Εργασία μαθητή του Γ5 του 2ου Γ/σιου Αλεξ/πολης, για το σχολικό έτος 2014-15 με θέμα:
Σύγκριση της θυσίας της Ιφιγένειας και της θυσίας της γυναίκας του Πρωτομάστορα στην Παραλογή «Του γιοφυριού της Άρτας»
Εργασία μαθητή του Γ5 του 2ου Γ/σιου Αλεξ/πολης, για το σχολικό έτος 2014-15 με θέμα:
Σύγκριση της θυσίας της Ιφιγένειας και της θυσίας της γυναίκας του Πρωτομάστορα στην Παραλογή «Του γιοφυριού της Άρτας»
Γ6.8.Μ1 Ερωτήματα
Να περιγράφουμε την ανάγκη χρήσης των ερωτημάτων σε μια βάση δεδομένων (πλεονεκτήματα)
Να δημιουργούμε, να τροποποιούμε, να αποθηκεύουμε και να διαγράφουμε απλά ερωτήματα
Να εφαρμόζουμε, να προσθέτουμε και να διαγράφουμε κριτήρια σε ένα ερώτημα (χρήση σταθερών τιμών και συγκριτικών τελεστών: =, <,>, <>, <=,>=, between …and ...)
Ανάλυση αθλητικών επιδόσεων με τη χρήση του συστήματος REMEDESISSEL
Η επιστήμη των δεδομένων αν και προϋπήρχε, στις μέρες μας κυριαρχεί και ενδέχεται να κάνει το ίδιο στο μέλλον. Η ύπαρξη τεράστιου αποθηκευτικού χώρου και ισχυρών επεξεργαστών, ικανών να διαχειριστούν αντίστοιχου μεγέθους βάσεις δεδομένων, έχουν δώσει τη δυνατότητα συλλογής πληροφορίας σε κάθε εργασιακό χώρο, από τον κλάδο της ιατρικής και των μηχανικών, μέχρι τις τέχνες και τον αθλητισμό. Στη συγκεκριμένη διπλωματική εργασία θα σταθούμε στο χώρο του επαγγελματικού αθλητισμού και συγκεκριμένα της καλαθοσφαίρισης (Basketball). Αρχικά θα παρουσιαστούν βασικές γνώσεις γύρω από το άθλημα, θα αναφερθούν κάποια από τα εργαλεία συλλογής πληροφορίας και θα αναλυθεί η σημασία και ο ρόλος των δεδομένων στην προπόνηση, στην προετοιμασία των αθλητών αλλά και στις αποφάσεις των προπονητών. Στη συνέχεια, έχοντας συλλέξει δεδομένα με τη χρήση του συστήματος REMEDES πάνω σε συγκεκριμένο ασκησιολόγιο καλαθοσφαίρισης, αναπτύχθηκε ένα σύστημα αξιολόγησης αθλητικών επιδόσεων, χρησιμοποιώντας τη γλώσσα προγραμματισμού Python και διάφορες τεχνικές επεξεργασίας και προ-επεξεργασίας δεδομένων (Data Preprocessing) και μηχανικής μάθησης (Machine Learning). Σκοπός του εν λόγω συστήματος είναι η όσο το δυνατόν πιο αντιπροσωπευτική αξιολόγηση μη αθλητών, αθλητών και αθλητών Basketball σε συγκεκριμένες ασκήσεις που αφορούν φυσικά την καλαθοσφαίριση. Κατά τη διάρκεια της ανάλυσης αλλά και με την προσεκτική παρακολούθηση των αποτελεσμάτων, προέκυψαν κάποια πολύ ενδιαφέροντα συμπεράσματα που θα παρουσιαστούν και θα ερμηνευθούν στην παρούσα διπλωματική εργασία.
Basketball data analytics via Machine Learning techniques using the REMEDES s...ISSEL
Data science although pre-existing, now days dominates and may do the same in the future. The existence of huge storage space and powerful processors capable of managing corresponding-sized databases, have enabled information to be collected in every workplace, from the medical and engineering sectors to the arts and sports. In this diploma thesis we will stand in the field of professional sport and in particular basketball. Initially basic knowledge about the sport will be presented, some of the information collection tools will be mentioned and we will analyze the importance and role of data in training, in the preparation of athletes and in the decisions of coaches. Subsequently, having collected data using the "REMEDES" system on a specific basketball set of drills, a sports performance evaluation system was developed using the "Python" programming language and various Data Preprocessing and Machine Learning techniques. The purpose of this system is to evaluate as representatively as possible non-athletes, athletes and Basketball athletes in a specific set of drills that obviously concern basketball. During the analysis and through careful monitoring of the results we have drawn some very interesting conclusions that will be presented and interpreted in this report along the way.
Εφαρμογή Τεχνικών Εξόρυξης Δεδομένων για την Εξαγωγή Προτύπων Διόρθωσης σε Σφ...ISSEL
Τις τελευταίες δεκαετίες, τα έργα λογισµικού γίνονται όλο και µεγαλύτερα, χρησιµότερα και διεισδύουν σε όλο και περισσότερες πτυχές του ανθρώπινου ϐίου. Κατά την ανάπτυξη και τη συντήρηση λογισµικού, οι προγραµµατιστές σπαταλούν µεγάλο µέρος του χρόνου τους στον εντοπισµό και τη διόρθωση σφαλµάτων. Τα εργαλεία στατικής ανάλυσης κώδικα αυτοµατοποιούν τη διαδικασία εντοπισµού των σφαλµάτων. Η χρήση τους, ωστόσο, παραµένει περιορισµένη, καθώς η κατανόηση και η διόρθωση σφαλµάτων παραµένουν ευθύνες των προγραµµατιστών. Τα τελευταία χρόνια, πραγµατοποιούνται έρευνες για την εξόρυξη προτύπων διόρθωσης τέτοιων σφαλµάτων άλλα και την ανάπτυξη συστηµάτων αυτοµατοποιηµένης διόρθωσης σφαλµάτων. Οι πρώτες στοχεύουν στην κατανόηση του τρόπου που οι προγραµµατιστές αντιµετωπίζουν τέτοια προβλήµατα, και πολλές ϕορές τα αποτελέσµατα τους αποτελούν ϐάση για τις δεύτερες. Η παρούσα διπλωµατική, στοχεύει στην εξόρυξη χρήσιµων προτύπων διόρ ϑωσης σφαλµάτων για σφάλµατα που ανήκουν στους κανόνες του εργαλείου στατικής ανάλυσης PMD. Αρχικά, µέσω κατάλληλων ερωτηµάτων στο API του Github, αναζητο ύνται commits που αφορούν διορθώσεις τέτοιων σφαλµάτων και λαµβάνονται οι εκδόσεις των αρχείων πριν και µετά των αλλαγών των commits. Στη συνέχεια, µέσω εκτέλεσης του PMD στις δύο εκδόσεις, εντοπίζονται οι επιµέρους διορθώσεις και δηµιουργείται κα τάλληλο σύνολο δεδοµένων, αποτελούµενο αποκλειστικά από διορθώσεις σφαλµάτων, κανόνων του PMD. Οι επιµέρους διορθώσεις αναλύονται και µε αξιοποίηση της αναπα ϱάστασης κώδικα srcML και του αλγορίθµου απόστασης επεξεργασίας δέντρου Gumtree, είναι εφικτή η εξαγωγή µιας ακολουθίας όρων που είναι αντιπροσωπευτικοί για κάθε διόρθωση. ΄Ετσι, µε εύρεση του µήκους της µέγιστης κοινής υπακολουθίας µεταξύ δύο διορθώσεων, είναι εφικτή η ανάπτυξη ενός µοντέλου οµοιότητας για τις διορθώσεις συνολικά και κατ΄ επέκταση, η οµαδοποίηση τους και η εξαγωγή προτύπων διόρθω σης. Πραγµατοποιήθηκαν δύο διαφορετικά πειράµατα οµαδοποίησης : στο ένα αξιοποιήθηκε ο αλγόριθµος K-medoids και στο άλλο ο DBSCAN. Και στα δύο πειράµα τα, άλλα ιδιαίτερα σε αυτό µε τον DBSCAN, σχεδόν κάθε εξαγόµενη οµάδα αποτελείται κυρίως από διορθώσεις σφαλµάτων ενός κανόνα του PMD. Παράλληλα, µε τον υπο λογισµό του αριθµού των commits και των αποθετηρίων από τα οποία προέρχονται οι διορθώσεις κάθε οµάδας - προτύπου, ϕανερώνεται ότι οι περισσότερες οµάδες προκύπτουν από διορθώσεις προερχόµενες από µεγάλο αριθµό commits και αποθετηρίων. ΄Ετσι αντανακλούν τον τρόπο που αρκετοί προγραµµατιστές ϑα αντιµετώπιζαν παρόµοια προβλήµατα. Συνεπώς, τα εξαγόµενα πρότυπα ϑα µπορούσαν να αποτελέσουν αφετη ϱία για κάποιον µηχανισµό αυτοµατοποιηµένης διόρθωσης σφαλµάτων, ϐασιζόµενο στο PMD για τον εντοπισµό τους.
Applying Data Mining Techniques to Extract Fix Patterns for Static Analysis V...ISSEL
Contemporary Software products are getting larger and more complex. Dur ing the processes of software development and maintenance, developers spend a significant amount of their work time on detecting and fixing bugs. Static Analysis Tools automate the process of bug detection. Their application, however, is lim ited as the process of understanding and fixing of bugs, remains part of developer’s responsibilities. Lately, several research approaches aspire to extract useful bug fix patterns, or to automate the bug fixing process. The first approaches focus on understanding how developers face similar problems and frequently they serve as groundwork for systems for automated bug fixing. Our research aims at the extraction of useful bug fix patterns, for bugs that trigger the rules of the static analysis tool PMD. Initially, by querying the Github API, we search for commits that correspond to fixes of these categories of bugs. Both the before and after the commit versions of the commits’ files are downloaded. Then, by executing PMD on the two versions of each file, individual fixes are detected and a proper dataset is crafted. The dataset comprises fixes of bugs detectable from rules of PMD. The fixes are analyzed, and by utilizing srcML code representation and tree edit distance algorithm Gumtree, a representative sequence is extracted from each fix. Afterwards, by utilizing the metric of longest common subsequence between two sequences of two fixes, we develop a similarity scheme for the dataset’s fixes. This similarity scheme, operates as the base for the clustering of fixes and pattern extraction. In order to cluster the fixes, two separate experiments were conducted, one with K-medoids and one with the DBSCAN algorithm. In both experiments, but mostly with the DBSCAN algorithm, almost each cluster groups mostly bug fixes of a certain PMD rule. Alongside, by computing the number of commits and repositories from which the fixes of each cluster come from, it becomes obvious, that most of the clusters arise from fixes coming from a large number of commits and repositories. Thus, the extracted patterns correspond to the way in which similar problems are faced, by a number of different developers. Consequently, our extracted patterns, can be utilized as groundwork for an automated bug fixing system, where PMD will serve for bug detection.
Ομιλία του κ. Παναγιώτη Αλεβάντη της Αντιπροσωπείας της Ευρωπαϊκής Επιτροπής στην Ελλάδα για το Ελληνικό Δίκτυο Ορολογίας. Το Ελληνικό Δίκτυο Ορολογίας παρουσιάστηκε στους ενδιαφερόμενους επιστήμονες του Πανεπιστημίου Πατρών, του ΑΤΕΙ Δυτικής Ελλάδος και του Ελληνικού Ανοικτού Πανεπιστημίου στις 11 Μαΐου 2016 και ώρα 11:00 πμ στην Αίθουσα Εκδηλώσεων της Βιβλιοθήκης και Κέντρου Πληροφόρησης. Η είσοδος ήταν ελεύθερη και για τους ενδιαφερόμενους επαγγελματίες μεταφραστές και διερμηνείς.
Ποιος διαμορφώνει την ελληνική γλώσσα σήμερα; Ποιος εισάγει νέες λέξεις στο καθημερινό μας λεξιλόγιο; Πως θα αντιμετωπίσουμε την εισβολή ξένων λέξεων στην καθημερινότητά μας; Τι ρόλο παίζουν οι μεταφραστές των κειμένων της Ευρωπαϊκής Ένωσης στη διαμόρφωση της γλώσσας και ποια βοήθεια μπορούν να τους προσφέρουν οι δημόσιες διοικήσεις και οι επιστήμονες σε Ελλάδα και Κύπρο;
Πολλοί νεολογισμοί εισάγονται στη γλώσσα μας μέσα από νομοθετικές πράξεις της Ευρωπαϊκής Ένωσης που έχουν προέλθει από μεταφράσεις. Για να βελτιώσει την ποιότητα των μεταφραζόμενων κειμένων η Γενική Διεύθυνση Μετάφρασης της Ευρωπαϊκής Επιτροπής έχει δημιουργήσει από τον Απρίλιο του 2015 το Ελληνικό Δίκτυο Ορολογίας (http://europa.eu/!WF43bm).
Με το Δίκτυο οι ελληνόφωνοι μεταφραστές των θεσμικών οργάνων της Ευρωπαϊκής Ένωσης έρχονται σε επαφή με επιστήμονες όλων των κλάδων αλλά και υπαλλήλους της δημόσιας διοίκησης σε Ελλάδα και Κύπρο που ενδιαφέρονται να υποστηρίξουν τη σωστή χρήση της ελληνικής γλώσσας. Αυτό επιτυγχάνεται μέσω της διαδικτυακής Υπηρεσίας Επείγουσας Απόδοσης Όρων για επιμέρους τομείς όπως τα Οικονομικά, η Τεχνολογία, η Χημεία, οι Φυσικοί πόροι, και �
Η Βιβλιοθήκη & Κέντρο Πληροφορήσης διοργάνωσε την Τετάρτη 20 Απριλίου 2016, 11:00 πμ - 13:00 μμ, την εκδήλωση παρουσίασης των συστημάτων Web of Science και Journal and Highly Cited Data. Η εκδήλωση απευθύνθηκε τόσο στα μέλη ΔΕΠ και τους ερευνητές του Πανεπιστημίου μας, όσο και σε βιβλιοθηκονόμους ή διοικητικό προσωπικό που ασχολείται με βιβλιομετρικούς δείκτες. Η παρουσίαση έγινε από την Δρ. Ευαγγελία Λιπιτάκη, PhD, MSc, BSc, MACM–SIGMetrics, Scientific & Scholarly Research Σύμβουλό της Thomson Reuters.
Το Mendeley είναι μία ελεύθερη εφαρμογή διαχείρισης βιβλιογραφικών αναφορών. Το Mendeley σας επιτρέπει να διαχειρίζεστε και να διαμοιράζεστε τις ερευνητικές σας εργασίες, να ανακτάτε βιβλιογραφικές εγγραφές και να συνεργάζεστε με άλλους ερευνητές. Συνδυάζει το Mendeley Desktop, μια εφαρμογή διαχείρισης εγγράφων και αναφορών που βρίσκονται τοπικά αποθηκευμένες στον υπολογιστή σας (διαθέσιμο για Windows, Mac και Linux) και το Mendeley Web, ένα διαδικτυακό εργαλείο διαχείρισης ερευνητικών εργασιών και ένα κοινωνικό δίκτυο για ερευνητές.
Αρχείο της παρουσίασης "Τα Πληροφοριακά Συστήματα Ερευνητικής Δραστηριότητας (CRIS) ως φορείς της Ανοικτής Έρευνας στην Ελλάδα" στο Διεθνές Συνέδριο: "Ανοικτή Πρόσβαση @ ΕΚΤ Αναπτύσσοντας κοινές ευρωπαϊκές πολιτικές για την καινοτόμο χρήση της δημόσιας και επιστημονικής πληροφορίας"
Διδακτέα - Εξεταστέα ύλη για το μάθημα "Οικονομία" (ΑΟΘ) της Γ τάξης του Επαγγελματικού λυκείου. Μπορείτε να δείτε και αναλυτικά την ύλη του μαθήματος επιλέγοντας τον παρακάτω σύνδεσμο:
https://view.genially.com/6450d17ad94e2600194eb286
3. Ποσοτικές Μέθοδοι για Οικονομικές Αποφάσεις, Εργαστήριο SPSS 1
ΦΤΙΑΞΤΕ ΣΤΟ DESKTOP ΤΟΥ ΥΠΟΛΟΓΙΣΤΗ ΣΑΣ ΕΝΑ FOLDER ΜΕ ΟΝΟΜΑΣΙΑ BUSINESS
STATISTICS.
ΑΠΟ ΤΟ ΕΡΩΤΗΜΑΤΟΛΟΓΙΟ ΣΤΟ SPSS
1. Πόσα τσιγάρα καπνίζετε την ημέρα;
…………………τσιγάρα.
3. Η ηλικία σας είναι:
………….ετών.
4. Είστε…
- Άνδρας
- Γυναίκα
5. Σε ποια από τα παρακάτω μέρη καπνίζετε;
- Στο σπίτι
- Στο χώρο εργασίας
- Σε υπαίθριους χώρους
- Σε χώρους διασκέδασης
- Αλλού
3
4. Ποσοτικές Μέθοδοι για Οικονομικές Αποφάσεις, Εργαστήριο SPSS 1
Α. VARIABLE VIEW
Πρώτη στήλη variable view (ΝΑΜΕ)
Κανόνες για την Ονομασία των Μεταβλητών
• Το όνομα θα πρέπει να αρχίζει πάντα με γράμμα.
• Το όνομα της μεταβλητής δεν μπορεί να τελειώνει με σημείο στίξης.
• Να αποφεύγονται ονόματα μεταβλητών που τελειώνουν με κάτω παύλα.
• Δεν πρέπει να χρησιμοποιούνται κενά ή ειδικοί χαρακτήρες όπως: !,?, ‘, *.
• Το όνομα κάθε μεταβλητής πρέπει να είναι μοναδικό.
• Αντί για κενό μπορείτε να χρησιμοποιείται την κάτω παύλα (π.χ. mob_phone αντί mob phone).
Δεύτερη στήλη variable view (TYPE)
Επιλέγεται τον τύπο της μεταβλητής (αριθμός, λέξη, ημερομηνία, νόμισμα κτλ.)
Τρίτη στήλη variable view (WIDTH)
Επιλέγεται ο μέγιστος αριθμός χαρακτήρων που επιθυμεί ο ερευνητής να εμφανίζεται σε όλα τα
outputs που σχετίζονται με τη συγκεκριμένη μεταβλητή. To εύρος της μεταβλητής δεν επηρεάζει τον
τρόπο με τον οποίο αυτή θα εμφανίζεται στη data view.
Τέταρτη στήλη variable view (DECIMALS)
Ορίζεται ο αριθμός των δεκαδικών ψηφίων που θα εμφανίζονται τόσο στην data view όσο και στα
Outputs.
Πέμπτη στήλη variable view (LABELS)
Είναι η ετικέτα της μεταβλητής. Περιγράφει με όσες λέξεις, κενά ή σύμβολα χρειάζονται την
μεταβλητή χωρίς κανένα περιορισμό.
Έκτη στήλη variable view (VALUES)
Καταγράφονται οι τιμές των μεταβλητών με τους αντίστοιχους κωδικούς. Για παράδειγμα τα values
της μεταβλητής sex είναι 1=man και 2=woman. Στο πεδίο value γράφετε το 1 και στο πεδίο value label
γράφετε το man και μετά πατάτε στο Add. Το ίδιο κάνετε και για το 2=woman και αφού
ολοκληρώσετε πατάτε το ok. Για να διορθώσετε (change) ή να διαγράψετε (remove) επιλέγεται την
μεταβλητή και πατάτε τις αντίστοιχες εντολές.
Έβδομη στήλη variable view (MISSING VALUES)
Εφόσον ορισθούν ελλιπείς τιμές τότε αυτές θα εξαιρούνται από κάθε ανάλυση. Αυτό είναι ιδιαίτερα
χρήσιμο στις μεταβλητές στις οποίες η απάντηση «ΔΕΝ ΑΠΑΝΤΩ» έχει κωδικοποιηθεί (συνήθως
δίνεται η τιμή 9 ή 99 ή 999 ή 9999 στο πεδίο discrete missing values ή καθορίζεται ένα εύρος ελλιπών
τιμών στο πεδίο range) και δεν επιθυμούμε η τιμή αυτή να συμπεριλαμβάνεται στον υπολογισμό, για
παράδειγμα, του μέσου όρου της μεταβλητής.
H διαχείριση των missing values είναι ένα πολύ σημαντικό θέμα στην επιστήμη της στατιστικής για
τον απλό λόγο ότι , πέρα από τις επιλογές του τύπου δεν απαντώ η δεν ξέρω, στα περισσότερα αρχεία
δεδομένων λείπουν τιμές από διάφορα πεδία.
Όγδοη στήλη variable view (COLUMNS)
Καθορίζεται το μέγεθος των κελιών μιας στήλης στο Data View.
Ένατη στήλη variable view (ALIGN)
4
5. Ποσοτικές Μέθοδοι για Οικονομικές Αποφάσεις, Εργαστήριο SPSS 1
Aφορά την στοίχιση των δεδομένων μέσα στην στήλη (αριστερά, κέντρο και δεξιά).
Δέκατη στήλη variable view (MEASURE)
Αφορά τον προσδιορισμό της κλίμακας μέτρησης της μεταβλητής. Υπενθυμίζεται ότι:
- Oνοματική (nominal) κλίμακα μέτρησης → nominal
- Τάξεως (ordinal) κλίμακα μέτρησης → ordinal
- Κλίμακα μέτρησης Διαστήματος (interval)→ scale
- Κλίμακα μέτρησης Λόγου (ratio)→ scale
ΕΡΓΑΣΙΑ 1: ΚΩΔΙΚΟΠΟΙΗΣΤΕ ΤΙΣ ΜΕΤΑΒΛΗΤΕΣ ΤΟΥ ΕΡΩΤΗΜΑΤΟΛΟΓΙΟΥ
ΣΥΜΠΛΗΡΩΝΟΝΤΑΣ ΤΙΣ ΣΤΗΛΕΣ ΣΤΟ VARIABLE VIEW.
ΠΡΟΣΟΧΗ: ΠΩΣ ΚΩΔΙΚΟΠΟΙΕΙΤΑΙ Η ΕΡΩΤΗΣΗ 5;;;
Κωδικοποίηση Ερωτήσεων 1-4
Μεταβλητή (variable) Ετικέτα (Label)
Ciga _ num Αριθμός τσιγάρων
Warn_1 Αποτελεσματικά για νεαρές ηλικίες;
Warn_2 Δε σας σέβονται;
Warn_3 Πρέπει να υπάρχουν;
Warn_4 Θα βοηθήσουν μακροχρόνια;
Age Ηλικία
Sex Φύλο
5
6. Ποσοτικές Μέθοδοι για Οικονομικές Αποφάσεις, Εργαστήριο SPSS 1
Β. SYNTAX EDITOR WINDOW
Εκτός από τη data view και τη variable view υπάρχει και το Syntax Editor Window.
To Syntax Editor Window έχει την ικανότητα να αποθηκεύει όλες τις εντολές που δόθηκαν από το
χρήστη. Χρησιμοποιεί μια ιδιαίτερη γλώσσα προγραμματισμού και φυλάσσει λεπτομερές αρχείο με
όλες τις στατιστικές αναλύσεις που έχουν γίνει από την χρονική στιγμή που επιλέχθηκε η εκκίνηση
του. Η ενεργοποίηση του γίνεται ως εξής:
Edit→Options→Draft Viewer και κλίκ στο Display Commands in Log→OK.
Η είσοδος στο syntax editor γίνεται από τα παράθυρα των αναλύσεων κλικάροντας το paste.
ΕΡΓΑΣΙΑ 2: Ενεργοποιήστε τον Syntax Editor.
Γ. ΑΠΟΘΗΚΕΥΣΗ, ΑΝΤΙΓΡΑΦΗ ΚΑΙ ΕΚΤΥΠΩΣΗ ΑΡΧΕΙΩΝ
Για να αποθηκεύσετε ένα αρχείο SPSS:
File→Save As και επιλέγεται το όνομα το αρχείου (το extension του αρχείου της data και variable
view είναι *.sav).
Τα αρχεία του output (*.spo) και του syntax window (*.sps) αποθηκεύονται ξεχωριστά.
Για να εκτυπώσετε ένα αρχείο SPSS:
File→Print
Για να αντιγράψετε ένα πίνακα αποτελεσμάτων ή γραφήματα από το SPSS στο WORD επιλέγεται τον
πίνακα ή το γράφημα κάνετε copy (αντιγραφή) και μετά paste special (επικόλληση) στο word.
ΕΡΓΑΣΙΑ 3: Αποθηκεύστε το αρχείο στο folder Business Statistics, δίνοντας του το όνομα smoking.sav
Δ. ΒΑΣΙΚΕΣ ΛΕΙΤΟΥΡΓΙΕΣ ΤΟΥ SPSS
Δ1. RECODE (ΑΝΑΚΩΔΙΚΟΠΟΙΗΣΗ)
Οι Εντολές είναι: Transform→Recode Into Different Variables.
ΕΡΓΑΣΙΑ 4: ΠΑΡΑΤΗΡΕΙΤΕ ΚΑΤΙ ΣΧΕΤΙΚΑ ΜΕ ΤΗΝ ΚΑΤΕΥΘΥΝΣΗ ΤΩΝ ΚΛΙΜΑΚΩΝ ΤΩΝ
ΠΡΟΕΙΔΟΠΟΙΗΤΙΚΩΝ ΜΗΝΥΜΑΤΩΝ;
Ανακωδικοποιήστε την μεταβλητή που διαφοροποιείται.
- Επιλέξτε την μεταβλητή που θα ανακωδικοποιήσετε και μεταφέρετε την στο πεδίο Numeric
Variable→Output Variable.
- Ονομάστε την νέα μεταβλητή: warn_2_r (στο πεδίο output variable name) και γράψτε και μια
ετικέτα: warn_2_r (στο πεδίο output variable label).
- Κλικάρετε στο Change.
- Κλικάρετε στο Old and New Values και αντιστρέψτε την κλίμακα κάνοντας το →5, το 2→4, το
1
3→3, το 4→2 και το 5→1 (π.χ επιλέγετε old value το 1 και new value τo 5 και πατάτε add κάθε φορά
που ανακωδικοποιείτε μια τιμή της μεταβλητής κτλ.). Μην ξεχάσετε να ορίσετε τις ελλιπής τιμές.
- Αφού ολοκληρώσατε την διαδικασία κλικ στο Continue και πατήστε OK.
ΕΡΓΑΣΙΑ 5: ΑΝΑΚΩΔΙΚΟΠΟΙΗΣΤΕ ΤΗΝ ΜΕΤΑΒΛΗΤΗ: ciga_num ΔΗΜΙΟΥΡΓΩΝΤΑΣ ΤΡΕΙΣ
ΚΑΤΗΓΟΡΙΕΣ ΜΕ ΒΑΣΗ ΤΑ ΕΞΗΣ: 0-15 τσιγάρα = 1 (ελαφρείς καπνιστές), 16-30=2 (μέτριους
καπνιστές), 31+ = 3 (βαρείς καπνιστές).
6
7. Ποσοτικές Μέθοδοι για Οικονομικές Αποφάσεις, Εργαστήριο SPSS 1
ΕΡΓΑΣΙΑ 6: ΧΡΗΣΙΜΟΠΟΙΩΝΤΑΣ ΤΟΝ SYNTAX EDITOR ΑΝΑΚΩΔΙΚΟΠΟΙΗΣΤΕ ΤΗΝ
ΜΕΤΑΒΛΗΤΗ: ciga_num ΔΗΜΙΟΥΡΓΩΝΤΑΣ ΤΡΕΙΣ ΚΑΤΗΓΟΡΙΕΣ ΜΕ ΒΑΣΗ ΤΑ ΕΞΗΣ: 0-20
τσιγάρα = 1 (ελαφρείς καπνιστές), 21-40=2 (μέτριους καπνιστές), 41+ = 3 (βαρείς καπνιστές).
Hint: στο παράθυρο της εντολής recode, αφού υπάρχουν οι προηγούμενες επιλογές σας σχετικά με την
ανακωδικοποίηση της μεταβλητής, απλά επιλέξτε paste, αλλάξτε το εύρος τιμών και ορίστε μια νέα
μεταβλητή μέσα από το syntax editor. Για να εκτελεσθούν οι νέες σας εντολές θα πρέπει να τις επιλέξετε
και να κλικάρετε στα: Run →Selection. Ελέγξετε την νέα σας μεταβλητή στο Data View.
Δ2. COMPUTE (ΝΕΕΣ ΥΠΟΛΟΓΙΣΜΕΝΕΣ ΜΕΤΑΒΛΗΤΕΣ)
Οι Εντολές είναι: Transform→Compute Variable
ΕΡΓΑΣΙΑ 6: ΜΑΣ ΕΝΔΙΑΦΕΡΕΙ ΝΑ ΠΡΟΣΘΕΣΟΥΜΕ ΤΙΣ ΚΛΙΜΑΚΕΣ ΠΟΥ ΜΕΤΡΟΥΝ ΤΗΝ
ΣΤΑΣΗ ΤΩΝ ΚΑΠΝΙΣΤΩΝ ΑΠΕΝΑΝΤΙ ΣΤΑ ΠΡΟΕΙΔΟΠΟΙΗΤΙΚΑ ΜΗΝΥΜΑΤΑ.
- Γράψτε το όνομα της νέας μεταβλητής στο πεδίο Target Variable (π.χ. att_scal).
- Επιλέξτε και μεταφέρετε στο πεδίο Numeric Expression τις μεταβλητές που θέλετε να
αθροίσετε βάζοντας μεταξύ τους το σημείο της πρόσθεσης και κλικάρετε στο OK.
Δ3. SELECT CASES (ΕΠΙΛΟΓΗ ΠΕΡΙΠΤΩΣΕΩΝ)
Εάν κατά την διαδικασία της ανάλυσης επιθυμούμε να μην συμμετέχουν όλα τα cases που
εμφανίζονται στην data view αλλά κάποια από αυτά σύμφωνα με συγκεκριμένα κριτήρια επιλογής τότε
χρησιμοποιούμε τις εντολές: Data→Select Cases.
ΕΡΓΑΣΙΑ 7: ΕΠΙΛΕΞΤΕ ΜΟΝΟ ΤΟΥΣ “ΕΛΑΦΡΕΙΣ ΚΑΠΝΙΣΤΕΣ”.
Hint: If condition is satisfied→If→μεταφέρετε την ciga_num_r στο πεδίο δεξιά και γράψτε δίπλα της =1
(δηλαδή να επιλεχθεί μόνο η κατηγορία: ελαφρείς χρήστες). Κλικάρετε στα continue και OK.
Η επιλογή όλων των cases (αναίρεση εντολής) γίνεται Data→Select Cases→Αll cases→OK.
Δ4. SPLIT FILE (ΔΙΑΧΩΡΙΣΜΟΣ ΑΡΧΕΙΟΥ)
Εάν επιθυμούμε η ανάλυση των δεδομένων να γίνεται για κάθε μια κατηγορία μιας μεταβλητής που
εμείς έχουμε επιλέξει π.χ. ξεχωριστή ανάλυση για τους άνδρες καπνιστές και ξεχωριστή ανάλυση για
τις γυναίκες καπνίστριες (μεταβλητή φύλο) τότε οι εντολές που χρησιμοποιούμε είναι: Data→Split
File.
ΕΡΓΑΣΙΑ 8: ΔΙΑΧΩΡΙΣΤΕ ΤΟ ΑΡΧΕΙΟ ΜΕ ΒΑΣΗ ΤΟ ΦΥΛΟ.
Hint: Data→Split File→Organize output by groups και στο πεδίο εισάγετε την μεταβλητή Sex→OK.
Η επανένωση της μήτρας δεδομένων (αναίρεση εντολής) με σκοπό τη συνολική ανάλυση γίνεται:
Data→Split File→Analyze all cases, do not create groups
Δ5. SORT CASES (ΤΑΞΙΝΟΜΗΣΗ ΔΕΔΟΜΕΝΩΝ)
Εάν επιθυμούμε να ταξινομήσουμε τα δεδομένα σε αύξουσα ή φθίνουσα σειρά τότε επιλέγουμε:
Data→Sort Cases.
ΕΡΓΑΣΙΑ 9: ΤΑΞΙΝΟΜΗΣΤΕ ΤΑ ΔΕΔΟΜΕΝΑ ΜΕ ΒΑΣΗ ΤΟΝ ΑΡΙΘΜΟ ΤΩΝ ΤΣΙΓΑΡΩΝ ΠΟΥ
ΚΑΠΝΙΖΟΥΝ ΟΙ ΣΥΜΜΕΤΕΧΟΝΤΕΣ ΣΤΗΝ ΕΡΕΥΝΑ (αύξουσα σειρά)
7
8. Ποσοτικές Μέθοδοι για Οικονομικές Αποφάσεις, Εργαστήριο SPSS 1
Hint: Data→Sort Cases→στο πεδίο Sort by μεταφέρεται την μεταβλητή ciga_num και επιλέξτε το
επιθυμητό order.
Δ6. GO TO CASE (ΑΝΕΥΡΕΣΗ ΠΕΡΙΠΤΩΣΗΣ)
Όταν υπάρχουν πολλά cases ο ερευνητής μπορεί εύκολα και γρήγορα να αναζητήσει κάποιο από αυτά
χρησιμοποιώντας την εντολή Edit→Go to Case και βάζοντας το αριθμό της περίπτωσης που επιθυμεί
να βρει.
ΕΡΓΑΣΙΑ 10: ΒΡΕΙΤΕ ΤΗΝ ΠΕΡΙΠΤΩΣΗ ΑΡΙΘΜ. 8.
ΣΩΣΤΟ Η ΛΑΘΟΣ;
1. Μια μεταβλητή μπορεί να είναι συγχρόνως και nominal και scale.
- Σωστό
- Λάθος
2. Η μεταβλητή «διακοπές» προερχόμενη από την ερώτηση: «Θα πάτε διακοπές
το καλοκαίρι; Ναι , 'Όχι », είναι διχοτομική.
- Σωστό
- Λάθος
3. Μια μεταβλητή scale μπορεί να γίνει ordinal μετά από ανακωδικοποίηση.
- Σωστό
- Λάθος
4. Τα ονόματα των μεταβλητών εισάγονται στη Data View.
- Σωστό
- Λάθος
5. Οι Missing Values πρέπει να είναι πάντα 99 ή 999.
- Σωστό
- Λάθος
6. Η επιλογή δεδομένων πραγματοποιείται μέσω των επιλογών Data → Select Cases.
- Σωστό
- Λάθος
7. Η αναίρεση της επιλογής δεδομένων (έτσι ώστε να συμπεριληφθούν στην ανάλυση όλες οι παρατηρήσεις)
γίνεται επιλέγοντας Transform → Recode.
- Σωστό
- Λάθος
8. Η αποθήκευση του Output συνεπάγεται αυτόματη αποθήκευση του Syntax Window.
- Σωστό
- Λάθος
8
9. Ποσοτικές Μέθοδοι για Οικονομικές Αποφάσεις, Εργαστήριο SPSS 1
9. Το «exoda$» είναι αποδεκτό όνομα για μια μεταβλητή.
- Σωστό
- Λάθος
10. Η ονομασία «reven!» μιας μεταβλητής είναι αποδεκτή από το SPSS.
- Σωστό
- Λάθος
11. Στο SPSS δεν επιτρέπεται δύο ή περισσότερες μεταβλητές να έχουν το ίδιο όνομα.
- Σωστό
- Λάθος
12. Οι τιμές των μεταβλητών δε μπορούν να αλλάξουν μετά από την εισαγωγή τους στο SPSS.
- Σωστό
- Λάθος
13. Στις ετικέτες των μεταβλητών δεν υπάρχει περιορισμός ως προς τους χαρακτήρες που μπορούν να
χρησιμοποιηθούν.
- Σωστό
- Λάθος
14. Η ανακωδικοποίηση μπορεί να γίνει μέσα από το Syntax Window.
- Σωστό
- Λάθος
15. Μια μεταβλητή scale μπορεί να μετατραπεί σε διχοτομική με την κατάλληλη ανακωδικοποίηση.
- Σωστό
- Λάθος
16. Οι Missing Values πρέπει να είναι μέχρι τέσσερις.
- Σωστό
- Λάθος
17. Εφόσον όλες οι ερωτήσεις όλων των ερωτηματολογίων σε μια έρευνα ΜΚΤ είναι συμπληρωμένες, η
εισαγωγή "Missing Values" δεν έχει νόημα.
- Σωστό
- Λάθος
18. Είναι εφικτή η μεταφορά δεδομένων από το Excel στο SPSS.
- Σωστό
- Λάθος
19. Η ονομασία μιας μεταβλητής δε μπορεί να αλλάξει εφόσον έχει δηλωθεί στη Variable View.
- Σωστό
- Λάθος
20. Αν επιθυμείται από τη μεταβλητή Α να αφαιρεθεί η μεταβλητή Β, τότε ακολουθείται η διαδικασία
9
10. Ποσοτικές Μέθοδοι για Οικονομικές Αποφάσεις, Εργαστήριο SPSS 1
Tranform → Compute
- Σωστό
-Λάθος
ΆΣΚΗΣΗ 1
Η επιχείρηση ΚΟΣΜΗΜΑΤΑ Α.Ε. επιθυμεί να διεξαγάγει έρευνα ΜΚΤ προκειμένου να διαπιστώσει
εάν τα νέα γυναικεία κοσμήματα που σκοπεύει να λανσάρει στην αγορά σε λίγους μήνες θα έχουν την
αναμενόμενη ανταπόκριση από το αγοραστικό κοινό. Το ερωτηματολόγιο, που συνέταξε το Τμήμα
ΜΚΤ της ΚΟΣΜΗΜΑΤΑ Α.Ε., συνοδευόταν από φωτογραφίες των νέων κοσμημάτων και
διανεμήθηκε σε 15 γυναίκες.
Ερωτηματολόγιο
Η εταιρεία μας διεξάγει μια έρευνα για τα νέα κοσμήματα που προσεχώς θα εισάγει στην ελληνική
αγορά. Θα θέλαμε να μάθουμε τη γνώμη σας γι’ αυτά. Παρακαλούμε παρατηρείστε τα κοσμήματα στις
φωτογραφίες που σας δόθηκαν και απαντήστε τις παρακάτω ερωτήσεις. Σας ευχαριστούμε πολύ για την
πολύτιμη βοήθειά σας.
1. Πόσο συχνά αγοράζετε ή σας χαρίζουν ένα κόσμημα κατά μέσο όρο;
- Λιγότερο από 1 φορά το χρόνο
- 1-3 φορές το χρόνο
- 4-6 φορές το χρόνο
- Περισσότερες από 6 φορές το χρόνο
2. Πώς χαρακτηρίζετε τα κοσμήματα που βλέπετε στις φωτογραφίες;
1 2 3 4 5
Καθόλου Εξαιρετικά
Κομψά
Πρωτότυπα
Καλόγουστα
Πολυτελή
3. Θα αγοράζατε κάποια τουλάχιστον από τα συγκεκριμένα κοσμήματα;
- Ναι
- 'Όχι
- 'Ίσως
4. Πόσων ετών είστε;
................... ετών.
10
11. Ποσοτικές Μέθοδοι για Οικονομικές Αποφάσεις, Εργαστήριο SPSS 1
Οι απαντήσεις που έλαβε η ΚΟΣΜΗΜΑΤΑ Α.Ε. από τους 15 ερωτώμενους
παρουσιάζονται στον παρακάτω πίνακα. Κάποιες απαντήσεις που έμειναν κενές στο
ερωτηματολόγιο εμφανίζονται στον πίνακα με παύλες.
Α/Α Ερώτηση Ερώτηση Ερώτηση Ερώτηση Ερώτηση Ερώτηση Ερώτηση
1 2 (α) 2 (β) 2 (γ) 2 (δ) 3 4
1 <1 φορά 1 3 4 4 Ναι 23
2 1-3 φορές 2 2 4 3 Όχι 56
3 1-3 φορές 2 3 3 3 Όχι 27
4 -- 4 3 4 3 Ναι 44
5 >6 φορές 5 4 5 5 Ναι 69
6 3-6 φορές 2 2 3 4 Ίσως 18
7 <1 φορά 3 3 2 3 Ίσως 61
8 3-6 φορές 3 1 2 1 Όχι 35
9 1-3 φορές 5 4 4 5 Ναι 42
10 3-6 φορές 3 4 5 5 Ναι 32
11 3-6 φορές 4 4 5 4 Ναι 30
12 >6 φορές 3 5 4 4 Ίσως --
13 1-3 φορές 1 3 3 4 Όχι 38
14 3-6 φορές 5 4 5 5 Ναι 50
15 1-3 φορές 5 5 5 3 Ίσως 21
Ζητούμενα
1. Διαχωρίστε τις μεταβλητές που προκύπτουν από το ερωτηματολόγιο της επι-
χείρησης ΚΟΣΜΗΜΑΤΑ Α.Ε ανάλογα με τον τύπο τους: Ποιες είναι ordinal, ποιες
nominal και ποιες scale;
2. Εισάγετε τα δεδομένα στο SPSS. Ορίστε τις μεταβλητές στη Variable View.
3. Υπάρχουν Missing Values; Αν ναι, πώς θα τις ορίζατε;
4. Ο διευθυντής ΜΚΤ της ΚΟΣΜΗΜΑΤΑ Α.Ε. σας ζητάει να διαχωρίσετε τους
ερωτώμενους σε 2 ηλικιακές κατηγορίες (γυναίκες κάτω από 40 ετών και γυναίκες
πάνω από 40 ετών). Πώς θα μπορούσε να γίνει κάτι τέτοιο; Χρησιμοποιείστε και το
Syntax Window.
5. Ο διευθυντής ΜΚΤ διαπίστωσε ότι οι ηλικιακές κατηγορίες που σας ζήτησε
προηγουμένως δεν είναι αυτές που τελικά επιθυμεί. Οι νέες ηλικιακές κατηγορίες
που τώρα σας ζητάει είναι γυναίκες κάτω από 50 ετών και γυναίκες 50 ετών και
πάνω. Χρησιμοποιώντας το Syntax Window επιχειρήστε να ανταποκριθείτε στην
καινούργια επιθυμία του διευθυντή.
11
12. Ποσοτικές Μέθοδοι για Οικονομικές Αποφάσεις, Εργαστήριο SPSS 1
6. Στην ερώτηση 1, για τη διευκόλυνση της παρουσίασης των αποτελεσμάτων, σας
ζητείται να δημιουργήσετε 2 κατηγορίες (γυναίκες που αγοράζουν κοσμήματα 3 ή
λιγότερες από 3 φορές το χρόνο και γυναίκες που αγοράζουν κοσμήματα
περισσότερες από 3 φορές το χρόνο). Πώς θα μπορούσατε να μειώσετε τις
κατηγορίες της ερώτησης από 4 σε 2;
7. Η ερώτηση 2 θα μπορούσε να εκφράζει τη στάση των ερωτώμενων απέναντι στα
καινούργια κοσμήματα της επιχείρησης. Δημιουργείστε μια κλίμακα που να
περιλαμβάνει και τις 4 μεταβλητές της ερώτησης 2.
8. Το Τμήμα ΜΚΤ της ΚΟΣΜΗΜΑΤΑ ΑΕ. αποφάσισε να εστιάσει μονάχα σ'
εκείνες τις γυναίκες που δήλωσαν ότι θα αγόραζαν τουλάχιστον ένα από τα
κοσμήματα των φωτογραφιών (ερώτηση 3). Πώς θα μπορούσατε να «απομονώσετε»
αυτή την κατηγορία των δυνητικών αγοραστριών;
9. Δοκιμάστε να αποθηκεύσετε το αρχείο του SPSS στο σκληρό δίσκο του
υπολογιστή. Κάντε το ίδιο και για το Syntax Window.
12
13. Ποσοτικές Μέθοδοι για Οικονομικές Αποφάσεις, Εργαστήριο SPSS 1
ΒΙΒΛΙΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΠΡΟΣΘΕΤΟ ΔΙΑΒΑΣΜΑ
1. Σιώμκος, Γ. και Βασιλικοπούλου, Α. (2005), Εφαρμογή Μεθόδων Ανάλυσης στην
Έρευνα Αγοράς, Εκδ, Σταμούλη, Αθήνα. (Κεφάλαια 1 και 2).
2. SPSS User’s Guide
3. Kinnear, P. and Gray, C. “SPSS for windows made simple”, 1997, Psych Press Uk,
Second Edition.
13