Page 76 - Maša Vidmar, Vedenjske težave in učna uspešnost. Ljubljana: Pedagoški inštitut, 2017. Digitalna knjižnica, Dissertationes, 30
P. 76
vedenjske težave in učna uspešnost
soka (r > 0,5) korelacija oziroma nizka (R2 < 0,13) srednje visoka (0,13 < R2
< 0,25) in visoka (R2 > 0,26) pojasnjevalna moč.
Učinek gnezdenega vzorčenja na opazovane spremenljivke
V pričujoči raziskavi smo udeležence vzorčili tako, da smo naključno vzor-
čili šole, nato pa smo na izbranih šolah v skladu z vključitvenim kriterijem
(vključenost v vrtec) vzorčili učence. Podatki različnih otrok znotraj po-
sameznih šol so torej korelirani; otroci znotraj posamezne šole so si lah-
ko na opazovanih spremenljivkah med seboj bolj podobni kot otroci, ki
obiskujejo drugo šolo (ker si otroci z iste šole delijo npr. šolsko klimo, na-
čin poučevanja, učbenike, kakovost učiteljev). Analizo takih podatkov, kjer
so udeleženci gnezdeni znotraj določenih enot (npr. učenci znotraj šol, za-
posleni znotraj podjetja), omogoča večnivojsko modeliranje (Enders in To-
fighi 2007), kjer so na ravni 1 enota analize učenci, na ravni 2 pa šole. V
prvem koraku večnivojskega modeliranja je potrebno izvesti analizo me-
šanih modelov (t. i. mixed models, SPSS 15.0) z modelom brez napovedni-
kov, ki je pravzaprav enosmerna ANOVA naključnih učinkov (“običajna«
ANOVA obravnava fiksne učinke), in ugotavlja, kolikšna je varianca4 opa-
zovane spremenljivke med šolami. Na podlagi te variance lahko izraču-
namo, kolikšen delež variabilnosti v opazovani spremenljivki lahko pri-
pišemo šolam (Peugh in Enders 2005). Tako izračunani delež variance na
ravni šol pove, ali sploh imamo učinek gnezdenega vzorčenja na opazova-
no spremenljivko (ali se šole sploh razlikujejo med seboj v opazovani spre-
menljivki), torej ali sploh potrebujemo večnivojske modele. Poleg statistič-
ne pomembnosti variance na ravni šol, ki jo poda SPSS, smo izračunali tudi
koeficient ICC, ki predstavlja razmerje med varianco klastrov (šol) in total-
no varianco (Snijders in Bosker 1999), ter iz njega izpeljan učinek načrta (t.
i. design effect)5. L. K. Muthén (1999) navaja, da učinki načrta večji od 2 ka-
žejo, da imamo pri opazovani spremenljivki učinek gnezdenja.
Model naključnih učinkov smo analizirali posamično za 39 manife-
stnih spremenljivk, ki so predstavljale označevalce konstruktov. Rezulta-
ti so pokazali, da je varianca med šolami pri večini spremenljivk statistič-
4 Gre za t. i. varianco rezidualov na ravni 2 oziroma varianco artimetičnih sredin po-
sameznih šol okrog skupne aritmetične sredine (tj. aritmetične sredine vseh šol).
Statistično pomembnost variance SPSS izračuna na podlagi dvosmernega testira-
nja Waldove Z vrednosti; ker varianca ne more zavzeti negativnih vrednosti, je dvo-
smerno testiranje neupravičeno in je potrebno v SPSS podano vrednost statistične
pomembnosti popraviti tako, da jo delimo z 2.
5 Učinek načrta = 1 + (povprečna velikost klastra – 1) ∙ ICC (Snijders in Bosker 1999).
76
soka (r > 0,5) korelacija oziroma nizka (R2 < 0,13) srednje visoka (0,13 < R2
< 0,25) in visoka (R2 > 0,26) pojasnjevalna moč.
Učinek gnezdenega vzorčenja na opazovane spremenljivke
V pričujoči raziskavi smo udeležence vzorčili tako, da smo naključno vzor-
čili šole, nato pa smo na izbranih šolah v skladu z vključitvenim kriterijem
(vključenost v vrtec) vzorčili učence. Podatki različnih otrok znotraj po-
sameznih šol so torej korelirani; otroci znotraj posamezne šole so si lah-
ko na opazovanih spremenljivkah med seboj bolj podobni kot otroci, ki
obiskujejo drugo šolo (ker si otroci z iste šole delijo npr. šolsko klimo, na-
čin poučevanja, učbenike, kakovost učiteljev). Analizo takih podatkov, kjer
so udeleženci gnezdeni znotraj določenih enot (npr. učenci znotraj šol, za-
posleni znotraj podjetja), omogoča večnivojsko modeliranje (Enders in To-
fighi 2007), kjer so na ravni 1 enota analize učenci, na ravni 2 pa šole. V
prvem koraku večnivojskega modeliranja je potrebno izvesti analizo me-
šanih modelov (t. i. mixed models, SPSS 15.0) z modelom brez napovedni-
kov, ki je pravzaprav enosmerna ANOVA naključnih učinkov (“običajna«
ANOVA obravnava fiksne učinke), in ugotavlja, kolikšna je varianca4 opa-
zovane spremenljivke med šolami. Na podlagi te variance lahko izraču-
namo, kolikšen delež variabilnosti v opazovani spremenljivki lahko pri-
pišemo šolam (Peugh in Enders 2005). Tako izračunani delež variance na
ravni šol pove, ali sploh imamo učinek gnezdenega vzorčenja na opazova-
no spremenljivko (ali se šole sploh razlikujejo med seboj v opazovani spre-
menljivki), torej ali sploh potrebujemo večnivojske modele. Poleg statistič-
ne pomembnosti variance na ravni šol, ki jo poda SPSS, smo izračunali tudi
koeficient ICC, ki predstavlja razmerje med varianco klastrov (šol) in total-
no varianco (Snijders in Bosker 1999), ter iz njega izpeljan učinek načrta (t.
i. design effect)5. L. K. Muthén (1999) navaja, da učinki načrta večji od 2 ka-
žejo, da imamo pri opazovani spremenljivki učinek gnezdenja.
Model naključnih učinkov smo analizirali posamično za 39 manife-
stnih spremenljivk, ki so predstavljale označevalce konstruktov. Rezulta-
ti so pokazali, da je varianca med šolami pri večini spremenljivk statistič-
4 Gre za t. i. varianco rezidualov na ravni 2 oziroma varianco artimetičnih sredin po-
sameznih šol okrog skupne aritmetične sredine (tj. aritmetične sredine vseh šol).
Statistično pomembnost variance SPSS izračuna na podlagi dvosmernega testira-
nja Waldove Z vrednosti; ker varianca ne more zavzeti negativnih vrednosti, je dvo-
smerno testiranje neupravičeno in je potrebno v SPSS podano vrednost statistične
pomembnosti popraviti tako, da jo delimo z 2.
5 Učinek načrta = 1 + (povprečna velikost klastra – 1) ∙ ICC (Snijders in Bosker 1999).
76
