Skip to content

3. Banaketa

1. Banaketaren forma

Definizioa: Datuen banaketa “forma” aztertzea, asimetria eta kurtosia kontuan hartuta.

  • Asimetria: ±2 balio normala

  • Kurtosia: ±2 balio normala

Praktika gida:

  • Analyses → Descriptives → Plots → check Skewness, Kurtosis

  • Ikusi akad_ikasketa_orduak datuak normala diren

[!NOTE] Banaketaren formari dagokionez, akad_ikasketa_orduak aldagaiak normaltasun-irizpideak betetzen dituela frogatzen da. Asimetria-indizea -0.016 da (E.E. = 0.221), eta horrek aldagaiak simetria ia perfektua duela adierazten du, batez bestekoaren inguruan orekatuta baitago. Bestalde, kurtosi-balioa -0.710 da (E.E. = 0.438); balio negatibo honek banaketa platikurtiko arin bat iradokitzen duen arren (kanpaina normal estandarra baino zertxobait zapalagoa), adierazlea onartutako tarteen barruan dago. Estatistikoki, bi indizeak ±1.96 tartearen barruan egoteak (konfiantza-maila altuarekin) banaketa normalaren hipotesia babesten du. Datu hauek, lehen ikusitako histograma eta Q-Q plot-arekin batera, laginaren izaera parametrikoa berresten dute.

2. Normaltasunaren azterketa

[!NOTE] Normaltasuna Parametrikoak erabili aurretik datuak normalak direla ziurtatzea.

  • Histogramak + Normal Curve

  • Test estatistikoak: Shapiro-Wilk (n<50) edo Kolmogorov-Smirnov (n>50)

Hipotesiak:

  • H₀ → datuak normalak dira

  • H₁ → datuak ez dira normalak

Interpretazioa:

  • p > 0.05 → normalitatea → proba parametrikoak erabili ditzakegu

  • p < 0.05 → ez normalak → proba ez-parametrikoak erabiltzea gomendagarria da

Praktika gida:

  • Analyses → Descriptives
  • pre_matematika_nota, post_matematika_nota eta aka_ikasketa_orduak

[!NOTE] Datuen analisi deskriptiboak eta normaltasun-testek (Shapiro-Wilk) erakusten dute aztertutako hiru aldagaiak banaketa normalaren barruan kokatzen direla. Zehazki, pre_matematika_nota ($p = .454$), post_matematika_nota ($p = .769$) eta akad_ikasketa_orduak ($p = .204$) aldagaietan lortutako p-balioak 0.05eko esangurantz-mailatik gora daude, banaketa parametrikoa berretsiz.

3. Bariantzen Homogeneotasuna (Levene Testa)

Beste aurrebaldintza garrantzitsu bat (bereziki taldeak konparatzen direnean, adibidez T-test edo ANOVA batean) bariantzen homogeneotasuna da.

Parametrikoak berme osoz erabiltzeko, taldeen arteko bariantzak (sakabanaketak) antzekoak izan behar dira. Honi Homozedastizitatea deitzen zaio. Bariantzak oso desberdinak badira, ordea, Heterozedastizitatea dugu, eta kasu horietan ezin dira proba estatistiko estandarrak (Student-en T, adibidez) bere horretan aplikatu, egokitzapen matematikoak egin gabe (adibidez, Welch-en T kontrastea erabiliz).

Levene-ren Testa da hau egiaztatzeko probarik erabiliena eta ezagunena.

Hipotesiak: - H₀ → Bariantzak berdinak dira (Homozedastizitatea badago) - H₁ → Bariantzak ezberdinak dira (Heterozedastizitatea daukagu)

Interpretazioa: - p > 0.05 → Homozedastikoak → Proba parametriko estandarrak erabili ditzakezu (Bariantzak berdinak direla onartzen duzu). - p < 0.05 → Heterozedastikoak → Welch zuzenketa edo proba ez-parametrikoak erabili behar dituzu (Normalean jamovik, Assumption Checks atalaz gain, Welch's laukitxoan klikatzeko aukera ematen dizu datuak berdintzeko).

Praktika gida: - T-test edo ANOVA bat egitean Jamovin, beti markatu datuen Assumption Checks atalean dagoen Homogeneity tests.