בסיסי
המנחה אמר "אסור לחשב ממוצע על המשתנה הזה": ארבעת סולמות המדידה
למה הסולם של המשתנה (שמי, סדר, רווח, יחס) מחליט בשקט אילו חישובים הגיוניים עליו ואיזה מבחן מתאים להריץ, על דוגמת נתונים של 40 מורות.
ספרייה שלמה על ניתוח נתונים לעבודת התזה, מאורגנת לפי שלבי העבודה. בעברית פשוטה.
כמה שאלות קצרות, ואני אכוון אותך למאמרים הנכונים לשלב שאת בו.
קיצורי דרך לפי המצב שלך.
53 מאמרים, לפי שלבי העבודה
מה יש לך ביד, ואיך מודדים אותו
הכלי הנכון לשאלה הנכונה
מהפלט לפרק שהוועדה קוראת
סוגי משתנים, ממוצע וחציון, ועקומת הפעמון
למה הסולם של המשתנה (שמי, סדר, רווח, יחס) מחליט בשקט אילו חישובים הגיוניים עליו ואיזה מבחן מתאים להריץ, על דוגמת נתונים של 40 מורות.
למה הממוצע והחציון נותנים מספרים שונים, מתי כל אחד מהם מתאר נכון את המדגם, ואיך לבחור בין ממוצע וסטיית תקן לבין חציון וטווח בפרק התוצאות, כולל שכיחות למשתנה דירוגי.
מה באמת מתארת ההתפלגות הנורמלית, איך ממוצע וסטיית תקן מגדירים את כל הצורה, הכלל של 68-95-99.7, איך הופכים ציון התקן לאחוזון, ולמה רוב ההסקה הסטטיסטית כל הזמן חוזרת לפעמון.
p-value, גודל אפקט, רווח סמך וכוח סטטיסטי
הסבר פשוט ומעמיק על p-value עם דוגמה אמיתית, גרפים, ותובנה שתשנה את הדרך שבה את/ה קורא/ת תוצאות סטטיסטיות.
גודל אפקט, Cohen d, וסטיית תקן. הסבר עם גרפים על למה "מובהק" ו"גדול" הם שני דברים שונים, ולמה שניהם צריכים להופיע בדוח התזה.
ההבדל בין p-value לרווח סמך, באמצעות דוגמה מההתחלה ועד הסוף. p-value אומר אם הנתונים רחוקים מאפס, רווח סמך אומר באיזה תחום של ערכים.
מה זה כוח סטטיסטי, איך הוא מתקשר ל-N ולגודל האפקט, ומה לעשות כשמגלים שהמחקר שלך לא חזק מספיק כדי לזהות את ההשפעה שאת מחפשת.
תוצאה לא מובהקת היא לא "אין אפקט". איך לקרוא אותה, איך לדווח על רווח סמך וניתוח רגישות, ואיך לכתוב משפט בדיון שמסביר בדיוק מה הראית ומה היה ביכולת המדידה שלך לראות.
תכנון גודל מדגם מראש: מה זה כוח, איך גודל האפקט, אלפא וה-N מתחברים, מספרי עוגן ל-t, ANOVA ורגרסיה, ולמה כלל אצבע לבד לא מספיק לוועדה.
האם השאלון שלך מודד את מה שהוא אמור
הסבר על מקדם המהימנות הפנימית: מה α מודדת, איזה ערך נחשב מספיק, ואיך לזהות פריט שמושך את הציון כלפי מטה.
ההבדל בין מהימנות לתוקף, עם דוגמה אחת שמראה איך שאלון יכול להיות עקבי לחלוטין ועדיין למדוד דבר אחר ממה שכתוב על השער.
חישבת אלפא של קרונבך וקיבלת מספר שלילי, או שהפלט ממליץ למחוק דווקא את הפריטים הכי טובים. הפוסט בנוי על שאלון מסוגלות עצמית של 150 מורות, שש שאלות בסולם 1 עד 5, שתיים מהן מנוסחות הפוך. רואים איך פריטים הפוכים שלא הופכו מוציאים אלפא של מינוס 0.22 ומתאם פריט-מכלול שלילי, איך היפוך פשוט, 6 פחות הציון, מקפיץ את האלפא ל-0.84 (רווח סמך 0.80 עד 0.88), ולמה מחיקת הפריטים משאירה אותך עם 0.77 על ארבעה פריטים במקום 0.84 על שישה. כולל פסקת דיווח לפרק השיטות.
נתת לעמיתה לקודד את אותם 50 קטעי תצפית, הסכמתן על 88%, אבל המנחה ביקש קאפא. הפוסט מסביר למה אחוז הסכמה לבדו מטעה: שתי מקודדות שמסמנות "לא" ברוב הקטעים יסכימו כ-64% מהזמן במזל בלבד, וקאפא של כהן מנקה את ההסכמה המקרית ומחזירה 0.67 במקום 0.88. כולל המלכודת שבה אותו 88% הסכמה נותן קאפא 0.67 או 0.33 לפי נדירות הקטגוריה, קאפא משוקללת לסולמות מדורגים, ומתי עוברים ל-ICC כשהדירוג הוא מספר ולא קטגוריה (התאמה מוחלטת, ICC=0.79), עם משפט דיווח לפרק השיטות.
איך להפוך 15 פריטי שאלון לציון אחד למושג: מתי ממוצע ומתי סכום, כמה פריטים חסרים מותרים, מתי לבנות תת-סולמות, ומתי ציון גורם.
מבחני t ומשפחת ה-ANOVA
דוגמה אחת מההתחלה ועד הסוף שמראה איך אותם נתונים בדיוק יכולים להפוך מ-p < .001 ל-p = .058, רק כי בחרת את המבחן הלא נכון.
מבחן t עושה דבר אחד פשוט: סיגנל חלקי רעש. איך בונים את t צעד-צעד, איך שלושה גורמים (ההפרש, הפיזור, גודל המדגם) מזיזים אותו, ולמה דרגות החופש קובעות מול מה משווים את הערך שיצא.
איך עובד מבחן ANOVA, למה לא רצים שלושה מבחני t במקום, ומה זה אומר כשה-F יצא מובהק. דוגמה עם נתונים אמיתיים של תחושת מסוגלות של מורות בשלוש שכבות גיל.
אחרי ANOVA מובהק, צריך לדעת בין אילו קבוצות יושב ההבדל. הסבר על מבחני post-hoc, על תיקון Bonferroni ועל Tukey HSD, עם דוגמה ממשיכה של מורות יסודי, חט"ב ותיכון.
η² מנפח את האפקט במדגמים קטנים. ω² מתקן את ההטיה הזאת. וכשהמנחה מבקש Cohen's d לזוגות, איך מחשבים אותו וכיצד הוא מתייחס לתוצאת ה-post-hoc. דוגמה ממשיכה של מורות יסודי, חט"ב ותיכון.
שני גורמים, שלושה מבחני F, ואינטראקציה צולבת שמשנה לחלוטין איך לקרוא את האפקטים הראשיים. כאן partial η² נפרד מ-η² לראשונה, וסכום ה-partial η²-ים יכול לעבור 1 בלי שזה טעות.
קבוצת התערבות מול ביקורת, מדידה לפני ואחרי. למה שני מבחני t מזווגים לא עונים על שאלת המחקר, למה t עצמאי על ציוני השינוי כן עונה אבל מאבד תוקף ב-3 נקודות זמן, ואיך ANOVA מעורבת מאחדת את הכול. אינטראקציה group × time כשאלה המרכזית.
אותן 25 מורות נמדדו בשלוש נקודות זמן לאורך הסמסטר. למה לא שלושה מבחני t מזווגים, מה הניתוח מנכה משונות השגיאה, ולמה כדוריות חשובה. מבחן Mauchly, תיקון Greenhouse-Geisser, וההבדל בין לתעד את בדיקת ההנחה לבין לדווח את התוצאה המתוקנת.
המנחה אומר שהקבוצות לא התחילו מאותו מקום ואי אפשר להשוות את ציוני הסוף. הפוסט מראה על תוכנית בשתי כיתות איך השוואת ציוני הסוף מפספסת (הפרש 2 נקודות, p=.42), בעוד ANCOVA חושף את האפקט אחרי פיקוח על נקודת הפתיחה: ממוצעים מתוקנים 62.3 מול 70.0, פער 7.7 נקודות, F(1,57)=21.45, p<.001, ηp²=0.27, כולל בדיקת הנחת הקווים המקבילים.
כמה משתנים תלויים קשורים, ולמה שלושה ANOVA נפרדים מנפחים טעות. מה MANOVA ו-Wilks' Lambda בודקים, ומתי הם באמת מוסיפים על מבחנים נפרדים.
כשהנתונים לא מתאימים למבחנים הקלאסיים
המנחה אמר לעבור למבחן לא פרמטרי, ולא ברור מה Mann-Whitney בכלל משווה. הפוסט מסביר על דוגמה של התערבות מול ביקורת (סולם 1 עד 7, 35 תלמידות) איך המבחן מדרג את כל הנבדקות יחד ושואל איזו קבוצה מחזיקה בדירוגים הגבוהים. כולל מה U סופר (269 מתוך 306 זוגות), מה אומר p<.001, וגודל אפקט אינטואיטיבי CLES=0.88 (הסיכוי שתלמידת התערבות אקראית מקבלת ציון גבוה מתלמידת ביקורת אקראית), לצד מתי בוחרים Mann-Whitney ומתי Wilcoxon לדגימות מזווגות.
המנחה אמר לעבור ממבחן t מזווג ל-Wilcoxon, ולא ברור מה המבחן בודק או במה הוא שונה מ-Mann-Whitney. הפוסט מסביר על דוגמה של התערבות לפני ואחרי (סולם 1 עד 7, 16 תלמידות) שההבדל המרכזי הוא מה מדורג: Mann-Whitney מדרג את כל הציונים יחד, ו-Wilcoxon מדרג את ההפרש בתוך כל זוג. כולל למה הפרשי אפס יוצאים מהמבחן (N יורד מ-16 ל-13), איך מתקבל W=3, מה אומר p=.003, וגודל אפקט rank-biserial של 0.93, לצד שורת דיווח מסודרת ומתי בוחרים Wilcoxon מול Mann-Whitney או Friedman.
יש לך שלוש קבוצות וסולם סדיר, ו-Mann-Whitney לבדו כבר לא מספיק. הפוסט מסביר על דוגמה של שלוש שיטות משוב (בכתב, בעל-פה, משולב) ותחושת מסוגלות בסולם 1 עד 7, 24 תלמידים, למה לא מריצים שלושה מבחנים נפרדים אלא מבחן כולל אחד שמדרג את כולם יחד. כולל מה אומר H(2)=16.57, p<.001, גודל אפקט ε²=.72, ולמה מבחן כולל מובהק לא מספיק: בדיקות המשך (Dunn) חושפות שהמשוב המשולב נבדל משתי השיטות, אבל בין המשוב בכתב למשוב בעל-פה לא נמצא הבדל מובהק. המקבילה הלא פרמטרית של ANOVA חד-כיוונית.
שלוש טיוטות של אותה עבודה, אותם תלמידים, והאינסטינקט להריץ Wilcoxon שלוש פעמים. הפוסט מסביר על דוגמה של 12 תלמידים ושלוש טיוטות (מחוון 1 עד 7) למה במקום זה מריצים מבחן כולל אחד, Friedman, ומה מבדיל אותו מ-Kruskal-Wallis: כאן מדרגים בתוך כל נבדק את שלוש המדידות שלו, לא מערבבים את כולם יחד. כולל מה אומר Q(2)=22.14, p<.001, גודל אפקט W של קנדל =.92, ולמה מבחן כולל מובהק לא מספיק: בדיקות המשך (Wilcoxon, תיקון Holm) מראות עלייה מובהקת בכל מעבר בין הטיוטות. המקבילה הלא פרמטרית של ANOVA במדידות חוזרות.
מתאם, ניבוי, ומה שקשור במה
דוגמה אחת מההתחלה ועד הסוף שמראה איך נקודה אחת חריגה הופכת מתאם של פירסון לאפס, וספירמן ממשיך לספר את הסיפור הנכון.
40 מורות, ותק והוראה לעומת שחיקה. הקורלציה אומרת שיש קשר וכמה הוא חזק. רגרסיה הופכת את הקשר למשוואה: שיפוע ביחידות מקוריות, חיתוך, R², ותחזית מספרית לכל ערך של X. למה β המעוגל לא מייצר תחזית מדויקת, ומה השארים אומרים על תקפות המודל.
אותן 40 מורות מאתמול, עכשיו עם עומס עבודה סובייקטיבי כמנבא שני. למה β של ותק זז מ--1.19 ל--1.32, איך לקרוא מקדם "כשמחזיקים את האחר קבוע", מה ΔR² ומבחן F-change באמת אומרים (ומתי הם זהים ל-t), למה צריך β מתוקנן כשהסקאלות שונות, ואיך לבדוק מולטיקולינאריות עם VIF.
המנחה אומר "טוב, אבל זה אותו דבר אצל מורות חדשות וגם אצל ותיקות?". זאת שאלה של מודרציה. הפוסט מפרק את זה ב-60 מורות עם עומס סובייקטיבי ושחיקה, מראה למה β של עומס יורד מ-5.70 ל-3.45 כשמכניסים אינטראקציה, למה β של קבוצה מתהפך מ-+8.14 ל--11.14, איך לחשב את נקודת ההצטלבות בין שני הקווים, ואיך לבדוק את האינטראקציה דרך ה-t או דרך F-change.
המנחה אומר "אולי המסוגלות מתווכת את הקשר" ואת לא בטוחה מה זה אומר ומה ההבדל בין מתווך לממתן. הפוסט מפרק את זה ב-120 מורות עם שעות חונכות, מסוגלות עצמית, ואקלים כיתתי, מראה איך c יורד מ-0.18 ל-c' = 0.055 כשמוסיפים את המתווך, מחשב a*b = 0.128 עם bootstrap CI של [0.092, 0.168], ומסביר למה הסיווג של מלא/חלקי/אין מדיאציה מתחיל מה-CI של האפקט העקיף ולא מהירידה ב-c.
המנחה אמר "תבדקי Cook's D". הפוסט מסביר את שלושת המדדים שחשוב להבדיל ביניהם, leverage, שארית מתוקננת ו-Cook's distance, עם דוגמה של 50 מורות ושלוש נקודות מסומנות שכל אחת חורגת באופן שונה. למה X קיצוני לבדו לא בעיה, למה שארית גדולה לבדה לא בעיה, ולמה רק בצירוף שלהם נוצרת תצפית שמזיזה את β פי 50.
המנחה עצר אותך במשפט אחד: המשתנה התלוי שלך הוא כן/לא, אי אפשר להריץ על זה רגרסיה רגילה. הפוסט בנוי על דוגמה של שישים מורות מתחילות, ציון תמיכת חונכת (1 עד 7) מול הישארות בהוראה אחרי השנה הראשונה. רואים איך קו ישר קורס (מנבא מינוס 13 אחוז למורה עם תמיכה 1), איך עקומת ה-S שומרת על הגבולות, ולמה המקדם מדבר בשפה של סיכויים: OR = 3.06 לכל נקודת תמיכה, רווח סמך [1.83, 5.13], נקודת ה-50/50 בציון 4.47. כולל תרגום להסתברויות חזויות (6% בציון 2, 85% בציון 6), מבחן מודל χ²(1) = 31.86, McFadden R² = .39, פסקת דיווח בסגנון APA, ושלוש בדיקות לפני שסוגרים את הפרק.
המנחה אמר שהמשתנה התלוי שלך, רמת שחיקה נמוכה-בינונית-גבוהה, הוא דירוג ואי אפשר להריץ עליו רגרסיה רגילה. הפוסט בנוי על 150 מורות, רמת שחיקה מדורגת מול היקף עבודה מנהלית שבועית. רואים למה רגרסיה ליניארית על 1, 2, 3 מנבאת מספרים חסרי פירוש (2.57 שחיקה) ומניחה מרחקים שווים שלא מדדת, למה התעלמות מהסדר זורקת מידע, ואיך רגרסיה אורדינלית חותכת את הסולם בשני חיתוכים עם שיפוע אחד משותף: OR = 1.40 לכל שעת מנהלה, רווח סמך [1.28, 1.53], χ²(1) = 90.48, McFadden R² = .29. כולל טבלת הסתברויות חזויות, פסקת דיווח APA, והבדיקה שאי אפשר לדלג עליה, הנחת הסיכויים היחסיים ומבחן הקווים המקבילים.
שלושה מגזרים וציון שחיקה אחד: למה אסור להקליד 1/2/3 כמספר, מהם משתני דמה, ואיך קוראים כל מקדם מול קטגוריית הייחוס.
המנחה ביקש את הקשר בין שני משתנים "אחרי פיקוח על הגיל". מה זה מתאם חלקי, איך הוא שונה מפירסון רגיל, ומתי הוא הכלי הנכון מול רגרסיה.
חי בריבוע ומבחנים לטבלאות שכיחות
הרצת Crosstabs ב-SPSS, קיבלת p-value, והמנחה שאל "בדקת שכיחויות צפויות?". הפוסט מסביר מה מבחן חי-בריבוע לאי-תלות באמת בודק דרך השוואת נצפה מול צפוי, על דוגמה של 90 תלמידות בשלוש שיטות הוראה (χ²(2)=8.35, p=.015, V=.30). כולל גודל אפקט Cramér's V, שאריות מתואמות לזיהוי התא שמזיז את הקשר, וכלל Cochran: מתי לעבור ל-Fisher's exact, עם דוגמה שבה חי-בריבוע נותן p=.025 ו-Fisher דווקא p=.070.
הרצת Crosstabs וקיבלת שתי שורות, Pearson Chi-Square ו-Fisher's Exact Test, כל אחת עם p משלה, והערה שחלק מהתאים בעלי שכיחות צפויה קטנה מ-5. הפוסט מסביר על דוגמה של התערבות קטנה (8 מתוך 10 מול 2 מתוך 9, N=19) למה כשהתאים קטנים עוברים ל-Fisher, ומה המילה מדויק באמת אומרת: במקום לקרוא p מעקומה מקורבת, Fisher מונה את כל עשר הטבלאות האפשריות עם אותם שוליים ומחבר את ההסתברות של הקיצוניות כמו שלך או יותר. כולל p=.023, יחס סיכויים OR=14 ורווח סמך רחב [1.54, 127], ההבדל מול חי-בריבוע (p=.012 כאן, אך לא תקף), כלל Cochran ומתי לדווח איזו שורה.
מדדת כן/לא לפני ואחרי על אותם אנשים, השיעור עלה, אבל מבחן חי בריבוע הרגיל מחזיר לא מובהק. הפוסט בנוי על סדנה ל-40 מורות שמדדה שימוש בשיטת הערכה, כן או לא, לפני ואחרי. רואים למה חי בריבוע של אי-תלות הוא המבחן הלא נכון (p=.19, שאלה אחרת לגמרי), ואיך McNemar מסתכל רק על 18 המורות שהשתנו, 15 שהתחילו מול 3 שהפסיקו, ומחזיר χ²(1)=8.00, p=.005. כולל מתי לעבור לגרסה המדויקת, הסתייגות מהמסקנה הסיבתית, ופסקת דיווח לפרק השיטות.
נורמליות, שוויון שונויות, והנחות הרגרסיה
מה אומרת תוצאה גבולית של Shapiro-Wilk לפני מבחן t-מזווג, מתי המבחן עדיין תקף בקירוב, איך מצרפים בדיקת רגישות באמצעות Wilcoxon, ואיך לדווח על כל זה בעבודה.
השווית שתי קבוצות במבחן t וקיבלת תוצאה מובהקת, אבל שורת Levene בפלט יצאה מובהקת גם היא, וזה אומר שהנחת שוויון השונויות הופרה. הפוסט מסביר מה Levene בודק (את הפיזור, לא הממוצעים), ולמה זה משנה: על אותם נתונים בדיוק, מבחן Student הרגיל מחזיר t(58)=2.18, p=.033 (מובהק), אבל מבחן Welch, שלא מניח שוויון שונויות, מחזיר t(22.4)=1.71, p=.101 (לא מובהק). דוגמה עם שתי כיתות, שיטה רגילה (סטיית תקן 8) מול חדשה (סטיית תקן 20), כולל מתי לקרוא איזו שורה ב-SPSS, ההרחבה ל-Welch ANOVA, וההבדל מהנחת הנורמליות.
המנחה כתב "בדקת הנחות?". הפוסט לוקח דוגמה של 60 מורות שבה הטבלה כאילו אומרת שוותק לא מנבא שביעות רצון, ומראה איך VIF חושף מולטיקולינאריות חמורה בין גיל לוותק שמסתירה אפקט אמיתי. עובר על חמש בדיקות אבחון (מולטיקולינאריות, לינאריות, נורמליות השאריות, הומוסקדסטיות, עצמאות), עם שתי בעיות חבויות ושתי דרכי תיקון: הורדת מנבא מתואם ו-HC3 להטרוסקדסטיות.
איך לאתר תצפיות חריגות בניקוי הנתונים: boxplot וציון תקן לחד-משתני, מרחק מהלנוביס לרב-משתני, להבחין בין טעות למקרה אמיתי, ולדווח ביושר.
EFA, CFA ומודלים של משתנים סמויים
כתבת בפרק השיטות שהשאלון מודד שני תת-סולמות, והמנחה ביקש להוכיח שזה באמת שניים ולא ממד אחד. הפוסט מסביר מה זה גורם: המשתנה החבוי שגורם לקבוצת פריטים לנוע יחד. על דוגמה של שאלון רווחה למורה (6 פריטים, 200 משיבות), המתאמים שבתוך כל תת-סולם יוצאים סביב 0.5 ובין תת-הסולמות רק 0.11, שני ערכים עצמיים גדולים מ-1 (2.35 ו-1.72), וטעינויות נקיות שמראות שכל פריט נשען על גורם אחד. כולל למה אלפא של קרונבך לא יכולה לגלות את המבנה הזה לבד, וההבדל בין מה שניתוח גורמים מציע למה שהוא מוכיח.
הרצת ניתוח גורמים, ועכשיו יש דף פלט שלם: KMO, מבחן Bartlett, טבלת ערכים עצמיים, תרשים scree, ושאלה איזה סיבוב לבחור. הפוסט קורא את הפלט שורה אחר שורה על אותו שאלון רווחה למורה מחלק א (6 פריטים, 200 משיבות). KMO יצא 0.70 ו-Bartlett χ²(15)=302.6, p<.001, אז המדגם מתאים. ניתוח מקביל (parallel analysis) ותרשים scree מסכימים על שני גורמים, ומראים למה כלל קייזר (ערך עצמי מעל 1) נדיב מדי. ההבדל בין סיבוב varimax לסיבוב oblimin, ולמה מתאם של 0.17 בין הגורמים אומר ששניהם לגיטימיים כאן. בסוף, איך לכתוב את כל זה בפרק השיטות בכמה שורות.
כבר יש לך מבנה מתוך מאמר, שני תת-סולמות, שחיקה רגשית ותחושת הישג. ניתוח גורמים מאשש (CFA) לא מגלה את המבנה, הוא בודק אם הנתונים שלך מתיישבים איתו. הפוסט בנוי על אותו שאלון רווחה למורה מסדרת ניתוח הגורמים (6 פריטים, מדגם הדגמה של 300), ומראה איך מגדירים מודל מדידה שאוסר טעינויות צולבות, ולמה דווקא האיסור הזה הופך אותו לבדיק. עובר מדד אחר מדד על ההתאמה: χ²(8)=4.97, p=.76, למה χ² תלוי בגודל המדגם, RMSEA=.000 עם רווח סמך [.000, .047], CFI ו-TLI שמתעגלים ל-1.00, ו-SRMR=.022. ואז הניסוי שמראה מה CFA שווה: כופים על אותם נתונים מודל של גורם אחד, וההתאמה קורסת (CFI=.58, RMSEA=.241). כולל שלושה סייגים (אישוש על מדגם נפרד, התאמה טובה אינה הוכחה, ופיתוי מדדי השינוי), פסקת דיווח בסגנון APA, וגשר ל-SEM.
סגירת סדרת ניתוח הגורמים. ב-CFA בנינו מודל מדידה ובדקנו אם המבנה מתאים לנתונים, אבל שם עצרנו, ונתנו לגורמים רק להיות מתואמים. מודל משוואות מבניות (SEM) הוא הצעד הבא: מחברים בין הגורמים החבויים בחיצים מכוונים ושואלים מי מנבא את מי. הפוסט בנוי על אותו עולם רווחת המורה, מוסיף גורם חבוי שלישי (עומס בעבודה), ובונה שרשרת מבנית: עומס מנבא שחיקה רגשית, ושחיקה מנבאת תחושת הישג. עובר על שני החלקים של SEM (מודל מדידה ועוד מודל מבני שנאמדים יחד), קורא את מדדי ההתאמה כמו ב-CFA (χ²(25)=30.40, p=.21, CFI=.99, RMSEA=.02), ואת המקדמים המבניים המתוקננים (44.+ ו-37.-). ואז הלקח המרכזי: למה לא פשוט לחשב ממוצע ולהריץ רגרסיה. כי הממוצע הוא מדידה רועשת, ורעש המדידה מחליש את הקשר. בדוגמה הרגרסיה על הממוצעים נתנה 0.27-, וה-SEM, שמפריד את הגורם מהרעש, נתן 0.37-, פער של כ-27 אחוז שמתיישב על נוסחת ההיחלשות הקלאסית. כולל שלושה סייגים (SEM רעב לנתונים, התאמה טובה אינה הוכחת סיבתיות, וסייג נתוני ההדגמה) ופסקת דיווח בסגנון APA.
הכנת הנתונים, בחירת המבחן, וכתיבת הממצאים
השלב שלפני כל מבחן: איך מסדרים קובץ שאלון גולמי לצורת הניתוח ב-SPSS, שורה אחת לכל משתתפת, קידוד קטגוריות למספרים, הגדרת סולם המדידה, ניקוי טקסט, ומתי צריך פורמט ארוך במקום רחב.
לא עץ החלטה שמכתיב מבחן אחד נכון, אלא שלוש שאלות (סוג השאלה, סוג המשתנה התלוי, מבנה ההשוואה) שמצמצמות אותך לקומץ מועמדים, וטבלת מפה שמקשרת לכל מבחן בספרייה. ההנחות עוזרות להכריע בין הפרמטרי ללא-פרמטרי.
מפת פרק הממצאים, שלב אחרי שלב: מהמדגם והתיאוריות, דרך בדיקת ההנחות, ועד משפט הדיווח לכל מבחן, שתמיד נושא גם גודל אפקט ורווח סמך ולא רק p.
אספת 100 שאלונים אבל הניתוח רץ על 55, ואף אחת לא מחקה אף אחת. מה ההבדל בין מחיקה לפי רשימה למחיקה זוגית, למה חֶסֶר קטן בכל משתנה מצטבר להפסד גדול, ומתי נתונים חסרים לא רק מקטינים את המדגם אלא מטים אותו.