti društvenili nauka postoje
višestruka iskustva sa vrlo poznatiin autorima, rodonačelnicima naučnih pravaca
i škola, koji su verovalno iz snažne motivacije i snažnih uverenja „frizirali”
podatke da bi potkrepili svoje teorije.
Cyril Burt, utemeljilelj mnogih ključnih psiholoških disciplina, bavio se i krimino-
logijom. U tom smislu je dokazivao tezu Lombroza i Godarda da postoje jo đ e n i kriminalci”
koji su, pri tome, mentalno poremećcni i imaju nizak IQ (između ostalog, Burt se služio
metodom blizanaca). Nažalost, 1974. godine je uočeno da su korelacije različitih skupova
blizanaca jednake na trećoj decimali, što je praktično nemogućan ishod. Nakon toga se
ustanovilo da neki od njegovih koatuora ili nisu radili s njime ili uopšte nisu postojali. Sve je
ukazivalo na to da je Burt lažirao podatke i da je objavio lažne tabele u kojima su osuđenici
imali nizak IQ. Konačno je i Burtov biograf, ovlašćen od strane Burtove porodice,
konstatovao da se verovatno radi o prevari.
Burtov primer se u metodološkim udžbenicima redovno koristi za ilustraciju falsifikata.
To je nepravedno prema Burtu čiji je doprinos psihologiji, psihometriji, faktorskoj analizi i
teoriji inteligencije ogroman. Drugo, sumnje u neispravnost njegovih nalaza nisu dokazane.
Treće, njegove nalaze su potvrdili mnogi drugi istraživači. Može se pretpostaviti da je mudri
Burt osećao da je u pravu I da je sumnjao da su nalazi koje je stvarno dobio jednostavno
pogrešni. Zato je bio u dilemi da li da ih odbaci, a s njima i dugogodišnji trud i svoje teorijske
pretpostavke, pa se odlučio za .friziranje".
Mnogo strožiji nego prema Burtu treba biti prema velikom broju autora koji su prepi-
sali svoje ili tude radove, ili kojima su radove napisali saradnici, asistenti, pa čak i studenti,
koji uopšte nisu navedeni kao koautori.
Uzgred, jstraga" nije otkrila samo „aferu Burt", nego je ustanovljeno da je i Godard
falsifikovao svoje fotografije u kojima su imigranti iz Irske prikazani kao da imaju uvučenije
očne duplje. Breuning je lažirao podatke kojima je dokazivao da se stimulansima može
umanjiti agresivno i hiperaktivno ponašanje kod teško retardirane dece. Kardiolog Buch-
binder je optužen za neetičko prikrivanje rezultata i nepotpuno istraživanje Rotablatora,
uređaja za čišćenje krvnih sudova, koji je proizvodila fii ma u kojoj je Buchbinder imao ulože-
ne milione dolara. Lekar Richman je .propustio" da izvesti o smrti pacijenta i o neželjenim
efektima leka protiv hepatitisa.
a. Naslov rada
Treba imati u vidu da će većina čitalaca pročitati samo naslov rada, rezime
i eventualno ključne reči. Naslov istraživačkog izveštaja treba, zapravo, da sadrži
kritične ključne reči (vidi dole), a jedna od njih je naziv zavisne varijable. Ako
postoji samo jedna nezavisna varijabla, ili njihov mali broj, obično se one nađu u
naslovu. Iz toga sledi da će naslov obično sadržavati iskaz opovezanosti varijabli.
Postoje dva osnovna tipa formulacija iskaza o odnosu među varijablama: „pove-
zanost izrneđu” ili „poređenje grupa”. Umesto tennina „povezanost” se preponi-
čuje da se koristi „uticaj”, „zavisi” ili kao faktor 5 ”, odnosno takvi termini
koji ukazuju na mogućnst predvidanja jedne varijable iz druge (drugih), a sve u
cilju bolje usmerenosti istraživanja. Na primer, „Uticaj zadovoljstva poslom na
stepen apsentizma” ili „Zadovoljstvo poslom kao faktor apsentizma”.
Naslov treba da bude kratak, ne više od 10-12 reči. Tih nekoliko reči treba
da obuhvataju suštinu rada. Zato ih ne treba traćiti na suviške kao što su „Istra-
živanje o...” ili „Anketna studija...”. Naslov je deo rada koji će biti najviše čitan.
b. Im e autora i afilijacija
Uz ime autora treba navesti i ustanovu gde autor radi - afilijaciju - a ako
ima više autora treba navesti afilijaciju za svakog. Ovaj podatak je važan za
bibliografsku i scijentometrijsku obradu i izračunavanje pokazatelja citiranosti
institucija.
Autorstvo, odnosno ko je autor rada, nije jednostavno pitanje. Ono je neka-
da razlog za vrlo ozbiljne sukobe. Opšte je pravilo da se pravo na autorstvo stiče
na osnovu doprinosa radu. Kolege koje su dale sugestije i savete oko nacrta ili
sprovodenja istraživanja, studenti koji su prikupljali podatke, tehničari koji su
konstruisali instrumente, infomiatičari i statističari koji su pomogali oko upotrebe
računara i statističke obrade ne smatraju se koautorima. Dobro je da njihov do-
prinos bude pomenut i nagraden, ali tako što će biti pomenuti u fiisnoti ili u
posebnom odeljku. Naravno, postoje izuzeci od ovog opšteg pravila, na primer,
ukoliko je neka od pomenutih aktivnosti bila presudna za rad.
Suština je, možda, u razumevanju značenja izraza „doprinos”. Postoji,
recimo, konsenzus oko toga da doprinos mora konceptualno biti odreden kao
stvaralačka, inicijatorska i idejna uloga u istraživanju. Ovaj kriterijum je posebno
važan za određivanje imena prvog autora. Uloženo vreme, rad, trud i energija se,
u tom smislu, ne smatraju kriterijumom za određivanje autorstva. Međutim,
postoji konsenzus i oko toga da prosti akademski stepen ne može da određuje
autorstvo, iako prvi kriterijum, konceptualni doprinos, obično daje prednost
autorima sa višim akademskim stepenom.
Izostavljanje iz autorstva osoba koje su suštinski doprinele istraživanju se
može podvesti podplagiranje. Zato odredivanje autorstva u radu duboko zadire u
moralnost istraživanja. Međutim, navođenje autora koji nije radio na radu je
takode nemoralno jer obično služi tome da takav autor nezasluženo stekne bene-
ficije.
c. Rezim e
d. K ljučne reči
e. U vod
f. M etode
g. Rezullati i analiza
21. Parsell, Glennys; Bligh, John (1999). AMEE Guide No.17: W riting for journal
publication, h/ledical Teacher, Vol. 21 Issue 5, 457-469.
Parsell, Glennys, Bligh, John (1999). AMEE Guide No.17; W riting fcr journal
publication.
Postoji nekoliko varijanti ovog rešenja koje ISO dopušta. Suština je u tome
da referenca u tekstu predstavlja samo broj ftisnote. U fusnoti se navodi potpuniji
opis bibliografske reference; ime (imena) autora, naziv rada i sve drugo što je
potrebno da taj poziv na referencu bude nedvosmislen. U fusnosti se može navesti
i broj strane, kao i drugi potrebni komentari. Fusnota ne mora da sadrži samo
jednu referencu; ako se u tekstu uzastopno citira nekoliko radova, svi mogu biti
svrstani u jednu fusnotu.
U gomjem primeru se vidi i razlika izmedu prvog i naknadnih citata; u
drugom je Hauptman naveden kraće nego u prvom. ISO dozvoljava da u naknad-
nim citama bude čak samo broj fusnote u kojoj je rad prvi put referisan.
Inače, korišćenje fusnota za citiranje radova je još uvek veoma uobičajeno
u nekim naučnim disciplinama. Starije naučne publikacije su poznate upravo po
skraćenicama ibid. i op. cit. koje su se koristile u fusnotama. TenTiin ibidem (isto)
se koristio za označavanje rada koji je upravo citiran, po pravilu na istoj strani.
Opus cilatum (navedeno delo) se koristio za naknadno citiranje, ali kada je od
prethodnog citata prošlo više strana. ISO ne predviđa način citiranja sa „ibid.” i
,,op. cit.” Međutim, Kate L. Turabian je još 1937. napisala priručnik za pisanje
teza i disertacija i, između ostalog, propisala način citiranja piitcm fusnota. Zbog
prošlosti i tradicije, njena pravila (sa fusnotama) su i danas jedna od tri najčešće
navodena pravila pisanja naučnih radova (iza APA i MLA, vidi dole).
Sve u svemu, teško je naći opravdanje za korišćenje fusnota u citiranju
literature. Jedan problem je što treba voditi računa o tome kada je rad prvi put
citiran, a kad nije. Mediitim, ozbiljniji problem je to što stari način korišćcnja
fusnota ne predviđa uopšte spisak literature na jednom mestu. To pravi probleme
kako čitaocu, tako i agencijama koje se bave bibliografskim pokazateljima. Da bi
se napravio spisak citirane literature treba pročitati čitav rad/publikacija. Zato je
po ISO standardu predvideno da na kraju rada postoji jedinstveni spisak literature
(čak i kad se koristi pravilo fusnota).
3. Metod nrvou elementa i godine
Problem bibliografije u naučnim radovima se danas obrađuje sistematski, kao po-
sebna disciplina (npr. Hauptman, 1999). Kao što mnogi danas konstatuju, pro-
blem sastavljanja bibliografije uopšte nije lak, što dovodi do toga da ga, kako kon-
statuju Parsell i Bligtit (1999, str. 460), a utori obave pogrešno, ill da čak izostave
kompletnu bibliografiju radova (hau'ptman, 1999).
Parsell, Glennys, Bligh, John (1999). AMEE Guide No.17; Writing for joum al
publication, M e d ic a l T e a c h e r, Vol. 21 Issue 5, 457-469,
Kniigc
Strunk, W .,Jr., White, E. B. (1979). The elements o f style (3. izdanje). New
York: Macmillan.
American Psychiatric Association. (1990). Diagnostic and statistical
manual o f mental disorders (3. izdanje). Washington, DC: autor.
(Napomena: „autor” se u prethodnoj referenci koristi zato što su autor i iz-
davač isti.)
Freuđ, S. (1961). The ego and the id. U J. Strachcy (ur. i prev.), The stan-
dard edition o f the complete psychological works o f Sigmund F reud (Vol. 19, 3 -
66). London: Hogarth Pre.ss. (originalni rad jc objavljen 1923)
(Napomena: u tekstu bi poziv na prethodnu referencu trebao izgledati kao
(Frcud, 1923/1961). Skraćenice ur. i prev. značc urednik i prevodilac. U
gornjcm primeru se vidi da je F ro jS o ^ d elo objavljeno u zborniku svih nje-
govih radova, čiji je urcdnik bio Strachey.)
Eleklronski mediii
Tator, C., Carson, J. D., Cushman, R. (21.3.2000.) Hockcy injuries o f the
spine in Canada, 1966 - 1996. CMAJ: Canadian Medical Association Journal,
Vol.162, Issue 6, 787. Pristupljeno 15.11.2000. iz baze EBSCO (Academic Sea-
rch Elite) na: hltp://vvw\v.epnet.com/chost/login.html.
(Napomcna: ovoje samo mali primercitiranja elektronskih radova. Spome-
nuti rad je citiran sa Interneta, tako da mora imati svoj URL iHaFum kada
mu je pristupljeno (zbog ovde spomenutog kratkog života resursa na Inter-
netu). Izraz „pristupljeno” je uslovni prevod uobičajenih eng. izraza „cited”
i „retrievcd”.)
Cirunni ili institucionahii autori
Filozofski fakultet Novi Sad. (1993). Ovde ide naslov rada. Zhoriiik nečega
o nečcmu, 8, 5-9.
Clanak u naučnom časonisu
Spitch, M. L., Verzy, H. N., Wilkic, D. M. (1993). Subjcclive shortening: A
model of pigeons' memory for event duration. Jourhal o f Experimental Psycho-
logy: Aniina! Behavior Processes, 9, 14-30.
Pismo uredniku
O'Ncill, G. W. (Januar 1992). In support ofD SM -llI (pismo uredniku]. APA
Monitor, 4-5.
Clanak u časopisu za i:iopularizaciiu naukc
Gardncr, H. (Decembar 1991). Do babies sing a universal song? Psychology
Today,10--l(s.
Ćlanak u novinaina
Bro\vn, L.S. (Proljeće 1993). My research w'ith orangs. ThcPsycho!ogy De-
partment News!elter, 3, 2.
Eseii. brošure. pamfleti
Fondacija „Humanitarac” (1992). Čuvajmo našu djecu. (9. izdanje) [bro-
šura]. Podgorica: autor.
Problempozicije, odnosno lokacije spiska literature već smo pomenuli kada
smo diskutovali način pozivanja referenci u tekstu. Rečeno je da su nekada donii-
nantna bila tzv. Turabian pravila, koja su još uvek uobičajcna u nekim diseiplina-
ma i naučnim časopisima i u kojima ne postoji spisak literature na kraju rada,
nego su sve bibliografske reference smeštene u fusnote.
Mnogo bolji načinje da postoji jedinstven spisak literature koji se u slučaju
kraćih tekstova stavlja na kraj, a u slučaju dužih tekstova (knjiga) postoje dve
varijante: iza svakog poglavlja i na kraju knjige. Smeštanje spiska literature iza
svakog poglavlja u knjizi ima praktičnu prednost je r zahteva manje hstanja strana,
ali nije praktično ako u knjizi uopšte ne postoji kompletan spisak svih citiranih
radova.
Pisanje dužih naučnih radova, kao što su knjige, nije u fokusu metodološ-
kog priručnika za istraživanje ponašanja. Sasvim je jasno da se duži radovi ne
mogu pisati na isti način kao i istraživački izveštaji koji se pišu u formi članaka za
časopise i koji se stalno nalaze pred iskušenjem kako da balansiraju infoiTnativ-
nost i konciznost.
Medutim, pisanje diplomskih radova, magistarskih teza i doktorskih
disertacija („teze i disertacije”) u oblasti empirijskih istraživanja ponašanja, su
vrsta istraživačkog izveštaja sa posebnom namenom. Ta namena, edukativna,
oslobođa ih zahteva za kratkoćom, ali njihova opšta skica potpuno odgovara onoj
koju smo opisali u odeljku o delovima i strukturi istraživačkih izveštaja. U tom
pogledu nema h ’alitativne razlike izmedu istraživačkih izveštaja iz „pravih” istra-
živanja, koji se objavljuju kao članci u serijskim publikacijama i teza i disertacija,
kao izvcštaja iz „edukativnih” istraživanja (v.). Razhku treba posmatrati samo
kao kvantitativnu - teze i disertacije su generalno mnogo voluminoznije od
uobičajenih istraživačkih izveštaja.
Ipak, ono što se naziva „originalni naučni doprinos” nije bez značaja u edu-
kativnim istraživanjima. Naime, samostalni naučni doprinos predstavlja ono što
smo ovde na više mesta isticali kao ideju vodilju, bez njega ne može postojati
„slant”, on je okosnica i temelj rada u cehni. Takode, teško je oceniti metodolo-
giju rada kao dobru ako su zaključci trivijalni. Opšti pristup, vladanje metodo-
logijom i istraživačkim tehnikama se, zapravo, dokazuje kroz naučni doprinos,
ma koliko on bio skroman. Na pitanje šta je naučni doprinos nije lako odgovoriti,
nego je dužnost mentora, komisija i naučnih i nastavnih ustanova da ocene da li
on postoji. Vehki samostalni naučni doprinos se, naravno, ne očekuje od seminar-
skih i diplomskih radova. Medutim, za magistarske teze, a posebno za doktorske
disertacije se smatra da ih mora krasiti originalan doprinos naučnom znanju. Ako
doktorska diseitacija nije doprinos nauci, onda se za njenog autora ne može reći
da poseduje naučno-islraživačke kompetencije.
Ono što smo u odeljku o delovima i struktiiri istraživačkih izveštaja nazivali
odeljcima, odnosno delovima, ili ih opisivali kao stavke koje se mogu ili moraju
naći u tim poglavljima, obično će u tezama i disertacijama dobiti status poglavlja.
Zbog edukativne prirode ovih izveštaja, autor mora dokazati da vlada svim
istraživačkim elementima, od formulisanja problema, preko istraživanja biblio-
leke do zaključaka. Kod nas se posebna pažnja posvećiije uvodu (više nego što je
to stvamo potrcbno), od koga se očekuje da predstavlja obiman pregled čitave
oblasti, pored delova koji se u uvodu standardno očekuju.
Naravno, pre nego što počne da piše tezu ili disertaciju, kandidat mora da
konsultiije pravila i običaje koji u toj oblasti važe u ustanovi u kojoj će rad
braniti. U rmiogim knjigama, udžbenicima i publikacijama, kao i na Intemetu,
može se pročitati o stmkturi izveštaja i o stilu pisanja, ali ne samo o tome, nego i
o opštem pristupu i metodologiji izradi teza i disertaeija. Mogu se naći čak i
predlozi tcma podobnih za izradu diplomskih radova. Jedna od mnogih takvih
adresa na Internetu je http://www.esc.edu/^vriter na Empire State CoIIege.
Na našim univerzitetima ne upadaju u oči detaljna pravila za pisanje teza i
disertacija. To možda nekim kandidatima odgovara, dok kod većine stvara
pogrešnu sliku o onome šta se od njih očekuje. Generalno, bilo bi bolje da svaka
naučna diseiplina u okvim jcdnog univerziteta i/ih fakulteta ima defmisane
standardne skice radova, praćene uputstvima i primerima i koje bi bilo javno
dostupne, recimo na Internetu. Naravno, svaki kandidat može sam u fakultetskoj
bibliotcci pogledati kako izgledaju radovi koji su ranije odbranjeni.
U ncdostatku manje ili više formalizovanih pravila, aii i kada ona postoje,
na mentom je da pomogne kandidatu u pogledu stmkture i sadržaja rada. Naveš-
ćemo jednu okvimu listu odlika za koje smatramo da krase dobar „edukativni”
rad. Neki od tih kritcrijuma su opšti i važe za sve istraživačke izveštaje, a neki su
specifični za „edukativna” istraživanja. Navedene odlike su smernice kandidatima
na šta da obrate pažnju kada sprovode istraživanje i pišu izveštaj. Za detaljnije
obrazloženje trcba pogledati odgovarajuća poglavlja u knjizi.
Urednost
• Rad u celini mora biti uredan, uredno prelomljen, odštampan i
ukoričen.
• Rad ne sme imati gramatičke, daktilografske i dmge “tehničke” greške.
Tačnost
• Literatura mora biti tačno navedena i citirana. Svi citati moraju biti
praćeni referencom, a sve navedene reference moraju biti citirane u
tekstu... Prilikom navođenja i citiranja treba tačno i dosledno poštovati
neko od pravila, najbolje APA.
• Prilozi, tabele i grafikoni ne smcju nedostajati ako se na njih poziva u
tekstu. Svi oni nioraju biti na odgovarajući i tačan način numerisani i ta
numeracija mora biti korišćena kada se na njih poziva.
• Svi stmčni termini iz naučne oblasti, iz metodologije i analize poda-
taka moraju biti pravilno i smisleno korišćeni.
• Interpretaeija statističkih nalaza (npr. faktora) mora biti dobra i smi-
slena, temiinologija standardna, a izvedeni zaključci tačni.
638 ♦ Metode istraživanja ponašanja
Komnletnost
• Rad mora obuhvatati sve dclove koje ima istraživački izveštaj, a
sadržaj rada mora biti prilagođen oblasti istraživanja, teorijskom pristupu i
odabranoj metodologiji.
• Ako je rad baziran na kvantitativnim tehnikama, sadržaj mora pratiti
IMRD ili neku shčnu strukturu,
• Pored standardnih poglavlja, pre svega poglavlja koje sadrži detaljan
opis memih instrumenata i procedura, dobar rad sadrži tabele koje su
pregledne i grafikone koji su uredni.
• Ako je rad baziran na kvalitativnim ih mešovitim telinikama, pasaži
koji se odnose na kvalitativue metode moraju biti napisani jezgrovito,
kvahtetno i pismeno. To se posebno odnosi na komentare istraživača i
ispitanika, opis potencijahiih interakcija istraživača i ispitanika, narativne
delove, deskripcije i dr.
• Rad na početku mora imati rezime na našem i stranom jeziku.
Kratak. iasan i fokusiran problem ili cili istraživania
• Istraživanje mora imati poentu, mora odgovarati na konkretna pitanja,
mora ispunjavati konkretne praktične zahteve, dokazivati konkretne hipo-
teze...
• U poglavlju o problemu ili cilju istraživanja moraju biti eksplicitno
navedene sve varijable: nezavisne, zavisne, kontrolne...
• Konfirmalivna istraživanja su uvek fokusiranija od eksplorativnih, zato
će dobar rad verovatno počinjati nekom opštom aii odrcđenom hipotezom,
koja će činiti okosnicu celog istraživanja.
• Ako se rad zasniva na istraživanju korelacionog tipa, on će za ideju
vodilju imati predvidanje ponašanja. Dobar rad će pre nastojati da utvrdi
“uticaj”, “predvidanje” ih “zavisnost od”, nego “povezanosf’, “odnos” ili
“vezu”.
• Ako je istraživanje strukturahiog tipa, dobar rad će nastojati da potvrdi
neko teorijsko očekivanje (recimo o broju faktora) ili neku odrcđenu stru-
kturu.
• Naslov rada treba da proističe iz problema istraživanja, hipoteze
proističu iz problema, a analiza podataka služi odgovoru na istraživačka
pitanja. Svi delovi rađa slede jednu osnovnu i logičnu nit - rad ne sme da
promašuje tcmu.
Kratak. sažet i pregledan uvod
• Cilj uvoda je da kandidat demonstrira da je u stanju da napravi pregled
oblasti na koju se rad odnosi. Dobar rad će sadržavati uvod u kome se
citira savremena literatura i u kome se prccizno locira vlastito istraživanje
u odnosu na prethodna istraživanja.
• Uvod ne trcba da bude dug. Dužina uvoda ne govori o njegovom
kvalitetu, niti o kvalitetu rada.
• Pregled literature, kao poseban korak u istraživanju (istraživanje bibli-
oteke ili Intemeta), mora biti jasno i eflkasno izložen: šta je pročitano, šta
doniinira, koja su altemativna gledišta...
• Pregled oblasti mora biti napisan kratko i kritički, najbolje kao kompa-
racija osnovnih teorija i pristupa i kao pregled osnovnih problema unutar
oblasti...
• Izbor teorijskog okvira i pristupa mora biti jasno naveden i obrazložen.
• Citiranje (a njega je najviše u uvodu) mora biti formalno ispravno i
mora stvanio dokumentovati kritične tačke oblasti koja se istražuje.
Smislena i iasna pitania i hipoteze
• Hipoteze nisu nužne u istraživanjima koja su deskriptivna, eks-
plorativna ili korelaciona, Medutim, saznajna vrednost istraživanja koja
imaju jasne hipoteze je veća od istraživanja koja ih nemaju. Ako nema
hipoteze, dobar rad će uvek imati istraživačka pitanja koja upravljaju
celim njegovim tokom.
• Istraživačka pitanja i hipoteze nisu trivijalni, fomialni i prazni iskazi.
Oni moraju biti kreativna ali operacionalna reformulacija istraživačkog
problema.
• Postoje jedno ili dva osnovna pitanja i ne više od 5-7 potpitanja ili
specifičnih hipoteza.
• U dobrom radu se hipoteze ne formulišu kao statistička nulta hipoteza,
jer tako u istraživačkom smislu postaju trivijalne, a po logici stvari istraži-
vačke hipoteze su upravo suprotne, one su altemativne nultoj. Istraživačke
hipoteze se testiraju sa jednom ili više nultih hipoteza.
• Za hipoteze se koriste fomiulacije kao što su: “postoji razlika...”, “uti-
če na”, “će rezultirati...”, “biće bolji-brži-viši...”, “postoji povezanost...”
itd.
• Istraživačka pitanja će sadržavati formulacije kao što su “kakve su
razlike izmedu...”, “da li utiče...”, “šta su odlike...”, “zašto se (su).,.”,
“kako se (su),.,”, “da li je moguće da.,,” itd,
Kritičnost
• U uvodnom poglavlju, prilikom lociranja vlastitog istraživanja i izbora
teorijskog okvira, altemativni i suprotni okviri i pristupi su pošteno i kva-
litetno prikazani.
• Rad u celini, kao ni njegovi delovi, nisu apologija bilo komc ili bilo
čemu, niti se nekritički prihvata neka od teorijskih perspektiva.
• Navode se i razmatraju altemativnc hipoteze i altemativni pristupi,
koji su poznati iz literature i prethodnih istraživanja.
• Ukazuje se na uočene nedostatke i ograničenja u pristupu u celini ili u
samom radu. Ukazuje se na moguća poboljšanja. Kritički osvrt je moguće
izložiti i u ekspozeu ili tokom odbrane.
• Razmatraju se altemativni memi instrumenti ili nacrti istraživanja, i
obrazlažu se razlozi zašto su odabrani oni koji su odabrani.
• Razmatraju se altemativna tumačenja, objašnjenja i zaključci.
Intema validnost
• Istraživanje mora biti takvo da svi prethodni koraci direktno podržava-
ju donesene zaključke, da zaključci direktno slede iz nalaza i da nalazi ne
podupim i eventualne druge zaključke.
• U dobrom radu postoji analiza internc validnosti i mogućih izvora nje-
nog ugrožavanja. Ona će obuhvatati neke od dole navedenih, ali i druge
elemente.
• Nacrt istraživanja mora biti primeren cilju istraživanja i konačnim
zaključcima.
• Tokom realizacije odabranog nacrta istraživanja ne sme doći do bitnih
odstupanja od projekta (npr. osipanja uzorka ili neočekivanih događaja).
• Kontrola varijabli, kao što su izbor kontrolne gmpe, procedure jedna-
čenja grupa, odnosno kontrola neželjene varijanse u celini moraju biti
kvalitetni i dobro obrazloženi.
• Sva poređenja koja nacrt omogućava i koja su važna za interpretaciju
treba iskoristiti, sprovesti i analizirati.
• Instmmenti ne smeju biti menjani u toku istr., u istraživanjima u
kojima je to važno (npr. eksperimentalnim), ispitanici ne smeju razme-
njivati iskustva, ispitanici ne smeju sticati iskustvo ili sazrevati tokom
istraživanja...
• Procedure prikupljanja podataka moraju biti obavljene u skladu sa
ciljevinia; ankete moraju biti anonimne, intervjui jednaki za sve, testovi
primenjeni u saradljivoj atmosferi...
• Statističke tehnike moraju biti pravilno odabrane, primenjene i protu-
mačene.
Eksterna validnost
• Od većine istraživanja se očekuje gencralizabilnost. Zato će dobar rad
posedovati ekstemu validnost, analizu mogućih izvora njenog ugrožavanja
ili obrazloženje zašto ekstema validnost nije bitna.
• Ciljna populacija(e) je definisana eksplicitno i jasno.
• Primenj ena j e neka od poznatih procedura uzorkovanj a, sprovedena j e
sistematski i obrazložena.
• Uzorak je reprezcntativan za ciljnu populaciju, tj. koji je odabran
slučajno ili kvotno ima prednost nad dmgim vrstama uzorka.
• Uzorak objekata je dovoljno veliki.
• Ako uzorak nije dovoljno velik i nije biran nepristrasno, mora postojati
obrazloženje zašto je to tako.
• Ako je uzorak odabran prigodno ili namemo, to treba biti komentari-
sano: npr. izabrana je neka prirodno formirana gmpa (odeljenje u školi,
porodica, zajednica i sl.), ili su izabrani dobrovoljci...
• Mora biti obrazloženo kakve posledice može imati loš uzorak na rezul-
tale, odnosno u kom pogledu je ugrožena ekslerna validnost istraživanja
zbog takvog uzorka...
Pouzdanost i valjanost podataka
• Primenjeni instnimenti moraju imati poznata i proverena mema svoj-
stva i moraju poticati iz poznatih i legalnih izvora.
• Merna svojstva instnirnenata (ocenjivača, posmatrača, procedura) će
biti izračunata, ako je moguće, ili će biti predočena ona koja postoje u
priručnicima ili u prethodnim radovima.
• Ocenjivači, posmatrači, intervjueri i drugi saradnici će proći proces
obuke (usaglašavanja, odnosno ujednačavanja).
• Metode prikupljanja podataka - testovi, upitnici, intervjui, fokus grupe
i sl. - moraju biti pravilno primenjene, na takav način koji će mak-
simizirati njihovu pouzdanost, valjanost i objektivnost.
• Ako su korišćeni ocenjivači, mora ih biti barem dva i mora biti prika-
zan stepen njihovog slaganja.
Multimetodski pristun i triangulaciia
• Dobar rad, u skladi\ sa savremenim shvatanjima, nastojaće da nalaze
proveri putem neke druge tehnike prikupljanja podataka.
• Za to može da posluži neki drugi niemi instrument.
• Posebno je korisno ako se u kvantitativnim istraživanjima primeni pro-
vera nekom kvalitativnom tehnikom, recimo izlaznim intervjuom.
• Isto tako, ako je rad baziran na kvalitativnim telmikama, svaka tehnika
koja kvantifikuje dobijcne nalaze doprineće uvcrijivosti rada.
Kandidat razume ono što ie napisao
• Iskazi, tvrdnje, konstatacije i tumačenja, posebno u delovima koji
sadrže primenu statistike, psihometrije, posebnih metoda prikupljanja
podalaka ili eksperimentalnih procedura moraju biti smisleni, pravilni i
tačni. Time se dokazuje da je kandidat usvojio znanja iz “istraživačke
tehnologije”, ali i da je rad obavljen samostalno.
• Stručni i naučni termini se moraju pravilno koristiti.
Samostalnost
• Po defmiciji, edukativni rad se izvodi samostahio. Postoje odredene
situacije koje mogu da interfcriraju sa samostalnošću i koje moraju biti
jasno rcgulisane.
• Na primer, ako podaci potiču iz nekog šireg projekta, to ne oslobada
kandidata obaveze da napiše kompletan rad - i dalje morajti postojati
poglavlja “Uvod” i “M etode”, na primer.
• U takvim slučajevima, u radu će biti jasno opisano o kakvom projektu
je reč i u kom svojstvu je autor-kandidat učestvovao.
• Mora biti eksplicitno i uverljivo navedeno pravo kandidata da koristi
podatke iz projekta i prethodne nalaze (ukoliko nisu objavljeni).
• Kandiđat treba jasno i kritički analizirati i objasniti teorijski i meto-
dološki okvir pod kojim su podaci prikupljeni, svojstva uzorka, merni
instrumenti... kao da ga je on sam usvojio.
• Ako je mentor odredio temu, instrumente ili pristup... onda to treba da
bude jasno iz rada (mora se citirati mentorov ili neki drugi rad koji prcd-
stavlja polaznu osnovu). Kandidat mora pokazati da u potpunosli razume
taj izbor i da ga brani, ali ga to ne oslobada obaveze kritičnosti, fokusira-
nosti ili samostalnosti.
Originalnost
• U bilo kom pogledu.
• Originalnost teme, izbora instrumenata, metoda, analize podataka.
• Originalnost nacrta istraživanja, načina kontrole eksternili varijabli,
kontrole anonimnosti, motivacije ispitanika da učestvuju...
• Originalnost instrumenata, ako ih je konstruisao kandidat, Originalna
upotreba postojećih instrumenata, metoda i tehnika.
• Originalnost prikazivanja rezultata i grafikona.
• Korišćenje računarski podržanih prezentacija, audio i video materijala,
npr. u ekspozeu...
Fokusiranost
• Rad u celini mora posedovati fokusiranost, a ne opširnost. Takav tekst
će od uvoda do zaključaka biti podređen osnovnoj temi rada, sadržanoj u
naslovu i uvodu.
• Dugački uvodi ne doprinose fokusiranosti.
• Vehki broj istraživačkih pitanja i hipoteza nc doprinose fokusiranosti.
• Eksplorativni nacrti istraživanja ne doprinose fokusiranosti.
Prilagodenost statistike nodaeima
• Mora biti zadovoljavajuća - pragmatična. Ne mora biti „knjiška”, ali
mora biti jasno obrazložcna. Na primcr, tehnikc se često koriste po kon-
venciji (Likertove skalc se tretiraju kao intcrvalne), ili zato što su sUčni
radovi koristili istu tehniku, ili zato šlo jc pokazano da “monotone trans-
fomiacije podataka ne menjaju r-koeficijente, /-testovc i 7*'-testove”, Kan-
didal mora znati da tokom ekspozea ili odbrane obrazloži zašto je pri-
menio neku statističku operaciju,,.
• Ako su koriSćene MVA tehnike (rccimo FA), niora biti obrazloženo
zašto je zadržan jedan broj dimenzija (faktora), a ne neki drugi.
• Uz faktorsku analizu ćc postojati obrazloženjc za izbor tipa ckstrakcije
inicijahiih faktora i vrste rotacije (nekorehrana ili korclirana)...
• Izbegavaju se kontraindikacije za primenu statističke tchnike, ih su
one analizirane i obrazložene. Tu se ubrajaju jake deformacije u distribu-
cijama varijabli, nelinearne povezanosti, nepovoljan odnos broja objckata
prema broju varijabli u MVA tchnikama, niske očekivane frekvencije u
tabelama kontingencijc itd.
• Ako sa podacima „nešlo nije u redii”, ireba upotrebiti statističke tehni-
ke namenjene nižem nivou, ili ih barcni uporediti sa dobijenim naiazima.
Na primer, ako distribucija kvantitativnih podataka značajno odstupa od
normalne treba pokušati sa statisticima namenjenim ordinalnim varija-
blama ili neparametrijskim statisticima.
• Na zavisnim uzorcima treba primenjivati statističke testove namenjcne
zavisnim uzorcima.
Pilot istraživania
• Rad je bolji ako sadrži pilot istraživanje u bilo kojoj formi i za bilo
koje potrebe: za konstrukciju instrumenata, proveru instnimenata, proveiii
metoda i procedura itd.
Obiektivnost kvalitativnih metoda
• Ako se koriste kvalitativne metode prikupijanja podataka, one moraju
zadovoljavati standarde naučne objektivnosti - proverljivosti - ponovlji-
vosti nalaza i zaključaka.
• Transkripti (zapisnici) moraju biti napravljeni profesionalno, a kodira-
nje i analiza kvalitativnih podataka moraju biti izvedeni sistematski i
objektivno.
• Sistem kategorija, tj. kodna shema koja se koristila za kodiranje poda-
taka iz neposrednog posmatranja, fokus grupa, intervjua, analiza sadržaja i
dnigih tehnika mora biti detaljno obrazložena.
• Svi zaključci moraju biti ilustrovani primerima iz zapisnika i izjavama
učesnika.
• Dobar rad će sadržavati opise procedura treninga i usaglašavanja oce-
njivača i posmatrača (ako ih ima više).
• Saglasnost ocenjivača, odnosno pouzdanost merenja mora biti kvanti-
fikovana nekim koeficijentom asocijacije.
• Kvalitativne tehnike, posebno studije slučaja, moraju biti sprovodene
pod jasnim i čvrstim teorijskim okvirom (theory drivcn). Ocene validnosti
i relijabilnosti, kao i izvodenje zaključaka se donose na osnovu saglasnosti
podataka i teorije.
Etičnost
• lako se podrazumeva da nijedan rad ne sme biti plagijat ili falsifikat,
ipak treba istaći da u tom pogledu nema “malih” kompromisa.
• Svi podaci i sve ideje, akcije, intelektualni proizvodi iii artefakti koji
su korišćeni u istraživanju, a pripadaju nekome drugomc, treba da budu
ispravno citirani i označeni,
• U slučaju kada je to potrcbno, treba biti dobijena saglasnost autora ili
vlasnika i mora biti eksplicitno navedeno da li je takva saglasnost
dobijena.
• To se posebno odnosi na psihološke meme instrumente - testove.
• Dobar rad sadrži izraz zahvalnosti svim učesnicima koji su pomogli
istraživanje i pisanje, a nisu bili obavezni.
• Odnos prema ispitanicima i svim drugim učesnicima će biti fer. Ispita-
nici će biti tretirani kao saradnici i poštovaće se pravilo “informisane sa-
glasnosti”, makar dobijene i nakon sprovedenog istraživanja. U radu će
aspekt dobrovoljnosti-nedobrovoljnosti i načina dobijanja saglasnosti
ispitanika biti eksplicitno prikazan.
Sažet. originalan i zanimljiv ekspoze
• Usmeno izlaganje mora imati notu polemičnosti, mora biti usred-
sređeno na najvažnije stvari, ne sme biti prebrzo i mora imati ličnu notu...
• U ekspozeu se rad prikazuje na drukčiji način od onog kako je iskazan
u pismenoj formi. Posto je do odbrane prošlo neko vreme, kandidat može
steći jasniju sliku o onome što je napisao.
• Korišćenje tehničkih pomagala doprinosi kvalitetu ekspozea.