B a k a l ářská práce

Vysoká škola ekoomcká v Praze Fakulta maagemetu v Jdřchově Hradc B a k a l ářská práce Iveta Doležalová 007

Vysoká škola ekoomcká v Praze Fakulta maagemetu v Jdřchově Hradc Katedra maagemetu formací Katedra společeských věd Statstcká aalýza vybraých složek osobost studetů FM Vypracovala: Iveta Doležalová Vedoucí bakalářské práce: Mgr. Leka Komárková, Ph.D. PhDr. Mloslava Hršová, Ph.D. Jdřchův Hradec, květe 007

Prohlášeí Prohlašuj, že bakalářskou prác a téma» Statstcká aalýza vybraých složek osobost studetů FM«jsem vypracovala samostatě. Použtou lteraturu a podkladové materály uvádím v přložeém sezamu lteratury. Jdřchův Hradec, květe 007 podps studeta

Aotace Statstcká aalýza vybraých složek osobost studetů FM Cílem práce je statstcky zpracovat data týkající se vybraých složek osobost studetů FM VŠE a vhodě terpretovat získaé výsledky. Př aalýze dat budou zejméa využty srovávací metody a regresí aalýza. květe 007

Poděkováí Za ceé rady, áměty a sprac bych chtěla poděkovat Mgr. Lece Komárkové, Ph.D. PhDr. Mloslavě Hršové, Ph.D. z Vysoké školy ekoomcké v Praze, Fakulty maagemetu v Jdřchově Hradc.

Úvod... TEORETICKÁ ČÁST...4. Popsá statstka... 5.. Kategorálí data... 5.. Kvattatví data... 7... Charakterstky polohy... 7... Charakterstky varablty... 9.3. Podmíěé charakterstky.... Testy o shodě průměrů... 3 3. Regresí aalýza... 8 3.. Jedoduchá regrese... 8 3.. Víceásobá regrese... 0 PRAKTICKÁ ČÁST...3. Bakalářský typ studa... 6.. Popsá statstka... 6... Kategorálí data... 6... Kvattatví data... 7..3. Podmíěé charakterstky... 8.. Testy o shodě průměrů mužů a že... 9.3. Regresí aalýza... 3.3.. Věcé řešeí problému (RP)... 3.3.. Kogtví restrukturalzace (KR)... 33.3.3. Vyjádřeí emocí... 33.3.4. Hledáí socálí opory (SP.)... 34.3.5. Vyhýbáí se problému (VP)... 35.3.6. Fatazjí úk (FU)... 36.3.7. Sebeobvňováí (SO.)... 37.3.8. Socálí zolace (SI)... 37. Navazující magsterský typ studa... 39.. Popsá statstka... 39... Kategorálí data... 39... Kvattatví data... 40..3. Podmíěé charakterstky... 4.. Testy o shodě průměrů mužů a že... 43.3. Regresí aalýza... 44.3.. Věcé řešeí problému (RP)... 45.3.. Kogtví restrukturalzace (KR)... 46.3.3. Vyjádřeí emocí (VE)... 46.3.4. Hledáí socálí opory (SP.)... 47

.3.5. Vyhýbáí se problému (VP)... 48.3.6. Fatazjí úk (FU)... 48.3.7. Sebeobvňováí (SO.)... 49.3.8. Socálí zolace (SI)... 50 Závěr... 5 Lteratura... 53 Sezam tabulek... 54 Sezam grafů... 55 Přílohy... 56

Úvod V bakalářské prác se pokusím o zpracováí dat týkajících se studetů VŠE, Fakulty maagemetu v Jdřchově Hradc. Data byla získáa od studetů. ročíku bakalářské formy studa a od studetů. ročíku avazující magsterské formy studa. Studet absolvoval dotazíky a jede test, které studetům umožly pozat sebe sama z hledska růzých osobostích charakterstk. Prví dotazík, škála vlastí účost (SE self-effcacy), byl zaměře a seberegulac, sebeuplatěí. Self-effcacy vyjadřuje do jaké míry jedec věří ve své schopost. Pokud má tedy jedec ízkou self-effcacy, může mu v dosažeí požadovaého cíle brát jeho poct edostatečost. Samotý dotazík byl tvoře 0 otázkam, a které mohl studet odpovědět jedou ze čtyř odpovědí (vůbec esouhlasí, spíše esouhlasí, spíše souhlasí, určtě souhlasí). Odpověd a jedotlvé otázky byly vždy ohodocey od do 4 bodů. Studet tedy mohl dosáhout výsledku v rozmezí 0-40 bodů. Dále ásledoval Watso-Glaserův test krtckého myšleí. Ideálí "krtcky myslící člověk" je bytostě zvědavý, dobře formovaý, spoléhající se a rozum, otevřeý, fleblí, estraý př hodoceí, čestý př posuzováí osobích vlastostí, rozvážý př rozhodováí, ochotý opravt své ázory, jasý ve formulacích, ukázěý v složtých stuacích, plý př hledáí relevatích formací, přměřeý ve volbě krtérí, cíleý př zkoumáí a vytrvalý př hledáí výsledků, které budou tak přesé, jak dovolí předmět zkoumáí a okolost. Teto test ebyl kostruová a základě škály, u studetů se bodovaly výkoy (úkoly). Bodové rozpětí tohoto testu bylo 0-80 bodů. Třetím dotazíkem byl pětfaktorový osobostí dotazík (NEO dotazík). Těchto pět faktorů umožňuje popsat základí charakterstky osobost, přčemž k tomuto popsu využívá opoztí vlastost. Těmto vlastostm jsou: o eurotcsmus (emočí lablta, evyrovaost) emočí stablta o etroverze troverze o otevřeost vůč zkušeost uzavřeost vůč zkušeostem http://www.ftvs.cu.cz/hedl/krtmysle.htm

o přívětvost epřívětvost o svědomtost esvědomtost Studet absolvoval dotazíky zaměřující se a jedotlvé faktory NEO dotazíku. Škála odpovědí byla v případě tohoto dotazíku pětstupňová (vůbec evysthuje, spíše evysthuje, eutrálí, spíše vysthuje, úplě vysthuje) a body za jedotlvé hodoty škál se pohybovaly od 0-4 bodů. Dalším, v pořadí jž čtvrtým, byl dotazík zaměřující se a estečí (ESK) škálu. Tato škála se zaměřuje a popsáí duchovích schopostí člověka. ESK škála je uspořádaá herarchcky. Na ejžším stup se achází schopost jedce učt rozhodutí (svoboda), schopost přjmout odpovědost (odpovědost), schopost jedce odpoutat se od sebe sama (sebeodstup) a schopost jedce přehlédout sám sebe (sebepřesah). Z těchto čtyř základích faktorů vychází faktory druhého řádu, mez které patří estecoalta a persoalta. Estecoalta vyjadřuje ochotu jedce agažovat se a je tvořea součtem hodot odpovídající schopost jedce učt rozhodutí (svoboda) a schopost přjmout odpovědost (odpovědost). Persoalta, která je tvořea součtem hodot odpovídajících sebeodstupu a sebepřesahu, oprot tomu vyjadřuje přístup jedce k sobě samému, ke svým hodotám a emocím. Lze j vyjádřt jako tzv. sílu osobost. Součet proměých.řádu určuje celkový skór, který vyjadřuje schopost jedce vycházet se sebou samým a se světem. Škála odpovědí a dotazíky zaměřující se a jedotlvé proměé ESK škály byla šeststupňová (aprosto platí, s výjmkam platí, spíše platí, spíše eplatí, s výjmkam eplatí, aprosto eplatí). Posledím dotazíkem, který studet absolvoval, byl Tobův dotazík strategí zvládáí. Teto dotazík se zaměřuje a aalýzu možého chováí jedce v zátěžových stuacích. Obdobě jako ESK škála je teto dotazík uspořádá herarchcky. Nejžší úroveň je tvořea škálam: věcé řešeí problému, kogtví restrukturalzace, vyjádřeí emocí, hledáí socálí opory, vyhýbáí se problému, fatazjí úk, sebeobvňováí, socálí zolace. Ostatí úrově jsou vdět v ásledující tabulce.

Tabulka 0- Přehled herarchckého uspořádáí Tobova dotazíku strategí zvládáí Zaměřeé a problém Řešeí problému Příkloové stratege Kogtví restrukturalzace Zaměřeé a emoce Vyjádřeí emocí Socálí podpora Zaměřeé a problém Vyhýbáí se problému Odkloové stratege Fatazjí úk Zaměřeé a emoce Sebeobvňováí Socálí zolace Zdroj: Balaštíková, V., Blatý, M. Determaty výběru strategí zvládáí. V teoretcké část se budu věovat pouze statstckým metodám, které jsem uplatla v praktcké část. Mým cílem eí podat, co ejpodrobější teoretcký výklad. Dle mého ázoru je k dspozc dostatek lteratury, ve které je problematka jedotlvých statstckých metod dostatečě vysvětlea. V praktcké část se pokusím aplkovat statstcké metody objasěé v teoretcké část a datech poskytutých ke statstckému zpracováí. 3

TEORETICKÁ ČÁST 4

. Popsá statstka Na začátku práce se statstckým souborem je dobré s ejprve učt o datech základí představu. K tomuto účelu slouží popsá statstka, která ám poskytuje elemetárí pops dat. Charakterstky používaé popsou statstkou se však lší pro kategorálí (kvaltatví) a kvattatví data, proto se v ásledující část budu věovat popsu charakterstk těchto druhů dat odděleě. Nuto ještě pozameat, že popsá statstka evyužívá je číselých charakterstk, ale také růzé druhy grafů, jako apříklad sloupcový, výsečový (koláčový) ebo krabčkový graf... Kategorálí data Příkladem kategorálích dat je apříklad pohlaví č dosažeé vzděláí. Kategorálí data jsou taková data, která lze vyjádřt slově. Mez ejčastěj používaé charakterstky popsé statstky, sloužící k popsu kategorálích dat, se řadí tabulky četostí, které poskytují formace o počtu výskytu (četost) jedotlvých obmě proměé statstckého souboru, přčemž četost můžeme staovt buď absolutě ebo relatvě. Mez další charakterstky, které lze u kategorálích dat aplkovat, patří modus (charakterstka polohy) a míra mutablty (charakterstka varablty). Modus představuje obměu proměé s ejvětší četostí, tedy s ejčastějším výskytem. Míra mutablty (varablta hodot kategorálí proměé) vysthuje podíl počtu reálých odlšostí k počtu všech možých odlšostí a lze j vypočítat podle ásledujícího vztahu: M k ( ), přčemž M 0;, resp. 0-00%. Ke grafckému zobrazeí kategorálích dat se využívají sloupcové ebo koláčové (výsečové) grafy. Níže jsou uvedey příklady tabulky četost, sloupcového a výsečového grafu. 5

Tabulka - Absolutí a relatví četost hodot zaku Prospěch z matematky výborě velm dobře dobře dostatečě SUMA 5 7 3 5 f 00* / 9,3 4,3 6,9,54 00 Zdroj: Hedl,J.:Přehled statstckých metod zpracováí dat, str. 88 Graf - Příklad zobrazeí zaku Prospěch z matematky (sloupcový graf) 0 8 četost 6 4 0 výborě velm dobře dobře dostatečě Zdroj: Hedl,J.:Přehled statstckých metod zpracováí dat, str. 88 Graf - Příklad zobrazeí zaku Prospěch z matematky (koláčový graf) 4% výborě velm dobře dobře dostatečě 7% 9% % Zdroj: Hedl,J.:Přehled statstckých metod zpracováí dat,, str. 88 6

Nástroje popsé statstky uplatňovaé k prvotí aalýze kategorálích dat se využívají také k aalýze kvattatvích dat, která abývají žšího počtu obmě hodot. Jedá se apříklad o počet dětí Pokud máme kvattatví data s více obměam hodot, lze s takováto data rozdělt a určtý počet tervalů a staovt počty hodot, které do příslušých tervalů spadají. Na takto upraveá kvattatví data je možo taktéž aplkovat charakterstky popsé statstky využívající se k popsu kategorálích dat... Kvattatví data Pro kvattatví data je charakterstcké, že je lze vyjádřt číselě. Příkladem kvattatvích dat je tedy apříklad mzda zaměstaců, hmotost ovorozeňat č počet čleů domácost. K popsu kvattatvích dat využíváme především charakterstky polohy a charakterstky varablty. Zřídka se používají charakterstky škmost a špčatost (poěvadž jsem tyto charakterstky v praktcké část eaplkovala, ebudu se jm a v teoretcké část věovat).... Charakterstky polohy Mez charakterstky polohy, které popsují polohu dat, tedy její středí hodotu č okrajové hodoty, patří apříklad: mmum, mamum, průměry, modus a kvartly. Mez ejčastěj používaé charakterstky polohy se řadí průměry, poěvadž zohledňují velkost všech obmě proměé, tz. že přhlíží ke krajím hodotám proměé. Příklady typů průměrů dle [3]: o Artmetcký průměr o Harmocký průměr o Geometrcký průměr o Kvadratcký průměr 7

Artmetcký průměr: Artmetcký průměr je možé vymezt jako podíl součtu hodot proměé ku počtu těchto hodot. Lze ho tedy vypočítat podle ásledujícího vztahu:, kde,,..., jsou hodoty proměé statstckého souboru a je počet těchto hodot, tedy rozsah souboru. Takto staoveý průměr azýváme prostým artmetckým průměrem. V případě, že data statstcké proměé máme vyjádřea za pomoc tabulky četostí, průměr vypočítáme podle ásledujícího vztahu a takto vypočteý průměr se azývá vážeý artmetcký průměr: k k, kde,,..., k představují počet prvků odpovídající jedotlvým obměám,,..., k proměé statstckého souboru. Harmocký průměr: Prostý harmocký průměr lze určt podle vzorce: k Vztah pro vážeý harmocký průměr použjeme opět v případě, že jsou data zadáa za pomoc tabulky četostí: k 8

Geometrcký průměr: Prostý geometrcký průměr je možé staovt podle vztahu: Vztah pro vážeý geometrcký průměr je ásledující: k k Kvadratcký průměr: Prostý kvadratcký průměr lez vyjádřt za pomoc vztahu: A vážeý kvadratcký průměr: k Mez další charakterstky polohy sloužící k základímu popsu kvattatvích dat patří modus. Což je hodota, která se ve statstckém souboru vyskytuje ejčastěj, tz. má ejvyšší četost. Další charakterstkou polohy jsou kvartly, které rozdělují statstcký soubor a dvě část. Rozlšujeme dolí kvartl ~ 0, 5, který dělí soubor a dvě část, přčemž prví je tvořea 5% ejžších hodot souboru, horí kvartl ~ 0, 75 a medá ~, který dělí soubor a dvě stejě velké část, přčemž prví je tvořea 50% ejžších hodot a druhá 50% ejvyšších hodot. Kromě kvartlů ještě rozlšujeme tzv. kvatty, decly č percetly.... Charakterstky varablty Mez charakterstky varablty řadíme: varačí rozpětí, kvartlové rozpětí, kvartlovou odchylku, rozptyl, směrodatou odchylku (tzv. absolutí charakterstky varablty), varačí koefcet a poměrou kvartlovou odchylku (tzv. relatví 9

charakterstky varablty). Tyto charakterstky ám umožňují blíže pozat promělvost dat, tedy jak výrazě se pozorováí lší od středí hodoty. Varačí rozpětí R lze určt jako rozdíl mamálí a mmálí hodoty statstckého souboru: R ma m Kvartlové rozpětí R q aopak představuje rozdíl horího a dolího kvartlu: R q ~ ~ 0,75 0,5 Kvartlovou odchylku IQ lze defovat jako polovu kvartlového rozpětí: IQ R q Rozptyl, který se vypočte podle íže uvedeého vztahu, zohledňuje současě varabltu hodot kolem artmetckého průměru a také varabltu ve smyslu vzájemých odchylek jedotlvých hodot zaku : s ( ) Kč, kg, atd.). Nevýhodou rozptylu je, že je vyjádře ve čtvercích použté jedotky (apříklad Směrodatou odchylku staovíme jako odmocu z rozptylu a udává, jak se větša hodot odlšuje od průměré hodoty statstckého souboru v obou směrech. Neí tedy, a rozdíl od rozptylu, vyjádřea ve čtvercích daé jedotky. Varačí koefcet V lze vypočítat podle íže uvedeého vztahu a vyjadřuje, kolk procet z průměré hodoty odpovídá směrodaté odchylce. V σ 00% µ Seger, J., Hdls, R., Hroová, S. Statstka v hospodářství.. vyd., Praha: ETC Publshg, 998. 636 s. ISBN 80-86006-56-5, str. 48 0

Poměrá (relatví) kvartlová odchylka IQ rel je dáa relatvím podílem kvartlové odchylky ku průměru horího a dolího kvartlu, tedy: IQ rel ~ 0,75 IQ + ~ 0,5 00% ~ ~ 0,75 0,75 ~ + ~ 0,5 0,5 00% Grafcky se kvattatví data zobrazují za pomoc krabčkového grafu. Teto graf zobrazuje zároveň mmum, mamum, medá, dolí a horí kvartl statstckého souboru. Níže je ukázka krabčkového dagramu z dat, se kterým jsem pracovala v praktcké část. Graf -3 Krabčkový graf pro proměou Přívětvost studetů.ročíku bakalářského studa mamum horí kvartl medá dolí kvartl mmum.3. Podmíěé charakterstky V případě, že statstcký soubor je dvou- č vícerozměrý, můžeme též staovt tzv. podmíěé charakterstky. Protože jsem v praktcké část využla pouze podmíěý průměr a rozptyl, objasím pouze tyto pojmy. Podmíěý průměr proměé y, který odpovídá -té hodotě proměé, se začí y a vypočte se podle ásledujícího vzorce: y j y j

podle vztahu: Podmíěý rozptyl s proměé y, který odpovídá -té hodotě proměé se určí s ( yj y ) j

. Testy o shodě průměrů Testy se ve statstce používají k ověřováí (testováí) hypotéz o parametrech ebo tvaru rozděleí statstckého souboru. Mez ejpoužívaější testy sloužící k testováí hypotéz o parametrech statstckého souboru patří: o Test hypotézy o průměru o Test hypotézy o relatví četost o Test hypotézy o rozptylu o Test hypotézy o shodě dvou průměrů o Test hypotézy o shodě dvou rozptylů o Test hypotézy o shodě relatvích četostí dvou souborů Př testováí hypotéz lze apříklad postupovat podle ásledujících kroků, emusejí však ásledovat přesě v tomto pořadí:. Formulace hypotéz. Určeí hlady výzamost α 3. Výpočet testovací statstky a určeí krtckých hodot 4. Vyvozeí závěrů Teto postup yí zkokretzuj pro případ testu o shodě dvou průměrů, který jsem použla v praktcké část mé bakalářské práce. O ostatích výše uvedeých testech je možo získat více formací v lteratuře věující se této problematce. Já se jm v mé bakalářské prác zabývat ebudu, poěvadž jsem tyto testy eaplkovala v praktcké část. Ad. Formulace hypotéz Prvím korkem př testováí hypotéz je staoveí ulové hypotézy H 0 a alteratví hypotézy H. Přčemž ulová hypotéza H 0 v případě testu shody dvou průměrů má tvar: µ µ, resp. µ µ 0, kde µ a µ představují středí hodoty dvou porovávaých souborů. 3

Naprot tomu alteratví hypotéza H tuto ulovou hypotézu popírá, tz.: µ µ, resp. µ µ µ > µ, resp. µ µ µ < µ, resp. µ µ 0 > 0 < 0 dvoustraá hypotéza jedostraá hypotéza (pravostraá) jedostraá hypotéza (levostraá) Alteratví hypotéza tedy tvrdí, že středí hodoty obou pozorovaých souborů se erovají ebol jejch rozdíl je statstcky výzamý, popřípadě že jeda ze středích hodot je meší ebo větší ež středí hodota druhého souboru. Dvoustraou hypotézu testujeme dvoustraým testem a jedostraou buď pravostraým ebo levostraým testem. Ad. Určeí hlady výzamost α (ebol hlady chyby α) Př testováí hypotéz ověřujeme ulové hypotézy a výběrech ze základích souborů. Závěry, ke kterým dojdeme př tomto testováí výběrů, platí pro celý základí soubor. Z toho samozřejmě plye možost učěí chyby. Může astat stuace, kdy zamíteme ulovou hypotézu H 0, když platí (tzv. chyba prvího druhu). Pravděpodobost takovéto chyby se začí α. Také však může astat stuace, kdy ulovou hypotézu H 0 přjmeme, ačkol platí alteratví hypotéza H (tzv. chyba druhého druhu). Pravděpodobost učěí takovéto chyby se začí β. Př testováí hypotéz staovujeme pravděpodobost chyby I.druhu (tzv. hladu výzamost). Tz. určujeme míru ochoty smířt se s touto chybou. Nejčastěj se volí ve výš 5% ebo %. Ad3. Výpočet testovací statstky a určeí krtckých hodot V případě tohoto testu lze výpočet testovací statstky provádět za předpokladu 3 růzých stuací: a) Jsou zámy rozptyly základích souborů b) Rozptyly základích souborů ezáme, ale domíváme se, že jsou shodé c) Rozptyly základích souborů ezáme, ale domíváme se, že jsou růzé 4

5 Ad a) Pokud učíme ze základích souborů se středím hodotam µ a µ a rozptyly σ a σ výběry o rozsahu a a vypočteme výběrové průměry a, pak za testovací statstku volíme: U σ + σ, která, pokud platí ulová hypotéza H 0, má ormovaé ormálí rozděleí, tz. krtcké hodoty jsou tvořey kvatly tohoto rozděleí. Ad b) V případě této stuace volíme za testovací statstku: ( ) ( ) s s t + + +, která, pokud platí ulová hypotéza H 0, má studetovo t-rozděleí s + ν stup volost. Krtcké hodoty jsou v tomto případě tvořey kvatly studetova t-rozděleí s + stup volost. a s s představují výběrové rozptyly. Ad c) Pokud však shodost rozptylů emůžeme předpokládat, za testovací statstku volíme: s s t +, která má zhruba t-rozděleí s ν stup volost, přčemž: + + + + s s s s ν Krtcké hodoty jsou v tomto případě dáy kvatly t-rozděleí.

Z výše uvedeého plye, že pokud ezáme rozptyly základích souborů, musíme ejdříve zjstt, zda lze shodost rozptylů aspoň předpokládat č kolv. K tomuto účelu se využívá test hypotézy o shodě dvou rozptylů (F-test). Nulová hypotéza H 0 v případě tohoto testu zí: H 0 : σ σ Naprot tomu alteratví hypotéza: H : σ σ V případě že testujeme shodost č eshodost rozptylů pro další využtí př testováí shody dvou průměrů, emusíme uvažovat jedostraé hypotézy. Za testovací statstku volíme: F s s, která, pokud platí ulová hypotéza H 0, má f-rozděleí s ν a ν stup volost. Krtcké hodoty jsou tedy dáy kvatly f-rozděleí s výše uvedeým stup volost ν a ν. Vyhodoceí závěrů po výpočtu testovací statstky je stejý jako v případě testu o shodě dvou průměrů. Ad 4. Vyvozeí závěrů Po výpočtu testovací statstky ásleduje vyhodoceí. Výsledky testu můžeme vyhodocovat buď a základě vypočteé testovací statstky, kterou porováme s krtckým hodotam ebo a základě p-hodoty. Př vyhodocováí a základě porováí testovací statstky s krtckým hodotam jsou tyto krtcké hodoty dáy kvatly příslušého rozděleí (podle zvoleé testovací statstky) a zvoleou hladou výzamost α. Tyto kvatly pak rozdělují soubor a dvě část. Jeda část se azývá obor přjetí a druhá obor zamítáí ebol krtcký obor. Pokud testovací statstka spadá do krtckého oboru, zamítáme ulovou hypotézu ve prospěch hypotézy alteratví. 6

Krtcké obory jsou rozdílé pro dvoustraou a jedostraé hypotézy: H : µ µ - testovací statstka je buď meší ebo větší ež krtcké hodoty α daé kvatly a α příslušého rozděleí H : µ < µ - testovací statstka je meší ež krtcká hodota daá kvatlem α příslušého rozděleí H : µ > µ - testovací statstka je větší ež krtcká hodota daá kvatlem - α příslušého rozděleí Pokud vyvozujeme závěry a základě p-hodoty, porováváme obdržeou p-hodotu se zvoleou hladou výzamost α. Přčemž pokud je p-hodota meší ež zvoleá hlada výzamost, zamítáme ulovou hypotézu ve prospěch hypotézy alteratví. 7

3. Regresí aalýza Hlavím cílem regresí aalýzy je ajít regresí fukc, která ejlépe vysthuje vztah mez vysvětlovaou (závslou) a vysvětlující (ezávslou) proměou. Tato regresí fukce má podobu matematcké fukce. Pokud obsahuje uvažovaá regresí fukce jedu vysvětlující proměou (predktor), hovoříme o tzv. jedoduchou regres. Pokud pracujeme s alespoň dvěma predktory hovoříme o tzv. víceásobé regres. 3.. Jedoduchá regrese Nejdůležtějším a prvím krokem regresí aalýzy př sestavováí regresí fukce je zvoleí správého typu fukce. Na výběr máme z celé řady fukcí, apř. přímku, parabolu, hyperbolu, logartmckou fukc, epoecálí fukc. Vhodou fukc můžeme staovt a základě grafcké metody, kdy zobrazíme vztah mez závsle a ezávsle proměou pomocí bodového grafu a a základě tohoto grafu vybereme ejvhodější fukc. K výběru ejvhodější fukce můžeme kromě bodového grafu použít také aše dosavadí zkušeost ebo pokud pracujeme s daty jž jedou popsaým, můžeme využít regresí fukc použtou př zpracováí těchto dat. Po zvoleí ejvhodějšího typu fukce, který ejlépe popsuje závslost mez vysvětlující a vysvětlovaou proměou., musíme odhadout ezáme parametry regresí fukce (azývaé regresí koefcety). K tomuto účelu se používá metoda ejmeších čtverců, která je založea a podmíce, aby součet druhých moc odchylek emprckých (skutečě zjštěých) a teoretckých hodot (vypočítaé z regresí fukce ) byl mmálí. Odhad parametrů regresí fukce za pomoc metody ejmeších čtverců ukáž a přímkové regres. Matematcká fukce vyjádřeá přímkovou regresí má tvar: Y β + 0 β Za pomoc metody ejmeších čtverců staovíme odhady parametrů β 0 a β. Podmíkou této metody, jak už jsem uvedla, je mmalzace součtu druhých moc rozdílů emprckých hodot od teoretckých. Pro případ přímkové regrese má tato podmíka tvar: 8

9 ( ) y Q 0 β β Pro výpočet mma využjeme parcálí dervace podle β 0 a β. Po jejch aplkac položíme dvě obdržeé rovce rovy ule, tedy: ( ) ( ) ( ) ( ) 0 0 0 0 b b y b b y (b 0 a b představují odhady parametrů β 0 a β ) Po dalších úpravách dostaeme dvě rovce, které se azývají ormálí rovce: + + b b y b b y 0 0 Poté vyřešíme soustavu dvou rovc o dvou ezámých (b 0 a b ) a dostaeme: 0 y y b y y b Nyí máme tedy staoveou regresí fukc s parametry. Dalším krokem aalýzy je zjštěí kvalty staoveé regresí fukce ebol určeí míry jak zvoleá regresí fukce vysthuje vztah mez závsle a ezávsle proměou. K tomuto účelu slouží koefcet determace R, který je urče podílem varablty vyrovaých (teoretckých) hodot ku celkové varabltě hodot emprckých. Vypočteý koefcet leží v tervalu od 0 do a po vyásobeí stem je možé ho vyjádřt v procetech. Po staoveí regresí fukce je také důležté ověřt výzamost (oprávěost) jedotlvých parametrů v této fukc. K tomuto účelu se používá test s ásledující ulovou a alteratví hypotézou: H 0 : β j 0 (parametr β j je evýzamý, eovlvňuje závsle proměou) H : β j 0 (parametr β j ovlvňuje závsle proměou, je tedy ve fukc oprávěě)

K testováí této ulové hypotézy se používá ásledující testovací statstka: b T s j b j, kde b j představuje odhad parametru β j v regresí fukc a s b j směrodatou chybu tohoto odhadu. Testovací statstka má za platost ulové hypotézy studetovo t-rozděleí s -p stup, kde p je počet ezávsle proměých. Pokud s využtím tohoto testu eprokážeme opodstatěí daého parametru v regresí fukc, lze teto parametr vyechat a dále pracovat s fukcí bez tohoto parametru. Tímto však regresí aalýza ekočí, můžeme dále apříklad staovt tervaly spolehlvost a bodové odhady pro jedotlvé regresí koefcety regresí fukce ebo pro lbovolé hodoty ezávsle proměé staovt hodoty závsle (vysvětlovaé) proměé. 3.. Víceásobá regrese Obdobě jako v případě jedoduché regrese je prvím krokem víceásobé regresí aalýzy výběr vhodého typu fukce. Teto výběr je v případě víceásobé regresí fukce komplkovaý, protože model této fukce obsahuje více vysvětlujících proměých a elze tedy uplatt grafckou metodu. Jedou z možostí jak ajít ejvhodější typ fukce je provedeí jedoduchých regresích aalýz mez vysvětlovaou proměou a jedotlvým vysvětlujícím predktory. Na základě těchto jedoduchých regresích aalýz pak sestavíme mohoásobý regresí model. Kromě kvattatvích proměých je možé v regresí fukc využívat kategorálí proměé. Pro teto typ proměých je uté s v modelu vytvořt tzv. umělé proměé. 3 Po zvoleí ejvhodějšího typu fukce ásleduje staoveí parametrů této fukce. Tyto parametry se ozačují jako dílčí regresí koefcety. Způsob jejch určeí je aalogcký s regresím koefcety jedoduché regrese. 3 Blíže vz.: Komárek, A., Komárková, L. Statstcká aalýza závslostí. 006. 304 s. Skrptum pro předášku Statstka B blíže vz. Komárek, str. 06 0

Kvaltu regresí fukce a těsost závslost mez vysvětlovaou a vysvětlujícím proměým lze posoudt opět a základě koefcetu determace, který určíme jako poměr varablty teoretckých hodot ku celkové varabltě hodot emprckých. V případě víceásobé regresí aalýzy lze kromě koefcetu determace určt také tzv. koefcety dílčí korelace, které vyjadřují závslost vysvětlovaé proměé a proměé vysvětlující za předpokladu, že ostatí predktory jsou kostatí. Dalším krokem aalýzy je ověřeí výzamost jedotlvých parametrů v regresím modelu. K testováí výzamost kvattatvích proměých se používá stejý test jako v případě jedoduché regresí aalýzy. Pro ověřeí výzamost kategorálích proměých v modelu se využívá F-test o podmodelu, který je založe a vytvořeí velkého modelu, který zahruje všechy vysvětlující proměé a podmodelu, ve kterém je vypuště parametr, jehož se týká ulová hypotéza. Nulová a alteratví hypotéza pak zí: H 0 : Proměá emá v modelu statstcky výzamý vlv. H : Proměá má v modelu statstcky výzamý vlv. Nulovou hypotézu testujeme za pomoc ásledující testovací statstky 4 : F S sub R q S df S R R R, která má za platost ulové hypotézy F-rozděleí s q a df R stup volost. Pokud do regresího modelu zahreme kategorálí proměou, měl bychom též uvažovat vzájemou terakc mez kategorálí a kvattatví vysvětlující proměou (tedy stuac, kdy a závsle proměou může působt vzájemý vlv kategorálí a kvattatví proměé). Výzamost terakce v modelu ověříme pomocí F-testu o podmodelu, který je popsá výše a kde velký model je tvoře regresí fukcí s terakcí a podmodel regresí fukcí bez terakce, jejíž výzamost v modelu testujeme. 4 Blíže vz.: Komárek, A., Komárková, L. Statstcká aalýza závslostí. 006. 304 s. Skrptum pro předášku Statstka B blíže vz. Komárek, str.

Obdobě jako v případě jedoduché regresí aalýzy určeím regresích koefcetů a ověřeím jejch opodstatěost v modelu víceásobá regresí aalýza ekočí. Můžeme apříklad dále určovat tervaly spolehlvost pro jedotlvé koefcety.

PRAKTICKÁ ČÁST 3

Jak už jsem uvedla v úvodu, bakalářská práce je zaměřea a zpracováí dat týkajících se studetů. ročíku bakalářského studa a. ročíku avazujícího magsterského studa. Data získaá od studetů jsou uvedea v příloze a příloze. K prác s daty jsem využla statstcký program R, který je volě ke stažeí a teretové adrese www.r-project.org. Praktckou část jsem rozdělla a dvě hlaví část. V prví část jsem se věovala pouze studetům bakalářského typu studa, ve druhé část jsem se zaměřla a aalýzu dat týkajících se studetů avazujícího magsterského stupě studa. Př zpracováí dat týkajících se studetů bakalářského stupě avazujícího magsterského stupě jsem postupovala totožě. Nejprve jsem využla charakterstk popsé statstky k základímu popsu dat. U jedotlvých proměých jsem epočítala všechy charakterstky, zaměřla jsem se pouze a ěkteré. Do část věující se popsé statstce jsem také zahrula podmíěé charakterstky. Zaměřla jsem se a průměr a rozptyl v závslost a pohlaví studetů. Před samotou regresí aalýzou, kterou považuj v mé prác za stěžejí, jsem také za pomoc dvouvýběrových t-testů ověřovala, zda jsou výsledky jedotlvých dotazíků závslé a pohlaví č kolv, tedy zda jsou rozdíly mez průměrým výsledky mužů a že statstcky výzamé. V praktcké část mé bakalářské práce se tedy pokusím odpovědět a ásledující otázky: o Je počet bodů, které studet získal v jedotlvých dotazících popřípadě v jedotlvých škálách těchto dotazíků ebo ve Watso-Glaserově testu závslý a pohlaví? o Lze za pomoc růzých fukcí vysthout závslost mez jedotlvým strategem zvládáí Tobova dotazíku a ostatích proměých (pohlaví, věk, škála vlastí účost, Watso-Glaserův test krtckého myšleí, jedotlvé faktory osobostího dotazíku a proměé. řádu estecálí škály)? Přehled všech proměých statstckého souboru: o pohlaví...muž žea o věk...věk studeta o S-ET...škála vlastí účost 4

o W-G...Watso-Glaserův test krtckého myšleí o N... Neurotcsmus o E... Etroverze o O... Otevřeost vůč zkušeost o P... Přívětvost o S... Svědomtost o SV... Svoboda o OD... Odpovědost o SO... Sebeodstup o SP... Sebepřesah o E... Estecoalta o P.... Persoalta o Celkový skór.. Prožívaá smysluplost o RP... Věcé řešeí problému o KR... Kogtví restrukturalzace o VE... Vyjádřeí emocí o SP... Hledáí socálí opory o VP... Vyhýbáí se problému o FU... Fatazjí úk o SO.... Sebeobvňováí o SI... Socálí zolace o škola... předešlé studum Proměé estecoalta, persoalta, hledáí socálí opory a sebeobvňováí mají de z důvodu odlšeí od proměých etroverze, přívětvost, sebepřesah a sebeodstup. 5

. Bakalářský typ studa.. Popsá statstka V této část bakalářské práce se budu za pomoc charakterstk popsé statstky věovat prvotí aalýze jedotlvých proměých. K tomuto účelu je uté s uvědomt, které z proměých jsou představtel kategorálích dat a které dat kvattatvích. Z výše uvedeého přehledu proměých plye, že data obsahují pouze jedu kategorálí proměou, a to proměou pohlaví. Ostatí proměé jsou zástupc kvattatvích dat.... Kategorálí data Pohlaví K základímu popsu kategorálích dat využívá popsá statstka tabulky četostí, míru mutablty a modus. Z grafů se ejčastěj uplatňují sloupcový a výsečový graf. K popsu proměé pohlaví využj tabulku četostí (jak absolutí, tak relatví) a výsečový graf. Z íže uvedeé tabulky četostí výsečového grafu je patré, že v. ročíku bakalářského typu studa převládají žey. Z celkového počtu studetů, kteří vyplňoval dotazíky, jch bylo 59,8%, tj. 67. Tabulka - Tabulka absolutích a relatvích četostí pro proměou pohlaví Muž Žey Absolutí četost 45 67 Relatví četost 0,40 0,598 Graf - Koláčový graf rozložeí pohlaví studetů. ročíku bakalářského studa muž žey 40% 60% 6

... Kvattatví data Pro elemetárí aalýzu kvattatvích dat využívá popsá statstka především jedak tzv. charakterstky polohy a jedak tzv. charakterstky varablty. Ke grafckému zobrazeí dat se používají krabčkové dagramy. U jedotlvých proměých se zaměřím pouze a ěkteré z charakterstk, které souhrě zobrazím v tabulkách. Prví tabulka bude představovat charakterstky polohy, kde řádky této tabulky budou tvořey jedotlvým kvattatvím proměým a sloupce budou reprezetovat jedotlvé charakterstky polohy jako je apříklad mmum, mamum, modus, medá, atd.. V druhé tabulce budou uvedey charakterstky varablty, kde řádky opět budou tvořey jedotlvým proměým a sloupce budou zastupovat charakterstky varablty. Ze všech charakterstk varablty jsem se zaměřla pouze a varačí rozpětí, rozptyl a směrodatou odchylku. Tabulka - Charakterstky polohy pro jedotlvé proměé m. ma. modus medá d. kvartl h. kvartl průměr Věk 8 9 9,0 9,00 0,00 9,48 S-ET 6 37 5 7,0 5,00 30,00 7,43 W-G 34 60 48 48,0 43,75 5,5 47,49 N 36 5 3,0 0,00 6,00,78 E 5 37 9 7,0 4,75 9,00 6,9 O 3 33 3,0,00 5,00 3,6 P 8 36 7 7,0 3,75 9,00 6,54 S 8 34 9 8,5 6,00 30,00 7,93 SV 9 63 48 47,0 4,00 5,5 46,6 OD 7 50 5,0 47,00 58,00 5,46 SO 9 47 33 34,0 30,00 37,5 33,69 SP 47 8 74 66,0 60,00 7,00 65,73 E. 4 33 96 97,0 89,75 09,30 98,7 P. 73 5 98 98,0 9,00 09,30 99,4 Celkový skór 4 56 9 96,0 80,00 0,30 98,0 RP 7 43 7; 3 30,0 7,00 33,00 30,35 KR 4 3; 35 30,0 5,75 34,5 9,5 VE 9 40 7 3,5 8,00 9,00 4,6 SP. 45 33 3,5 6,00 37,00 3,03 VP 9 35 3,5 9,00 6,00,34 FU 3 45 9 9,5 6,75 33,00 9,60 SO. 4 8 8,0 3,00 3,00 7,74 SI 9 4 0,0 6,00 4,00 0,34 7

Tabulka -3 Charakterstky varablty pro jedotlvé proměé var. rozpětí rozptyl směr. odchylka Věk 4 0,504 0,7 S-ET,93 3,49 W-G 6 33,80 5,85 N 5,643 4,759 E 3,45 3,66 O 0,437 3,38 P 8 5,656 3,957 S 6,57 3,546 SV 44 73,905 8,597 OD 49 85,96 9,7 SO 8 3,073 5,663 SP 34 59,675 7,75 E. 9 8,97 6,80 P. 5 36,64,673 Celkový skór 4 733,000 7,074 RP 6 3,93 4,89 KR 30 37,07 6,00 VE 3 54,677 7,394 SP. 34 57,576 7,588 VP 6 6,064 5,05 FU 3 3,89 5,79 SO. 30 47,437 6,887 SI 3 35,99 6,000 Krabčkové dagramy jsou k ahlédutí v příloze 3 mé bakalářské práce...3. Podmíěé charakterstky Jak už jsem uvedla v úvodu praktcké část mé bakalářské práce, zaměřla jsem se také a výsledky dotazíku v závslost a pohlaví. V ásledující tabulce jsou zachycey podmíěé průměry a podmíěé rozptyly v závslost a pohlaví. Řádky tabulky jsou tvořey jedotlvým proměým a sloupce tabulky reprezetují podmíěé charakterstky. Pomocí podmíěých průměrů můžeme učt prvotí představu o tom, zda výsledek dotazíku závsí a pohlaví č kolv. K ověřeí ašch doměek lze využít dvouvýběrové t-testy, kterým bude věováa další část mé práce. 8

Tabulka -4 Průměry a rozptyly jedotlvých proměých v závslost a pohlaví průměr pro M průměr pro Ž rozptyl pro M rozptyl pro Ž Věk 9,7 9,33 0,66 0,35 S-ET 9,36 6,3 8,69 0,48 W-G 47,3 47,6 34,7 34,06 N,07 3,93 3,84 8,86 E 7,8 6,73 9,83 5,47 O 4,60,36,9 9,66 P 7,4 5,94 3,6 6,66 S 7,89 7,96 0,5 4,38 SV 48,4 44,93 59,8 80,8 OD 54, 5,34 98,56 75,74 SO 34,04 33,45 30,77 33,8 SP 65,33 66,00 73,7 5,33 E. 0,36 96,7 58,60 88,3 P. 99,38 99,48 37,4 37,68 Celkový skór 0,73 95,7 698,75 75,8 RP 30,9 30,39,35 6,00 KR 30,7 9,0 3,47 46,9 VE,0 6,5 47, 50,55 SP. 7,8 33,8 50,06 5,76 VP 3,3,69 5,6 5,9 FU 8,09 30,6 37,6 7,76 SO. 7,0 8, 34,6 56, SI,0 9,76 8,57 40,64 V příloze 4 mé bakalářské práce jsou k ahlédutí krabčkové dagramy jedotlvých proměých s přhlédutím k pohlaví studeta... Testy o shodě průměrů mužů a že Testy o shodě průměrů mužů a že ám umoží odhalt, zda počet získaých bodů v jedotlvých dotazících je závslý a pohlaví č kolv. Vše potřebé o tomto testu je uvedeo v teoretcké část, a proto ebudu a tomto místě opakovat jž apsaé a uvedu je krtérum a základě kterého budu testy vyhodocovat a ulovou a alteratví hypotézu, které budou pro všechy testy shodé. Všechy testy jsem prováděla a 5% hladě výzamost a výsledky jsem vyhodocovala a základě p-hodoty. 9

Nulová hypotéza H 0 zí: výsledek dotazíku eí závslý a pohlaví (průměrý výsledek mužů a že se rová, tz. mez průměrým výsledkem mužů a že eí rozdíl, který by byl statstcky výzamý). Ateratví hypotéza H aprot tomu zí: výsledek dotazíku je závslý a pohlaví (průměrý výsledek mužů a že se erová, tz. mez průměrým výsledek mužů a že estuje rozdíl, který je statstcky výzamý). K zpřehleděí jedotlvých výsledků testů o shodě průměrů mužů a že jsem opět využla tabulku. Řádky této tabulky jsou tvořey jedotlvým proměým a sloupce jsou reprezetováy p-hodotou, a základě které jsem určla zda test budu provádět za předpokladu shodost č eshodost rozptylů mužů a že, dále slovím vyhodoceím této p-hodoty, dále p-hodoty, a základě které jsem vyhodocovala test o shodě průměrů mužů a že a sloví vyjádřeí, zda počet získaých bodů závsí a pohlaví č kolv. Tabulka -5 P-hodoty F-testu a dvouvýběrového t-testu p- hodota shodost rozptylů p-hodota závslost a pohlaví věk 0,06 e 0,0083 ao S-ET 0,5 ao 4,87 0-7 ao W-G 0,976 ao 0,790 e N 0,384 ao 0,005 ao E 0, ao 0,55 e O 0,558 ao 0,0004 ao P 0,408 ao 0,05 e S 0, ao 0,93 e SV 0,87 ao 0,045 ao OD 0,38 ao 0, e SO 0,79 ao 0,587 e SP 0,88 ao 0,656 e E. 0,709 ao 0,060 e P. 0,994 ao 0,975 e Celkový skór 0,805 ao 0,5 e RP 0,49 ao 0,97 e KR 0,08 e 0,58 e VE 0,84 ao 0,00039 ao SP. 0,88 ao 0,0007 ao VP 0,94 ao 0,099 e FU 0,75 ao 0,0 ao SO. 0,79 ao 0,587 e SI 0,6 ao 0,5 e 30

Z tabulky tedy plye, že v případě dotazíku S-ET (škála vlastí účost), škály N (faktor eurotcsmus v pětfaktorovém dotazíku), škály O (faktor otevřeost vůč zkušeost v pětfaktorovém dotazíku), škály SV (proměá svoboda v estecálí škále), škály VE (vyjádřeí emocí) v Tobově dotazíku strategí zvládáí, škály SP. (hledáí socálí opory) v Tobově dotazíku strategí zvládáí a škály FU (fatazjí úk) v Tobově dotazíku strategí zvládáí je výsledek dotazíku závslý a pohlaví..3. Regresí aalýza Jak je uvedeo a začátku praktcké část mé bakalářské práce, za pomoc regresí aalýzy jsem se pokusla vyjádřt fukčí předps pro jedotlvé škály Tobova dotazíku strategí zvládáí za pomoc ostatích proměých (pohlaví, věk, škála vlastí účost, Watso-Glaserův test krtckého myšleí, jedotlvé faktory osobostího dotazíku a proměé. řádu estecálí škály). Protože vysvětlujících proměých je moho, uvažovala jsem regresí fukc pouze jako prostou leárí fukc. A poěvadž jeda z vysvětlujících proměých je kategorálího typu, musela jsem v modelu uvažovat vzájemou terakc mez touto proměou a ostatím proměým. Př sestavováí jedotlvých regresích fukcí jsem postupovala obdobě, proto uvedu souhr základích kroků:. Vytvořeí velkého modelu, do kterého jsem zahrula vzájemé terakce proměé pohlaví s ostatím proměým.. Za pomoc F-testu o podmodelu ověřeí výzamost jedotlvých terakcí ve velkém modelu. 3. Sestaveí modelu s terakcem, u kterých jsem prokázala jejch výzamý vlv a určeí koefcetu determace tohoto modelu. 4. Ověřeí výzamost ostatích proměých v modelu (za pomoc t-testů). 5. Ověřeí výzamost proměé pohlaví v modelu s využtím F-testu o podmodelu). 6. Určeí parametrů regresí fukce a další práce s modelem. 3

Všechy testy jsem prováděla a 5% hladě výzamost. Nulové hypotézy, testovací statstky a vše potřebé o použtích testech je uvedeo v teoretcké část, proto u regresích aalýz jedotlvých škál budu uvádět pouze závěry, které z aplkace těchto testů plyou..3.. Věcé řešeí problému (RP) Model závslost proměé RP a ostatích uvažovaých proměých lze zjedodušeě schématcky zobrazt ásledově: RP ~ pohlav+ vek + S. ET + W. G + N + E + O + P + S + E.+ P.+ vek* pohlav+ + S. ET * pohlav+ W. G* pohlav+ N * pohlav+ E* pohlav+ O* pohlav+ + P* pohlav+ S * pohlav+ E.* pohlav+ P.* pohlav Za pomoc F-testů o podmodelu jsem prokázala, že s pravděpodobostí 95% emusíme v modelu uvažovat žádou terakc mez proměou pohlaví a ostatím uvažovaým predktory. V dalším kroku jsem tedy pracovala s modelem bez terakce. Teto model, který zahroval všechy proměé, měl koefcet determace rový 9,93% (adjustovaý,%). Za pomoc t-testů jsem elmovala adbytečé proměé, až jsem došla k modelu ve tvaru: RP ~ pohlav+ S. ET + S Výzamost proměé pohlaví v modelu jsem otestovala za pomoc F-testu o podmodelu, který m a 5% hladě výzamost eprokázal výzamost této proměé v modelu (p-hodota se rovala 0,06). Koečý model byl tedy tvoře vysvětlující proměou S.ET (škála vlastí účost) a S (faktor svědomtost v NEO dotazíku) s koefcetem determace rovajícího se,7% (adjustovaý 0,6%) a jeho matematcký předps je ásledující: RP 7,853 + 0,409S. ET + 0, 404S Pokud tedy apříklad dva studet dosáhou v NEO dotazíku zaměřujícího se a faktor svědomtost (S) stejého výsledku a v dotazíku škály vlastí účost (S.ET) se jejch výsledky budou lšt o jede bod, pak se výsledek Tobova dotazíku věujícího se škále věcé řešeí problému (RP) u těchto studetů bude lšt o 8,6 bodů. 3

.3.. Kogtví restrukturalzace (KR) Nejprve jsem opět uvažovala rozsáhlý model, který zahroval eje všechy vysvětlující proměé, ale jedotlvé terakce těchto proměých s proměou pohlaví. Na hladě výzamost 5% jsem opět eprokázala výzamost jakékolv terakce v modelu, proto jsem dále pracovala s modelem bez terakce. Teto model, který obsahoval všechy proměé, měl poměr determace rovajícího se 3,78% (adjustovaý 5,39%). Po elmac adbytečých proměých za pomoc t-testů o výzamost regresích koefcetů v modelu jsem dospěla k modelu ve tvaru: KR ~ pohlav+ S. ET + P. F-test o podmodelu s p-hodotou 0,76 eprokázal s pravděpodobostí 95% výzamost proměé pohlaví v modelu, a proto tuto proměou můžeme z modelu vyechat a matematcký předps závslost proměé KR (kogtví restrukturalzace) a proměé S.ET (škála vlastí účost) a P. (proměá. řádu ESK škály) je ásledující: KR,98 + 0,477S. ET + 0,85 P. Koefcet determace této regresí fukce je rove 6,39% (adjustovaý 5,04%). Jak je vdět, tato Tobova stratege zvládáí je stejě jako předešlá škála (věcé řešeí problému) závslá a S.ET (škála vlastí účost)..3.3. Vyjádřeí emocí S využtím F-testu o podmodelu jsem v případě této škály prokázala a hladě výzamost 5% statstcky výzamý vlv terakce proměé pohlaví s proměým W.G (Watso-Glaserův test krtckého myšleí), P (faktor přívětvost NEO dotazíku) a S (faktor svědomtost NEO dotazíku) v modelu. Koefcet determace modelu s těmto terakcem a se všem ostatím vysvětlujícím proměým čl 40,36% (adjustovaý 3,75%). S využtím t-testů jsem elmovala adbytečé proměé až jsem dospěla k ásledujícímu modelu: VE ~ pohlav + W. G + P + S + P.+ W. G * pohlav + P * pohlav + S * pohlav 33

Za pomoc F-testu o podmodelu jsem opět ověřla, zda jsou všechy terakce v modelu výzamé. Teto test m tuto výzamost s pravděpodobostí 95% evyvrátl. Koečá regresí fukce s poměrem determace 36,83% (adjustovaý 3,93%) má tedy ásledující matematcký předps: VE 4,043 + 4,7 pohlav( žea) + 0,4W. G 0,39 P + 0,375S 0,96 P. 0,64W. G* pohlav( žea) + 0,80P * pohlav( žea),003s * pohlav( žea) Protože je v modelu zahruta kategorálí proměá pohlaví, lší se regresí fukce muže a žey. VE ( pro žey) 4,043 + 4,7 + 0,4W. G 0,39 P + 0,375S 0,96 P. 0,64W. G + 0,80P,003S 55,3 0,9 W. G + 0,66P 0,68S 0,96 P. VE ( pro muže) 4,043 + 0,4W. G 0,39 P + 0,375S 0,96 P. Vzhledem k velkému počtu vysvětlujících proměých a přítomost terakce v modelu jsou terpretace složté a já se jm tedy ezabývala..3.4. Hledáí socálí opory (SP.) V případě regresí aalýzy této škály Tobova dotazíku strategí zvládáí jsem pracovala s modelem bez terakce, protože F-test o podmodelu m eprokázal statcky výzamý vlv jakékolv terakce v modelu. Model bez terakce zahrující všechy vysvětlující proměé měl koefcet determace rove 4,4% (adjustovaý 5,9%). Po odstraěí adbytečých proměých s využtím t-testu, měl koečý model ásledující tvar: SP. ~ pohlaví + W. G + P + S Za pomoc F-testu o podmodelu jsem a závěr ověřla opodstatěost proměé pohlaví v modelu. Teto test m a hladě výzamost 5% prokázal statstcky výzamý vlv této proměé v modelu (p-hodota čla 0,00086). Matematcký předps koečé regresí fukce s poměrem determace 9,37% (adjustovaý 6,35%) je tedy ásledující: SP. 3,586 + 4,69 pohlaví ( žea) + 0,7W. G 0,376P + 0, 49S 34

Z důvodu přítomost kategorálí proměé pohlaví lze vyjádřt regresí fukce pro případ, že studetem je žea ebo muž: SP.( pro žey) 3,586 + 4,69 + 0,7W. G 0,376P + 0,49S 8, 76 + 0, 7W.G 0,376P + 0,49S SP. ( pro muže) 3,586 + 0,7W. G 0,376P + 0, 49S Jak je vdět z předpsů, pokud by žea muž dosáhl ve Watso-Glaserově testu krtckého myšleí (W.G), dotazíku zaměřujícího se a faktory přívětvost (P) a svědomtost (S) NEO dotazíku stejého počtu bodů, jejch výsledek v dotazíku věujícího se škále hledáí socálí opory (SP.) by se lšl o 4,69 bodů. Z regresí aalýzy mmo jé tedy plye, že výsledek dotazíku zaměřujícího se a škálu hledáí socálí opory v Tobově dotazíku strategí zvládáí závsí a pohlaví studeta. Totéž jsem prokázala t-testem o shodě dvou průměrů v část věující se této problematce (vz. tabulka.5)..3.5. Vyhýbáí se problému (VP) Nejprve jsem opět s využtím F-testu o podmodelu otestovala výzamost přítomost terakcí v modelu. Teto test s pravděpodobostí 95% zamítl výzamost jakékolv terakce v modelu a já jsem adále pracovala s modelem bez terakce. Za zmíku jstě stojí, že p-hodota tohoto testu v případě terakce proměé pohlaví s proměou E (faktor etroverze v NEO dotazíku) čla 0,06, tz. že a 7% hladě výzamost už bych musela tuto terakc do modelu zahrout. Model bez terakce zahrující všechy proměé měl koefcet determace rove 5,6% (adjustovaý 6,34%). Po elmac adbytečých proměých tvořly model pouze dvě proměé: VP ~ pohlaví + Přčemž jsem ještě musela za pomoc F-testu o podmodelu otestovat výzamost proměé pohlaví v modelu. Teto test tuto výzamost eprokázal s pravděpodobostí 95% a já jsem tedy tuto proměou z modelu vypustla. Matematcký předps regresí fukce zachycují závslost mez škálou vyhýbáí se problému (VP) a faktorem etroverze (E) je ásledující: E VP 9,433 0, 64E 35

Poměr determace vyjadřující kvaltu této regresí fukce se rová 3,5% (adjustovaý,63%). Je tedy velm ízký. Z regresí fukce však plye, že s rostoucí etroverzí studeta klesá používáí stratege vyhýbáí se problému v zátěžových stuacích..3.6. Fatazjí úk (FU) F-test o podmodelu prokázal s pravděpodobostí 95% oprávěost terakce proměé pohlaví s faktorem N (eurotcstmus) NEO dotazíku v modelu. Pokud bych prováděla F-test a 9% hladě výzamost, musela bych do modelu zahrout terakc pohlaví s proměou věk a faktorem P (přívětvost) NEO dotazíku. Model obsahující všechy proměé a terakc mez proměou pohlaví a faktorem N měl koefcet determace rovající se 43,97% (adjustovaý 37,8%). Po vyloučeí adbytečých proměých za pomoc t-testu byl model tvoře ásledujícím proměým: FU ~ pohlaví + N + E.+ N * pohlav Protože jsem vypustla ěkteré proměé, otestovala jsem za pomoc F-testu o podmodelu výzamost proměé pohlaví a terakc mez touto proměou a faktorem N (eurotcsmus) NEO dotazíku v modelu po elmac adbytečých proměých. Teto test prokázal, že s pravděpodobostí 95% má proměá terakce v modelu statstcky výzamý vlv. Matematcký předps koečého modelu, který měl poměr determace 4,63% (adjustovaý 40,48%), je tedy ásledující: FU 36,54 + 0,887 pohlaví ( žea) + 0,47N 0,7 E. 0,444N * pohlaví ( žea) Protože regresí fukce obsahuje kategorálí proměou, lze sestrojt regresí fukce pro jedotlvé varaty této kategorálí proměé, v mém případě pro žey a muže: FU ( pro žey) 36,54 + 0,887 + 0,47N 0,7 E. 0,444N 47,40-0,07N - 0,7E. FU ( pro muže) 36,54 + 0,47N 0,7 E. Iterpretace těchto regresích fukcí jsou problematcké z důvodu terakce v modelu, proto jsem se jm ezabývala. 36

.3.7. Sebeobvňováí (SO.) Po aplkac F-testu o podmodelu, který m a 5% hladě výzamost eprokázal opodstatěost jakékolv terakce mez pohlavím a ostatím proměým v modelu, jsem dále pracovala s modelem bez terakce. Model před elmací adbytečých proměých měl poměr determace rovající se,% (adjustovaý,35%). Po odstraěí těchto adbytečých proměých byl model tvoře pouze ásledujícím proměým: SO. ~ pohlaví + E. Před staoveím regresích koefcetů jsem ještě za pomoc F-testu o podmodelu otestovala výzamost proměé pohlaví v modelu. Teto test tuto výzamost a 5% hladě výzamost epotvrdl a já jsem tedy tuto proměou z modelu vyřadla. Matematcký předps koečé regresí fukce má tedy tvar: SO. 38,88 0, E. Koefcet determace této regresí přímky je rove 7,5% (adjustovaý 6,68%). Pokud se tedy bude počet bodů dvou studetů u proměé E. (estecoalta, proměá druhého řádu ESK škály) lšt o 0 bodů, pak se bude lšt výsledek těchto studetů v dotazíku věujícího se škále sebeobvňováí Tobova dotazíku strategí zvládáí o, bodů..3.8. Socálí zolace (SI) Protože F-test o podmodelu eprokázal a 5% hladě výzamost výskyt jakékolv terakce mez proměou pohlaví a ostatím proměým za statstcky opodstatělý, prováděla jsem regresí aalýzu a modelu bez terakce. Teto model měl poměr determace rove 0,6% (adjustovaý 0,7%). Po elmac adbytečých proměých s použtím t-testu jsem dospěla k ásledujícímu modelu: SI ~ pohlaví + P. Výzamost proměé pohlaví v modelu jsem otestovala za pomoc F-testu o podmodelu. Teto test s pravděpodobostí 95% epotvrdl výzamost této proměé v modelu a já jsem j tudíž z modelu vyloučla. 37

Matematcký předps koečého modelu, jehož koefcet determace čí 3,69% (adjustovaý,8%), je ásledující: SI 30,53 0,0987P. Pokud se tedy bude počet bodů dvou studetů u proměé P. (persoalta, proměá. řádu ESK škály) lšt apříklad o 0 bodů, pak se bude počet získaých bodů v dotazíku zaměřujícího se a škálu socálí zolace Tobova dotazíku strategí zvládáí u těchto studetů lšt o 0,987 bodů. 38

. Navazující magsterský typ studa Statstcký soubor obsahoval výsledky 06 studetů. Já jsem však jedoho ze studetů z toho souboru vyloučla. Důvodem byl počet bodů, kterého dosáhl v dotazíku zaměřeého a škálu socálí opory (SP.) Tobova dotazíku strategí zvládáí. Teto počet bodů totž překračoval mamálě možý počet bodů, kterého studet v tomto dotazíku mohl dosáhout... Popsá statstka K prvotímu zpracováí dat opět využj charakterstky popsé statstky. Statstcký soubor týkající se studetů avazujícího magsterského typu studa obsahuje dvě kategorálí proměé (vz. přehled proměých), a to proměou pohlaví a škola.... Kategorálí data K popsu kategorálích dat opět využj tabulky četostí (jak absolutí, tak relatví) a výsečový graf. Pohlaví Co se týče pohlaví studetů avazujícího magsterského studa, opět převažovaly žey (vz. íže zobrazeá tabulka četostí a výsečový graf). Z celkového počtu 05 studetů, kteří vyplňoval dotazíky, jch bylo 64,8%, tj. 68. Tabulka - Tabulka absolutích a relatvích četostí pro proměou pohlaví Muž Žey Absolutí četost 37 68 Relatví četost 0,35 0,648 Graf - Koláčový graf rozložeí pohlaví studetů. ročíku bakalářského studa muž žey 35,% 64,8% 39

Škola U studetů avazujícího magsterského typu studa se avíc ještě zjšťovalo předešlé studum, tz. byl dotazová, a jaké vysoké škole absolvoval bakalářské studum (zjšťovalo se pouze, zda bakalářský stupeň absolvoval a fakultě maagemetu ebo a jé vysoké škole, ale ezjšťovalo se přesější udáí této jé vysoké školy). Jak je možé vdět v ásledující tabulce a výsečovém grafu, 8,9% studetů avazujícího studa bylo studety fakulty maagemetu v bakalářském studu. Tabulka - Tabulka absolutích a relatvích četostí pro proměou škola FM já VŠ Absolutí četost 87 8 Relatví četost 0,89 0,7 Graf - Koláčový graf rozložeí předcházejícího studa fakulta maagemetu já VŠ 7,% 8,9%... Kvattatví data K prvotí aalýze kvattatvích dat statstckého souboru jsem opět využla je ěkteré z charakterstk popsé statstky. Tyto vybraé charakterstky jsem zachytla v ásledujících dvou tabulkách obdobě jako v případě dat týkajících se studetů bakalářského studa. Prví tabulka reprezetuje charakterstky polohy a druhá charakterstky varablty jedotlvých proměých statstckého souboru. 40

Tabulka -3 Charakterstky polohy pro jedotlvé proměé m. ma. modus medá d. kvartl h. kvartl průměr Věk 7 ; 3 3,0,00 3,00,85 S-ET 9 38 7; 30 9,0 7,00 3,00 9,5 W-G 5 66 49 47,0 43,00 5,00 46,0 N 0 30 0,0 7,00 3,00 0,37 E 8 37 6 7,0 5,00 9,00 6,8 O 4 34 3 4,0,00 7,00 4,67 P 8 38 7 7,0 4,00 9,00 6,50 S 9 36 7; 9 8,0 7,00 30,00 8, SV 3 66 5; 53 5,0 47,00 54,00 50,4 OD 35 77 57 58,0 55,00 63,00 58,54 SO 48 35 35,0 3,00 39,00 35,63 SP 8 8 77 7,0 66,00 75,00 69,89 E. 69 39 07 09,0 04,00 5,00 08,80 P. 6 9 07,0 00,00,00 05,50 Celkový skór 4 66 4 5,0 05,00 6,00 4,30 RP 6 4 3 33,0 3,00 37,00 33,33 KR 0 45 3 34,0 3,00 37,00 33,86 VE 3 44 5 3 0,00 8,00 3,90 SP. 5 44 34; 38 33,0 8,00 38,00 3,44 VP 40 6 3,0 0 6,00,75 FU 9 40 8; 9 8,0 5,00 3,00 8,8 SO. 9 4 8 8,0 4,00 3,00 7,66 SI 0 36 3,0 7,00 4,00 0,99 Tabulka -4 Charakterstky varablty pro jedotlvé proměé var. rozpětí rozptyl směr. odchylka Věk 6,034,07 S-ET 9 0,784 3,84 W-G 4 65,595 8,099 N 0 9,74 4,390 E 9,50 3,536 O 0 3,67 3,69 P 0 3,637 3,693 S 7 8,038,835 SV 35 36,587 6,049 OD 4 50,70 7,090 SO 6,870 4,677 SP 53 55,85 7,473 E. 70 40,50,843 P. 67 09,68 0,470 4