Het menu Descriptive Statistics is opgebouwd uit de volgende submenu’s:
● Frequencies = voor frequentietabellen, grafieken en statistische maten
● Descriptives = statistische maten voor interval/ratio variabelen
● Explore = uitgebreide beschrijvende statistiek, met de mogelijkheid om uit te splitsen
naar subgroep
● Crosstabs = kruistabellen (tegen elkaar afzetten categorische variabelen)
Drie maten van centrale tendentie: Mean, Median & Modus (Frequency)
Selectie van cases maken. Analyse uitvoeren over de vrouwen. Data → Select Cases → If
condition is satisfied
Het berekenen van statistische maten zoals het gemiddelde voor verschillende subgroepen
kan ook met de opdracht Analyze → Compare Means → Means. Onafhankelijke variabele
(groepen onderscheiden) & Afhankelijke variabele (hierop berekeningen uitvoeren. Bijv:
leeftijdsklassen of huishouduren per week. Twee variabelen met elkaar vergelijken.
Bestand verdelen in bijvoorbeeld twee groepen (geslacht): Data → Split File → compare
groups → selecteer variabele. SPSS berekent nu apart een frequentietabel van mannen en
vrouwen met examenprofiel.
Kruistabel: Analyze → Descriptive Statistics → Crosstabs
We willen beide geslachten vergelijken, dus komt Geslacht komt in de kolommen, en
wandelen in rijen. Selecteer dus Column percentages. Of als je leeftijdsgroepen wil
vergelijken of ze wel of niet sporten (=leeftijdsklassen in kolommen)
Cells → percentages → column
We gebruiken altijd kolompercentages om de groepen te vergelijken
De layout van de kruistabel aanpassen: dubbelklik op de kruistabel → Pivot Table venster
wordt geopend → Pivot → Pivoting Trays → Statistics naar de kolom slepen
Analyze → Descriptive Statistics → Explore krijg je in één keer een overzicht van alle
statistische maten, frequentietabellen en boxplots. Je kunt dit voor alle cases laten
uitvoeren, of uitgesplitst naar subgroepen.
Explore is ideaal om snel een beeld te krijgen van je gegevens. Invoer in dependent list
Je kunt met Explore ook een uitsplitsing maken in subgroepen. De variabele waarop je de
groepen wilt onderscheiden moet in het venster van Explore worden opgegeven in het kader
Factor List.
Bereken voor beide woonwijken afzonderlijk het gem. aantal uren tv kijken per week (=
Compare Means of Explore)
In het menu Transform vind je allerlei menuopties om met de gegevens van je bestand
nieuwe variabelen aan te maken. De twee belangrijkste opdrachten zijn: Compute en
Recode. Met Compute worden uit bestaande variabelen nieuwe variabelen berekend en
met Recode worden bestaande variabelen ingedeeld in klassen, en kunnen waarden
veranderd (gehercodeerd) worden.
, Compute = van gegevens in uren naar gegevens per week
Transform → Recode: bestaande gegevens in klassen indelen én een reeks waarden
hercoderen. Gebruik altijd Into Different Variables, er wordt dan een nieuwe variabele
aangemaakt en de oorspronkelijke gegevens blijven bewaard. In data view checken of de
codes overeenkomen bij de eerste 3 cases.
Labels koppelen via Variable view → values
➔ H0 wordt verworpen als p ≤ 0,05 (met 95% betrouwbaarheid).
➔ Als p ≤ 0,01 mag je H0 verwerpen met 99% betrouwbaarheid, maar met 95%
betrouwbaarheid (dus op basis α = 0,05) is ook goed.
Als de p-waarde > 0,05 (bijv: p=0.069) dan H0 niet verwerpen. Het verschil is niet significant.
H0 accepteren = geen verband
Als de p-waarde < 0,05 (bijv: p=0.024) dan H0 wel verwerpen. Het verschil is significant.
T-test voor één steekproef; One Sample t-test
Analyze → compare means → one sample t-test
Eenzijdige of tweezijdige toets? Het ligt eraan of je bijv. alleen geïnteresseerd bent in één
kant van de verdeling.
Een t-toets voor twee onafhankelijke steekproeven (independent samples t-test):
bijvoorbeeld het gem. aantal winkelbezoeken van mannen en vrouwen vergelijken of bijv.
Amsterdam vs Utrecht
Test variable= winkelbezoeken, Grouping Variable= geslacht
Niet verwerpen, p > 0.05 = bovenste regel
Wel verwerpen, p < 0.05 = onderste regel
Een gemiddelde vergelijken voor drie of meer verschillende groepen (Fietsers,
automobilisten en ov-reizigers of Groningen, Amsterdam en Utrecht)
Variantieanalyse = Analyze → Compare Means → One-Way ANOVA
Dependent list= afstand tot winkelcentrum
Factor= vervoersmiddel
Options → descriptive aanvinken
Het kan zijn dat slechts één van de groepen afwijkt van de andere twee. Hiervoor gebruiken
we onder de knop Post Hoc → Bonferroni
Via Crosstabs, een conclusie trekken over het verband in de kruistabel → Statistics →
Chi-square → Phi and Cramer’s
Het berekenen van de Cramers V is wel toegestaan, maar niet erg zinvol als er geen
significant verband is.
Cramer’s V: kruistabllen
Pearon’s r: correlatie
Analyze → Correlate → Bivariate → Pearson / Spearman
2 of 3 variabelen
Bivaraat= verbanden tussen twee variabelen, waarbij alleen sprake is van samenhang
● Frequencies = voor frequentietabellen, grafieken en statistische maten
● Descriptives = statistische maten voor interval/ratio variabelen
● Explore = uitgebreide beschrijvende statistiek, met de mogelijkheid om uit te splitsen
naar subgroep
● Crosstabs = kruistabellen (tegen elkaar afzetten categorische variabelen)
Drie maten van centrale tendentie: Mean, Median & Modus (Frequency)
Selectie van cases maken. Analyse uitvoeren over de vrouwen. Data → Select Cases → If
condition is satisfied
Het berekenen van statistische maten zoals het gemiddelde voor verschillende subgroepen
kan ook met de opdracht Analyze → Compare Means → Means. Onafhankelijke variabele
(groepen onderscheiden) & Afhankelijke variabele (hierop berekeningen uitvoeren. Bijv:
leeftijdsklassen of huishouduren per week. Twee variabelen met elkaar vergelijken.
Bestand verdelen in bijvoorbeeld twee groepen (geslacht): Data → Split File → compare
groups → selecteer variabele. SPSS berekent nu apart een frequentietabel van mannen en
vrouwen met examenprofiel.
Kruistabel: Analyze → Descriptive Statistics → Crosstabs
We willen beide geslachten vergelijken, dus komt Geslacht komt in de kolommen, en
wandelen in rijen. Selecteer dus Column percentages. Of als je leeftijdsgroepen wil
vergelijken of ze wel of niet sporten (=leeftijdsklassen in kolommen)
Cells → percentages → column
We gebruiken altijd kolompercentages om de groepen te vergelijken
De layout van de kruistabel aanpassen: dubbelklik op de kruistabel → Pivot Table venster
wordt geopend → Pivot → Pivoting Trays → Statistics naar de kolom slepen
Analyze → Descriptive Statistics → Explore krijg je in één keer een overzicht van alle
statistische maten, frequentietabellen en boxplots. Je kunt dit voor alle cases laten
uitvoeren, of uitgesplitst naar subgroepen.
Explore is ideaal om snel een beeld te krijgen van je gegevens. Invoer in dependent list
Je kunt met Explore ook een uitsplitsing maken in subgroepen. De variabele waarop je de
groepen wilt onderscheiden moet in het venster van Explore worden opgegeven in het kader
Factor List.
Bereken voor beide woonwijken afzonderlijk het gem. aantal uren tv kijken per week (=
Compare Means of Explore)
In het menu Transform vind je allerlei menuopties om met de gegevens van je bestand
nieuwe variabelen aan te maken. De twee belangrijkste opdrachten zijn: Compute en
Recode. Met Compute worden uit bestaande variabelen nieuwe variabelen berekend en
met Recode worden bestaande variabelen ingedeeld in klassen, en kunnen waarden
veranderd (gehercodeerd) worden.
, Compute = van gegevens in uren naar gegevens per week
Transform → Recode: bestaande gegevens in klassen indelen én een reeks waarden
hercoderen. Gebruik altijd Into Different Variables, er wordt dan een nieuwe variabele
aangemaakt en de oorspronkelijke gegevens blijven bewaard. In data view checken of de
codes overeenkomen bij de eerste 3 cases.
Labels koppelen via Variable view → values
➔ H0 wordt verworpen als p ≤ 0,05 (met 95% betrouwbaarheid).
➔ Als p ≤ 0,01 mag je H0 verwerpen met 99% betrouwbaarheid, maar met 95%
betrouwbaarheid (dus op basis α = 0,05) is ook goed.
Als de p-waarde > 0,05 (bijv: p=0.069) dan H0 niet verwerpen. Het verschil is niet significant.
H0 accepteren = geen verband
Als de p-waarde < 0,05 (bijv: p=0.024) dan H0 wel verwerpen. Het verschil is significant.
T-test voor één steekproef; One Sample t-test
Analyze → compare means → one sample t-test
Eenzijdige of tweezijdige toets? Het ligt eraan of je bijv. alleen geïnteresseerd bent in één
kant van de verdeling.
Een t-toets voor twee onafhankelijke steekproeven (independent samples t-test):
bijvoorbeeld het gem. aantal winkelbezoeken van mannen en vrouwen vergelijken of bijv.
Amsterdam vs Utrecht
Test variable= winkelbezoeken, Grouping Variable= geslacht
Niet verwerpen, p > 0.05 = bovenste regel
Wel verwerpen, p < 0.05 = onderste regel
Een gemiddelde vergelijken voor drie of meer verschillende groepen (Fietsers,
automobilisten en ov-reizigers of Groningen, Amsterdam en Utrecht)
Variantieanalyse = Analyze → Compare Means → One-Way ANOVA
Dependent list= afstand tot winkelcentrum
Factor= vervoersmiddel
Options → descriptive aanvinken
Het kan zijn dat slechts één van de groepen afwijkt van de andere twee. Hiervoor gebruiken
we onder de knop Post Hoc → Bonferroni
Via Crosstabs, een conclusie trekken over het verband in de kruistabel → Statistics →
Chi-square → Phi and Cramer’s
Het berekenen van de Cramers V is wel toegestaan, maar niet erg zinvol als er geen
significant verband is.
Cramer’s V: kruistabllen
Pearon’s r: correlatie
Analyze → Correlate → Bivariate → Pearson / Spearman
2 of 3 variabelen
Bivaraat= verbanden tussen twee variabelen, waarbij alleen sprake is van samenhang
