ZÁKLADY STATISTIKY
ZÁKLADY STATISTIKY
ZÁKLADY STATISTIKY
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong><br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 1<br />
strana<br />
Obsah .............................................................................................................................. 1<br />
I. teoretická část<br />
Práce s daty v softwarovém prostředí Microsoft Office Excel a Statistika 6.0 .............<br />
1 Abecední slovníček vybraných termínů používaných ve statistice ……................. 2<br />
2 Koeficienty „efekt size“ jako vodítko pro posuzování věcné významnosti<br />
statisticky testovaných rozdílů ................................................................................... 14<br />
2.1 Korelační koeficient rP a rS ...................................................................................... 14<br />
2.2 Koeficient determinace d ........................................................................................ 16<br />
2.3 Další koeficienty efekt size - kritéria pro jejich výběr a hodnocení efektu ............ 17<br />
3 Microsoft Office Excel ................................................................................................ 22<br />
3.1 Představení ............................................................................................................ 22<br />
3.2 Příklad – Efekt dvouměsíčního intervenčního programu aerobiku na<br />
habituální pohybovou aktivitu děvčat ve věku 15-19 let ................................... 24<br />
3.2.1 Příprava dat do tabulky ................................................................................. 24<br />
3.2.2 Výpočet základních charakteristik (aritmetický průměr, směrodatná<br />
odchylka a korelační koeficient) …............................................................... 25<br />
4 Statistika 6.0 ................................................................................................................ 31<br />
4.1 Představení .............................................................................................................. 31<br />
4.2 Příprava dat to tabulky ............................................................................................ 31<br />
4.3 Uložení tabulky dat v Excelu a import do Statistiky ............................................. 34<br />
4.4 Výpočet základních popisných statistických proměnných ve Statistice ................. 36<br />
4.5 Použití ANOVY ve Statistice ................................................................................. 38<br />
4.5.1 Vytvoření identifikační (grupovací, faktorové) proměnné ........................... 38<br />
4.5.2 Výpočet ANOVY .......................................................................................... 40<br />
II. praktická část<br />
Ukázka použití statistického zpracování dat v konkrétním článku ……….…..............<br />
5 Příklad – Efekt dvouměsíčního intervenčního programu aerobiku na habituální<br />
pohybovou aktivitu děvčat ve věku 15-19 let ............................................................<br />
5.1 Abstrakt ................................................................................................................... 44<br />
5.2 Abstract ................................................................................................................... 45<br />
5.3 Úvod ........................................................................................................................ 45<br />
5.4 Metodika ................................................................................................................. 47<br />
5.4.1 Účastníci ......................................................................................................... 47<br />
5.4.2 Přístroje a dotazníky ....................................................................................... 47<br />
5.4.3 Postup ....................................................…..................................................... 48<br />
5.4.4 Softwarové a statistické zpracování dat ......................................................... 49<br />
5.5 Výsledky ................................................................................................................. 49<br />
5.6 Diskuse .................................................................................................................... 53<br />
5.7 Limity a doporučení práce ...................................................................................... 55<br />
5.8 Závěry ..................................................................................................................... 55<br />
5.9 Referenční seznam .................................................................................................. 55<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)<br />
2<br />
44<br />
44
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 2<br />
I teoretická část<br />
Práce s daty v softwarovém prostředí Microsoft Office Excel a Statistika 6.0<br />
1 Abecední slovníček vybraných termínů používaných ve statistice<br />
Analýza variance=rozptylu (jednofaktorová – ANOVA; vícefaktorová – MANOVA)<br />
Progresivní statistická metoda umožňující zjistit zda mezi dvěma nebo více metrickými<br />
proměnnými jsou významné rozdíly. Progresivita této metody spočívá ve skutečnosti, že<br />
nesrovnáváme přímo aritmetické průměry, ale rozptyly, které přesněji než aritmetický průměr<br />
charakterizují „rozptýlenost“ nebo „blízkost“ dat okolo aritmetického průměru. Základní<br />
myšlenkou analýzy variance je práce se dvěma rozpyly. Máme-li soubor metrických dat, který<br />
je rozdělěn do dvou či více skupin, pak můžeme vypočítat dva na sobě nezávislé odhady<br />
rozptylů: (a) mezi průměry skupin, (b) uvnitř skupin. Rozptyl uvnitř skupin lze vypočítat tak,<br />
že nejdříve vypočítáme rozptyly pro všechny skupiny a z nich pak určíme průměr. Tento<br />
rozptyl „uvnitř“ skupin je lepším a spolehlivějším odhadem, protože není ovlivněn možnými<br />
rozdíly mezi skupinami a je dán pouze náhodným kolísáním dat. Naproti tomu je rozptyl<br />
„mezi“ průměry skupin závislý na rozdílech mezi skupinami. Jestliže je rozptyl „mezi“<br />
skupinami významně vyšší než rozptyl „uvnitř“ skupin, znamená to, že skupiny nejsou<br />
náhodnými výběry z téhož základního souboru (tzn. výsledky ve skupinách se statisticky<br />
významně liší). K objektivnímu posouzení poměru obou rozptylů se používá F-testu:<br />
rozptyl „mezi“ skupinami<br />
F přibližně platí, že při F 4 je p 0,05<br />
rozptyl „uvnitř“ skupin<br />
Podmínky užití analýzy variance jsou následující:<br />
o metrická data<br />
o náhodné rozdělení dat<br />
o homogenita (rovnost) rozptylu uvnitř skupin (ANOVA nevyžaduje stejné počty prvků n<br />
ve srovnávaných souborech. Avšak výrazná odlišnost v počtu prvků mezi srovnávanými<br />
soubory (n=30 n=500; n=80 n=1000) může narušit podmínku homogenity rozptylu<br />
uvnitř skupin. Proto se při plánování výzkumu snažme užívat alespoň přibližně stejně<br />
velké soubory (Lepš, 1996).<br />
Při nesplnění podmínek ANOVY lze použít neparametrickou obdobu – Kruskal-Wallisův test.<br />
Při testování vlivu jednoho faktoru, např. pohlaví, tělesné zdatnosti či věku, samostatně<br />
používáme jednofaktorovou analýzu variance (ANOVA). Při testování současného vlivu<br />
faktorů (např. pohlaví tělesná zdatnost, pohlaví věk, pohlaví tělesná zdatnost věk)<br />
využijeme vícefaktorovou analýzu variance (MANOVA).<br />
EXCEL: Vložit funkci Statistické FTEST<br />
STATISTICA: Statistika ANOVA jednofaktorová (vícefaktorová) ANOVA<br />
Aritmetický průměr<br />
„…je definován jako součet všech naměřených údajů vydělený jejich počtem“ (Hendl,<br />
2004, 93). Základní charakteristika míry polohy metrických dat (měření).<br />
M<br />
n<br />
<br />
i<br />
1<br />
n<br />
x<br />
i<br />
M - aritmetický průměr<br />
xi - naměřené hodnoty proměnné x<br />
n - počet prvků v souboru<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 3<br />
EXCEL: Vložit funkci Statistické PRŮMĚR<br />
STATISTICA: Statistika Základní statistiky/tabulky Popisné statistiky<br />
Hladina spolehlivosti<br />
je pravděpodobnost, s jakou zjistíme tytéž výsledky pro danou proměnnou při opakovaném<br />
provádění výběru z téhož základního souboru. Nejpoužívanější hladiny jsou 90 %, 95 % nebo<br />
99 %. Pracujeme-li s 95 % hladinou spolehlivosti, znamená to, že ze 100 opakovaných výběrů<br />
v 95 případech zjistíme tytéž výsledky pro danou proměnnou (Hendl, 2004; Chráska, 2000).<br />
Hladina významnosti<br />
„Rozhodování o platnosti nulové, resp. alternativní hypotézy má vždy pravděpodobnostní<br />
charakter…. Pravděpodobnost (riziko), že neoprávněně odmítneme nulovou hypotézu (a tudíž<br />
nesprávně přijmeme alternativní hypotézu) se nazývá hladina významnosti“ (Chráska, 2000,<br />
160). „Jestliže provedeme test významnosti na hladině významnosti 0,05, znamená to, že<br />
pravděpodobnost, že nesprávně přijmeme alternativní hypotézu je 5 % (jinak řečeno: nulovou<br />
hypotézu odmítáme s jistotou 95 %)“ (Chráska, 2000, 160).<br />
„…je pravděpodobnost, že se zamítne nulová hypotéza, ačkoliv ona platí. Tato hladina…<br />
se volí velmi malá, např. 0,05 nebo 0,01“ (Hendl, 2004, 177).<br />
Uvedeme-li, že testovaná proměnná je významná‚ na hladině pěti procent, myslíme tím, že<br />
pozorovaná odchylka od nuly bude překročena v méně než v pěti procentech podobných<br />
výběrů, je-li nulová hypotéza správná, popř. že si můžeme být jisti na 95 procent, že je<br />
nulová hypotéza nesprávná (Lindquist, 1967, 30).<br />
Dále podle Lindquista (1967, 30) platí, že při normálním rozložení dat musí být testovaná<br />
proměnná „…2,576krát větší než její standardní chyba, má-li být významná na<br />
jednoprocentní hladině, nebo 1,960krát větší než její standardní chyba, má-li být významná na<br />
pětiprocentní hladině“.<br />
Hypotéza<br />
Hypotéza vzniká na základě prostudované literatury, kdy je již čtenář zorientován ve<br />
sledované problematice a může si vytvořit „…předběžné názory na vazby mezi jednotlivými<br />
proměnnými, na kauzalitu studovaných jevů, na možná řešení zkoumaného problému“<br />
(Pelikán, 2004, 42). Nikdy nemůžeme změřit, otestovat celou populaci (základní soubor), ale<br />
pouze její náhodně, záměrně, stratifikovaně či kontrolovaně vybranou část (Lindquist, 1967).<br />
Přesto nás zajímá jak by dopadlo měření kdybychom místo vybrané části testovali celou<br />
populaci. Také proto formulujeme hypotézy, abychom se pokoušeli zjištěné skutečnosti<br />
zobecňovat na celou populaci. Ukázkovými příklady jsou předvolební průzkumy, kde na<br />
základě dotazování u náhodné části populace se usuzuje na volební výsledky populace<br />
celorepublikové. Hypotéza je podle Pelikána (2004, 44) „…podmíněným výrokem o vztazích<br />
mezi dvěma nebo více proměnnými… hypotéza je vždy tvrzením, byť i podmíněně<br />
formulovaným“. Podle Chrásky (2000, 11) hypotézami rozumíme „…pokusné, předběžné,<br />
prozatímní odpovědi na položené otázky…. Hypotézy jsou predikcemi (předpověďmi o<br />
vztazích mezi proměnnými. Hypotéza tedy říká, že nastane-li jev A, nastane také jev B“.<br />
Hypotézy dělíme na hypotézy nulové a alternativní. „Nulová hypotéza je domněnka, která<br />
prostřednictvím statistických termínů tvrdí, že mezi proměnnými, které zkoumáme, není<br />
žádný vztah“ (Chráska, 2000, 159). Obsahuje termíny: neovlivňuje, neexistuje vztah, není<br />
rozdíl apod. Další podobou hypotézy je hypotéza alternativní. V její formulaci již badatel<br />
předpokládá významnou vazbu mezi proměnnými a může stanovovat i „směr“ ovlivnění<br />
prostřednictvím termínů: zvýší, sníží, nezvýší, nesníží, apod.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 4<br />
Alternativní hypotéza H1 znamená situaci, kdy nulová hypotéza H0 neplatí. Obvykle se<br />
vyjadřuje jako ‚existence diference‘ mezi skupinami nebo ‚existence závislosti‘ mezi<br />
proměnnými. Nemusí jít o přesný logický opak nulové hypotézy, protože někdy máme<br />
důvod pracovat s tzv. jednostrannou alternativní hypotézou (jestliže nulová hypotéza říká,<br />
že neexistuje rozdíl mezi středními hodnotami pro dvě populace, pak jednostranná<br />
alternativní hypotéza může např. tvrdit, že druhá populace má střední hodnotu vyšší)<br />
(Hendl, 2004, 176-177).<br />
Gavora (2000, 53) stanovuje tzv. „zlatá pravidla hypotézy“.<br />
1. Hypotéza je tvrzení. Vyjadřuje se oznamovací větou. Na konci výzkumu musíme toto<br />
tvrzení přijmout (je to pravda) nebo vyvrátit (není to pravda).<br />
2. Hypotéza vyjadřuje vztah mezi dvěma proměnnými.<br />
3. Hypotéza se musí dát testovat (empiricky zkoumat). Její proměnné se musí dát měřit nebo<br />
kategorizovat.<br />
Frömel (2002) klade tyto hlavní požadavky na správnou formulaci hypotéz:<br />
vědeckost – cílem ověření hypotézy jsou nová fakta, která utvářejí základ nové vědecké<br />
teorie. V případě diplomových prací se však jedná většinou o potvrzení platné hypotézy<br />
v jiných podmínkách, ověření dílčích hypotéz. „Plodnost“ hypotézy je právě v přínosu<br />
nových poznatků, neměli by se proto objevovat hypotézy nelogické a tautologické. Výrok<br />
typu „zařazení posilovacích cvičení do tréninkového procesu basketbalistů zvýší silový<br />
základ a celkovou zdatnost hráčů“ je špatnou hypotézou a navíc hypotézou tautologického<br />
typu. Posilovací cvičení je určeno k tomu, aby zlepšilo silové schopnosti. Navíc jsou<br />
v hypotéze uvedené dvě závislé proměnné (silový základ a celková zdatnost).<br />
jednoznačnost – správná hypotéza je vždy založena na vztahu nezávisle a závisle<br />
proměnné. „Nezávisle proměnná je vlastnost (jev), která je příčinou nebo podmínkou<br />
vzniku jiné vlastnosti (jevu). Závisle proměnná je vlastnost, která je výsledkem<br />
(následkem, důsledkem) působení nezávisle proměnné“ (Chráska, 2000, 11). Proměnné<br />
jsou jednoznačně a jednosměrně vymezeny bez dalších doplňujících vazeb či podmínek.<br />
„Nestačí proměnnou pouze pojmenovat, ale je třeba ji jednoznačně vymezit (je třeba<br />
jednoznačně říci, co jí myslíme)“ (Chráska, 2000, 233). Nejstručněji vyjádřeno, když<br />
nastane A, změní se B nebo když nastane A, tak B bude lepší než.... Kerlinger (1972, 35)<br />
uvádí, že „...hypotézy jsou v podstatě predikcemi tvaru 'jestliže A, pak B které zavádíme,<br />
abychom ověřovali vztahy mezi A a B“. Zpravidla se jedná o jasně vymezený vztah<br />
(závislost, souvislost), rozdíl nebo shodu, případně důsledek nebo příčinu. Hypotéza nesmí<br />
formulačně umožňovat alternativní výklad.<br />
ověřitelnost – každou hypotézu musí být možno ověřit (nebo vyvrátit). Nejsou přípustné<br />
tzv. metafyzické hypotézy např. hypotéza o existenci Boha je metafyzickou hypotézou.<br />
Současnými „měřitelnými“ nástroji vědy nelze tuto hypotézu ověřit či vyvrátit.<br />
Neověřitelné hypotézy jsou např. pro dosud nevypracované potřebné výzkumné techniky,<br />
pro množství zcela nekontrolovatelných proměnných, pro nereálnost ověřování<br />
v přirozených podmínkách, z etických důvodů apod.<br />
Při uvedení hypotéz je pro jejich vyšší názornost a úplnost často vhodné doplnění o<br />
vysvětlující komentář obsahující např. stanovení hladiny statistické významnosti, na které<br />
budu tvrzení hypotézy vyvracet nebo přijímat, bližší charakteristiku proměnných, stanovení<br />
věcné (logické, empirické) významnosti rozdílů, apod. Pokud hypotéza obsahuje proměnnou<br />
např. „bolestivost“, „zkrácení“ (kterou určuje více charakteristik - například 3) je v komentáři<br />
nutné zdůraznit za jakých podmínek hypotézu potvrdím či nepotvrdím (např. u všech 3<br />
charakteristik najdu signifikantní rozdíl či stačí aby 2 ze 3 byly signifikantně rozdílné).<br />
„Diplomové práci prospěje, když jsou hypotézy doplněny zdůvodněním, popřípadě<br />
i doplňujícím výkladem. Jsou-li hypotézy vytčeny, musí být v práci uvedeno, zda byly<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 5<br />
potvrzeny nebo vyvráceny. Hypotézy nelze potvrzovat částečně, téměř, s výjimkami apod.“<br />
Frömel, 2002, 33).<br />
Kruskal-Wallisův test<br />
Jedná se o neparametrickou verzi jednofaktorové analýzy variance ANOVA. Používá se<br />
při nesplnění podmínek pro použití ANOVY (nejen pro metrická data, která mají náhodné<br />
rozdělení a jejichž rozptyly „uvnitř“ skupin jsou přibližně stejné). Při použití Kruskal-<br />
Walisova testu „nulová hypotéza předpokládá, že měření ve skupinách mají stejné mediány“<br />
(Hendl, 2004, 347). Protože pracujeme na úrovni ordinálního měření, nejdříve uspořádáme<br />
všechna data podle velikosti. Pak nahradíme jejich hodnoty pořadími a vypočítáme<br />
koeficienty SRi jako součty pořadí dat ve skupině i. Podle následujícího vzorce spočítáme<br />
tetsovací kritérium H, která udává rozdílnost aritmetických průměrů pořadí ve skupinách:<br />
H<br />
<br />
12<br />
<br />
1<br />
n n <br />
<br />
n<br />
<br />
<br />
<br />
<br />
SR <br />
n<br />
i 1 i<br />
i<br />
2<br />
<br />
<br />
<br />
3<br />
<br />
n 1<br />
přibližně platí, že při H 4 je p 0,05<br />
STATISTICA: Statistika Neparametrická statistika Porovnávání více nezávislých<br />
vzorků (skupiny) Kruskal-Wallisova ANOVA & mediánový test<br />
Mann-Whitneyův test<br />
Jedná se o neparametrickou obdobu T-testu pro nemetrická data. Slouží ke srovnání<br />
mediánů dvou nezávislých proměnných. Předpokladem je pouze skutečnost, že obě proměnné<br />
pocházejí ze dvou různých souborů (nemusí mít normální rozdělení dat). Nulovou hypotézu<br />
testujeme pomocí testového kritéria U, které vypočítáme z rovnice:<br />
n 1<br />
1 1<br />
U n1<br />
n2<br />
<br />
n<br />
2<br />
R<br />
1<br />
STATISTICA: Statistika Neparametrická statistika Porovnání dvou nezávislých<br />
vzorků (proměnné) Mann-Whitneyův U test<br />
Medián<br />
„…znamená hodnotu, jež dělí řadu podle velikosti seřazených výsledků na dvě stejně<br />
početné poloviny“ (Hendl, 2004, 94). Charakteristika míry, která se používá u ordinálních dat<br />
(měření). Na rozdíl od aritmetického průměru je medián málo citlivý k odlehlým hodnotám.<br />
EXCEL: Vložit funkci Statistické MEDIAN<br />
STATISTICA: Statistika Základní statistiky/tabulky Popisné statistiky<br />
Měření (data)<br />
U - testové kritérium<br />
n1,2 - součet počtu pozorování<br />
první a druhé proměnné<br />
„…je přiřazování čísel předmětům nebo jevům podle pravidel“ (Kerlinger, 1972, 404). Při<br />
měření se v podstatě snažíme pozorovanou vlastnost jevu nebo předmětu vyjádřit pomocí<br />
číselné hodnoty. „Stanovení pravidla pro přiřazování je nejdůležitější a zároveň nejobtížnější<br />
částí měření“ (Chráska, 2000, 38). Při zkoumání reality se často setkáváme se situacemi, kdy<br />
Ri<br />
- součet pořadí první<br />
proměnné<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 6<br />
proměnnou, kterou chceme zachytit, nelze přímo měřit (tvořivost, nálada, subjektivní pocit<br />
bolesti pacienta, sebevědomí, apod.). V těchto případech měříme ukazatele (indikátory), které<br />
s velkou pravděpodobností s danou proměnnou souvisejí.<br />
Podle přiřazování čísel objektům a jevům rozlišujeme následující úrovně měření:<br />
nominální (klasifikace) – čísel se zde používá pouze pro označení proměnné např.<br />
označení pohlaví (1 – muž, 2 – žena), plavecké dovednosti (1 – plavec, 2 – neplavec),<br />
výskytu (1 – má, 2 – nemá). Nominální měření (data) umožňují „pouze“ třídění, čísla<br />
nemají kvantitativní význam, můžeme je nahradit písmeny nebo jinými symboly. POZOR<br />
nelze s nimi jako s čísly počítat.<br />
• použitelná statistika: modus, četnost jednotlivých číselných symbolů, sčítání četností<br />
v každé kategorii, frekvenční statistika chí-kvadrát 2 , výpočet procent % apod.<br />
ordinální (pořadí) – čísla se objektům přiřazují tak, že vyjadřují pořadí podle daného<br />
kritéria např. seřazení žáků podle tělesné výšky (1 – nejvyšší žák …28 – nejnižší žák ve<br />
třídě), pořadí zapojování svalů (1 – první, 2 – druhý… 9 – poslední). POZOR tato čísla<br />
však „…poskytují informaci pouze o pořadí měřených objektů, nikoli o velikostech rozdílů<br />
mezi nimi“ (Chráska, 2000, 40).<br />
• použitelná statistika: medián, kvartilová odchylka, Spearmanův koeficient pořadové<br />
korelace rS, Wilcoxonův párový test, Mann-Whitneyův U-test, Kruskal–Wallisův test.<br />
V některých případech se však používají i postupy, které předpokládají intervalové měření<br />
(aritmetický průměr, směrodatná odchylka apod.).<br />
intervalové – přiřazujeme čísla tak, že vyjadřují kvantitativní míru vlastnosti (jevu) i<br />
velikost rozdílů mezi nimi. Je zde definovaná jednotka měření, která však nemá přirozený<br />
nulový bod. Čísla získaná intervalovým měřením LZE sčítat +, odečítat - , NELZE je ale<br />
násobit a dělit:<br />
• použitelná statistika: aritmetický průměr, směrodatná odchylka, Pearsonův součinový<br />
korelační koeficient rP, Studentův t-test, F-test, analýza rozptylu atd.<br />
poměrové – přiřazené hodnoty čísel vyjadřují kvantitativní míru vlastnosti i velikosti<br />
násobků mezi nimi. Kromě přesně definované jednotky měření, zde existuje i přirozená<br />
nula. Lze využívat všech vlastností reálných čísel (+, -, · , :, 2 , √). „Jednotlivé výsledky<br />
poměrového měření lze srovnávat na základě otázek ‚o kolik‘, ale i ‚kolikrát‘“ (Chráska,<br />
2000, 41). Měření intervalová a poměrová se souborně označují jako měření metrická.<br />
• použitelná statistika: lze využít všech výše uvedených procedur. Použijeme-li však pro<br />
poměrová data postupy určené pro data ordinální nebo nominální, dochází vždy k určité<br />
ztrátě informace.<br />
Millova pravidla<br />
Ačkoli současná statistika umožňuje přesnější analýzu příčin a účinků jevů Millova<br />
pravidla (především pravidla jediné shody a jediného rozdílu) lze využít již při předběžných<br />
úvahách o možných příčinách určitých jevů a při plánování upořádání výzkumného projektu.<br />
pravidlo jediné shody – „Mají-li dva nebo více případů společnou jedinou okolnost, je<br />
právě tato okolnost příčinou nebo účinkem jevu…. Uplatňuje-li se u zkoumaných objektů<br />
jediný shodný zásah (ostatní podmínky přitom zůstávají nezměněny), potom můžeme<br />
předpokládat, že právě tento zásah je příčinou nebo účinkem změn, které u objektů<br />
pozorujeme“ (Chráska, 2004, 36).<br />
pravidlo jediného rozdílu – „Mají-li dva případy (jeden, v němž se zkoumaný jev<br />
vyskytuje, a druhý, v němž se nevyskytuje) všechny okolnosti společné až na jednu, která<br />
se objevuje jen v prvním případě, pak tato jediná okolnost, jíž se oba případy liší, je<br />
účinkem nebo příčinou… jevu“ (Chráska, 2004, 36).<br />
pravidlo kombinace shody a rozdílu – „Mají-li dva nebo více zkoumaných případů,<br />
v nichž se vyskytuje určitý jev, pouze jednu společnou okolnost, kdežto dva nebo více<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 7<br />
případů, v nichž se jev nevyskytuje, mají společné jenom to, že se u nich tato okolnost<br />
neobjevuje, pak právě tato okolnost, jíž se obě skupiny případů liší, je účinkem nebo<br />
příčinou… zkoumaného jevu“ (Chráska, 2004, 36).<br />
pravidlo sdružených změn – „Jestliže se určitý jev jakýmkoli způsobem mění a vždy se<br />
také mění jiný jev nějakým způsobem, pak je první jev příčinou nebo účinkem tohoto jevu,<br />
anebo je sním spojen nějakým příčinným vztahem“ (Chráska, 2004, 36-37).<br />
Model<br />
Zjednodušená grafická nebo slovní charakteristika použitých proměnných a jejich<br />
vzájemných vztahů.<br />
Modus<br />
Hodnota proměnné, která se v daném souboru vyskytuje nejčastěji. Charakteristika míry,<br />
která se používá u nominálních dat (měření).<br />
EXCEL: Vložit funkci Statistické MODE<br />
STATISTICA: Statistika Základní statistiky/tabulky Popisné statistiky<br />
Post-hoc testy<br />
Při statistickém srovnávání aritmetických průměrů dvou proměnných nám výsledné testové<br />
kritérium (t – t-testu, F – ANOVY, T – Wilcoxonova testu, H – Kruskal-Wallisova, U –<br />
Mann-Whitneyho testu apod.) přímo vypovídá o statistické významnosti (či nevýznamnosti)<br />
rozdílů těchto proměnných. Avšak při statistickém srovnávání aritmetických průměrů více než<br />
dvou proměnných nás kromě výsledného testového kritéria především zajímá konkrétně mezi<br />
kterými aritmetickými průměry je či není statisticky významný rozdíl. K tomuto určení nám<br />
slouží post-hoc testy, které pomocí kombinační tabulky zobrazí hladiny statistické výzmanosti<br />
p mezi všemi aritmetickými průměry srovnávaných proměnných. Podle síly testu (od<br />
nejsilnějšího, nejkonzervativnějšího po nejměkčí, nejliberálnější) rozeznáváme: Scheffeho<br />
test, Tukeyův test, Bonferroniho test a Fischerův LSD test. Zvláštními případy jsou Duncanův<br />
test a HSD test při nestejných n. Neexistuje přesné, obecně platné pravidlo pro výběr<br />
konkrétního post-hoc testu k použití. Hendl (2004, 345) doporučuje „… použít test více<br />
konzervativní, jinak vzroste nekontrolovatelně pravděpodobnost chyby I. druhu“.<br />
STATISTICA: Statistika ANOVA jednofaktorová (vícefaktorová) ANOVA <br />
výběr proměnných a faktorů OK Více výsledků Post-hoc<br />
Pravděpodobnostní rozdělení dat (binomické, poissonovo a normální)<br />
Nám modelují, popisují, předpovídají náhodné chování proměnných. Lze je popsat pomocí<br />
pravděpodobnostní, distribuční či frekvenční funkce (frekvenčního histogramu) (Hendl,<br />
2004). Normální rozdělení se týká spojité proměnné, zatímco binomické a poissonovo<br />
rozdělení popisuje náhodné chování diskrétní proměnné. Použití některých statistických testů<br />
je podmíněno konkrétním typem rodělení dat.<br />
binomické rozdělení – modeluje chování četností prvků s pevně danou vlastností, které<br />
skončily… jež skončily specifikovaným výsledkem. Předpoklady pro vznik náhodné<br />
proměnné s binomickým rozdělením jsou podle Hendla (2004, 135) tyto:<br />
o provádíme n pozorování (nebo pokusů);<br />
o pozorování jsou nezávislá – znalost výsledku v jednom pozorování nám nic nevypovídá<br />
o výsledku v pozorování jiném;<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 8<br />
o výsledky pozorování mohou být pouze dva, např. „úspěch“ a „neúspěch“;<br />
o pravděpodobnost každého „úspěchu“ je stejná pro všechna pozorování nebo pokusy.<br />
poissonovo rozdělení – mají náhodné proměnné (např. počet telefonních hovorů, nehod, či<br />
přijímaných pacientů za danou časovou jednotku, počet překlepů na jedné stránce, apod.),<br />
které popisují četnosti jevů s těmito vlastnostmi:<br />
o výskyt (nebo nevýskyt) jevu v daném čase závisí na tom, co se stalo jindy nebo jinde;<br />
o pravděpodobnost výskytu jevu je pro každý malý časový okamžik stejná;<br />
o neexistuje případ, že by dva jevy nastaly současně přesně v jednom časovém okamžiku.<br />
normální rozdělení – nejčastěji používané rozdělení pro modelování náhodného chování<br />
proměnných v empirických vědách.<br />
Ve výzkumech se velmi často setkáváme se situací, kdy měřenou proměnnou ovlivňuje<br />
současně větší počet poměrně slabých náhodných vlivů. Toto současné působení více vlivů<br />
se projevuje tím, že značná část výsledků se soustřeďuje kolem střední hodnoty a na obě<br />
strany od ní jsou výsledky stále méně časté, přičemž extrémní hodnoty se vyskytují jen<br />
ojediněle (Chráska, 2003, 73).<br />
Toto rozdělení lze graficky vyjádřit pomocí křivky (Gaussova křivka – Obrázek 1), kterou<br />
lze sestrojit pomocí aritmetického průměru M a směrodatné odchylky SD. Jedná se o<br />
jednovrcholovou, zvonovitou křivku, symetrickou podle svislé osy procházející<br />
aritmetickým průměrem M. Pro normální rozdělení dat platí, že v intervalu (M-SD,<br />
M+SD) se vyskytuje přibližně 2/3 (68,27 %) všech hodnot. V intervalu (M-2SD, M+2SD)<br />
se již vyskytuje 95,4 % hodnot a v intervalu (M-3SD, M+3SD) již 99,73 % hodnot<br />
(Chráska, 2003). Řada statistických procedur byla odvozena od normálního rozdělení,<br />
proto je jejich použití podmíněno normálním rozdělením dat testované proměnné. Existuje<br />
řada postupů jak ohodnotit normální rozdělení dat (např. test špičatosti, resp. šikmosti,<br />
který vyjadřuje koncentraci, resp. symetrii dat kolem střední hodnoty; pro normální<br />
rozdělení vychází špičatost=0 a šikmost=0). Jedním z nich je posouzení podle<br />
frekvenčního histogramu (Obrázek 2). Hodnotíme „jednovrcholovost“ a symetrii podle<br />
svislé osy aritmetického průměru M (Obrázek 1).<br />
pravděpodobnost<br />
99,73 %<br />
95,4 %<br />
68,27 %<br />
-3SD -2SD -SD M +SD +2SD +3SD<br />
tělesná výška (cm)<br />
Obrázek 1. Gaussova křivka Obrázek 2. Frekvenční histogram<br />
normálního rozdělení dat<br />
t-rozdělení – V případě, že neznáme teoretickou směrodatnou odchylku měřené náhodné<br />
proměnné, lze místo ní dosadit vypočítanou směrodatnou odchylku. Pak hovoříme o trozdělení,<br />
jehož tvar závisí na stupních volnosti. Je podobné normálnímu rozdělení v tom,<br />
že je symetrické kolem nuly, má jediný vrchol a zvonovitý tvar. Na rozdíl od něj má<br />
výraznější oba okraje.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)<br />
četnost výskytu (%)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 9<br />
Proměnná<br />
Vlastnost nabývající kvantitativních nebo kvalitativních hodnot. Z hlediska formulování<br />
hypotéz rozeznáváme především závisle a nezávisle proměnné. „Nezávisle proměnná je<br />
vlastnost (jev), která je příčinou nebo podmínkou vzniku jiné vlastnosti (jevu). Závisle<br />
proměnná je vlastnost, která je výsledkem (následkem, důsledkem) působení nezávisle<br />
proměnné“ (Chráska, 2000, 11). „Nezávisle proměnná je proměnná, která z hlediska našeho<br />
výzkumu (nikoliv absolutně) nezávisí na proměnné jiné. Intervenující proměnná je pak ta<br />
nezávisle proměnná, která ovlivňuje změny proměnných dalších, které nazýváme<br />
proměnnými závislými“ (Pelikán, 2004, 39). Podle možnosti nabývání hodnot dělíme<br />
proměnné na spojité a diskrétní. „Spojitá proměnná může teoreticky nabývat libovolných<br />
hodnot z určitého intervalu reálných čísel. Diskrétní proměnné „…nabývají naopak pouze<br />
konečného počtu hodnot“ (Hendl, 2004, 44-45). Příkladem spojité proměnné je čas, tlak,<br />
teplota, apod. a diskrétní pak pořadí v závodě, počet bodů v desetiboji apod.<br />
Reliabilita (spolehlivost a přesnost)<br />
Stálost dosahování stejných (velmi podobných) výsledků při opakování měření za stejných<br />
podmínek - spolehlivost. Nezatíženost chybami měření - přesnost.<br />
„Za přesné považujeme takové měření, při kterém se dopouštíme jen malého počtu chyb a<br />
tyto chyby nejsou příliš velké“ (Chráska, 2000, 42).<br />
Vysoká reliabilita je nutnou podmínkou dobré validity měření, ale samotná vysoká<br />
reliabilita ještě nezaručuje dobrou validitu. Jinými slovy: „Pokud měření není spolehlivé,<br />
nemůže být ani validní“ (Hendl, 2004, 48). Stupeň reliability měření vyjadřujeme<br />
koeficientem reliability rtt. Nabývá hodnot od 0 (nulový stupeň reliability) do 1 (maximální<br />
stupeň reliability). Definujeme jej jako poměr rozptylu chyb k celkové variabilitě dat<br />
odečtený od 1.<br />
r<br />
tt<br />
1 <br />
s<br />
s<br />
e<br />
t<br />
s<br />
<br />
t<br />
s<br />
s<br />
t<br />
e<br />
Koeficient reliability rtt lze určit těmito čtyřmi základními metodami:<br />
opakovaného měření (test-retest) – stejné měření se za stejných podmínek provádí<br />
opakovaně v čase a koeficient reliability je vypočítán jako korelační koeficient pro<br />
opakovaně změřená data. Vypovídá o shodě opakovaných měření v čase.<br />
paralelního měření – stejné měření se opakovaně, ale za použití ekvivalentních technik<br />
(např. existují dvě verze A a B téhož testu). Koeficient reliability se vypočítá jako<br />
korelační koeficient mezi oběma měřeními.<br />
půlení – provedené měření se rozdělí na dvě části, které se samostatně vyhodnotí a<br />
výsledky se pak navzájem korelují. Ze stupně korelace se usuzuje na stupeň reliability.<br />
vnitřní konzistence – při této metodě je výpočet koeficientu reliability založen na použití<br />
dvojnásobné analýzy variance (tzn. Cronbachův korelační koeficient alfa ά). Cronbachův<br />
korelační koeficient alfa ά odhaduje očekávanou korelaci jednoho testu s alternativní<br />
formou jiného, obsahujícího stejný počet měřených proměnných. Pro konzistentní test by ά<br />
měl nabývat hodnoty alespoň 0,8 (Meloun & Militký, 2002).<br />
Rozptyl a směrodatná odchylka<br />
rtt - koeficient reliability<br />
se - rozptyl chyb<br />
st - celková variabilita dat<br />
„…obě se vztahují k aritmetickému průměru – měří rozptýlenost dat kolem aritmetického<br />
průměru….“ (Hendl, 2004, 96).<br />
„Rozptyl je definován jako průměrná kvadratická odchylka měření od aritmetického<br />
průměru…“ (Hendl, 2004, 96). Obě jsou základními charakteristikami variability dat.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 10<br />
s<br />
2<br />
<br />
n<br />
<br />
i1<br />
( M<br />
i<br />
M )<br />
n 1<br />
Směrodatná odchylka SD je pak druhou odmocninou z rozptylu:<br />
SD <br />
s<br />
2<br />
<br />
<br />
n<br />
<br />
i1<br />
( M<br />
i<br />
n 1<br />
2<br />
M )<br />
EXCEL: Vložit funkci Statistické SMODCH.VÝBĚR<br />
STATISTICA: Statistika Základní statistiky/tabulky Popisné statistiky<br />
Rozsah souboru<br />
2<br />
Označuje počet prvků v souboru, jeho četnost. Zpravidla jej označujeme písmenem n.<br />
Rozsah souboru výrazně ovlivňuje statistickou významnost testovaných rozdílů mezi<br />
proměnnými. Naopak koeficienty efekt size tuto závislost na rozsahu souboru při zjišťování<br />
rozdílů mezi proměnnými částečně eliminují.<br />
Statistické testy významnosti<br />
Jsou to postupy (procedury), pomocí nichž ověřujeme, zda mezi proměnnými existuje<br />
vztah (závislost, rozdíl). Jestliže na základě provedeného testu významnosti rozhodneme,<br />
že určitý výsledek šetření je statisticky významný (signifikantní), znamená to, že je velmi<br />
nepravděpodobné, že by tento výsledek byl způsoben pouhou náhodou (Chráska, 2003,<br />
78).<br />
Rozlišujeme testy parametrické a neparametrické.<br />
o Parametrické testy vyžadují splnění řady podmínek (např. metrická data – aritmetický<br />
průměr, směrodatná odchylka apod., normální rozdělení proměnné), aby bylo jejich<br />
použití oprávněné. U těchto testů se nulová hypotéza týká některého parametru<br />
rozdělení náhodné proměnné (např. aritmetického průměru, směrodatné odchylky<br />
apod.).<br />
o U neparametrických testů se nulová hypotéza netýká parametrů rozdělení proměnné,<br />
nýbrž jiné obecné vlastnosti (nominální a ordinální data). Použití neparametrických<br />
testů není tak přísně podmíněno jako aplikace testů parametrických (všechny typy dat a<br />
případy, kdy není znám typ rozdělení proměnné). Avšak větší univerzálnost<br />
neparametrických testů je vykoupena jejich menší statistickou účinností. Přičemž<br />
účinnost statistického testu významnosti definujeme jako „…schopnost testu rozpoznat i<br />
malé odchylky od nulové hypotézy“ (Chráska, 2003, 79). Parametrické testy mají vyšší<br />
statistickou účinnost, ale nejsou tak univerzálně použitelné jako neparametrické testy,<br />
které ve srovnání s parametrickými testy vyžadují větší rozsah testovaného souboru n.<br />
Stupeň volnosti<br />
Je číslo o jednu menší než rozsah souboru n. Platí tedy, že stupeň volnosti = n–1.<br />
T-test<br />
s 2 - rozptyl<br />
M - aritmetický průměr<br />
n - počet prvků v souboru<br />
SD - směrodatná odchylka<br />
s 2<br />
- rozptyl<br />
M - aritmetický průměr<br />
n - počet prvků v souboru<br />
Jeden z nejnámějších statistických testů významnosti pro metrická data. Slouží ke srovnání<br />
aritmetických průměrů dvou nezávislých proměnných. Předpokladem je, že obě proměnné<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 11<br />
pocházejí ze dvou různých souborů a mají normální rozdělení dat. Nulovou hypotézu<br />
testujeme pomocí testového kritéria t, které vypočítáme z rovnice:<br />
kde<br />
SD <br />
<br />
<br />
<br />
M 1 M<br />
t <br />
SD<br />
2<br />
<br />
n1<br />
n2<br />
n n<br />
n1<br />
n2<br />
2<br />
M 1i<br />
M 1 <br />
M 2 j M 2 <br />
i1<br />
n<br />
1<br />
n<br />
j1<br />
2<br />
1<br />
2<br />
EXCEL: Vložit funkci Statistické TTEST<br />
STATISTICA: Statistika Základní statistiky/tabulky t-test<br />
Validita (platnost a pravdivost)<br />
2<br />
Kerlinger (1972, 435) konstatuje, že „…nejobecnější definice validity je ve stručnosti<br />
obsažená v otázce: Měříme to, o čem se domníváme, že měříme“. V současnosti se však<br />
vychází z požadavku, že „…uživatel má z výsledků měření odvodit správná rozhodnutí“<br />
(Hendl, 2004, 48). Podle Hendla (2004, 48) „validita odkazuje na přiměřenost, smysluplnost a<br />
užitečnost specifických závěrů, jež se provádějí na základě výsledku měření“. Podle toho,<br />
k čemu se validita vztahuje, ji lze děli na:<br />
obsahová – „…zjišťuje, do jaké míry měření skutečně reprezentuje dané vlastnosti nebo<br />
kvality“ (Hendl, 2004, 49). Obsahová validita zjišťuje nakolik jsou reprezentativní položky<br />
testu, vzhledem k obsahu, který má měřit (Pelikán, 2004). Podle Kerlingera (1972) je<br />
obsahová validita v podstatě úsudková.<br />
souběžná – se posuzuje při zavádění nové metody (testu) srovnáním s již ověřenou<br />
metodou (testem). „Ověřenou proceduru někdy nazýváme ‚zlatý standard‘. S měřením<br />
‚zlatého standardu‘ srovnáváme výsledky nové měřící procedury“ (Hendl, 2004, 49). Ke<br />
srovnání vztahu mezi výsledky nového testu a ověřeného testu používáme korelačních<br />
koeficientů.<br />
predikční – posuzuje, „…do jaké míry provedené měření vypovídá o budoucím chování<br />
objektů“ (Chráska, 2000, 42). Podle Pelikána (2004, 59) „Nejde jen o předpověď toho, jak<br />
se daný jedinec uplatní, jak bude probíhat určitý jev atd., jde spíše o předpověď určitého<br />
vztahu. Validitu výzkumného zjištění určitého vztahu… ověřujeme v podstatě konfrontací<br />
s realitou“ (Pelikán, 2004, 59). K jejímu výpočtu používáme korelačních koeficientů.<br />
Souběžná a predikční validita je souhrnně nazývána jako validita kriteriální.<br />
konstruktová – posuzuje „…do jaké míry ovlivňuje výsledky provedeného měření nějaký<br />
faktor – konstrukt“ (Chráska, 2000, 42). „Důkazy o konstruktové validitě mohou mít<br />
konvergentní charakter (test prokazuje vztahy k těm proměnným, jež podle teorie<br />
očekáváme) nebo diskriminační charakter (naopak nemá vztah k proměnným, když tento<br />
vztah neočekáváme)“ (Hendl, 2004, 49).<br />
Z dalších typů validit se ještě zmíním o validitě ekologické, která se týká vlivu prostředí,<br />
v němž je výzkum realizován. Zahrnuje vliv počasí, denní a roční doby i vliv barevnosti a<br />
osvětlení prostoru apod.<br />
Variační rozpětí<br />
Charakteristika variability R, která je dána rozdílem maximální a minimální hodnoty<br />
v souboru. Nevýhodou variačního rozpětí je velká citlivost vůči odlehlým hodnotám.<br />
<br />
<br />
<br />
2<br />
t - testové kritérium<br />
M1,2 - aritmetické průměry první a<br />
druhé proměnné<br />
n1,2 - počty prvků v souborech<br />
SD - směrodatná odchylka<br />
M1i - jednotlivé hodnoty první<br />
proměnné<br />
M2j - jednotlivé hodnoty druhé<br />
proměnné<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 12<br />
Wilcoxonův neparametrický test<br />
Je obdobou parametrického párového t-testu. Podmínkou jeho použití je alespoň ordinální<br />
typ dat. Používá se při opakovaných měřeních stejných souborů.<br />
STATISTICA: Statistika Neparametrická statistika Porovnávání dvou závislých<br />
vzorků (skupiny) Wilcoxonův párový test<br />
Základní a výběrový soubor<br />
„Základní soubor je množina všech prvků, patřících do okruhu osob nebo jevů, které mají<br />
být zkoumány v daném výzkumu“ (Pelikán, 2004, 47). Základní soubor ale může být velice<br />
rozsáhlý až nedostupný a neproveditelný. Proto se ze základního souboru pořizuje výběrový<br />
soubor (vzorek), který by měl být co nejpřesnější zmenšenou kopií onoho původního<br />
základního souboru. „Co možná největší přiblížení výběru (vzorku) základnímu souboru je<br />
důležité zejména proto, abychom i na základě výzkumu uskutečněného na výrazně menším<br />
souboru, vybraném ze souboru původního, mohli dělat obecnější závěry, platné i pro celý<br />
základní soubor“ (Pelikán, 2004, 47). Proto se dále budu zabývat jednotlivými typy výběru:<br />
náhodný výběr – je definován tak, že „…každý prvek populace má stejnou<br />
pravděpodobnost, že se do výběru dostane“ (Hendl, 2004, 53). Podle Lindquista (1967, 19)<br />
je „…náhodný výběr pořízen tak, že všechny jiné možné kombinace stejného počtu členů<br />
základního souboru mají stejnou možnost dostat se do výběru“. Pro realizaci náhodného<br />
výběru musíme mít k dispozici očíslovaný seznam všech prvků základního souboru a<br />
funkci generující náhodná čísla, pomocí níž vybereme očíslovaný prvek ze základního<br />
souboru. Takovýto seznam lze vytvořit v softwarovém prostředí Microsoft Office Excel,<br />
v němž zároveň lze náhodná čísla generovat pomocí funkce „CELÁ.ČÁST((horní-mez –<br />
dolní-mez + 1)*NAHČÍSLO()) + dolní-mez“ (Brož, 2003, 537). Výsledky měření na tomto<br />
typu výběru mají obecnou platnost, lze je jen s minimální chybou zobecňovat na celý<br />
základní soubor. V praxi je náhodný výběr často neproveditelný nebo nákladný, především<br />
z důvodů značné rozsáhlosti základního souboru. Následující 4 typy výběru jsou<br />
přijatelnými náhradními metodami, jež ve výběru využívají náhodný mechanismus.<br />
stratifikovaný výběr – „…vychází z rozdělení základního souboru na skupiny podle<br />
předem stanovených kritérií, z nichž se pak dělá náhodný výběr“ (Pelikán, 2004, 53).<br />
„Tato technika je vhodná, jestliže populaci lze stratifikovat podle pohlaví, věku nebo<br />
demografických parametrů a výzkumník chce zajistit reprezentaci každé podskupiny“<br />
(Hendl, 2004, 54). „Tím nenarušíme princip náhodnosti a přitom zajistíme, že nedojde<br />
k nerovnoměrnosti zastoupení základních prvků nebo znaků, které nás při výzkumu<br />
zajímají“ (Pelikán, 2004, 53).<br />
kontrolovaný výběr – je zvláštním případem stratifikovaného výběru, v němž není<br />
selekce ponechána náhodě. „…rozdělení určitého vybraného znaku je provedeno tak, aby<br />
bylo shodné s předem stanovenou proporcí“ (Lindquist, 1967, 21). Počet vybraných prvků<br />
z podskupiny je proporcionální počtu prvků v základním souboru. Dejme tomu, že chceme<br />
u daného souboru školních dětí zkoumat např. tělesnou hmotnost. Víme, že tělesná<br />
hmotnost nějak souvisí s pohlavím, a chceme se ujistit, že náš výběr nemá nevhodnou<br />
proporci obou pohlaví. Víme-li, že v celkovém základním souboru je stejný počet chlapců<br />
a děvčat, můžeme pak ze všech chlapců (resp. děvčat) náhodně vybrat stejný počet chlapců<br />
a stejný počet děvčat. Tento výběr jsme učinili reprezentativním vzhledem k pohlaví.<br />
vícestupňový shlukový výběr – opakovaně prováděný náhodný výběr v jednotlivých<br />
skupinách, které jsou podmnožinou té předcházející. Pro statistické zpracování takto<br />
získaných dat se používají speciální techniky, někdy lze však použít postupy zpracování<br />
dat z náhodných výběrů.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 13<br />
Často se používá pro získání informací o veřejném mínění. Například chceme-li zjistit<br />
názory lidí z panelových sídlišť měst určité velikosti. Postupuje se např. takto: 1. vybere se<br />
náhodně vzorek okresů; 2. z takto vybraných okresů se v každém okresu vybere náhodně<br />
určitý počet měst o dané velikosti; 3. pro takto vybraná města se vybere náhodně vzorek<br />
jejich sídlišť; 4. z vybraných sídlišť se náhodně vyberou domácnosti, ve kterých se provede<br />
dotazování. V každé vrstvě shluků se provádí náhodný výběr. Tato vícestupňová procedura<br />
vypadá velmi komplikovaně, ale ve skutečnosti je velmi efektivní a méně nákladná než<br />
prostý náhodný výběr (Hendl, 2004, 54).<br />
systematický výběr – je prováděn podle předem stanovaného kritéria. Stejně jako u<br />
náhodného výběru se nejprve vytvoří očíslovaný seznam všech prvků základního souboru.<br />
Avšak na rozdíl od náhodného výběru se výběr z tohoto seznamu nepořizuje náhodně, ale<br />
systematicky podle předem pevně stanoveného kritéria.<br />
Například se bude vybírat vždy jeden prvek z padesáti. Nejdříve se zvolí náhodně prvek<br />
z první padesátky…. V dalším kroku se k tomuto číslu postupně přičítává číslo 50 a prvky<br />
s takto získaným pořadovým číslem se zařazují do výběru. Aby byl systematický výběr<br />
validní, musí výzkumník zajistit, že číslování prvků není závislé na charakteristikách<br />
jedinců, jež se mají zkoumat (Hendl, 2004, 54-55).<br />
záměrný výběr – „…se liší od předcházejících druhů výběrů v tom, že zde o výběru<br />
jistého prvku nerozhoduje náhoda, ale buď záměr výzkumníka, anebo úsudek zkoumané<br />
osoby“ (Chráska, 2000, 22). Záměrný výběr lze pořídít trojím způsobem: 1) prvky se<br />
dostávají do výběru samy (např. dobrovolně přihlášení lidé do anket); 2) záměrný výběr<br />
„průměrných jednotek“, při kterém se vybírá určitý objekt (škola, třída, žák), jenž<br />
výzkumník považuje za typický (průměrný) příklad; 3) výběr pomocí kvót (kvótní<br />
výběr), který je jako jediný ze záměrných výběrů přijatelný pro zobecňování zjištěných<br />
výsledků na základní soubor, ze kterého byl kvótní výběr pořízen.<br />
Zákon (zákonitost)<br />
„Určuje všeobecnou platnost závislostí, procesů, jevů a jejich vlastností za určitých, přesně<br />
popsaných podmínek“ (Pelikán, 2004, 33). Na rozdíl od exaktních přírodních věd však<br />
v pedagogickém výzkumu hledáme spíše zákonitosti, protože vysoká variabilita proměnných<br />
působících v pedagogickém procesu znemožňuje jednoznačně definovat jeho absolutní,<br />
bezvýjimečnou platnost. Zákonitost je „...zjištěná vazba mezi různými proměnnými, platná<br />
pro statisticky významnou část případů v pevně definovaných podmínkách. Hovoříme-li o<br />
statisticky významné vazbě, neznamená tento vztah absolutní platnost“ (Pelikán, 2004, 33).<br />
Brož, M. (2003). Mistrovství v Microsoft Excel 2000. Brno: Computer Press.<br />
Frömel, K. (2002). Kompendium psaní a publikování v kinantropologii. Olomouc: Univerzita<br />
Palackého.<br />
Gavora, P. (2000). Úvod do pedagogického výzkumu. Brno: Paido.<br />
Hendl, J. (2004). Přehled statistických metod zpracování dat. Praha: Portál.<br />
Chráska, M. (2000). Základy výzkumu v pedagogice. Olomouc: Univerzita Palackého.<br />
Chráska, M. (2003). Úvod do výzkumu v pedagogice (základy kvantitativně orientovaného<br />
výzkumu). Olomouc: Univerzita Palackého.<br />
Kerlinger, F. N. (1972). Základy výzkumu chování. Praha: Academia.<br />
Lepš, J. (1996). Biostatistika. České Budějovice: Jihočeská Univerzita.<br />
Lindquist, E. F. (1967). Statistická analýza v pedagogickém výzkumu. Praha: Státní<br />
pedagogické nakladatelství.<br />
Meloun, M., & Militký, J. (2002). Kompendium statistického zpracování dat. Praha:<br />
Academia.<br />
Pelikán, J. (2004). Základy empirického výzkumu pedagogických jevů. Praha: Karolinum.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 14<br />
2 Koeficienty „efekt size“ jako vodítko pro posuzování věcné významnosti statisticky<br />
testovaných rozdílů<br />
2.1 Korelační koeficient rP a rS<br />
Rozšířenými, srozumitelnými a často používanými koeficienty efekt size jsou korelační<br />
koeficienty (rP - Pearsonův součinový korelační koeficient a rS - Spearmanův koeficient<br />
pořadové korelace). „Přes některé své nedostatky zůstává Pearsonův korelační koeficient r<br />
nejdůležitější mírou síly vztahu dvou náhodných spojitých proměnných X a Y“ (Hendl, 2004,<br />
243).<br />
Korelační koeficienty (rP, rS) určují míru těsnosti (síly) vztahu mezi dvěma proměnnými.<br />
nabývají hodnot -1 ≤ r ≤ +1.<br />
při r=0 jsou proměnné X a Y naprosto nezávislé (nesouvislé, beze vztahu). Čím vyšší je<br />
hodnota korelačního koeficientu tím vyšší je závislost (při příčinném vztahu) či souvislost<br />
(při asociačním vztahu) mezi proměnnými X a Y (viz tabulka 1). Jestliže je r kladné tak se<br />
zvyšující se hodnotou X roste i hodnota Y. Při záporném r s rostoucí hodnotou X klesá<br />
hodnota Y. Příčinný vztah mezi proměnnými X a Y existuje, pokud X jednoznačně<br />
způsobuje, ovlivňuje Y (změna X způsobuje změnu Y). Při asociačním vztahu „jen“ víme,<br />
že při ovlivňování, změně X (resp. Y) se mění i Y (resp. X), nevíme však zda tuto změnu<br />
způsobuje X nebo Y či jiná další proměnná.<br />
vysoká hodnota korelačního koeficientu sama o sobě ještě nepotvrzuje existenci příčinného<br />
vztahu. Ze schématu, typu výzkumu musíme jednoznačně vědět která z proměnných je<br />
potencionální příčinou a která důsledkem (musíme znát zda hledáme příčinný nebo<br />
asociační vztah).<br />
nerozlišují mezi závisle a nezávisle proměnnou. „Nezávisle proměnná je vlastnost (jev),<br />
která je příčinou nebo podmínkou vzniku jiné vlastnosti (jevu). Závisle proměnná je<br />
vlastnost, která je výsledkem (následkem, důsledkem) působení nezávisle proměnné“<br />
(Chráska, 2000, 11).<br />
nezmění se, když změníme jednotky měření proměnných X a Y.<br />
Pearsonův korelační koeficient rP se vypočítává přímo z naměřených párových hodnot<br />
proměnných X a Y a je, podobně jako aritmetický průměr a směrodatná odchylka, velmi<br />
ovlivněn odlehlými hodnotami. Používá se u metrických dat (např. tělesná hmotnost v [kg];<br />
čas v [s]; síla v [N]... tyto veličiny mají pevně stanovenou nulovou hodnotu, po celé měřitelné<br />
stupnici je stejný dílek měření (rozdíl 10-9 kg je stejný jako 199-198 kg) a lze dělit (lze např.<br />
vypočítat procentuální snížení tělesné hmotnosti, zlepšení času při běhu na 100 metrů či<br />
zvýšení síly o 10 %), které mají normální rozdělení a očekáváme lineární vztah.<br />
r<br />
P<br />
<br />
<br />
n<br />
<br />
<br />
n<br />
<br />
i1<br />
X<br />
n <br />
2<br />
i<br />
n<br />
<br />
i1<br />
<br />
<br />
<br />
n<br />
X<br />
<br />
i1<br />
i<br />
X<br />
Y<br />
<br />
<br />
<br />
i<br />
i<br />
<br />
2<br />
n<br />
<br />
i1<br />
X<br />
i<br />
<br />
n<br />
<br />
<br />
<br />
<br />
n<br />
<br />
i1<br />
n<br />
<br />
i1<br />
Y<br />
Y<br />
2<br />
i<br />
i<br />
<br />
<br />
<br />
Pearsonův korelační koeficient není vhodné použít, pokud:<br />
jedna z proměnných X, Y nemá náhodný charakter (její hodnoty jsou pevně dány).<br />
nelze předpokládat linearitu očekávaného vztahu.<br />
nelze předpokládat normální rozdělení proměnných X a Y.<br />
n<br />
<br />
i1<br />
Y<br />
2<br />
<br />
<br />
<br />
i<br />
<br />
<br />
<br />
rP - Pearsonův korelační koeficient<br />
n - počet srovnávaných dvojic hodnot<br />
X - závisle proměnná<br />
Y - nezávisle proměnná<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 15<br />
Spearmanův korelační koeficient rS se nevypočítává přímo z naměřených párových hodnot<br />
proměnných X a Y, ale z jejich pořadí (skutečné naměřené hodnoty proměnných X a Y se<br />
převedou na pořadí např. výsledky atletického desetiboje (proměnná X) 5235 bodů = 1; 5200<br />
bodů = 2; 4876 bodů = 3; 4446 bodů = 4 apod., a např. tělesná výška desetibojaře (proměnná<br />
Y) 188 cm = 1; 182 cm = 2; 179 cm = 3; 173 cm = 4 apod. a teprve pak se vypočítá korelační<br />
koeficient rS z pořadí (1, 2, 3, 4) jednotlivých proměnných X a Y).<br />
r<br />
S<br />
<br />
n<br />
6<br />
1 2<br />
n <br />
D<br />
i<br />
i 1<br />
n 1<br />
rS - Spearmanův korelační koeficient<br />
Di - rozdíly z pořadí hodnot proměnných X a Y<br />
vzhledem k ostaním hodnotám seřazeného výběru<br />
podle velikosti<br />
n - počet srovnávaných dvojic hodnot<br />
Spearmanův korelační koeficient je, na rozdíl od Pearsonova korelačního koeficientu, odolný<br />
vůči odlehlým hodnotám. Lze jej použít ve všech případech, kdy již nelze použít Pearsonův<br />
korelační koeficient. Používá se u všech ordinálních dat a dat metrických, které nesplňují<br />
podmínky normálního rozdělení a očekávání lineárního vztahu.<br />
Interpretace konkrétní hodnoty korelačního koeficientu se v různých situacích posuzuje<br />
různě (v závislosti na prostředí výzkumu: laboratorní terénní, počtu sledovaných osob,<br />
přesnosti použitých meřících technik, apod.). Hendl (2004) udává sílu asociace, vztahu jako:<br />
malou při |rp|=0,1-0,3.<br />
střední při |rp|=0,3-0,7.<br />
velkou při |rp|=0,7-1.<br />
Podle Chrásky (2000, 201) „..prakticky použitelná závislost je minimálně r = 0,40. Uvedená<br />
tabulka 1 slouží jen k orientačnímu posouzení vypočítaného koeficientu korelace. Určitá<br />
hodnota korelačního koeficientu může být hodnocena v různých výzkumných situacích<br />
různě“.<br />
Tabulka 1. Přibližná interpretace hodnot korelačního koeficientu. (převzato z Chráska, M.<br />
(2000). Základy výzkumu v pedagogice. Olomouc: Univerzita Palackého, str. 201)<br />
Koeficient korelace Interpretace<br />
|r| = 1 naprostá závislost (funkční závislost)<br />
1,00 |r| 0,90 velmi vysoká závislost<br />
0,90 |r| 0,70 vysoká závislost<br />
0,70 |r| 0,40 střední závislost<br />
0,40 |r| 0,20 nízká závislost<br />
0,20 |r| 0,00 slabá (nepoužitelná) závislost<br />
|r| = 0 naprostá nezávislost<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 16<br />
Podobnou interpretaci korelačního koeficientu udává Pett (1997): r 0,90 extrémně silná<br />
závislost (souvislost, vztah); 0,70 – 0,89 silná závislost; 0,50 – 0,69 střední závislost;<br />
0,30 – 0,49 nízká závislost a r 0,30 slabá závislost mezi sledovanými proměnnými.<br />
Při zjišťování statistické významnosti velikosti korelačního koeficientu (program Statistika<br />
ji zobrazuje současně s hodnotou koeficientu, program Excel ji nevypočítává) musíme mít na<br />
paměti, že každý „statistický“ výpočet je ovlivněn počtem analyzovaných dat (resp. počtem<br />
sledovaných osob). Tabulka 2 nám znázorňuje vliv počtu korelovaných hodnot na velikost<br />
korelačního koeficientu statisticky významného na hladině p=0,05). Zatímco při srovnávání<br />
dat u 30 osob může být střední závislost statisticky nevýznamná, tak při korelování dat 300<br />
osob může být prakticky nevýznamný, nepoužitelný vztah vysoce statisticky významný.<br />
Tabulka 2. Velikosti Pearsonova a Spearmanova korelačního koeficientu statisticky<br />
významné na hladině p=0,05 v závislosti na počtu srovnávaných dat (upraveno podle Chrásky<br />
(2000, 2003) a Hendla (2004))<br />
Počet<br />
korelovaných<br />
hodnot<br />
Z tabulky 2 je zřejmé, že hladina statistické významnosti korelačního koeficientu je výrazně<br />
ovlivněna rozsahem souboru, navíc intervaly pro „přibližnou“ interpretaci jeho hodnot jsou<br />
dosti široké (tabulka 1). Proto se nabízí otázka, zda lze vyjádřit vztah mezi proměnnými<br />
přesněji, přitom co možná nejjednoduššeji? Odpovědí může být koeficient determinace, který<br />
se vypočíává z korelačního koeficientu.<br />
EXCEL: Vložit funkci Statistické CORREL/PEARSON<br />
STATISTICA: Statistika Základní statistiky/tabulky Korelační matice<br />
2.2 Koeficient determinace d<br />
r0,05…minimální hodnota korelačního koeficientu významná na hladině<br />
p=0,05<br />
rP - Pearsonův korelační koeficient rS - Spearmanův korelační koeficient<br />
5 0,805 0,900<br />
20 0,378 0,564<br />
30 0,306 0,377<br />
50 0,235 0,305<br />
100 0,165<br />
200 0,117<br />
300 0,095<br />
400 0,082<br />
500 0,074<br />
Umožňuje velice srozumitelně vysvětlit souvislost (závislost) mezi dvěma proměnnými,<br />
neboť jeho hodnotu lze převézt na procenta. Vypočítá se jako druhá mocnina korelačního<br />
koeficientu a jeho hodnota vynásobená 100 nám říká kolika procenty se podílí sledovaný<br />
faktor na výsledném efektu (Kerlinger, 1972).<br />
d r<br />
2 <br />
variabilita vysvětlená nezávislou proměnnou<br />
celková variabilita<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 17<br />
Neboť dělíme variabilitu variabilitou je koeficient determinace bezrozměrný (nemá jednotku),<br />
je poměrem. Vynásobíme-li jej 100 převedeme jeho hodnotu na procenta %. Podle Hendla<br />
(2004, 270) „...číslo 100r 2 udává v procentech tu část celkové variability proměnné Y, resp.<br />
X, která je vysvětlena znalostí hodnoty X, resp. Y. Tuto hodnotu nazýváme koeficient<br />
determinace. Koeficient determinace je poměr vysvětlené variability k celkové variabilitě<br />
proměnné Y“.<br />
2.3 Další koeficienty efekt size - kritéria pro jejich výběr a hodnocení efektu<br />
Pro posouzení významnosti rozdílů máme k dispozici minimálně tři dostupné nástroje:<br />
Prvním je klasická statistická významnost na zvolené hladině významnosti, nejčastěji<br />
p=0,05 nebo p=0,01. Testy statistické významnosti umožňují rozhodnout však pouze o tom<br />
zda sledovaný (měřený) efekt je či není nulový. Bližší informace o velikosti a významnosti<br />
efektu schází (Borenstein, 1997). Testy statistické významnosti jsou navíc značně závislé<br />
na rozsahu souboru n (Levine & Hullett, 2002; Tolson, 1980).<br />
Druhým je logický úsudek (věcná – logická významnost), kdy předem stanovíme rozdíly,<br />
které považujeme za významné na základě zkušenosti z předchozích výzkumů nebo rešerše<br />
z literatury. Při volbě věcně významnosti výcházejte také z chyby měření. Předem<br />
stanovený věčně významný rozdíl nemůže samozřejmě být menší než chyba měření.<br />
Třetím nástrojem pro posouzení věcné významnosti rozdílů jsou koeficienty efekt size<br />
(např. d, r 2 , 2 , 2 , ...), jejichž popis a použití bude objasněno v následujícím textu.<br />
Pro úplnější porozumění zjištěným výsledkům doporučuje řada zahraničních časopisů<br />
uvádět mimo statistické výzmanosti také některý z koeficientů efekt size (American<br />
Psychological Association, 2002; McCartney & Rosenthal, 2000). Koeficienty efekt size<br />
„eliminují“ statistickou závislost na rozsahu souboru n. Často se při statistickém testování<br />
výsledků stává, že věcně významný rozdíl mezi dvěma (nebo více) proměnnými je vlivem<br />
nízkého rozsahu souboru statisticky nevýznamný, a obráceně při testování rozdílů proměných<br />
u souboru s n≥1000 jsou i zjevně věcně nevýznamné rozdíly statisticky velmi významné.<br />
Tabulka 3. Kritéria výběru koeficientů efekt size a hodnocení jejich efektu<br />
DATA/ POUŽITÁ STATISTIKA KOEFICIENT HODNOCENÍ<br />
PROMĚNNÉ<br />
efekt size<br />
efektu<br />
r=0,10 malý efekt<br />
Nominální Chí kvadrát 2x2 r r=0,30 střední efekt<br />
r=0,50 velký efekt<br />
Ordinální,<br />
intervalová,<br />
poměrová<br />
Korelační koeficient<br />
Koeficient<br />
determinace r 2<br />
% vyjádření podílu<br />
faktoru na výsledném<br />
efektu<br />
Nezávislé proměnné/<br />
metrická data<br />
Neparametrická data,<br />
M + SD, t-test, ANOVA,<br />
Z-test, Opakovaná měření<br />
(pouze pro 2 opakování)<br />
Cohenovo d<br />
d=0,2 malý efekt<br />
d=0,5 střední efekt<br />
d=0,8 velký efekt<br />
více než dva<br />
nezávislé vzorky<br />
Kruskal-Wallisův test 2<br />
2 = malý efekt<br />
2 = 0,06 střední efekt<br />
2 Neparametrická data,<br />
více než dva závislé<br />
vzorky<br />
Friedmanova Two-way<br />
ANOVA<br />
<br />
= 0,14 velký efekt<br />
2<br />
Nezávislé proměnné/<br />
metrická data<br />
F-test, t-test 2 2 ≥0,1 vypovídá o<br />
významnosti vztahu<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 18<br />
Pokud to charakter dat dovoluje (ordinální a metrická data) můžeme jako koeficienty efekt<br />
size vždy použít korelační koeficienty rP, rS a koeficient determinace d (=r 2 ) (Tabulka 3).<br />
Přičemž hodnoty rP=0,10 (resp. rP=0,30 a rP=0,50) jsou běžně interpretovány jako nízký (resp.<br />
střední a výrazný) efekt (Cohen, 1988; Dishman & Buckworth, 1996). Tabulka 3 podává<br />
přehled podmínek použití a hodnocení základních koeficientů efekt size.<br />
Bližší vysvětlení výpočtu a hodnocení základních koeficientů efekt size následuje níže:<br />
r - lze jednoduše vypočítat z t, F nebo 2 statistiky podle rovnic 1-3 (McCartney &<br />
Rosenthal, 2000) a jejich nejčastější způsob hodnocení je r = 0,10 malý efekt, r = 0,30<br />
střední efekt, r = 0,50 velký efekt.<br />
r<br />
2<br />
t<br />
2<br />
<br />
2<br />
t<br />
df<br />
(1)<br />
r (2)<br />
n<br />
F<br />
r (3)<br />
F df<br />
error<br />
Koeficient r lze použít při testování míry závislosti mezi dvěma dichotomickými<br />
proměnnými, např. pohlaví (muž, žena), nebo úkol (splnil, nesplnil) pro kontingenční<br />
tabulku 2 x 2. Měří důležitost vztahu mezi dvěma skupinami znaků nominálních dat, kde<br />
každý z nich může nabývat pouze dvou hodnot (Pett, 1997; Siegel & Castellan, 1988). Je<br />
obvykle používán po signifikantním výsledku 2 testu pro dva nezávislé soubory či pro<br />
měření reliability na nominálních datech. Podmínky pro použití jsou dichotomické<br />
proměnné, nezávislá pozorování a jejich hodnocení se skládají z četností, ne ze skóre.<br />
Jedno z možných hodnocení koeficientu r > 0,90 extrémně silná závislost (souvislost,<br />
vztah); 0,70 - 0,89 silná závislost; 0,50 - 0,69 střední závislost; 0,30 - 0,49 nízká<br />
závislost a < 0,30 slabá závislost mezi sledovanými proměnnými (Pett, 1997).<br />
Koeficient determinace r 2 - vyjadřuje procentuální podíl z celkové variance, který<br />
vysvětluje vliv faktoru na sledovaný efekt, doplněk do 100 % vysvětlují ostatní faktory<br />
(Blahuš, 2000; Thomas & Nelson, 2001). Tolson (1980) považuje sledovaný vztah za<br />
významný při r 2 0,1.<br />
Cohenovo d - lze použít pro hodnocení efektu mezi dvěma nezávislými skupinami<br />
(proměnnými). Nejjednodušší vyjádření je dáno rovnicí 4, kde rozdíl aritmetických<br />
průměrů mezi skupinami, M1 a M2 nebo Me, resp. Mcontrol (aritmetický průměr<br />
experimentální, resp. kontrolní skupiny) vydělíme směrodatnou odchylkou kontrolní<br />
skupiny – pokud existuje. V případě, že žádná ze skupin není kontrolní, ve jmenovateli je<br />
SDpooled (rovnice 5) (Cortina & Nouri, 2000; Thomas, Lochbaum, Landers, & He, 1997;<br />
Thomas & Nelson, 2001). Čitatel M1-M2 je číslo nezáporné, v případě, že M1-M2
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 19<br />
Nejčastější hodnocení efekt size d je 0,2 - malý efekt; 0,5 - střední a 0,8 - velký efekt<br />
(McCartney & Rosenthal, 2000; Thomas, Lochbaum, Landers, & He, 1997; Thomas<br />
& Nelson, 2001; Thomas, Salazar, & Landers, 1991).<br />
Koeficient 2 - k některým typům statistických testů existují konkrétní koeficienty efekt<br />
size a vzorce pro hodnocení velikosti jejich účinku. Koeficient 2 lze použít u testu<br />
Kruskal - Wallis ANOVA by Ranks (rovnice 6) a Friedman’s Two - Way ANOVA<br />
(rovnice 7) s hodnocením 2 = 0,01 malý efekt, 2 = 0,06 střední efekt a 2 = 0,14 velký<br />
efekt (Morse, 1999). Efekt size pro nezávislé soubory je určen rovnicí 8 (Cortina & Nouri,<br />
2000).<br />
2 H<br />
(6)<br />
n 1<br />
2<br />
2 krit<br />
(7)<br />
n df<br />
SS SS<br />
2 total error<br />
<br />
(8)<br />
SS<br />
total<br />
Koeficient 2 - je jedním z prvních koeficientů efekt size (rovnice 9), který umožňuje<br />
kvantifikaci síly statistické asociace u sledovaných zdrojů odchylek (Tolson, 1980). Pro<br />
jeho výpočet lze použít také F a t statistiky (rovnice 10 a 11) (Tolson, 1980). 2 vyjadřuje<br />
procentuální podíl z celkové variance, který vysvětluje vliv faktoru na sledovaný efekt,<br />
doplněk do 100 % vysvětlují ostatní faktory (Blahuš, 2000; Thomas & Nelson, 2001).<br />
Tolson (1980) považuje sledovaný vztah za významný při 2 0,1. Pro vícefaktorovou<br />
ANOVU je výpočet 2 dán rovnicemi 12-14. Kde p je počet úrovní faktoru A a q je počet<br />
úrovní faktoru B a n je celkový rozsah souboru. Při ANOVĚ 3x2 je p=3 a q=2.<br />
SS<br />
total<br />
k 1<br />
2 between<br />
within<br />
<br />
(9)<br />
SS<br />
<br />
MS<br />
MS<br />
within<br />
F k 1<br />
k 1<br />
F k 1<br />
n k 1<br />
2<br />
<br />
(10)<br />
2<br />
2 t 1<br />
<br />
(11)<br />
2<br />
t n n 1<br />
1<br />
2<br />
A<br />
2<br />
p 1<br />
FA<br />
p 1<br />
p 1<br />
F q 1<br />
F p 1<br />
q 1<br />
F n p q<br />
1<br />
<br />
(12)<br />
2<br />
B<br />
A<br />
B<br />
q 1<br />
FB<br />
p 1<br />
p 1<br />
F q 1<br />
F p 1<br />
q 1<br />
F n p q<br />
1<br />
<br />
(13)<br />
2<br />
AB<br />
A<br />
B<br />
p 1<br />
q 1<br />
FAB<br />
p 1<br />
q 1<br />
p 1<br />
F q 1<br />
F p 1<br />
q 1<br />
F n p q<br />
1<br />
<br />
(14)<br />
A<br />
H - vypočítaná hodnota Kruskal-Wallisova testu<br />
2 - vypočítaná hodnota chí-kvadrát testu<br />
n - celkový rozsah souboru<br />
SStotal - celkový součet čtverců celkový rozptyl<br />
SSerror - součet čtverců uvnitř skupiny „within group<br />
(error term)“ „chybový“ rozptyl<br />
F - vypočítaná hodnota analýzy variance<br />
ANOVA<br />
t - vypočítaná hodnota t-testu<br />
k - počet sledovaných skupin<br />
n - celkový rozsah souboru<br />
SStotal - celkový součet čtverců (celkový rozptyl)<br />
SSbetween - součet čtverců mezi skupinami<br />
(„mezi-skupinový“ rozptyl)<br />
MSwithin - průměr čtverců uvnitř skupiny<br />
(„vnitřně-skupinový“ rozptyl)<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)<br />
B<br />
AB<br />
AB<br />
AB
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 20<br />
Při znalosti statistické významnosti a koeficientu efekt size, lze pro celkové posouzení<br />
výsledků využít praktického návodu z tabulky 4 (Fan, 2001).<br />
Tabulka 4. Interpretace výsledků při znalosti statistické významnosti a koeficientu efekt size<br />
S<br />
i<br />
g<br />
n<br />
i<br />
f<br />
i<br />
k<br />
a<br />
n<br />
c<br />
e<br />
N<br />
E<br />
A<br />
N<br />
O<br />
EFFEKT SIZE<br />
Malý efekt „small“ Střední efekt „moderate“ Velký efekt „large“<br />
Není statistický ani praktický<br />
efekt, ledaže by budoucí<br />
výzkum ukázal něco jiného.<br />
H0 přijímáme jak statisticky tak<br />
věcně<br />
Statistická významnost není<br />
doprovázena věcnou<br />
významností. Mělo by se<br />
přihlédnout k síle testu a<br />
rozsahu souboru.<br />
Při interpretaci statistické<br />
významnosti bychom měli být<br />
obezřetní, nelze z toho vyvodit<br />
přímý praktický význam.<br />
Efekt je střední, ale jistá<br />
obezřetnost v interpretaci<br />
výsledků je na místě. Zdá se že<br />
efekt má jistý praktický<br />
význam, pozor- interpretace<br />
má mnoho možností.<br />
Znepokojivá je chyba II.<br />
druhu. Sledujte sílu testu při<br />
malém rozsahu souboru<br />
nemusí být odhalen významný<br />
efekt.<br />
Je nepravděpodobné že<br />
sledovaný efekt je významný<br />
jen díky možnostem statistiky.<br />
Velikost efektu má praktický<br />
význam v mnoha oblastech<br />
sociálních a behaviorálních<br />
věd. Usuzujeme že výsledek je<br />
významný jak statisticky tak<br />
věcně.<br />
Smysluplný efekt existuje, ale<br />
zůstaňme rozvážní. Velká<br />
hodnota effect size se může<br />
vyskytovat u malých souborů.<br />
Pokud jsme znepokojeni<br />
chybou II. druhu, podívejme se<br />
kriticky na sílu testu.<br />
Předběžně můžeme podpořit<br />
signifikanci efektu-zůstaneme<br />
otevření budoucím výsledkům.<br />
Téměř s jistotou není výsledek<br />
ovlivněn možnostmi statistiky.<br />
Efekt hodnotíme významný jak<br />
statisticky tak i věcně.<br />
Pro přesné zjištění efektu testovaného faktoru je důležitý výběr správných koeficientů.<br />
Použití klasických vzorců na neparametrické modely není vhodné, protože již při malých<br />
odchylkách v rozdělení dat dochází k velkým rozdílům při výpočtu efekt size. Koeficienty<br />
efekt size jsou velmi citlivé na změny v distribuční funkci hlavně při malé varianci - pak při<br />
nesprávné volbě koeficientu vychází efekt size téměř vždy vysoké (Wilcox & Muska, 1999).<br />
Pro hodnocení významnosti u neparametrických testů existují koeficienty jako jsou:<br />
Cramerův koeficient C, r, , Kendalovo , Kendalův koeficient concordance W, Goodman -<br />
Kruskalův koeficient a a další (American Psychological Association, 2002).<br />
Neexituje přesný návod jak nejlépe vyhodnotit výsledky po stránce statistické, logického<br />
úsudku a pomocí koeficientů efekt size. Celkové posouzení výsledků by mělo být založeno na<br />
logicky správné dedukci všech oblastí hodnocení.<br />
American Psychological Association. (2002). Publication Manual of the American<br />
Psychological Association (5 th ed.). Washington, DC: Author.<br />
Blahuš, P. (2000). Statistická významnost proti vědecké průkaznosti výsledků výzkumu.<br />
Česká kinantropologie, 4(2), 53-71.<br />
Borenstein, M. (1997). Hypothesis testing and effect size estimation in clinical trials. Annals<br />
of Allergy, Asthma, and Immunology, 78(1), 5-11.<br />
Cohen, J. (1988). Statistical power analysis for the behavioral sciences. (4 th ed.). New York:<br />
Academic Press.<br />
Cortina, J. M., & Nouri, H. (2000). Effect size for ANOVA design. Thousand Oaks, CA: Sage.<br />
Dishman, R. K., & Buckworth, J. (1996). Increasing physical activity: A quantitative<br />
synthesis. Medicine and Science in Sports and Exercise, 28, 706-719.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 21<br />
Fan, X. (2001). Statistical significance and effect size in education research: Two sides of a<br />
coin. The Journal of Educational Research, 94(5), 275-282.<br />
Hendl, J. (2004). Přehled statistických metod zpracování dat. Praha: Portál.<br />
Chráska, M. (2000). Základy výzkumu v pedagogice. Olomouc: Univerzita Palackého.<br />
Chráska, M. (2003). Úvod do výzkumu v pedagogice (základy kvantitativně orientovaného<br />
výzkumu. Olomouc: Univerzita Palackého.<br />
Levine, T. R., & Hullett, C. R. (2002). Eta squared, partial eta squared, and misreporting of<br />
effect size in communication research. Human Communication Research, 28(4), 612-625.<br />
Kerlinger, F. N. (1972). Základy výzkumu chování. Praha: Academia.<br />
McCartney, K., & Rosenthal, R. (2000). Effect size, practical importance, and social policy<br />
for children. Child Development, 71(1), 173-180.<br />
Morse, D. T. (1999). Minisize2: A computer program for determining effect size and<br />
minimum sample for statistical significance for univariate, multivariate, and nonparametric<br />
tests. Educational and Psychological Measurement, 59(3), 518-531.<br />
Pett, M. A. (1997). Nonparametric statistics for health care research: Statistics for small<br />
samples and unusual distributions. Thousand Oaks, CA: Sage.<br />
Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2 nd<br />
ed.). Boston, MA: McGraw-Hill.<br />
Thomas, J. R., Lochbaum, M. R., Landers, D. M., & He, C. (1997). Planning significant and<br />
meaningful research in exercise science: Estimating sample size. Research Quarterly for<br />
Exercise and Sport, 68(1), 33-43.<br />
Thomas, J. R., & Nelson, J. K. (2001). Research methods in physical activity (4 th ed.).<br />
Champaign, IL: Human Kinetics.<br />
Thomas, J. R., Salazar, W., & Landers, D. M. (1991). What is missing in p< .05? Effect size.<br />
Research Quarterly for Exercise and Sport, 62(3), 344-348.<br />
Tolson, H. (1980). An adjunct to statistical significance: ω 2 . Research Quarterly for Exercise<br />
and Sport, 51(3), 580-584.<br />
Wilcox, R. R., & Muska. J. (1999). Measuring effect size: A non-parametric analogue of 2 .<br />
British Journal of Mathematical and Statistical Psychology, 52, 93-110.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 22<br />
3 Microsoft Office Excel<br />
3.1 Představení<br />
Program určený k zadávání a statistické analýze dat a jejich grafickému zpracování je<br />
součástí softwarového balíčku firmy Microsoft a je nainstalován téměř v každém počítači.<br />
V počítači jej najdeme následovně (Obrázek 3):<br />
START (dolní lišta vlevo) Programy (uprostřed v rolující nabídce) Microsoft Office<br />
Microsoft Office Excel<br />
Obrázek 3. Cesta spuštění progamu Microsoft Office Excel<br />
Excelový list je v podstatě „čtverečkovaným sešitem“ z jednotlivých buněk tvořící „síť“<br />
řádků a sloupců, který nám v první řadě umožní přepis naměřených dat z papíru do počítače.<br />
Abychom si nekomplikovali následné zpracování dat (i v software Statistika), je výhodné při<br />
jejich přepisu do tabulky v Excelu dodržet následující pravidla:<br />
o Jediný list – než vytvářet několik tabulek na několika excelovských listech je<br />
výhodnější sestavit jedinou tabulku se společným označením všech proměnných pro<br />
všechny analyzované skupiny jedinců. V případě, že některá ze sledovaných skupin<br />
neobsahuje některé proměnné, ponecháme tyto buňky prázdné. Při výpočtech, převodu<br />
do Statistiky ušetříme čas a máme zaručenou jednotnost ve zkratkách proměnných a<br />
dostatečnou variabilitu všech dat pro následné složitější statistické postupy (ANOVA,<br />
post-hoc testy, apod).<br />
o První řádek – vymezit na zkratkovitý popis proměnných. Nejlépe využívat velkých a<br />
malých písmen a číslic. Ve zkratkách nepoužívejte diakritiku a mezery. Dbejte na<br />
logické a smysluplné sestavení zkratek proměnných tak, aby jste se vnich vyznali i po<br />
delším časovém odstupu (mezi naměřením dat a jejich statistickém zpracovávání do<br />
diplomové práce). Jako první proměnnou je vhodné uvést kód účastníka (pokud máte<br />
souhlas tak jméno a příjmení), pokračovat základními skupinovými (např. školní třída,<br />
tělesná zdatnost, typ onemocnění, apod.) a somatickými proměnnými (pohlaví, tělesná<br />
hmotnost a výška, věk, apod.) a pak konkrétními proměnnými podle projektu práce<br />
(Obrázek 4). Při opakovaném zjišťování téže proměnné ji uvádějte do dalšího sloupce<br />
s odlišením např. v posledním znaku zkratky číslicí 1, 2 atd.<br />
o První sloupec – je nejlépe vyhradit na kód (v případě souhlasu na jméno a příjmení)<br />
účastníka (Obrázek 4).<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 23<br />
o Formát buněk – u každého sloupce vyberte (kliknutí na sloupec kliknutí na pravé<br />
tlačítko na myši Formát buněk Číslo/Obecný – Obrázek 4) jaký typ (zpravidla<br />
číselné nebo textové) proměnné v něm budete zadávat.<br />
Obrázek 4. Specifikace formátu buněk v Excelu<br />
Vytváření jediné tabulky pro všechny sledované skupiny (např. pacienti zdraví; kontrolní<br />
experimentální; děvčata chlapci) je vhodné z důvodu zjednodušení výpočtů a úspory času.<br />
Ve Statistice pak lze z jediné tabulky testované faktory (např. pacienti zdraví; kontrolní <br />
experimentální; děvčata chlapci) opět jednoduše vybrat.<br />
Detailně rozmyšlený projekt (jasně formulovaný hlavní cíl a cíle dílčí; přesně formulované<br />
výzkumné otázky a hypotézy spolu s rozdělením operacionalizovaných proměnných na<br />
závislé a nezávislé, atd.) vybízí k logicky správnému a přehlednému sestavení tabulky tak,<br />
aby bylo možno jednotlivé proměnné testovat. Operacionalizovatelnost proměnných<br />
znamená, že lze dané proměnné přiřadit číslo (nebo kategorii) vyjadřující její hodnotu.<br />
Podmínka operacionalizovatelnosti proměnných je obsažena v Gavorově (2000) třetím<br />
„zlatém pravidle hypotézy“ (viz termín hypotéza v kapitole 1 Abecední slovníček termínů<br />
používaných ve statistice).<br />
Jednou z nesporných výhod Excelu je skutečnost, že vybranou popisnou funci (např.<br />
aritmetický průměr nebo směrodatnou odchylku) pro jednu proměnnou (jeden sloupec) lze<br />
jednoduše pomocí funkce kopírovat (Ctrl C ) vložit (Ctrl V) použít i pro další proměnné<br />
(sloupce) (viz Obrázek 16 v kapitole 3.3.2 Výpočet základních charakteristik (aritmetický<br />
průměr, směrodatná odchylka a korelační koeficient).<br />
Naopak jednou z nevýhod Excelu je nezobrazování hladin statistické významnosti u<br />
statistických testů významnosti (ty je pak nutno dohledávat v tabulkách) a nemožnost<br />
najednou vypočítávat a přehledně zobrazovat více korelačních vztahů mezi více proměnnými<br />
(matici korelačních vztahů).<br />
Konkrétní postup vytvoření datové tabulky v Excelu spolu se základními statistickými<br />
výpočty budu pro ještě větší názornost ilustrovat na třech příkladech.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 24<br />
3.2 Příklad – Efekt dvouměsíčního intervenčního programu aerobiku na habituální<br />
pohybovou aktivitu děvčat ve věku 15-19 let<br />
Hlavním cílem této studie je zjistit vliv intervenčního pohybového programu aerobiku na<br />
na habituální pohybovou aktivitu (dále PA) a pohybovou inaktivitu (dále PI) děvčat<br />
v pracovních a víkendových dnech. Dalším cílem je podle počtů kroků z pedometru Omron<br />
HJ–102, aktivního energetického výdeje z akcelerometru Caltrac, a doby trvání PA<br />
z individuálního záznamu posoudit efekt realizované PA ve vztahu ke zdravotním<br />
doporučením.<br />
Ke hlavnímu a dalšímu cíli této studie je nutné objasnit operacionalizaci (tzn. vyjádření<br />
pomocí čísel) kvantitativních proměnných: počet kroků, aktivní energetický výdej, doba trvání<br />
PA a jejich přípravu do tabulky (Obrázek 6). Pojmem efekt je myšlen vliv, dopad, působení<br />
intervenčního pohybového programu na běžnou, každodenní pohybovou aktivitu a je<br />
posuzován pomocí rP – Pearsonova korelačního koeficientu.<br />
3.2.1 Příprava dat do tabulky<br />
Tabulka (Obrázek 6) pro další statistické zpracování dat ctí pravidla pro vytváření tabulek<br />
v Excelu. Je vytvořena na jediném listě, první řádek zkratkovitý popis proměnných bez<br />
mezer a bez použití diakritiky, první sloupec příjmení a jméno.<br />
Obrázek 6. Tabulka se základními proměnnými<br />
Intervenční program aerobiku byl realizován ve čtyřech městech (proměnná MESTO) u<br />
gymnaziálních studentek prvního a třetího ročníku (proměnná ROCNIK). Následují základní<br />
somatické charakteristiky (proměnné – tělesná hmotnost HM, tělesná výška VYSKA,<br />
kalendářní věk VEK a body mass index BMI). Výpočet aritmetického průměru, směrodatné<br />
odchylky a Pearsonova korelačního koeficientu rP budu demonstrovat na těchto proměnných:<br />
INTsteps5 – denní počet kroků v pracovních dnech prvního intervenčního týdne,<br />
INTsteps2 – denní počet kroků v pracovních dnech druhého habitálního týdne,<br />
HABsteps5 – denní počet kroků ve víkendových dnech prvního intervenčního týdne,<br />
HABsteps2 – denní počet kroků ve víkendových dnech druhého habitálního týdne.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 25<br />
3.2.2 Výpočet základních charakteristik (aritmetický průměr, směrodatná odchylka a<br />
korelační koeficient)<br />
a) aritmetický průměr<br />
Funkci výpočtu aritmetického průměru najdeme v Excelu následovně: Vložit funkci <br />
Vybrat kategorii Statistické na svislém posouvátku nalistovat PRŮMĚR (Obrázek 7).<br />
Obrázek 7. Cesta funkce výpočtu aritmetického průměru v Excelu<br />
Obrázek 8. Výpočet aritmetického průměru konkrétní proměnné INTsteps5 v Excelu<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 26<br />
Konkrétní hodnotu aritmetického průměru proměnné INTsteps5 (denního počtu kroků<br />
v pracovních dnech intervenčního týdne) v Excelu vypočteme takto: Vložit funkci Vybrat<br />
kategorii Statistické nalistovat PRŮMĚR OK zobrazí se okno s názvem<br />
Argumenty funkce Číslo 1, do kterého napíšu počáteční a koncovou pozici vektoru čísel,<br />
z nichž požaduji aritmetický průměr vypočítat. V našem případě chci vypočítat aritmetický<br />
průměr proměnné INTsteps5, která v excelovské tabulce začíná na pozici I2 a končí na pozici<br />
I91 (Obrázek 8). Výsledek se zobrazí bezprostředně po zapsání pozice koncového čísla. Před<br />
samotným výpočtem aritmetického průměru je vhodné v datové tabulce kurzorem vybrat<br />
první prázdnou buňku pod koncovou pozicí proměnné; do této buňky se pak zapíše výsledná<br />
hodnota aritmetického průměru (Obrázek 9).<br />
Pokud je tabulka dat v Excelu připravená tak, že v každém sloupci je jediná proměnná<br />
(jako v našem příkladě) a u některé z nich je již aritmetický průměr vypočítán, lze jednoduše<br />
pomocí funkce kopírovat (Ctrl C) vložit (Ctrl V) vypočítat aritmetické průměry i pro další<br />
proměnné (Obrázek 9). Buňku s vypočtenou hodnotou konkrétního aritmetického průměru<br />
vyberu a pomocí funkce kopírovat (Ctrl C) vložit (Ctrl V) ji „překopíruji“ do prázdné<br />
buňky pod další proměnnou. Nepřekopíruji totožný obsah buňky, nýbrž funkci aritmetického<br />
průměru, která automaticky vypočte aritmetický průměr další proměnné (Obrázek 9).<br />
Obrázek 9. Výpočet aritmetického průměru další proměnné pomocí funkce kopírovat (Ctrl C)<br />
vložit (Ctrl V)<br />
b) směrodatná odchylka<br />
Funkci výpočtu směrodatné odchylky v Excelu najdeme následovně: Vložit funkci <br />
Vybrat kategorii Statistické na svislém abecedně seřazeném posouvátku nalistovat<br />
SMODCH.VÝBĚR (Obrázek 10).<br />
Výpočet hodnoty směrodatné odchylky vybrané proměnné obvykle předchází výpočet<br />
aritmetického průměru této proměnné, jehož výsledek je v excelovské tabulce vhodné zapsat<br />
do prázdné buňky pod sloupec s vybranou proměnnou (Obrázky 9 a 10). Pro přehledné<br />
umístění hodnoty směrodatné odchylky v excelovské tabulce nastavím kurzor na další<br />
prázdnou buňku pod hodnotou aritmetického průměru (Obrázek 10). Výpočet hodnoty<br />
směrodatné odchylky konkrétní proměnné INTsteps5 pak provedu takto: Vložit funkci <br />
Vybrat kategorii Statistické na svislém abecedně seřazeném posouvátku nalistovat<br />
SMODCH.VÝBĚR OK Argumenty funkce, kde do obdélníku Číslo 1 vypíšu<br />
počáteční:koncovou (I2:I91) pozici vektoru proměnné INTsteps5 (Obrázek 11). Potvrzením<br />
tlačitkem OK zapíšu vypočtenou hodnotu na vybranou pozici (I93) v excelovské tabulce<br />
(Obrázek 12).<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 27<br />
Obrázek 10. Cesta funkce výpočtu směrodatné odchylky proměnné v Excelu<br />
Obrázek 11. Výpočet směrodatné odchylky konkrétní proměnné INTsteps5 v Excelu<br />
Máme-li datovou tabulku v Excelu sestavenou tak, že v každém sloupci je jediná proměnná<br />
(jako v našem příkladu) a u některé z nich je již směrodatná odchylka vypočítána, lze rychle<br />
pomocí funkce kopírovat (Ctrl C) vložit (Ctrl V) vypočítat směrodatné odchylky i u<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 28<br />
dalších proměnných (Obrázek 13). Buňku již s vypočtenou hodnotou konkrétní směrodatné<br />
odchylky kurzorem označím a pomocí funkce kopírovat (Ctrl C) vložit (Ctrl V) ji<br />
„překopíruji“ do prázdné buňky pod další proměnnou. Nepřekopíruji totožný obsah označené<br />
buňky, nýbrž funkci směrodatné odchylky, která automaticky vypočte hodnoty směrodatných<br />
odchylek dalších proměnných (Obrázek 13).<br />
Obrázek 12. Zobrazení výpočítané hodnoty směrodatné odchylky v excelovské tabulce<br />
Obrázek 13. Výpočet směrodatné odchylky dalších proměnných pomocí funkce kopírovat<br />
(Ctrl C) vložit (Ctrl V)<br />
c) korelační koeficient<br />
Již v názvu Příkladu (Efekt dvouměsíčního intervenčního programu aerobiku na habituální<br />
pohybovou aktivitu děvčat ve věku 15-19 let) se vyskytuje slovo efekt, kterým myslím vliv,<br />
dopad, působení intervenčního pohybového programu na běžnou, každodenní pohybovou<br />
aktivitu v pracovních a víkendových dnech a posuzuji jej pomocí rP – Pearsonova korelačního<br />
koeficientu. Cestu výpočtu korelačního koeficientu rP v Excelu zachycuje Obrázek 14 (Vložit<br />
funkci Vybrat kategorii Statistické na svislém abecedně řazeném posouvátku najít<br />
PEARSON).<br />
Konkrétní hodnotu korelačního koeficientu rP mezi počtem kroků v pracovních dnech<br />
intervenčního a habituálního týdne (proměnné INTsteps5 a HABsteps5) vypočteme<br />
následovně: Vložit funkci Vybrat kategorii Statistické na svislém abecedně řazeném<br />
posouvátku najít PEARSON (Obrázek 21) OK Argumenty funkce, kde do obdélníku<br />
Pole 1 vypíšu počáteční a koncovou (I2:I92) pozici proměnné INTsteps5 a do Pole 2<br />
počáteční a koncovou (K2:K92) pozici proměnné HABsteps5 (Obrázek 15). Výsledek rP=0,54<br />
je zobrazen ihned po zápisu koncové pozice proměnné HABsteps5 (Obrázek 16). Hladinu<br />
statistické významnosti p vypočteného korelačního koeficientu rP=0,54 Excel nezobrazuje.<br />
Mohu ji konfrontovat s tabulkou 2.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 29<br />
Obrázek 14. Cesta funkce výpočtu Pearsonova korelačního koeficientu v Excelu<br />
Obrázek 15. Výpočet Pearsonova korelačního koeficientu mezi proměnnými INTsteps5 a<br />
HABsteps5<br />
Hodnotu dalšího korelačního koeficientu rP mezi proměnnými INTsteps2 a HABsteps2 lze<br />
vypočítat odbobným způsobem jako hodnotu korelačního koeficientu mezi proměnnými<br />
INTsteps5 a HABsteps5 (Obrázky 14 a 15) s jediným rozdílem, že do Pole 1 vypíšu počáteční<br />
a koncovou pozici proměnné INTsteps2 (J2:J92) a do Pole 2 počáteční a koncovou pozici<br />
proměnné HABsteps2 (L2:L92). Anebo mohu využít funkce kopírovat (Ctrl C) vložit (Ctrl<br />
V) jako u předchozích výpočtů hodnot aritmetických průměrů (Obrázek 9) a směrodatných<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 30<br />
odchylek (Obrázek 13). Kurzor v excelovské tabulce nastavím na buňku s vypočtenou<br />
hodnotou korelačního koeficientu rP mezi proměnnými INTsteps5 a HABsteps5 pomocí<br />
funkce kopírovat (Ctrl C) vložit (Ctrl V) ji překopíruji do sousední prázdné buňky<br />
(Obrázek 16). Nepřekopíruji však obsah buňky, nýbrž její funci (výpočet Pearsonova<br />
korelačního koeficientu), která automaticky pozná, že chci vypočítat hodnotu Pearsonova<br />
korelačního koeficientu rP mezi INTsteps2 a HABsteps2 rP=0,48 (Obrázek 16).<br />
Obrázek 16. Výpočet korelačního koeficientu rP mezi proměnnými INTsteps2 a HABsteps2<br />
pomocí funkce kopírovat (Ctrl C) vložit (Ctrl V)<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 31<br />
4 Statistika 6.0<br />
4.1 Představení<br />
Jedná se o vyspělý statistický software umožňující zadávaní a statistické zpracování dat<br />
spolu s jejich a tabulkovým a grafickým výstupem (Obrázek 17). Univerzita Palackého má<br />
zakoupená licenční práva na jeho používání a v součásné době jsou studentům a<br />
zaměstnancům Fakulty tělesné kultury přístupné jeho plovoucí verze.<br />
Obrázek 17. Úvodní okno software Statistica 6.0<br />
Protože je software Statistika plovoucí verze (umístěná na společném síťovém serveru)<br />
s omezeným počtem současných uživatelů, DOPORUČUJI časté ukládání tabulek<br />
s mezivýpočty do vlastního adresáře. Nejvhodnější však je připravit si tabulku s daty<br />
v software Excel a tu pak importovat do software Statistika.<br />
4.2 Příprava dat do tabulky<br />
Základní formát listu je velice podobný formátu listu v Excelu – „čtverečkovaná síť“<br />
vytvořená z prázdných buněk v řádcích a sloupcích. Tato „podobnost“ zaručuje převeditelnost<br />
datové tabulky z Excelu do Statistiky. Pro přípravu tabulky dat ve Statistice doporučuji<br />
dodržovat stejná pravidla jako pro vytváření tabulky v Excelu:<br />
o Jediný list – vhodnější než vytvářet několik tabulek na několika excelovských listech je<br />
vytvořit jedinou tabulku se společným označením všech proměnných pro všechny<br />
analyzované skupiny jedinců. V případě, že některá ze sledovaných skupin neobsahuje<br />
některé proměnné, ponecháme tyto buňky prázdné. Při výpočtech, převodu do Statistiky<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 32<br />
ušetříme čas a máme zaručenou jednotnost ve zkratkách proměnných a dostatečnou<br />
variabilitu všech dat pro následné složitější statistické postupy (ANOVA, post-hoc<br />
testy, apod).<br />
o První řádek – vymezit na zkratkovitý popis proměnných. Ve statistice lze přímo<br />
pojmenovat proměnnou, blíže specifikovat formát zobrazení dat, typ písma apod.,<br />
kliknutím na záhlaví sloupce (Obrázek 18). Pro zkratky proměnných využívejte velkých<br />
a malých písmen a číslic; nepoužívejte diakritiku a mezery. Dbejte na logické a<br />
smysluplné sestavení zkratek proměnných tak, aby jste se vnich vyznali i po delším<br />
časovém odstupu (mezi naměřením dat a jejich statistickém zpracovávání do diplomové<br />
práce). Jako první proměnnou je vhodné uvést kód účastníka (pokud máte souhlas tak<br />
jméno a příjmení), pokračovat základními skupinovými (např. školní třída, tělesná<br />
zdatnost, typ onemocnění, apod.) a somatickými proměnnými (pohlaví, tělesná<br />
hmotnost a výška, věk, apod.) a pak konkrétními proměnnými podle projektu práce<br />
(Obrázek 19). Při opakovaném zjišťování téže proměnné ji uvádějte do dalšího sloupce<br />
s odlišením např. v posledním znaku zkratky číslicí 1, 2 atd.<br />
o První sloupec – je nejlépe vyhradit na kód (v případě souhlasu na jméno a příjmení)<br />
účastníka (Obrázek 19).<br />
o Formát buněk – Nabídku formátu buněk ve Statistice zobrazíte kliknutím na záhlaví<br />
konkrétního sloupce (Obrázek 18).<br />
Obrázek 18. Pojmenování a specifikace proměnné ve Statistice<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 33<br />
Obrázek 19. Příprava tabulky dat ve Statistice pro výpočet základních popisných statistických<br />
proměnných<br />
Obrázek 20. Příprava tabulky dat ve Statistice s identifikační proměnnou OPAK pro použití<br />
ANOVY<br />
Pro výpočet základních popisných statistických proměnných (aritmetický průměr, medián,<br />
modus, směrodatná odchylka, variační rozpětí apod.), matic korelačních závislostí a některých<br />
testů neparametrické statistiky (Znaménkový a Wilcoxonův test) je nejvhodnější připravit si<br />
tabulku dat podle výše uvedených pravidel (Obrázek 19). Pro použití ANOVY a MANOVY a<br />
dalších neparametrických testů (Mann–Whitneyova, Kruskal–Wallisova a Mediánového<br />
testu) je nutné tabulku dat z obrázku 19 upravit tak, že proměnné INTsteps5 a HABsteps5<br />
„sjednotíme“ do jediné proměnné steps5 a k ni vytvoříme novou „identifikační“ proměnnou<br />
OPAK (Obrázek 20). Pomocí hodnot 1 a 2 této nové „identifikační“ proměnné rozlišíme<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 34<br />
počet kroků v intervenčním (OPAK=1) a habituálním (OPAK=2) týdnu. Pak hodnoty<br />
proměnné steps5 s příslušnou hodnotou proměnné OPAK=1 odpovídají hodnotám proměnné<br />
INTsteps5 a hodnoty proměnné steps5 s příslušnou hodnotou proměnné OPAK=2 odpovídají<br />
hodnotám proměnné HABsteps5 (Obrázek 20).<br />
4.3 Uložení tabulky dat v Excelu a import do Statistiky<br />
Po dokončení datové tabulky v Excelu (bez vypočítaných základních statistických<br />
proměnných) ji uložíme v automaticky nabízeném formátu s koncovkou .xls a zavřeme tak,<br />
abychom ji mohli najít a importovat do software Statistika. Cesta otevření excelovského<br />
souboru s tabulkou dat ve formátu .xls ve Statistice je následující:<br />
Spustit software Statistika na horní liště rozbalit nabídku Soubor zvolit Otevřít <br />
v oblasti hledání najít adresář s uloženým souborem dat ve spodní rozbalovací liště<br />
Soubory typu najít Soubory typu Excel Files (*.xls) (Obrázek 21) myší je vybrat <br />
zobrazí se všechny soubory ve zvoleném adresáři s koncovkou .xls (Obrázek 22). Po výběru<br />
konkrétního souboru se zobrazí nabídka Import souboru zvolíme: Importovat vybraný list<br />
do tabulky (Obrázek 23 A ) vybereme: List1 (Obrázek 24 B ) v zobrazeném okně<br />
Otevřít soubor MS Excel (Obrázek 23 C ) zatrhneme možnosti: 1.řádek jako názvy<br />
proměnných a Importovat formáty buněk (Obrázek 23 D ) OK zobrazí se<br />
připravená tabulka dat ve Statistice pro výpočet základních popisných statistických<br />
proměnných (Obrázek 19).<br />
Obrázek 21. Cesta otevření excelovského souboru s tabulkou dat ve formátu .xls ve Statistice<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 35<br />
Obrázek 22. Výběr excelovského souboru ve formátu .xls pro otevření ve Statistice<br />
Obrázek 23. Výběr excelovského souboru ve formátu .xls pro otevření ve Statistice<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 36<br />
4.4 Výpočet základních popisných statistických proměnných ve Statistice<br />
Obrázek 24. Cesta výpočtu základních popisných statistických proměnných ve Statistice<br />
Výpočet základních popisných statistických proměnných ve Statistice je velice jednoduchý<br />
a elegantní, pokud máme tabulku dat správně vytvořenou (1 sloupec = 1 proměnná). Na horní<br />
liště rozbalíme nabídku Statistika (Obrázek 24) a vybereme funkci: Základní<br />
statistiky/tabulky (Obrázek 24) v nich pak Popisné statistiky (Obrázek 25). Po potvrzení<br />
funkce Popisné charakteristiky OK se zobrazí nabídka výběru konkrétních popisných<br />
charakteristik a proměnných (Obrázek 26).<br />
Obrázek 25. Cesta výpočtu základních popisných statistických proměnných ve Statistice<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 37<br />
Obrázek 26. Výběr konkrétních popisných charakteristik<br />
Obrázek 27. Výběr konkrétních proměnných<br />
Jako příklad konkrétních popisných charakteristik jsem zatrhnutím zvolil následující:<br />
Míry polohy – počet platných proměnných, aritmetický průměr, medián a modus; Variace,<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 38<br />
momenty – směrodatná odchylka, rozptyl, šikmost, špičatost; Kvantity – minimum a<br />
maximum (Obrázek 26). Z konkrétních proměnných (kliknutím na políčko Proměnné ) jsem<br />
buď zmáčknutím klávesy Ctrl a současně levým tlačítkem na myši nebo současným<br />
zmáčknutím klávesy Shift a pomocí kláves vybral proměnné HM, VYSKA, VEK,<br />
BMI, INTsteps5, INTsteps2, HABsteps5, HABsteps2 (Obrázek 27). Po potvrzení výběru<br />
proměnných OK a následného kliknutí na Souhrn dostávám finální tabulku<br />
s vypočítanými základními popisnými charakteristikami (Obrázek 28).<br />
Obrázek 28. Zobrazení výsledků základních popisných statistických proměnných ve Statistice<br />
V prvním sloupci na obrázku 28 jsou pod sebou seřazeny vybrané proměnné a v<br />
následujících pak jim odpovídající výsledky zvolených popisných charakteristik. Z nich lze<br />
přímo vytvářet grafy a tabulky, podle směrodatných odchylek posuzovat „rozptýlenost“ dat<br />
okolo aritmetických průměrů anebo podle testu šikmosti (=0) a špičatosti (=0) hodnotit<br />
normalitu rozdělení dat pro výběr vhodného parametrického či neparametrického testu, apod.<br />
4.5 Použití ANOVY ve Statistice<br />
Pro použití ANOVY ve Statistice, stejně jako dalších neparametrických testů (Mann–<br />
Whitneyova, Kruskal–Wallisova a Mediánového testu), je nutné základní tabulku dat<br />
z obrázku 29 upravit (viz kapitola 4.2 Příprava dat do tabulky).<br />
4.5.1 Vytvoření identifikační (grupovací, faktorové) proměnné<br />
Úprava spočívá v tom, že k testované proměnné musíme vytvořit novou „identifikační“<br />
proměnnou, kterou vyžaduje formát software Statistika pro použití ANOVY a Mann–<br />
Whitneyova, Kruskal–Wallisova a Mediánového neparametrického testu (Obrázek 30).<br />
Obrázek 29. Základní tabulka dat k Příkladu ve Statistice<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 39<br />
Obrázek 30. Upravená tabulka dat k Příkladu 2 pro použití ANOVY ve Statistice<br />
V případě použití ANOVY se tato proměnná nazýva faktorem, u neparametrických testů pak<br />
grupovací proměnnou.<br />
Vytvoření faktorové proměnné budu demonstrovat na konkrétním příkladu statistického<br />
testování rozdílu mezi počtem kroků v pracovních dnech intervenčního (proměnná<br />
INTsteps5) a habituálního (proměnná HABsteps5) týdne použitím ANOVY.<br />
Tyto dvě proměnné INTsteps5 a HABsteps5 (Obrázek 29) „sjednotíme“ do jediné<br />
proměnné pojmenované steps5 a k ni vytvoříme faktorovou proměnnou s názvem OPAK<br />
(Obrázek 30). „Sjednocení“ nejlépe provedeme překopírováním hodnot proměnné HABsteps5<br />
(K2:K91) pod poslední hodnotu proměnné INTsteps5 na pozici (I92) v Excelu. Proměnnou<br />
INTsteps5 přepsáním přejmenuji na steps5. Pak přidám nový sloupec pro faktorovou<br />
proměnnou OPAK rozbalením nabídky Vložit Sloupec na horní liště v Excelu (Obrázek<br />
31). Vepsáním hodnot 1 a 2 v nově přidaném faktoru pojmenovaném OPAK rozlišíme počet<br />
kroků v intervenčním (OPAK=1) a habituálním (OPAK=2) týdnu (Obrázek 32). Pak hodnoty<br />
proměnné steps5 s příslušnou hodnotou faktoru OPAK=1 odpovídají hodnotám proměnné<br />
INTsteps5 a hodnoty proměnné steps5 s příslušnou hodnotou faktoru OPAK=2 odpovídají<br />
hodnotám proměnné HABsteps5 (Obrázek 32).<br />
Obrázek 31. Vytvoření nového sloupce pro grupovací proměnnou OPAK v Excelu<br />
Obdobně postupuji při přípravě proměnné steps2 pro použití ANOVY. Překopíruji hodnoty<br />
proměnné HABsteps2 (M2:M91) pod poslední hodnotu proměnné INTsteps2 na pozici (K92).<br />
Proměnnou INTsteps2 přejmenuji na steps2. Již vytvořený faktor OPAK rozlišuje také<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 40<br />
proměnnou steps2 na část odpovídající počtu kroků ve víkendových dnech intervenčního<br />
(proměnná INTsteps2) a habitulního (proměnná HABsteps2) týdne (Obrázek 33).<br />
Obrázek 32. Rozlišení proměnné steps5 pomocí faktoru OPAK v Excelu<br />
Obrázek 33. Rozlišení proměnné steps2 pomocí faktoru OPAK v Excelu<br />
Po odstranění proměnných HABsteps5 a HABsteps2, uložení a zavření souboru v Excelu<br />
máme připravenou tabulku dat pro použití ANOVY ve Statistice. Zobrazení připravené<br />
tabulky dat po importu do Statistiky znázorňuje již zmiňovaný obrázek 30.<br />
4.5.2 Výpočet ANOVY<br />
Pro použití testování rozdílu mezi dvěma či více proměnnými prostřednictvím ANOVY ve<br />
Statistice je nezbytné připravit tabulku dat jako na obrázku 30 (1 sloupec = 1 testovaná<br />
proměnná + faktorová proměnná (proměnné) rozdělující testovanou proměnnou (proměnné)<br />
do faktorem určených skupin). Cesta výběru ANOVY v software Statistika je následující:<br />
rozbalením nabídky Statistika ANOVA se dostáváme k nabídce jednotlivých druhů<br />
ANOVY (jednofaktorová, vícefaktorová, při opakovaných měřeních) (Obrázek 34).<br />
V našem konkrétním příkladě – statistického testování rozdílu mezi počtem kroků<br />
v pracovních (proměnná steps5) a víkendových (proměnná steps2) dnech intervenčního a<br />
habituálního týdne (faktor OPAK) pomocí ANOVY zvolím jednofaktorovou analýzu<br />
variance.<br />
V nabídce Proměnné jednofaktorové ANOVY vyberu ze seznamu Závisle proměnných<br />
10. proměnnou steps5 a faktor 5. proměnnou OPAK (Obrázek 35). Po potvrzení OK výběru<br />
se zobrazí vybraná závisle proměnná steps5 a faktor OPAK, u nějž je ještě navíc potřeba<br />
zvolit kódy faktoru vybírám všechny (1 označuje intervenční režim, 2 režim habituální)<br />
(Obrázek 36). Po dvojím potvrzení OK (výběru kódů faktoru a druhu ANOVY) se zobrazí<br />
nabídka výsledků jednofaktorové ANOVY, ve které volím Všechny efekty (Obrázek 37).<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 41<br />
Obrázek 34. Cesta výběru z jednotlivých druhů ANOVY ve Statistice<br />
Obrázek 35. Výběr závisle proměnné a faktoru u jednofaktorové ANOVY ve Statistice<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 42<br />
Obrázek 36. Výběr kódů faktoru u jednofaktorové ANOVY ve Statistice<br />
Při statistickém testování rozdílu mezi počtem kroků v pracovních dnech (proměnná<br />
steps5) intervenčního a habituálního týdne prostřednictvím jednofaktorové ANOVY vychází<br />
F=1,20 a p=0,2757 (Obrázek 37). Tudíž testovaný rozdíl není statisticky významný na<br />
dostatečně nízké hladině statistické významnosti.<br />
Pro statistické testování rozdílu mezi počtem kroků ve víkendových dnech (proměnná<br />
steps2) intervenčního a habituálního týdne použiji již vypočtenou ANOVU pro pracovní dny<br />
(proměnná steps5), v níž pomocí funkce Změnit vyměním proměnnou steps5 za steps2<br />
při zachování stejného faktoru OPAK i jeho kodů. Testovaný rozdíl mezi počtem kroků ve<br />
víkendových dnech intervenčního a habituálního týdne je statisticky významný F=5,15 na<br />
dostatečně nízké hladině statistické významnosti p=0,0245 (Obrázek 38).<br />
Obrázek 37. Výsledky testu signifikance jednofaktorové ANOVY pro proměnnou steps5<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 43<br />
Obrázek 38. Výsledky testu signifikance jednofaktorové ANOVY pro proměnnou steps2<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 44<br />
II praktická část<br />
Ukázka použití statistického zpracování dat v konkrétním článku<br />
5 Příklad – Efekt dvouměsíčního intervenčního programu aerobiku na habituální<br />
pohybovou aktivitu děvčat ve věku 15-19 let ☻<br />
5.1 Abstrakt<br />
Optimální pohybová aktivita výrazně přispívá k dobrému zdraví, normální tělesné hmotnosti<br />
a aktivnímu životnímu stylu. Cílem této studie je posoudit efekt intervenčního pohybového<br />
programu aerobiku na habituální pohybovou aktivitu a pohybovou inaktivitu v pracovních<br />
a víkendových dnech. Intervenční pohybový program byl sestaven ze dvou extrakurikulárních<br />
vyučovacích jednotek tělesné výchovy aerobiku týdně. Dvouměsíční intervenční pohybový<br />
program byl u děvčat (n=90; M±SD; kalendářní věk 16,76±1,76 let; tělesná výška<br />
164,54±5,18 cm; tělesná hmotnost 53,60±7,34 kg) srovnáván s jejich habituální týdenní<br />
pohybovou aktivitou. Intervenční pohybový program byl realizován v měsících únor a březen<br />
(resp. březen a duben) roku 2003. Habituální týdenní pohybová aktivita byla monitorována<br />
jeden měsíc po ukončení intervenčního programu. Pohybová aktivita byla hodnocena podle<br />
počtu kroků z pedometru Omron HJ–102, aktivního energetického výdeje z akcelerometru<br />
Caltrac a její skladby z individuálního sedmidenního záznamu. Extrakurikulární vyučovací<br />
jednotky aerobiku vysvětlují ze 40 % (resp. 30 %) aktivní energetický výdej ve volném<br />
čase v intervenční (resp. habituální) týdenní pohybové aktivitě. V pracovních dnech<br />
nenacházíme rozdíly mezi intervenční a habituální pohybovou aktivitou. Avšak<br />
o víkendu je habituální pohybová aktivita výrazně (F=5,15; p=0,02; d=0,22) vyšší než<br />
intervenční pohybová aktivita. Intervenční pohybový program aerobiku výrazně přispívá ke<br />
zmírňování rozdílů mezi pohybovou aktivitou ve víkendových a pracovních dnech<br />
zúčastněných děvčat. Dvě extrakurikulární vyučovací jednotky tělesné výchovy s přitažlivým<br />
obsahem mohou zvýšit habituální pohybovou aktivitu na zdravotně doporučovanou úroveň.<br />
Klíčová slova: Vyučovací jednotka tělesné výchovy, pracovní dny, víkendové dny, kroky,<br />
pohybová inaktivita, Omron.<br />
Zpravidla základní část rozhodující o následné četbě celé odborné práce je abstrakt.<br />
Vhodně sestavený abstrakt obsahuje maximálně jednu větu o řešené problematice, formulace<br />
cíle práce, přesný popis metodiky včetně účastníků, hlavní dosažené cíle a nejvýraznější<br />
závěry či zobecnění. Nedílnou součástí jsou nejfrekventovaněji používaná a práci<br />
charakterizující klíčová slova.<br />
Slovem efekt je myšlen vliv, dopad, působení intervenčního pohybového programu na<br />
běžnou, každodenní pohybovou aktivitu a je posuzován pomocí rP – Pearsonova korelačního<br />
koeficientu (viz 5.4.4 Softwarové a statistické zpracování dat).<br />
Základní somatické charakteristiky lze nejen v abstraktu ale i v metodice (viz 5.4.1<br />
Účastníci) vyjádřit prostřednictvím aritmetického průměru (M) a směrodatné odchylky (SD)<br />
pomocí znaku ±. Čtenáři tak sděluji, že při normálním rozdělení dat se v intervalu (M-SD,<br />
M+SD) vyskytuje přibližně 68,3 % účastníků. V intervalu (M-2SD, M+2SD) se již vyskytuje<br />
95,5 % účastníků a v intervalu (M-3SD, M+3SD) již 99,7 % účastníků (Hendl, 2004). Takže,<br />
např. pro tělesnou výšku se 68 % tzn. 61 z monitorovaných děvčat nachází v intervalu<br />
(159,36-169,72) cm a 86 děvčat (95 % z celkového počtu n=90) má tělesnou výšku v rozmezí<br />
154,18 až 174,9 cm.<br />
☻ publikováno: Sigmund, E., Frömel, K., Sigmundová, D., Pelclová, J., & Skalik, S. (2004).<br />
Efekt dvouměsíčního intervenčního programu aerobiku na habituální pohybovou aktivitu<br />
děvčat ve věku 15-19 let. Česká kinantropologie, 8(2), 17-30.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 45<br />
Koeficient determinace d=rP 2 názorně vyjadřuje procentuální vliv vyučovacích jednotek<br />
aerobiku na pohybovou aktivitu v intervenčním a běžném školním režimu.<br />
Hendl, J. (2004). Přehled statistických metod zpracování dat. Praha: Portál.<br />
Slovní formulace: výrazně, významně, signifikantně vyšší nebo nižší... při srovnávání<br />
výsledků by měly doplňovat nebo předcházet statisticky vypočtené informace např. (F=5,15;<br />
p=0,02; d=0,22) tzn. zjištěný rozdíl je, srovnáním pomocí analýzy variance, statisticky<br />
významný na hladině p=0,02 při středním efektu koeficientu „efekt size“ d (viz 6.4.4<br />
Softwarové a statistické zpracování dat).<br />
Chráska, M. (2000). Základy výzkumu v pedagogice. Olomouc: Univerzita Palackého.<br />
5.2 Abstract<br />
(Effect of two-months aerobics intervene program on habitual physical activity of girls aged<br />
15-19) Optimal physical activity markedly contributes to good health, normal body weight<br />
and active lifestyle. Purpose of this study is to assess effects of aerobic intervene physical<br />
activity program on weekdays and weekends habitual PA and physical inactivity. Intervene<br />
physical activity program was designed as 2 extra-curriculum physical education lessons of<br />
aerobic per week. Two-months intervene physical activity of girls (n=90, M±SD, 16.76±1.76<br />
years, height 164.54±5.18 cm, weight 53.60±7.34 kg) was compared with their habitual<br />
weekly physical activity. Intervene physical activity program was realized in February and<br />
March (March and April, respectively) 2003. Habitual physical activity was monitored one<br />
month after the end of intervene program. Physical activity was assessed according to number<br />
of steps from Omron HJ–102 pedometer, active energy expenditure from Caltrac<br />
accelerometer and their structure from individual 7-day logs. Extra-curriculum aerobic<br />
lessons explained 40% (30%, respectively) of active energy expenditure of leisure in<br />
intervene (habitual, respectively) weekly physical activity. There are no differences<br />
between intervene and habitual physical activity on weekdays. However, weekendhabitual<br />
physical activity is significantly higher (F=5.15, p=0.02, d=0.22) than weekendintervene<br />
physical activity. Aerobic intervene physical activity program markedly<br />
contributed to reduce discrepancies between higher-level weekdays and lower-level weekends<br />
physical activity of participant girls. Two extra-curriculum physical education lessons with<br />
favorite content can increase weekly habitual physical activity on health-recommended level.<br />
Key words: Physical education lesson, weekday, weekend, steps, physical inactivity, Omron.<br />
5.3 Úvod<br />
Ačkoliv je prokázán inverzní vztah mezi pohybovou aktivitou (dále PA) a rizikovými<br />
faktory způsobujícími některá chronická onemocnění (obezita, cukrovka, ischemická choroba<br />
srdeční) (Sirard & Pate, 2001) nedaří se výskyt těchto onemocnění v širokém populačním<br />
spektru uspokojivě snižovat. Pohybová inaktivita (dále PI) a s ní úzce související nemoci<br />
(ischemická choroba srdeční, vysoký krevní tlak, cukrovka, obezita, osteoporóza, deprese<br />
a stavy úzkosti) představují nejdražší léčené zdravotní komplikace u států s výrazným<br />
podílem sedavého zaměstnání a motorizované dopravy (Colditz, 1999). Aplikace<br />
intervenčních stravovacích a pohybových programů (Sahota et al., 2001; Sallis et al., 2003) je<br />
vedle klinických a medikačních zásahů snahou o zmírnění výrazného nárůstu obezity,<br />
cukrovky a srdečních onemocnění patrných dokonce již u dětí (Ball & McCargar, 2003; Fox,<br />
2004). Nejpalčivějším a také nejčastěji intervenčně řešeným problémem u dětí, mládeže<br />
i dospělých je obezita (Goran et al., 1999; Sahota et al., 2001; Sallis et al., 2003).<br />
Nejefektivnější intervenční PA programy u dětí a mládeže mají zahrnovat školní<br />
a komunální intervence za výrazné podpory rodiny (Goran et al., 1999; Pate et al., 2000).<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 46<br />
Efektivita intervenčního PA programu je podle Sallise et al. (1992) podmíněna komplexností<br />
při jeho tvorbě a realizaci v oblasti kognitivní, sociální a environmentální. Pro efektivní<br />
redukci obezity u dětí a mládeže je vedle kognitivní složky nezbytná kombinace optimální PA<br />
a diety – zvýšení energetického výdeje a snížení energetického příjmu (Crespo et al., 2001;<br />
Sahota et al., 2001; Sallis et al., 2003). Multidisciplinární přístup při tvorbě intervenčních PA<br />
programů má vyústit v pohybově a zdravotně zaměřených kurikulech, změnách ve školním<br />
i mimoškolním prostředí, které podporuje bezpečnost a prožitek při PA před začátkem,<br />
v průběhu a po skončení školního vyučování (Goran et al., 1999). Komplexně pojímané<br />
intervenční PA programy jsou však v praxi často obtížně realizovatelné. Příkladem<br />
komplexního intervenčního PA programu ověřeného na základních školách je CATCH<br />
(McKenzie et al., 1996; Stone et al., 1998) a intervenčního PA programu v tělesné výchově<br />
(dále TV) pak SPARK (Sallis, 1994).<br />
Intervenční projekt CATCH byl zaměřen na redukci rizikových kardiovaskulárních faktorů<br />
u 8-10 letých dětí z 96 základních škol prostřednictvím úprav ve školním stravování<br />
a v kurikulech TV, zavedením zdravotní výchovy ve třídách a účasti rodičů. Prokázalo se<br />
zvýšení střední a intenzivní PA nejen v TV, ale i ve volném čase zúčastněných dětí<br />
(McKenzie, 1996).<br />
Intervenční PA program v TV SPARK je založen na sociálně–kognitivní teorii.<br />
Kvaziexperimentální design projektu byl ověřen na sedmi základních školách. Monitorování<br />
PA pomocí akcelerometru Caltrac a individuálního záznamu, měření zdatnosti, tloušťky<br />
kožních řasa BMI bylo realizováno po dobu dvou let. Výsledky ukazují zvýšenou PA děvčat<br />
i chlapců v TV, neprokázal se však efekt zvýšení volnočasové PA. Přestože se po dvou letech<br />
prokázal výrazný efekt v běhu na 1 míli a počtu leh-sedů za 1 minutu u děvčat a ne u chlapců,<br />
je právě u děvčat obtížnější sestavit a ověřit efektivní intervenční PA program (McKenzie et<br />
al., 2000; Powers et al., 2002; Sallis et al., 2003; Stone et al., 1996).<br />
Pro děti a mládež je škola a školní prostředí nejvhodnější pro realizaci intervenčních PA<br />
programů také proto, že více než 97 % dětí absolvuje vyučovací jednotky TV (Sallis et al.,<br />
1992). Ve kvalitně připravených a vedených vyučovacích jednotkách TV může docházet ke<br />
zmírňování rozdílů mezi PA děvčat a chlapců (Katzmarzyk & Malina, 1998; McKenzie et al.,<br />
2000), více a méně dovedných chlapců (Hastie & Trost, 2002) či mezi sportovně<br />
organizovanou a neorganizovanou mládeží (Katzmarzyk & Malina, 1998). Ačkoliv se<br />
vyučovací jednotky TV podílejí pouze ze 3 % na celkovém týdenním času věnovanému<br />
PA, z hlediska aktivního energetického výdeje z akcelerometru Caltrac tvoří u děvčat ve<br />
věku 18-19 let nezastupitelných 22 % (Sigmund et al., 2003). Přibližně 12 % z denního<br />
množství kroků je u děvčat (n=300) ve věku 6-12 let realizováno v jednotce TV (Morgan<br />
et al., 2003). Katzmarzyk a Malina (1998) při třídenním monitoringu PA 12-14letých dětí<br />
dokonce zjišťují, že 65 % (resp. 55 %) denního aktivního energetického výdeje děvčat<br />
(resp. chlapců) připadá na organizovanou PA.<br />
Před 20 lety byly děti pohybově aktivnější ve volném čase mimo školu, v organizované<br />
PA a o víkendových dnech (Goran et al., 1999). V současnosti jsou z hlediska PA dětí<br />
a mládeže naopak kritičtější právě víkendové a prázdninové dny ve srovnání s pracovními,<br />
školními dny (Gavarry et al., 2003; Hovell et al., 1999; Sigmund et al., 2002). O víkendových<br />
dnech dochází vlivem výrazného nárůstu pohybové inaktivity také ke snižování rozdílů<br />
v objemu a skladbě PA mezi děvčaty a chlapci, kteří jsou ve školních dnech pohybově<br />
aktivnější než děvčata (Gavarry et al., 2003). Powersová et al. (2002) a Stoneová et al. (1996)<br />
doporučují ověřovat intervenční PA projekty na zvýšení právě mimoškolní, volnočasové PA.<br />
Hlavním cílem této studie je zjistit vliv intervenčního pohybového programu aerobiku na<br />
na habituální PA a PI děvčat v pracovních a víkendových dnech. Dalším cílem je podle počtů<br />
kroků z pedometru Omron HJ–102, aktivního energetického výdeje z akcelerometru Caltrac,<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 47<br />
a doby trvání PA z individuálního záznamu posoudit efekt realizované PA ve vztahu ke<br />
zdravotním doporučením.<br />
5.4 Metodika<br />
5.4.1 Účastníci<br />
Dvouměsíční intervenční pohybový program dokončilo 90 (M±SD; 16,76±1,76 let,<br />
tělesná výška 164,54±5,18 cm; tělesná hmotnost 53,60±7,34 kg) z celkového počtu 122<br />
děvčat. Zúčastněna děvčata byla z náhodně vybraných tříd prvního a třetího ročníku ze<br />
čtyřech stratifikovaně vybraných gymnázií z katowického regionu. Stratifikačním faktorem<br />
bylo umístění škol v centru města s hustou bytovou zástavbou, se zhoršenými podmínkami<br />
pro mimoškolní venkovní PA. Účast děvčat na intervenčním pohybovém programu byla<br />
dobrovolná.<br />
Způsob výběru souboru zkoumaných jedinců je nutno uvést také z důvodu výběru vhodné<br />
statistické metody pro zpracování dat, popř. hladiny statistické významnosti pro zamítnutí či<br />
přijetí testovaných hypotéz. Způsob výběru zkoumaného souboru nám také určuje míru<br />
zobecnění zjištěných výsledků. Pokud náhodně, např. losováním, vybírám 40 studentů ze 150<br />
studentů prvních ročníků, mohu si dovolit zjištěná fakta u 40 studentů zobecnit na všech 150<br />
studentů tak, jako kdybych je zkoumal všechny. Pokud se však jedná o záměrný výběr nemohu<br />
zjištěna fakta prakticky zobecňovat vůbec, platí pouze pro záměrně vybranou a sledovanou<br />
skupinu jedinců.<br />
5.4.2 Přístroje a dotazníky<br />
Monitoring PA je založen na sedmidenním kontinuálním sledování PA pomocí<br />
akcelerometru Caltrac, pedometru Omron HJ–102 a individuálního záznamu (Frömel et al.,<br />
1999). Sledování a hodnocení PA akcelerometrem Caltrac bylo převzato z amerického<br />
projektu SPARK (Sallis, 1994) a v našich podmínkách standardizováno na Fakultě tělesné<br />
kultury Univerzity Palackého (Novosad et al., 1995/96). Při monitoringu PA je účastníky<br />
zaznamenáván celkový a aktivní energetický výdej z akcelerometru Caltrac (kcal·den -1 ), počet<br />
kroků z pedometru Omron (počet·den -1 ) a jednotlivé druhy PA (min·den -1 ). Individuálním<br />
záznamem byla navíc sledována také PI (Sigmund et al., 2002). Aplikací dotazníku<br />
sportovních zájmů (Frömel et al., 2002) byly zjišťovány preference zúčastněných děvčat<br />
v oblasti PA.<br />
Pro určování aktivního energetického výdeje byl Caltrac v terénních podmínkách<br />
validován srovnáním se snímačem srdeční frekvence (Montoye et al., 1996) také při<br />
sedmidenním monitoringu českých adolescentů (Frömel et al., 1999). Aktivní energetický<br />
výdej z Caltracu signifikantně koreluje s počtem kroků z pedometru Omron (rP=0,62;<br />
p=0,0000) a dobou trvání PA z individuálního záznamu (rP=0,48; p=0,0000) při<br />
celodenním terénním monitoringu PA u 190 děvčat a chlapců ve věku 11–12 let (Sigmund,<br />
2000). Ačkoliv pedometry umožňují stanovit také aktivní energetický výdej přesnější jsou při<br />
určování kroků a poskoků při PA (Tudor-Locke et al., 2002).<br />
Každá studie by měla v kapitole metodika obsahovat informace o přesnosti a spolehlivosti<br />
požívaných přístrojů, dotazníků apod., a údaje o jejich standardizaci. V případě, že se jedná<br />
o nestandardizovanou techniku, je vhodné toto viditelně uvést. Ve výše uvedeném případě je<br />
míra shody mezi proměnnou aktivní energetický výdej z jednoho přístroje a proměnnou počet<br />
kroků z druhého přístroje (resp. proměnnou doba trvání pohybové aktivity z individuálního<br />
zápisu) na střední úrovni - vyjádřená pomocí rP – Pearsonova korelačního koeficientu.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 48<br />
5.4.3 Postup<br />
Pomocí dotazníku sportovních zájmů byly před sestavením intervenčního pohybového<br />
programu zjištěny u zúčastněných děvčat jejich oblíbené druhy PA. Z hledika podmínek<br />
v tělesné výchově na vybraných školách (velikost a vybavení tělocvičen, nekoedukovaná<br />
výuka) jsme jako nejvhodnější obsah intervenčního pohybového programu zvolili aerobik.<br />
Intervenční pohybový program byl sestaven ze dvou 45minutových extrakurikulárních<br />
vyučovacích jednotek TV týdně. Kurikulární i extrakurikulární vyučovací jednotky TV<br />
vyučovaly čtyři studentky Akademie Wychowania Fizycznego v Katowicích, držitelky<br />
cvičitelské licence aerobiku. Všechny vyučovací jednotky TV byly nekoedukované.<br />
Akcelerometr Caltrac (resp. pedometr Omron) byl podle indiviuálních hodnot (hmotnost,<br />
výška, kalendářní věk a pohlaví; resp. délka kroku a hmotnost) naprogramován pro měření<br />
aktivního energetického výdeje v kilokaloriích (resp. počtu kroků a poskoků při PA). Všechna<br />
zúčastněná děvčata byla bezprostředně před začátkem první vyučovací jednotky TV aerobiku<br />
detailně seznámena s Caltracem a Omronem a instruována jak je správně „nosit“. Elastický<br />
monitorovací pás s kapsami pro Caltrac a Omron zajišťoval jejich pevné a přesné umístění na<br />
pravém boku děvčat v průběhu intervenčního pohybového programu i celodenního<br />
monitoringu. Po skončení první vyučovací jednotky TV jsme spolu s děvčaty provedli první<br />
záznam naměřených dat z Caltracu (aktivní a celkový energetický výdej v kcal) a Omronu<br />
(počet kroků, překonanou vzdálenost v milích a aktivní energetický výdej v kcal) do jejich<br />
individuálních záznamů. Každé ráno po probuzení a večer před spaním zaznamenávala<br />
monitorovaná děvčata do svých individuálních záznamů denní čas a příslušné údaje<br />
z Caltracu a Omronu. Večer pak také typ, dobu trvání a intenzitu (střední nebo vysoká) PA<br />
prováděné v průběhu celého dne a skladbu PI. Vzhledem k možnosti určování podílu<br />
organizované PA na celodenní PA zapisovali účastníci monitoringu denní čas a data<br />
z Caltracu a Omronu také na začátku a konci školního vyučování (resp. vyučovacích jednotek<br />
TV, tréninkových a cvičebních jednotek). Poslední zápis do individuálních záznamů jsme<br />
provedli společně s účastníky za sedm dní, před začátkem vyučovací jednotky TV.<br />
Intervenční PA program byl realizován v měsících únor a březen (resp. březen a duben)<br />
roku 2003. Habituální týdenní PA byla monitorována stejným způsobem jako intervenční PA<br />
jeden měsíc po ukončení intervenčního pohybového programu. Na konci monitoringu<br />
habituální týdenní PA byly opět pomocí dotazníku sportovních zájmů zjišťovány preference<br />
v oblasti PA. Pro hodnocení efektu intervenčního programu aerobiku na habituální PA byla<br />
vybrána pouze děvčata, která absolvovala monitoring obou týdenních režimů.<br />
Každá z monitorovaných děvčat obdržela bezprostředně po vyhodnocení dat individuální<br />
grafický výstup o úrovni a skladbě realizované PA a PI s možností anonymního srovnání se<br />
spolužáky. Učitelé a ředitelé škol obdrželi průměrné, souhrnné a komparativní výsledky.<br />
Vysvětlení individuálních a skupinových výsledků žákům a učitelům TV proběhlo v každé ze<br />
zúčastněných ve speciální vyučovací jednotce TV. Vysvětlování výsledků doprovázela<br />
doporučení pro další provádění PA ve vztahu ke zdraví, k úpravě tělesné hmotnosti, k rozvoji<br />
tělesné zdatnosti apod.<br />
„Technologický“ popis postupu měření, vyšetřování, pozorování, apod. je nedílnou<br />
součástí každé práce. Lze ji uvést v několika odstavcích, lépe však v samostatné podkapitole<br />
tak, aby si čtenář vytvořil jednoznačnou představu o přípravě (organizační, technické,<br />
lidské,…) a samotné realizaci měření, zaznamenávání a následné zpracování zjištěných dat a<br />
informací. Popis tvořte tak, aby poučený čtenář moh podobné měření realizovat také.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 49<br />
5.4.4 Softwarové a statistické zpracování dat<br />
Pro zpracování a analýzu dat z monitoringu byl použit software umožňující také<br />
zpětnovazební servis pro účastníky monitoringu a jejich rodiče, učitelé TV a ředitele škol<br />
(Chytil, 2000). Statistická analýza dat byla provedena v softwarovém prostředí<br />
STATISTICA 6.<br />
Ke statistickému srovnání proměnných aktivní energetický výdej z akcelerometru<br />
Caltrac (kcal·den -1 ) a denní počet kroků z pedometru Omron při intervenční<br />
a habituální PA byla použita jednorozměrná analýza variance při opakovaném měření<br />
(Friedmanův test). Pro srovnání počtu kroků v pracovních a víkendových dnech<br />
v jednotlivých režimech jsme využili jednorozměrnou analýzu variance (F–test).<br />
Procentuální podíl organizované PA v týdenní PA v intervenčním a habituálním režimu<br />
byl srovnáván Kruskal–Wallisovým testem. Vodítkem při posuzování věcné<br />
významnosti statisticky srovnávaných proměnných byly koeficienty „efekt size“ – d pro<br />
Friedmanův test a η 2 pro Kruskal–Wallisův test. Velikost koeficientu d=0,2 (resp. d=0,5<br />
a d=0,8) lze interpretovat jako malý (resp. střední a velký) efekt (McCartney &<br />
Rosenthal, 2000). Při η 2 =0,01 (resp. η 2 =0,06 a η 2 =0,14) shledáváme podle Morseho (1999)<br />
efekt jako malý (resp. střední a velký). Efekt intervenčního pohybového programu na<br />
habituální týdenní PA byl také posuzován pomocí rP – Pearsonova korelačního<br />
koeficientu. Běžně používané statistické ukazatele pro hodnocení velikosti efektu rP jsou<br />
následující: nízký – rP=0,10, sřední – rP=0,30 a velký, výrazný efekt – rP=0,50 (Cohen,<br />
1988; Dishman & Buckworth, 1996). Koeficientem determinace (rP 2 ) názorně<br />
vyjadřujeme procentuální vliv intervenční PA na habituální PA zúčastněných děvčat.<br />
V každé práci je povinností uvést software využívaný pro statistickou analýzu a způsob<br />
kvantifikace dat (pokud s takovými daty pracujeme). V našem případě je úroveň pohybové<br />
aktivity charakterizována pomocí aktivního energetického výdeje a počtu kroků.<br />
V kvalitních pracích je dbáno na rozepsání použitých statistických metod (v našem případě<br />
analýza variance a neparametrický Kruskal–Wallisův test), které je nezbytně doplněné<br />
„věcnou“, „praktickou“, „lékařskou“, „experimentální“ a jinak nazývanou (nestatistickou)<br />
významností. Když se např. zkrácení doby úplné rekonvalescence o pět dní ukáže statisticky<br />
nevýznamné, může ještě v celorepublikovém měřítku státu ušetřit značné finanční prostředky.<br />
Podobně se například každodenním cvičením, charakterizovaným např. dobou trvání,<br />
řekněme 15 minut, nedosáhne u skupiny seniorů významného (myšleno statisticky) zvýšení<br />
objemu sledovaného svalu, ale prokáže se např. významně (myšleno terapeuticky) lepší<br />
koordinace při chůzi do schodů. Tato „věcná“, „praktická“, „experimentální“ významnost je<br />
často považována za přínosnější než významnost statistická. V našem případě se opírám<br />
o „vodítka“, kterými jsou koeficienty „efekt size“ - d, η 2 , rP a rP 2 .<br />
5.5 Výsledky<br />
V pracovních dnech nenacházíme rozdíly v denním počtu kroků mezi intervenční<br />
a habituální PA děvčat. Avšak víkendová habituální PA je i s přihlédnutím ke velikosti<br />
směrodatných odchylek věcně i statisticky významně vyšší než víkendová PA<br />
v intervenčním režimu (Tabulky 5 a 6). O víkendových dnech zjišťujeme podle rp nižší<br />
efekt intervenční PA na habituální PA než ve dnech pracovních. Avšak i tento vliv<br />
intervenční PA o víkendových dnech na habituální PA je téměř stejně výrazný jako ve<br />
dnech pracovních (Tabulky 5 a 6).<br />
Ačkoliv jsou směrodatné odchylky proměnné počet kroků při pohybové aktivitě ve<br />
víkendových dnech intervenčního i habituálního režimu vysoké (4930 a 6040) shledávám<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 50<br />
rozdíl v průměrných hodnotách 1865 kroků za věcně významný. Tento rozdíl přibližně<br />
odpovídá průměrné vyučovací jednotce tělesné výchovy, která mi slouží jako hranice pro<br />
posuzování věcné významnosti výsledků.<br />
Tabulky je vhodné sestavovat tak, abyste čtenáře co nejméně zatěžovali „luštěním“<br />
zkratek, popisu proměnných, „přilišností“ informací, grafickými ekvilibristikami apod.<br />
Statistickou významnost lze vyznačit pomocí symbolů uvedených jako horní index bezprostředně<br />
za číselnou hodnotou anebo tučně. Ve vysvětlivkách je pak nutné použité označení objasnit.<br />
Tabulka 5. Srovnání počtu kroků v pracovních dnech intervenčního a habituálního týdenního<br />
režimu<br />
Děvčata<br />
(n=90)<br />
Intervenční<br />
týdenní<br />
režim<br />
Habituální<br />
týdenní<br />
režim<br />
Kroky při PA (počet·den -1 ) v pracovních<br />
dnech – pedometr Omron HJ–102<br />
M SD F rp d<br />
16486 4402<br />
15702 5186<br />
1,20 0,54** 0,00<br />
Tabulka 6. Srovnání počtu kroků ve víkendových dnech intervenčního a habituálního<br />
týdenního režimu<br />
Děvčata<br />
(n=90)<br />
Intervenční<br />
týdenní<br />
režim<br />
Habituální<br />
týdenní<br />
režim<br />
Kroky při PA (počet·den -1 ) ve víkendových<br />
dnech – pedometr Omron HJ–102<br />
M SD F rp d<br />
10345 4930<br />
12210 6040<br />
5,15* 0,48** 0,22<br />
Vysvětlivky k tabulkám 5 a 6: PA – pohybová aktivita; M – aritmetický průměr; SD –<br />
směrodatná odchylka; F – ANOVA (Friedmanův test); *p=0,01; **p
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 51<br />
Při vyjádření srovnávaných rozdílů v textu nepoužívejte pouze údaj testovacího kritéria<br />
(v našem případě F) samostatně, ale doplňte jej hladinou statistické významnosti (v našem<br />
případě p
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 52<br />
chůze<br />
aerobik<br />
domácí práce<br />
gymnastika<br />
sportovní hry<br />
jízda na kole<br />
jiná PA<br />
tanec<br />
běh + jogging<br />
16<br />
10<br />
25<br />
42<br />
21<br />
31<br />
23<br />
18<br />
25<br />
17<br />
23<br />
48<br />
91<br />
92<br />
135<br />
153<br />
448<br />
intervenční týdenní PA<br />
habituální týdenní PA<br />
0 100 200 300 400 500<br />
526<br />
(min)<br />
Obrázek 39. Skladba PA (min·týden -1 ) děvčat (n=90) v intervenčním a habituálním týdenním<br />
režimu<br />
sezení ve škole<br />
sezení nebo ležení při<br />
učení, čtení a hře<br />
sezení nebo ležení při<br />
sledování televize<br />
sezení u počítače<br />
sezení v restauraci,<br />
kině, parku<br />
67<br />
82<br />
88<br />
85<br />
429<br />
516<br />
516<br />
546<br />
0 100 200 300 400 500 600 700 800<br />
810<br />
812<br />
intervenční týdenní PA<br />
habituální týdenní PA<br />
(min)<br />
Obrázek 40. Skladba PI (min·týden -1 ) děvčat (n=90) v intervenčním a habituálním týdenním<br />
režimu<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 53<br />
V průběhu dvouměsíčního intervenčního PA programu byly náhodně monitorovány 4<br />
extrakurikulární vyučovací jednotky TV pomocí snímačů srdeční frekvence S610. Zatížení<br />
děvčat (n=360) charakterizované srdeční frekvencí představovalo ve zmiňovaných<br />
vyučovacích jednotkách průměrně 151±14 (M±SD) tepů·min -1 . Doba strávená v těchto<br />
vyučovacích jednotkách při PA střední a vysoké intenzity v průměru činila více než 58 %<br />
z celkové doby trvání vyučovacích jednotek TV.<br />
Vyučovací jednotky aerobiku motivovaly více než 68 % děvčat k spontánnímu opakování<br />
a osvojování nových aerobických a tanečních prvků ve volném čase. Děvčata také častěji<br />
navštěvovala diskotéky a taneční zábavy konané především o víkendových dnech. V žádné<br />
z monitorovaných tříd nebylo zaznamenáno zhoršení kázně či prospěchu v průběhu ani po<br />
skončení intervenčního pohybového programu.<br />
Při hledání vztahu mezi aktivním energetickým výdejem z akcelerometru Caltrac<br />
(resp. počtem kroků z pedometru Omron) a dobou trvání PA nacházíme nízké korelace<br />
v intervenčním (rS=0,17; p=0,11; resp. rS=0,21; p=0.04) i habituálním (rS=0,16; p=0,12;<br />
resp. rS=0,14; p=0,20) týdenním režimu. Přes tyto nízké korelační vztahy je z obrázku 39<br />
patrné, že vyšší realizace aerobiku v intervenčním režimu byla v habituálním režimu<br />
vystřídána především zvýšenou jízdou na kole a vyšší realizací sportovních her.<br />
Tyto korelační vztahy považuji za nízké také proto, že doba trvání PA z individuálního<br />
záznamu je ve srovnání z údaji z přístrojů Caltrac a Omron nejvíce ovlivněna pečlivostí<br />
a věrohodností zapisovatele. U časových údajů z individuálního záznamu nacházíme<br />
nejvýraznější směrodatné odchylky svědčící o vysokém rozptylu daných proměnných.<br />
U vysoce přesně změřených veličin nám i nízký korelační koeficient může poukazovat na<br />
významný vztah, ale u méně přesně zachycené veličiny musíme být skeptičtější. Proto je<br />
i následující tučně vyznačený statisticky významný vztah ...(rS= -0,30; p=0,006; resp. rS= -<br />
0,21; p=0.06) zcela správně věcně interpretován výrazně opatrněji.<br />
Dominantní zastoupení chůze ve skladbě týdenní PA (intervenční i habituální) je určeno<br />
skutečností, že více než 50 % ze zúčastněných děvčat chodí do a ze školy pěšky anebo<br />
kombinují (90 % z děvčat) městskou dopravu s chůzí. Poměr chůze k ostatním PA je podle<br />
doby trvání z individuálních záznamů 1:0,80 v intervenčním a 1:0,77 v habituálním režimu.<br />
Analýza skladby PI neodhaluje zjevné rozdíly mezi intervenčním a habituálním režimem<br />
(Obrázek 40). Vzhledem k nevysokým korelacím mezi týdenní dobou PI a počtem kroků<br />
z Omronu nebo aktivním energetickým výdejem z Caltracu (rS= -0,30; p=0,006; resp.<br />
rS= -0,21; p=0.06) nemůžeme považovat mírné snížení doby sledování televize a sezení či<br />
ležení při učení, čtení nebo hře v habituálním režimu za samotný efekt intervenčního PA<br />
programu aerobiku.<br />
Denní doba sledování televize v intervenčním (resp. habituálním) režimu v průměru činí<br />
méně než 75 (resp. 62) minut. Vedle sezení ve škole je druhou nejvýraznější PI<br />
v intervenčním i habituálním režimu sezení nebo ležení při učení, čtení a hře (více než 70<br />
minut denně – Obrázek 40). Poměr doby trvání PA včetně chůze k PI bez spánku je<br />
příznivější v intervenčním 1:2,15 než habituálním 1:2,41 týdenním režimu. I přesto však<br />
podle individuálního záznamu připadá v habituálním režimu na jednu minutu PA pouze 2,41<br />
minuty PI.<br />
5.6 Diskuse<br />
Při analýze 32 studií vztahujících se k monitorování počtu kroků u různých populačních<br />
skupin Tudor-Locke a Myers (2001) uvádějí, že u zdravých mladších dospělých můžeme<br />
očekávat denní počet kroků 7000–13000 (méně u žen než u mužů). Pro snížení tělesné<br />
hmotnosti je nezbytné dosáhnout nejméně 15000 kroků za den (Leermakers et al., 2000).<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 54<br />
U námi sledovaných adolescentek nacházíme v pracovních dnech v intervenčním<br />
i habituálním týdnu dokonce vyšší denní počet kroků než 15000. Denní počet kroků<br />
z pedometru Omron HJ–102 (resp. aktivní energetický výdej z akcelerometru Caltrac)<br />
v pracovních dnech intervenčního i habituálního režimu převyšuje zdravotně<br />
doporučovaný objem PA (Corbin & Pangrazi, 1996; Leermakers et al., 2000; Pate et al.,<br />
1995; Tudor-Locke et al., 2002; Tudor-Locke & Myers, 2001).<br />
Ačkoli v této studii nesledujeme přímo zdravotní efekt PA („pouze“ přímo zjišťujeme efekt<br />
intervenční PA na habituální PA), můžeme v diskusi, na základě zjištěných dat, polemizovat i<br />
o tomto zdravotním vlivu, srovnáním s výsledky s obdobně zaměřených studií.<br />
Značný pokles denního počtu kroků ve víkendových dnech lze především v intervenčním<br />
režimu spatřovat v „kompenzaci“ nové intervenční PA dvou extrakurikulárních vyučovacích<br />
jednotek TV realizovaných v pracovních dnech. Spolu s intervenčními vyučovacími<br />
jednotkami TV se na vyšší PA v pracovních dnech výrazně podílela především chůze, kterou<br />
samostaně (resp. v kombinaci s městskou dopravou) využívalo více než 50 % (resp. 90 %) ze<br />
zúčastněných děvčat k cestě do školy.<br />
Z hlediska doby trvání PA by již každodenní chůze v intervenčním (více než 75<br />
minut·denně) i habituálním (více než 64 minut denně) režimu splňovala zdravotně<br />
doporučovaný objem PA (Biddle et al., 1998; Corbin & Pangrazi, 1996). Chůze či případná<br />
kombinace s městskou dopravou nebo jízdou na kole je nejrozšířenějším způsobem<br />
přemisťování do a ze školy, mimoškolních zájmových aktivit, návštěv a při nakupování<br />
u námi sledovaných adolescentek. I přes zvyšující se životní úroveň doprovázenou nárůstem<br />
pohybové inaktivity a „automobilizací“ (Colditz, 1999), je nanejvýš žádoucí toto chodecké<br />
pohybové chování zachovávat a dále podporovat (Eyler et al., 2003). Právě podpora chůze<br />
a jiných druhů středně intenzivní PA může u mladých žen zmírnit pokles PA se vzrůstajícím<br />
věkem (Leslie et al., 2001).<br />
Aerobik, tanec a další PA s hudbou jsou vhodnými druhy PA pro adolecentky a ženy<br />
vedoucí ke zmírnění poklesu PA s věkem nebo k redukci tělesné hmotnosti (Andersen et al.,<br />
1999). Intervenční vyučovací jednotky aerobiku splňovaly doporučení strávit 50 % a více<br />
času z vyučovací jednotky TV při PA střední a vysoké intenzity. Navíc každá z intervenčních<br />
vyučovacích jednotek TV obsahovala více než 5 minutovou pasáž věnovanou strečinku a část<br />
zaměřenou na rozvoj svalové síly. Kondiční 20 minutové části vedoucí k rozvoji aerobní<br />
vytrvalosti byly vedle „tradičních“ krokových prvků doplněny krokovými variacemi z rock<br />
and rollu, mamby, čači a hip hopu, makareny a jiných „diskotékových“ tanců. Na atraktivním<br />
a přitažlivém obsahu a kvalitním vedení intervenčních vyučovacích jednotek aerobiku se<br />
výrazně pozitivně projevila vysoká aprobovanost, zkušenost a entuziasmus studentek<br />
Akademie Wychowania Fizycznego. Aerobik a tanec mohou vedle pozitivních psychických<br />
pocitů - sociální sounáležitosti, zvýšení významu tělesného dojmu a vzhledu, motiv účasti<br />
(Daley & Buchanan, 1999) navíc silně rozvíjet estetické a rytmické vnímání účastnic<br />
a kreativitu. Tyto PA s hudbou realizované v nesoutěživém a nekonkurenčním prostředí<br />
vyzvihují „ženskost“ a směřují proti nežádoucímu smazávání rozdílů mezi „typicky“ mužskou<br />
a „typicky“ ženskou PA.<br />
K monitoringu PA se častěji používají přesnější akcelerometry než Caltrac (např.<br />
třídimenzionální Tritrac-R3D nebo jednodimenzionální Actigraph). Tyto však, na rozdíl od<br />
akcelerometru Caltrac a pedometru Omron HJ–102 nemají zabudovaný displej, který<br />
umožňuje okamžitě po skončení vyučovací jednotky TV nebo celého dne vizualizovat<br />
množství spálených kalorií nebo vykonaných kroků při PA. Tato zpětná vazba je zvláště<br />
u dětí silným motivačním faktorem k další realizaci PA. Na základě nutričních hodnot<br />
z konzumované potravy a bezprostředních hodnot o PA z akcelerometru Caltrac nebo<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 55<br />
pedometru Omron lze určit denní energetickou bilanci. Efektivitu intervenčního PA programu<br />
pak lze samotným účastníkem pomocí Caltracu a Omronu jednoduše kontrolovat. Vzhledem<br />
k nízké ceně a jednoduché obsluze doporučují Beighle, Pangrazi a Vincent (2001) širší<br />
zavedení pedometrů do školního prostředí. Učitel má možnost kvantifikovat PA ve vztahu ke<br />
zdravotním doporučením a pomocí pedometrů motivovat žáky k vyšší PA ve vyučovacích<br />
jednotkách TV.<br />
Při hledání závislostí mezi denním počtem kroků z Omronu a denní dobou trvání PA<br />
a PI z individuálního záznamu nacházíme překvapivě vyšší korelace mezi počtem kroků<br />
a dobou trvání PI než dobou trvání PA. Ke stejným výsledkům docházíme při hledání<br />
závislostí mezi aktivním energetickým výdejem z Caltracu a dobou trvání PA a PI.<br />
Příčinou může být večerní sumace celodenní skladby realizované PA a PI, která se zdá<br />
být jednodušší u PI ve srovnání s PA. PI představuje pouze sezení (popř. ležení) při<br />
několika málo možnostech (ve škole, u televize, počítače, v restauraci, kině, parku).<br />
Kdežto skladba PA je několikanásobně pestřejší než PI.<br />
Na základě srovnání „číselných“ zjištění (korelačních závislostí) lze usuzovat na např.<br />
složitost použité metodiky, kriticky hodnotit její přesnost apod.<br />
5.7 Limity a doporučení práce<br />
Limitem studie je sledovaní efektu intervenčního pohybového programu pouze jedenkrát,<br />
a to po čtyřech týdnech po jeho skončení. Následující pohybově intervenční projekty zaměřit<br />
také na analyzování trvání vlivu intervence v čase po jejím ukončení. Vliv intervenčního<br />
pohybového programu aerobiku na habituální týdenní PA byl potvrzen u adolescentek, které<br />
mají pozitivní vztah k PA a které se projektu účastnily dobrovolně. Celosvětově řešenou<br />
otázkou zůstává jak motivovat k vyšší PA adolecentky, které neinklinují k PA. Sezonní vliv –<br />
intervenční pohybový program začal v únoru a březnu, v měsících se sníženou PA a zvýšenou<br />
pohybovou inaktivitou (Pivarnik et al., 2003) a končil v dubnu a květnu, v období<br />
s vhodnějšími klimatickými podmínkami pro venkovní PA. Zařazení intervenčního<br />
pohybového programu do měsíců s celosvětově nižší PA z hlediska celoročního režimu bylo<br />
záměrné, avšak v následujících projektech doporučujeme sledovat také faktor počasí<br />
a ročního období.<br />
5.8 Závěry<br />
Intervenční pohybový program aerobiku nezanedbatelně spolupůsobil na žádoucím zvýšení<br />
pohybové aktivity ve víkendových dnech a současně na snížení rozdílu mezi pohybovou<br />
aktivitou realizovanou ve víkendových a pracovních dnech.<br />
Dvě extrakurikulární vyučovací jednotky tělesné výchovy s přitažlivým obsahem mohou<br />
zvýšit týdenní habituální pohybovou aktivitu na zdravotně doporučovanou úroveň.<br />
Intervenční pohybový program aerobiku nesnížil školní ani mimoškolní pohybovou<br />
inaktivitu v habitualním režimu.<br />
Z hlediska celoroční pohybové aktivity je pro školní mládež žádoucí zařazovat<br />
extrakurikulární vyučovací jednotky tělesné výchovy do období listopadu až března,<br />
t.j.v měsících se zhoršenými podmínkami pro každodenní venkovní PA.<br />
Metodika terénního monitoringu pohybové aktivity založená na triangulačním přístupu<br />
jejího hodnocení (aktivní energetický výdej – akcelerometr Caltrac, kroky – pedometr<br />
Omron a doba trvání, typ a frekvence pohybové aktivity a inaktivity – individuální<br />
záznam) je vyhovující pro posuzování efektivity intervenčních pohybových programů.<br />
6.9 Referenční seznam<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 56<br />
Andersenen, R. E., Wadden, T. A., Bartlett, S. J., Zemel, B., Verde, T. J., & Franckowiak, S.<br />
C. (1999). Effects of lifestyle activity vs structured aerobic exercise in obese women.<br />
Journal of the American Medical Association, 281(4), 335-340.<br />
Ball, G. D. C., & McCargar, L .J. (2003). Childhood obesity in Canada: A review of<br />
prevalence estimates and risk factors for cardiovascular diseases and type 2 diabetes.<br />
Canadian Journal of Applied Physiology, 28(1), 117-140.<br />
Beighle, A., Pangrazi, R. P., & Vincent, S. D. (2001). Pedometers, physical activity, and<br />
accountability. Journal of Physical Education, Recreation, and Dance, 72(9), 16-19.<br />
Biddle, S., Sallis, J. F., & Cavill, N. A. (Eds.). (1998). Young and active? Young people and<br />
health enhancing physical activity: Evidence and implications. London: Health Education<br />
Authority.<br />
Cohen, J. (1988). Statistical power analysis for the behavioral sciences. (4 th ed.). New York:<br />
Academic Press.<br />
Colditz, G. A. (1999). Economic costs of obesity and inactivity. Medicine and Science in<br />
Sports and Exercise, 31(11 suppl.), 663-667.<br />
Corbin, C. B., & Pangrazi, R. P. (1996). How much physical activity is enough? Journal of<br />
Physical Education, Recreation, and Dance, 67(4), 33-37.<br />
Crespo, C. J., Smit, E. & Troiano, R. P., Bartlett, S. J., Macera, C. A., & Andersen, R. E.<br />
(2001). Television watching, energy intake and obesity in US children: Results from the<br />
third National Health and Nutrition Examination Survey, 1988-1994. Arch. Pediatr.<br />
Adolesc. Med., 155(3), 360-365.<br />
Daley, A. J., & Buchanan, J. (1999). Aerobic dance and physical self-perceptions in female<br />
adolescents: some implications for physical education. Research Quarterly for Exercise<br />
and Sport, 70(2), 196-200.<br />
Dishman, R. K., & Buckworth, J. (1996) Increasing physical activity: A quantitative<br />
synthesis. Medicine and Science in Sports and Exercise, 28(6), 706-719.<br />
Eyler, A. A., Brownson, R. C., Bacak, S. J., & Housemann, R. A. (2003). The epidemiology<br />
of walking for physical activity in the United States. Medicine and Science in Sports and<br />
Exercise, 35(9), 1529-1536.<br />
Fox, K. R. (2004). Tackling obesity in children through physical activity: A perspective from<br />
the United Kingdom. Quest, 56(1), 28-40.<br />
Frömel, K., Formánková, S., & Sallis, J. F. (2002). Physical activity and sport preferences of<br />
10 to 14-year-old children: A 5-year prospective study. Acta Universitatis Palackianae<br />
Olomucensis Gymnica, 32(1), 11-16.<br />
Frömel, K., Novosad, J., & Svozil, Z. (1999). Pohybová aktivita a sportovní zájmy mládeže.<br />
Olomouc: Univerzita Palackého.<br />
Gavarry, O., Giacomoni, M., Bernard, T., Seymat, M., & Falgairette, G. (2003). Habitual<br />
physical activity in children and adolescents during school and free days. Medicine and<br />
Science in Sports and Exercise, 35(3), 525-531.<br />
Goran, M. I., Reynolds, K. D., & Lindquist, C. (1999). Role of physical activity in the<br />
prevention of obesity. International Journal of Obesity, 23(3 suppl.), 18-33.<br />
Hastie, P. A., & Trost, S. G. (2002). Student physical activity levels during a season of sport<br />
education. Pediatric Exercise Science, 14(1), 64-74.<br />
Hovell, M. F., Sallis, J. F., Kolody, B., & McKenzie, T. L. (1999). Children’s physical<br />
activity choices: A developmental analysis of gender, intensity levels, and time. Pediatric<br />
Exercise Science, 11(2), 158-168.<br />
Chytil, J. (2000). Program PaTj2000 - program pro sledování, záznam a hodnocení pohybové<br />
aktivity, vyučovacích, cvičebních a tréninkových jednotek v týdenním režimu [Computer<br />
software]. Olomouc: SoftWareCentrum.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 57<br />
Katzmarzyk, P. T., & Malina, R.M. (1998). Contribution of organized sports participation to<br />
estimated daily energy expenditure in youth. Pediatric Exercise Science, 10(3), 378-386.<br />
Leermakers, E. A., Dunn, A. L., & Blair, S. N. (2000). Exercise management of obesity.<br />
Medical Clinics of North America, 84(2), 419-440.<br />
Leslie, E., Fotheringham, M. J., Owen, N., & Bauman, A. (2001). Age-related differences in<br />
physical activity levels of young adults. Medicine and Science in Sports and Exercise,<br />
33(2), 255-258.<br />
McCartney, K., & Rosenthal, R. (2000). Effect size, practical importance, and social policy<br />
for children. Child Development, 71(1), 173-180.<br />
McKenzie, T. L., Marshall, S. J., Sallis, J. F., & Conway, T. L. (2000). Student activity levels,<br />
lesson context, and teacher behavior during middle school physical education. Research<br />
Quarterly for Exercise and Sport, 71(3), 249-259.<br />
McKenzie, T. L., Nader, P. R., Strikmiller, P. K., Yang, M., Stone, E. J., Perry, C. L., Taylor,<br />
W. C., Epping, J. N., Feldman, H. A., Leupker, R. V., & Kelder, S. H. (1996). School<br />
physical education: Effect of the child and adolescent trial for cardiovascular health.<br />
Preventive Medicine, 25, 423-431.<br />
Montoye, H. J., Kemper H. C. G., Saris, W. H. M., & Washburn, R. A. (1996). Measuring<br />
physical activity and energy expenditure. Champaign, IL: Human Kinetics.<br />
Morgan, C. F. Jr., Pangrazi, R. P., & Beighle, A. (2003). Using pedometers to promote<br />
physical activity in physical education. Journal of Physical Education, Recreation and<br />
Dance, 74(7), 33-38.<br />
Morse, D.T. (1999). Minisize2: A computer program for determining effect size and<br />
minimum sample for statistical significance for univariate, multivariate, and nonparametric<br />
tests. Educational and Psychological Measurement, 59(3), 518-531.<br />
Novosad, J., Frömel, K., Hřebíček, J., Válková, H., & Sallis, J. F. (1995/96). Determinanty<br />
pohybové aktivity u vybraných souborů českých adolescentů. Tělesná kultura, 26(1), 118-<br />
140.<br />
Pate, R. R., Pratt, M., Blair, S. N., Haskell, W. L., Macera, C. A., Bouchard, C., Buchner, D.,<br />
Ettinger, W., Heath, G. W., King, A. C., Kriska, A., Leon, A. S., Marcus, B. H., Morris, J.,<br />
Paffenbarger, R. S., Patrick, K., Pollock, M. L., Rippe, J. M., Sallis, J. F., & Wilmore, J. H.<br />
(1995). Physical activity and public health: A recommendation from the Centers for<br />
Disease Control and Prevention and the American College of Sports Medicine. Journal of<br />
the American Medical Association, 273, 402-407.<br />
Pate, R. R., Trost, S. G., Mullis, R., Sallis, J. F., Wechsler, H. & Brown, D. R. (2000).<br />
Community interventions to promote proper nutrition and physical activity among youth.<br />
Preventive Medicine, 31(suppl.), 138-149.<br />
Pivarnik, J. M., Reeves, M. J., & Rafferty, A. P. (2003). Seasonal variation in adult leisuretime<br />
physical activity. Medicine and Science in Sports and Exercise, 35(6), 1004-1008.<br />
Powers, H. S., Conway, T. L., McKenzie, T. L., Sallis, J. F., & Marshall, J. (2002).<br />
Participation in extracurricular physical activity programs at middle schools. Research<br />
Quarterly for Exercise and Sport, 73(2), 187-192.<br />
Sahota, P., Rudolf, M. C. J., Dixey, R., Hill, A. J., Barth, J. H., & Cade, J. (2001). Evaluation<br />
of implementation and effect of primary school based intervention to reduce risk factors<br />
for obesity. BMJ, 323(3), 1027-1029.<br />
Sallis, J. F. (1994). Effects of a two-year health - related physical education program on<br />
physical activity and fitness in elementary school students [Project SPARK]. San Diego:<br />
San Diego State University.<br />
Sallis, J. F., McKenzie, T. L., Conway, T. L., Elder, J. P., Prochaska, J. J., Brown, M., Zive,<br />
M. M., Marshall, S. J., & Alcaraz, J. E. (2003). Environmental interventions for eating and<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)
<strong>ZÁKLADY</strong> <strong>STATISTIKY</strong> 58<br />
physical activity. A randomized controlled trial in middle schools. American Journal of<br />
Preventive Medicine, 24(3), 209-217.<br />
Sallis, J. F., Simons-Morton, B. G., Stone, E. J., Corbin, C. B., Epstein, L. H., Faucette, N.,<br />
Iannotti, R. J., Killen, J. D., Klesges, R. C., Petray, C. K., Rowland, T. W., & Taylor, W.<br />
C. (1992). Determinants of physical activity and interventions in youth. Medicine and<br />
Science in Sports and Exercise, 24(6 suppl.), 248-257.<br />
Sigmund, E. (2000). Pohybová aktivita v životním způsobu dětí ve věku 11-12 let. Disertační<br />
práce, Univerzita Palackého, Fakulta tělesné kultury, Olomouc.<br />
Sigmund, E., Frömel, K., Neuls, F., Skalik, K., & Groffik, D. (2002). Inactivity in life style of<br />
adolescent girls classified according to the level of their body weight. Acta Universitatis<br />
Palackianae Olomucensis Gymnica, 32(1), 17-25.<br />
Sigmund, E., Frömel, K., Sigmundová, D., & Sallis, J. F. (2003). Role školní tělesné výchovy<br />
a organizované pohybové aktivity v týdenní pohybové aktivitě adolescentů. Telesná<br />
Výchova a Šport, 13(4), 6-9.<br />
Sirard, J., & Pate, R. R. (2001). Physical activity assessment in children and adolescents.<br />
Sports Medicine, 31(6), 439-454.<br />
Stone, E. J., McKenzie, T. L., Welk, G. J., & Booth, M. L. (1998). Effects of physical activity<br />
interventions in youth review and synthesis. American Journal of Preventive Medicine,<br />
15(4), 298-315.<br />
Stone, E. J., Osganian, S. K., McKinlay, S. M., Wu, M., Webber, L. S., Leupker, R. V., Perry,<br />
C. L., Parcel G. S., & Elder, J. P. (1996). Operational design and quality control in the<br />
CATCH multicenter trial. Preventive Medicine, 25, 384-399.<br />
Tudor-Locke, C., Ainsworth, B. E., Thompson, R. W., & Matthews, C. E. (2002).<br />
Comparison of pedometer and accelerometer measures of free-living physical activity.<br />
Medicine and Science in Sports and Exercise, 34(12), 2045-2051.<br />
Tudor-Locke, C., & Myers, A. M. (2001). Methodological considerations for researchers and<br />
practicioners using pedometers to measure physical (ambulatory) activity. Research<br />
Quarterly for Exercise and Sport, 72(1), 1-12.<br />
You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)