Knjiga Gotova Osnove

Priredio: Dr. sc.
Joko Sindik
OSNOVE ISTRAIVAKOG
RADA U SESTRINSTVU
Priredio: Dr. sc. Joko Sindik
OSNOVE ISTRAIVAKOG RADA U SESTRINSTVU
UDBENICI SVEUILITA U DUBROVNIKU

MANUALIA UNIVERSITATIS STUDIORUM RAGUSINAE
ISBN 978-953-7153-35-9 (Sveuilite u Dubrovniku)

Izdava
Sveuilite u Dubrovniku
Branitelja Dubrovnika 29, 20000 Dubrovnik
http://www.unidu.hr
Priredio: Dr. sc. Joko Sindik
RECENZENTI
dr. sc. Natalija Novokmet, znanstvena suradnica
doc. dr. sc. Joko Vukosav, docent
dr. sc. Draen Kovaevi, znanstveni suradnik
OSNOVE ISTRAIVAKOG RADA U SESTRINSTVU
Odjel za strune studije

Preddiplomski struni studij Sestrinstvo
Sveuilite u Dubrovniku
Dubrovnik, 2014.
SADRAJ
1. ISTRAIVAKI PRISTUP ...................................................................................................................1
1.1. VRSTE ZNANSTVENIH ISTRAIVANJA PO CILJU ...................................................................2
1.2. KVANTITATIVNA I KVALITATIVNA ISTRAIVANJA ............................................................2
1.2.1. KVANTITATIVNA ISTRAIVANJA ......................................................................................2
1.2.2. KVALITATIVNA ISTRAIVANJA .........................................................................................3
1.3. ISTRAIVANJA RAZVOJA ............................................................................................................3
2. PREGLED ISTRAIVAKOG PROCESA ........................................................................................5
2.1. PODRUJE ZNANSTVENE ANALIZE I DEFINIRANJE POJMOVA .........................................6
2.2. KONKRETNI CILJEVI, ZADACI I HIPOTEZE ISTRAIVANJA ................................................6
2.2.1. ZNANSTVENA PARADIGMA, TEORIJA, HIPOTEZA .........................................................7
2.2.2. CILJ, HIPOTEZA I ZADATAK ................................................................................................8
2.2.3. POSTUPCI DEFINIRANJA HIPOTEZA ..................................................................................8
2.3. VARIJABLE ......................................................................................................................................9
2.4. POPULACIJA I UZORAK ..............................................................................................................10
2.5. OSTALE FAZE ISTRAIVAKOG PROCESA ...........................................................................12
3. IZVORI I VRSTE PODATAKA ..........................................................................................................14
4. VRSTE MJERNIH LJESTVICA I KARAKTERISTIKE MJERNOG POSTUPKA ....................16
4.1. VRSTE MJERNIH LJESTVICA .....................................................................................................16
4.2. KARAKTERISTIKE MJERNOG POSTUPKA ..............................................................................17
4.2.1. VALJANOST ...........................................................................................................................17
4.2.2. POUZDANOST ........................................................................................................................18
4.2.3. OBJEKTIVNOST .....................................................................................................................18
4.2.4. OSJETLJIVOST .......................................................................................................................18
5. POSTUPCI PRIKUPLJANJA PODATAKA .....................................................................................20
5.1. SISTEMATSKO OPAANJE .........................................................................................................20
5.2. MJERENJE ......................................................................................................................................20
5.3. LISTE OZNAAVANJA I SKALE PROCJENE ...........................................................................21
5.4. ANKETA INTERVJU I UPITNIK ...............................................................................................23
5.5. TESTOVI .........................................................................................................................................26
5.6. EKSPERIMENT ..............................................................................................................................26
5.7. OSTALE METODE PRIKUPLJANJA PODATAKA.....................................................................28
5.7.1. STUDIJA SLUAJA ................................................................................................................28
5.7.2. METODA ANALIZE SADRAJA ..........................................................................................29
5.7.3. POSTUPCI ZA NENAMETLJIVO ISTRAIVANJE PONAANJA ....................................29
6. IZVORI STRUNE LITERATURE ...................................................................................................31

7. IZVJEE O REZULTATIMA ISTRAIVANJA ...........................................................................34
7.1. OPA NAELA PISANJA .............................................................................................................34
7.2. ZNANSTVENI RAD VRSTE RADOVA U ZNANOSTI............................................................35
7.3. POGLAVLJA I STRUKTURA ZNANSTVENOG RADA ............................................................36
7.4. SUSTAVI CITIRANJA LITERATURE ..........................................................................................38
8. UVOD U STATISTIKU I BIOSTATISTIKU .....................................................................................40
8.1. TEMELJNE VRSTE STATISTIKIH METODA I NJIHOVI CILJEVI .......................................40
8.2. METODE UREIVANJA STATISTIKIH PODATAKA ............................................................41
9. OSNOVNI POJMOVI VJEROJATNOSTI ........................................................................................52
10. MJERE CENTRALNE TENDENCIJE ............................................................................................54
11. MJERE VARIJABILNOSTI ..............................................................................................................57
12. POGREKA ARITMETIKE SREDINE ........................................................................................59
13. NORMALNA DISTRIBUCIJA..........................................................................................................61
14. POLOAJ REZULTATA U SKUPINI STANDARDIZACIJA REZULTATA.........................62
15. TESTIRANJE HIPOTEZA ................................................................................................................63
15.1. STATISTIKI TESTOVI RAZLIKA ...........................................................................................63
15.2. STATISTIKI TESTOVI POVEZANOSTI - KORELACIJE ......................................................65
15.3. PRETPOSTAVKE ODABIRA ODGOVARAJUIH STATISTIKIH METODA .....................69
15.3.1. TIP PODATAKA ...................................................................................................................69
15.3.2. VELIINA I BROJ UZORAKA ............................................................................................70
15.3.3. ZAVISNI I NEZAVISNI UZORCI ........................................................................................71
15.3.4. DISTRIBUCIJA REZULTATA PARAMETRIJSKA I
NEPARAMETRIJSKA STATISTIKA ..................................................................................72
LITERATURA ..........................................................................................................................................75
PRILOZI ....................................................................................................................................................77
ODABRANI MRENI IZVORI .............................................................................................................77
POPIS ODABRANIH ONLINE KALKULATORA ZA STATISTIKU ................................................79
PRIMJERI ...............................................................................................................................................80
SESTRINSKI GLASNIK - UPUTE ZA AUTORE ................................................................................85
POPIS TABLICA I GRAFIKIH PRIKAZA ........................................................................................90
PREGLEDNIK BITNIH POJMOVA .....................................................................................................92
Osnove istraivakog rada u sestrinstvu
1. ISTRAIVAKI PRISTUP
Znanost se definira kao traenje reda, zakonitosti u prirodi. Budui da su i drutvo i ovjekovo
doivljavanje dio iroko shvaene prirode, ne treba ih smatrati neobuhvaenim ovim odreenjem
znanosti (Ackoff, 1955). Openito se moe rei da podjela znanosti na prirodne, tehnike, drutvene i
humanistike postaje sve manje vana. Danas se s razvojem tehnologije razvijaju nove znanosti i ukupna
znanost postaje sve vie interdisciplinarna i multidisciplinarna (Vukosav i Zarevski, 2011). Openito,
znanost ima 5 osnovnih ciljeva (Vujevi, 1983):
1. opis pojava kojima se bavi
2. klasifikacija
3. objanjenje
4. predvianje
5. kontrola.
Budui da se ciljevi najee u razvoju neke znanosti javljaju upravo navedenim redom, moe se
opravdano govoriti i o fazama razvoja pojedine znanosti. Najvii stupanj razvoja znanosti jest kontrola
fenomena koji prouava, a najnii opis prouavanih fenomena. Moe se rei da je danas mogua i
djelomina kontrola evolucijskih procesa kao posljedica razvoja genetike i genetskog inenjerstva
(Vukosav i Zarevski, 2011).
Determinizam u prirodnoj znanosti (kao npr. fizici) moe biti potpun odnosno funkcionalan (ako
se dogodi jedan dogaaj, sigurno e se dogoditi i drugi). To se moe izraziti jednadbom: y = f (x)
U drutvenim a najee i u biomedicinskim znanostima ei su tzv. probabilistiki modeli gdje je
oblik jednadbe: y = f (x) + e
Naime, e u jednadbi opisuje pogreku mjerenja (ako se dogodi jedan dogaaj, moda e se dogoditi i
drugi) (Milas, 2005).
Znanstvena metoda je skup spoznajno-epistemolokih naela, logikih i proceduralnih pravila
koje znanost kao djelatnost primjenjuje u znanstveno-istraivakoj praksi. Znanstveno istraivanje je
sustavan nain postavljanja pitanja i sustavan nain odgovaranja na njih (iri, 2003).
Razlika izmeu znanstvenog i svakodnevnog miljenja je u tome to je znanstveno miljenje:
a) sistematino (upravljeno na ograniena podruja u dobro definiranim uvjetima)
b) objektivno (upravljeno na pojave i stvari kakve jesu, neovisno o naim ili tuim eljama)
c) neprestano kontrolirano (to se tie uvjeta prikupljanja podataka)
d) verificirano (izvrgnuto stalnoj kontroli dobivenih rezultata i metoda njihova dobivanja)
e) opreznost u generaliziranju (uvijek zakljuujemo u terminima vjerojatnosti, a ne apsolutne
istine (Vujevi, 1983).
Ispitivanje je ui pojam od istraivanja i odnosi se na posebne postupke odnosno metode kojima
se prikupljaju podaci. Drugim rijeima, opaaju se, prikupljaju i evidentiraju injenice o fenomenima
(pojavama i procesima) iz objektivne stvarnosti. Podaci se potom sreuju i obrauju takoer posebnim
postupcima ili metodama (iri, 2003).
Puno je podjela vrsta znanstvenih istraivanja. za potrebe ovog kolegija, odabrat e se tri takve podjele.
1.1. VRSTE ZNANSTVENIH ISTRAIVANJA PO CILJU

Dvije su vrste znanstvenih istraivanja po njihovom cilju (iri, 2003).
1. TEMELJNA (fundamentalna) istraivanja poveavaju opi fond znanstvenih injenica i
znanja, a pritom ne moraju imati praktine ciljeve i neposrednu praktinu primjenu. Temeljna
istraivanja su ona iji je cilj pronalaenje novih znanja o porijeklu i uzrocima pojava i injenica
(Vujevi, 1983). Ne uzimaju u obzir gospodarsku primjenu i koritenje, nemaju direktnu trinu
vrijednost (u obliku gotovog proizvoda). Objavljuju se u obliku znanstvenih radova, i izmjenjuju se
izmeu znanstvenih institucija, te izravno izmeu istraivaa. Primjerice, istraivanje temeljnih postavki
neke teorije o nastanku malignih bolesti spada u temeljna istraivanja (kemijski i bioloki uzroci itd.).
2. PRIMIJENJENA istraivanja prikupljaju spoznaje koje e se moi lako i brzo (dakle direktno)
praktino primijeniti. To su planirana istraivanja s ciljem stjecanja novih znanja i rjeenja za razvoj
novih ili poboljanje postojeih proizvoda, tehnologija, materijala i sl. Usmjerena su prema odreenom
cilju, neposrednoj primjeni ili rjeenju, a oslanjaju se na pozitivne znanstvene rezultate temeljnih
istraivanja (Vujevi, 1983). Postojea znanja (iz temeljnih istraivanja) se produbljuju zbog rjeavanja
posebnih problema. Imaju izravnu praktinu vrijednost, omoguuju primjenu ideja u praksi. Rezultati
primijenjenih istraivanja odnose se ponajprije na jedan proizvod, ili manji broj proizvoda, operacija ili
metoda, a rezultati primijenjenih istraivanja se esto zatiuju patentom. Primjerice, istraivanje koje
provjerava efekte primjene nekog novog lijeka (nastalog na temelju provjerene nove teorije o nastanku
malignih bolesti) na nekoj specifinoj populaciji (npr. astronautima ili sportaima) moe se smatrati
primijenjenim. Ili, neki lijek je na pokusnim kuniima pokazao efikasnost, pa ga pokuavamo primijeniti
i na ljude.
1.2. KVANTITATIVNA I KVALITATIVNA ISTRAIVANJA

Ova distinkcija proizlazi iz dvije glavne koncepcije ponaanja pojedinca i drutva, u filozofiji
poznate kao realizam i nominalizam, a koje uvjetuju razliite koncepcije metodologije istraivanja u
znanosti (iri, 2003; Mejovek, 2003). Posve pojednostavljeno, kvantitativna istraivanja zakljuuju o
opim zakonitostima, dok se kvalitativna bave pojedinanim entitetima (procesima, biima,
dogaajima).
1.2.1. KVANTITATIVNA ISTRAIVANJA

Pristalice realistikog gledita smatraju da drutvena stvarnost postoji objektivno, opipljivo,
nezavisno od svijesti promatraa, pa se moe spoznati, rekonstruirati i usvojiti objektivno, metodama
opaanja kao to se to ini s prirodnim injenicama u prirodnim znanostima (pozitivizam) (iri, 2003).
Istraivai u biomedicinskim znanostima koji prihvaaju ovakav pristup, koristit e u znanstvenom
istraivanju specifian pristup, procedure, metode, postupke i instrumente sline onima koje se koriste u
prirodnim znanostima (kvantitativni, nomotetiki). Cilj kvantitativnih istraivanja je doznavanje

bitnih opih zakonitosti o nekoj konkretnoj populaciji, koju reprezentira neki uzorak. U tom sluaju
zanimaju nas prosjene vrijednosti za tu populaciju, dok je interes za pojedinca sekundaran. U skupinu
kvantitativnih istraivanja ubrajaju se eksperimentalna, kvazieksperimentalna, evaluativna, korelativna,
posljedino-komparativna istraivanja i anketno ispitivanje (Mejovek, 2003).
Primjerice, ukoliko elimo doznati ispitnu anksioznost kod studenata sestrinstva, ispitat emo odreenim
upitnikom uzorak studenata te doznati prosjene vrijednosti i rasprenje rezultata, tj. prosjenu razinu
ispitne anksioznosti kod svih studenata.
1.2.2. KVALITATIVNA ISTRAIVANJA

Pristalice nominalistike pozicije smatraju da se ljudi i drutvene tvorevine bitno razlikuju od
prirodnih pojava, smatraju da su spoznaje ovisne o subjektivnom doivljaju, i da se mogu razumjeti, ali
ne i objasniti (antipozitivizam). Pristalice nominalizma, antipozitivizma, voluntarizma pak u istraivanju
biomedicinskih fenomena primjenjivat e drugaiji pristup, procedure, metode i instrumente
(kvalitativni, naturalistiki idiografski). Ovakav je pristup rjei u biomedicinskim znanostima. Cilj
kvalitativnih istraivanja je doznavanje bitnih injenica o pojedincu, o procesima koji se negdje
odvijaju. U kvalitativnim istraivanjima najee tehnike ili metode koje se koriste su opaanje,
intervjuiranje (individualno ili grupno) i analiza dokumenata (Halmi, 2005).
Primjerice, ukoliko nas zanima ponaanje odreenog pojedinca, npr. pacijenta na nekom odjelu,
njegova specifina povijest i manifestacije bolesti, to emo istraivati kvalitativno, jednako kao i
organizacijsku klimu u nekoj specifinoj tvrtki.
1.3. ISTRAIVANJA RAZVOJA

Dvije su vrste nacrta istraivanja kada istraiva ima za cilj ispitati trend, razvoj neke pojave
(Milas, 2005):
1. Transverzalni nacrt ili nacrt poprenog presjeka je onaj u kojem se usporeuju ponaanja
(odgovori) razliitih dobnih skupina dobivenih u jednokratnom ispitivanju. Brojna istraivanja
organiziraju se tako da se jednokratnim prikupljanjem podataka nastoji odgovoriti na problem o
stanju nekog fenomena (Vujevi, 1983). Najee se to ostvaruje opisom prosjenog stanja
vanih karakteristika (svojstava) fenomena i odreivanjem odnosa povezanosti izmeu njih.
Primjeri: Koji su najei oblici agresivnosti zastupljeni u pacijenata s dijagnozom
paranoidne shizofrenije. Stavovi uenika viih razreda osnovne kole prema puenju.
Ovakvim istraivanjima dobivamo opis pojave. Meutim spoznaju moemo produbiti dovodei
u vezu pojedine varijable. Raunajui povezanost (korelaciju) izmeu varijabli moemo
klasificirati fenomen ili predviati stanje iz jedne u drugu varijablu, ali se ne moe zakljuivati
o uzrono-posljedinim odnosima.
2. Longitudinalni nacrt je onaj u kojem se ispituju iste osobe (ispitanici) viekratno tijekom
duljeg vremenskog razdoblja. Longitudinalna istraivanja su ona u kojima se na istim ili
dijelom istim ispitanicima, istim instrumentima vri mjerenje u najmanje dvije odijeljene
vremenske jedinice. Takvim istraivanjima najee se prati razvoj nekih varijabli tijekom
vremena. Zadravajui iste ispitanike (ili barem kohorte tj. populaciju koja ima isto iskustvo)
izbjegava se slabost viekratnog ispitivanja istim instrumentima na razliitim uzorcima (iri,
2003). Primjer ovakvih pogrenih zakljuaka je interpretacija po kojoj starije osobe protekom
vremena postaju konzervativnije (u biti to moemo zakljuiti samo ako ispitujemo iste ljude).
2. PREGLED ISTRAIVAKOG PROCESA

U okviru ovog kolegija prvenstveno emo se baviti kvantitativnim istraivanjima, koja su
razmjerno ea u biomedicini. Istraivaki proces u kvalitativnim istraivanjima ima bitno drugaiji
tijek. Prema kvantitativnoj paradigmi, proces istraivanja odvija se kroz ispreplitanje teorijskih i
empirijskih aktivnosti koje se odvijaju manje ili vie utvrenim redoslijedom. O odabranom problemu
istraivanja i naina njegove formulacije koji impliciraju svrhu istraivanja ovisi koje e se faze i kojim
redoslijedom pojavljivati. Faze provoenja znanstvenog istraivanja prema kvantitativnoj paradigmi su
(Rafajac, 2010):
1. Izbor i analiza (obrazloenje) istraivakog problema
2. Odreivanje podruja znanstvene analize
3. Definiranje pojmova i njihova analiza
4. Odreivanje konkretnih ciljeva i zadataka istraivanja
5. Postavljanje hipoteza (teorijska utemeljenost)
6. Identifikacija, klasifikacija i operacionalizacija varijabli
7. Utvrivanje nacrta (dizajna) istraivanja
8. Izbor i razrada metoda, postupaka i instrumenata
9. Planiranje i provoenje terenskog dijela istraivanja (prikupljanja empirijske evidencije)
10. Sreivanje i obrada podataka
11. Analiza i interpretacija podataka i izvoenje zakljuaka
12. Pisanje izvjea i odabir naina objavljivanja rezultata (Vujevi, 1983).
Istraivaki problem (predmet) je ono to ne moemo rijeiti uenjem ili znanjem, pa treba
provesti istraivanje da bismo to saznali. Uoavanje problema traga za izvorima problema. Ovo su neki
od elemenata kojima se treba rukovoditi kod uoavanja problema: novina, vanost, primjenljivost,
interesi i strunost istraivaa, raspoloiva oprema, uvjeti rada, trokovi, rizici, trajanje, aktualnost
problema. Meutim, problem istraivanja najvie ovisi o svrsi kojoj istraivanje treba posluiti. Problem
moe biti isto spoznajni (u uem smislu), pragmatiki (rjeavanje konkretnog problema u praksi) ili
kombinacija ovih svrha (razvoj teorije da bi se rijeio praktini problem) (Vujevi, 1983).
Ako je problem (predmet) istraivanja sloen i obuhvaa vie pojedinanih spoznajnih ciljeva ili
ukljuuje i pragmatike ciljeve, rije je o istraivakom programu (projektu). Istraivaki projekti
objedinjuju vie pojedinanih istraivakih zadataka. Projekti najee imaju naslov koji upuuje na ire
problemsko podruje u kojem e se istraivati i pokuati rijeiti neki praktini problem, najee u
kontekstu drutva kao cjeline (Rafajac, 2010). Naslovi projekata prije svega govore o podruju prakse u
kojem se problem locira, npr.: Prevencija pojave metabolikog sindroma,Zdravstvena skrb starijih
osoba. Pojedinane istraivake probleme valja shvaati specifinije, pa ih je najpogodnije formulirati
upitnom reenicom koja precizno upuuje na smjer traganja za odgovorom (Rafajac, 2010). Kod
formulacije problema treba voditi rauna o tome da je problem zapravo upitna reenica (1), koja ima
svoj prostorni (2) i vremenski (3) te populacijski obuhvat (4). Istraivaki problem obino je rezultanta
uoavanja nedovoljno jasno i precizno formuliranih odgovora u strukturi postojeih spoznaja o tom
problemu i/ili uoenih razlika izmeu teorije i funkcioniranja stvarnosti. Ovisno o tome gdje je i kako
odreen fenomen koji je problem istraivanja, problem se i formulira (a tako i svrha istraivanja)
(Marui, 2004). Istraivanje nekog biomedicinskog fenomena moe biti: doprinos osnovnom znanju
(teorijskom objanjenju) nekog dijela biomedicinske stvarnosti (npr. teorija nastanka neke bolesti);
vrednovanje neke zdravstvene drutvene akcije (programa, npr. kampanje protiv puenja) ili pokuaj da
se znanstvenim pristupom rijei neki sasvim konkretni praktini problem (npr. treba li ljude cijepiti
protiv gripe odreenim cjepivom).
2.1. PODRUJE ZNANSTVENE ANALIZE I DEFINIRANJE POJMOVA

Pojmovi konceptualizacije i operacionalizacije dva su suprotna postupka vezana uz predmete
mjerenja, odnosno odreene konstrukte koji se prouavaju. Pojam je zamisao biti predmeta pojava i
procesa. ovjekova spoznaja uglavnom se sastoji od jasnih pojmova koje smo spoznali iskustvom i
miljenjem (iri, 2003).
Postupak traganja za znanstveno bitnim sadrajem nekog pojma naziva se specifikacija znaenja
ili konceptualizacija. Konceptualizacija je dakle stvaranje pojma (zamisli o biti nekog predmeta, bia,
fenomena) od neposrednog osjetilnog doivljaja do miljenja (iri, 2003). Primjerice, zamjeivanjem
veeg broja ponaanja koji se mogu svesti na zajedniki nazivnik nasilnosti (npr. fiziko udaranje,
verbalno vrijeanje, ogovaranje, itd.), dolazi se do konceptualizacije pojma agresivnosti.
Operacionalizacija pak polazi od jasnog pojma, tj. zamisli o neemu, dok se ele odrediti
empirijski (osjetno dohvatljivi) indikatori (pokazatelji) te pojave ili fenomena. Vano je pokuati
obuhvatiti sve oblike u kojima se taj fenomen u stvarnosti pojavljuje (iri, 2003). Drugim rijeima,
operacionalizacija je precizno utvrivanje i opisivanje nekog pojma ili predmeta istraivanja pomou
konkretnih postupaka, koji do njega dovode ili se njime obavljaju, i operacija pomou kojih se on mjeri
(npr. smiljenim zadacima testa vjetina pomaganja drugim ljudima operacionaliziramo upravo tu vrstu
vjetina). Operacionalizacija je postupak kojim se pojmovi i konstrukti koriteni u znanosti nastoje
osloboditi nejasnih, nepreciznih i oprenih znaenja. Na razini pojedinane varijable, operacionalizacija
varijable je izbor valjanih i metrijski najpogodnijih metrijskih pokazatelja (pojavnih oblika, indikatora)
neke definirane varijable. Ili, operacionalizacijom se pojam koji je djelomino apstraktan, svodi na
opaljiv i mjerljiv oblik. Npr. stanje (pojam) zdravlja moemo operacionalizirati optimalnom tjelesnom
temperaturom, krvnim tlakom, itd. Postignue na dravnoj maturi operacionaliziramo brojem tono
rijeenih zadataka u nekom specifinom podruju, npr. u matematici.
2.2. KONKRETNI CILJEVI, ZADACI I HIPOTEZE ISTRAIVANJA

Za razumijevanje odnosa ciljeva, zadataka i hipoteza istraivanja najpreglednije je ponajprije
razjasniti odnos paradigme, teorije i hipoteza (iri, 2003).
2.2.1. ZNANSTVENA PARADIGMA, TEORIJA, HIPOTEZA

Pojednostavljeno, moe se rei da su znanstvena paradigma, teorije i hipoteze hijerarhijski
organizirane: teorija je skup hipoteza, dok paradigmu sainjava skup teorija. Za razliku od paradigme,
koja se uzima zdravo za gotovo, teorija (indirektno) i hipoteza (direktno) su provjerljive.
Paradigma je skup osnovnih pretpostavki ili pravila koje uzimamo zdravo za gotovo, s ciljem
poimanja stvarnosti i njenih fenomena. Paradigma je zapravo opi pogled na svijet, nain kako
pristupamo interpretaciji stvari i pojava oko nas (iri, 2003). Ljudi imaju razliite paradigme kao
pojedinci, obitelji, grupe, narodi, struke itd. Paradigma objedinjuje skup teorija, a preopenita je da bi
ju se moglo direktno provjeravati.
Teorija je skup logiki meusobno povezanih iskaza i implikacija koje slijede iz njih, koje se rabe
za objanjavanje nekog skupa pojava (Bujas, 1967). U svakoj je teoriji implicitno sadrana teorijska
perspektiva, tj. skup pretpostavki i metoda koje se rijetko propituju. Drugim rijeima, teorija je skup
hipoteza, pa da bismo teoriju provjerili, potrebno je formulirati i provjeriti hipoteze koje se iz teorije
izvode. U tom kontekstu, teorija je indirektno provjerljiva, kad provjerimo sve hipoteze koje iz nje
proizlaze.
Hipoteza je specijalizirana tvrdnja u obliku predvianja, tj. ona je iskaz koji predvia odnos
izmeu (dvaju) varijabli. Drugim rijeima, ona je misaoni odgovor na pitanje o problemu. Kada je
hipoteza potvrivana odreeni vremenski period, s rastuom koliinom podataka, postaje teorija.
One nastaju deduciranjem ili generalizacijom empirijski opaenih nepravilnosti ili obrazaca ili
deduciranjem iz teorije, i iskaz su materijalne implikacije: AKO-ONDA iskaz. Temelji se na nekoj
teorijskoj perspektivi o tome kako stvari djeluju. Hipoteze u nekoj znanosti nisu jedinstvene, ve se
konstantno modificiraju zahvaljujui napretku ljudskog znanja. Hipoteze treba dobro operacionalizirati,
svesti na mjerljiv i testabilan oblik. Njima provjeravamo i koliko su nalazi dobiveni na uzorku vjerojatni
za populaciju. Operacionalizirana hipoteza je direktno provjerljiva (Bujas, 1967).
Primjer o odnosu paradigme, teorije hipoteze moe se vidjeti na sljedeem primjeru. Dijalektiki
materijalizam, (naziv za marksistiki koncept koji povezuje Hegelovu dijalektiku s materijalistikom
filozofijom Feuerbacha) moe se smatrati paradigmom, koja je imala svoju primjenu u nizu teorija na
podruju sociologije, ekonomije, psihologije pa ak i medicineKonkretnim hipotezama moglo se
provjeravati npr. jesu li radnici zadovoljniji u situaciji kad zajedniki odluuju o kupnji EKG ureaja, ili
kad odluke o tome donose rukovoditelji. Vie neopovrgnutih hipoteza dovodi do potvrivanja ili
korekcije teorije, to dalekoseno moe djelovati i na korekciju odreene paradigme.
2.2.2. CILJ, HIPOTEZA I ZADATAK

Razlika izmeu cilja 1 istraivanja i hipoteze oituje se u konkretnosti i nainu formulacije. I
hipoteza i cilj doprinose znanjima koja podravaju ili negiraju postojeu teoriju. Hipoteza se razlikuje od
cilja jer je cilj formuliran u obliku pitanja i slui nam kao baza izvora podataka od koje nastaje hipoteza.
Hipoteza je prijedlog rjeenja cilja istraivanja. Cilj ne moe biti direktno testiran, ali hipoteza moe biti
testirana i potvrena (iri, 2003). Primjerice, ukoliko kao cilj istraivanja odredimo utvrditi spolne
razlike u estini agresivnog ponaanja, moemo generirati hipoteze: Nema spolnih razlika u
uestalosti agresivnog ponaanja, ili pak Mukarci su agresivniji od ena, ili ene su agresivnije
od mukaraca,
Zadatak istraivanja zapravo je podcilj istraivanja. Primjerice, opi cilj istraivanja moe biti
npr. ispitivanje ukljuenosti oeva u odgoj djece i odgojnog stila oeva te njihove refleksije na kolski
uspjeh djeteta. Ovaj se sloeni cilj moe ralaniti na zadatke: ispitati percepciju razine ukljuenosti
oeva u odgoj djeteta(1), utvrditi koji je dominantni odgojni stil oeva(2), utvrditi povezanost
odgojnog stila i kolskog uspjeha djeteta(3), itd.
Premda u hrvatskoj literaturi iz podruja metodologije znanstvenog istraivanja postoje sloene i
razliite distinkcije problema, predmeta, ciljeva i zadataka istraivanja, uvjetno se moe pojmove
problema i predmeta istraivanja izjednaiti, kao i ciljeve i zadatke istraivanja.
2.2.3. POSTUPCI DEFINIRANJA HIPOTEZA

Pri formuliranju hipoteza koriste se dedukcija i indukcija, dva tipa zakljuivanja od kojih svaki
odgovara odreenim situacijama i odreenim zadacima (iri, 2003).
1. Deduktivni pristup pri formuliranju hipoteza (dakle, iz teorije se izvlae pretpostavke o pojavi
koju opisuje teorija, koje se empirijski mogu provjeriti):
TEORIJA->HIPOTEZE->PROMATRANJE->POTVRDA
Pojednostavljeno, iz neke teorije (koja primjerice ukazuje na imbenike koje su potencijalni korelati
maligne bolesti plua), formuliraju se konkretne operacionalizirane hipoteze (npr. da je puenje veeg
broja cigareta pozitivno povezano s malignom bolesti plua).
2. Induktivni pristup pri formuliranju hipoteza (dakle, iz empirijskog ili pojavnog izvlaimo
pretpostavke o obrascima funkcioniranja neke pojave):
PROMATRANJE->OBRAZAC->HIPOTEZE->TEORIJA
U ovoj knjizi pojma cilj ne koristi se kao sinonim pojma problem, koji se ee koristi u hrvatskoj psiholokoj literaturi.
Naime, u hrvatskoj znanstvenoj terminologiji ova znaenja nisu sasvim usklaena. U nekim znanostima, problem se
poistovjeuje s predmetom (tj. uim podrujem) istraivanja, dok je u drugim (kao to je veinom psihologija), problem
sinonim cilja, tj. istraivakog pitanja, u skladu s kojim se formulira istraivaka hipoteza. Drugim rijeima, u ovoj je
knjizi rije problem sinonim za predmet istraivanja (problem = predmet).
Na istom primjeru, zamijetivi da u praksi puai ee boluju od maligne bolesti plua, induktivnim
putem doli bismo do hipoteze, odnosno skupa hipoteza (teorije) koje ukazuju na potencijalne korelate i
uzroke maligne bolesti plua.
2.3. VARIJABLE
Prethodno opisanim postupkom operacionalizacije definiraju se varijable istraivanja. Varijable
su kvantitativna ili kvalitativna svojstva fenomena koji su predmet istraivanja. Ili: predmete analize koji
se operacionaliziraju i tako odreeni istrauju, tj. mjere, nazivaju se varijable (iri, 2003).
U znanstvenom istraivanju se postavljaju pitanja o stanju ili meusobnim odnosima svojstava
nekog fenomena kod pojedinanog sluaja ili pak kod vie sluajeva. Svaki entitet (predmet
promatranja, odnosno svojstvo koje se promatra) u istraivanju posjeduje vie kvantitativnih i
kvalitativnih obiljeja (svojstava) i u razliitim je odnosima s drugim fenomenima i njihovim obiljejima
(Milas, 2005). Sva obiljeja pojedinanih entiteta (fenomena) variraju u kvantiteti i kvaliteti, pa se u
istraivanjima nazivaju varijablama. Primjerice, tjelesna masa je entitet koji se razlikuje kod razliitih
pojedinaca u veoj ili manjoj mjeri, i mjerimo ju vagom.
Po svojoj prirodi i metrijskoj definiciji varijable se dijele na kvantitativne i kvalitativne.
Kvantitativne varijable su svojstva (obiljeja) istraivanog fenomena ili entiteta kojima se moe odrediti
koliina ili intenzitet i eventualno smjer na nekoj mjernoj ljestvici (Petz, 1985). Iskazuju se brojanim
simbolima (npr. tjelesna masa u kilogramima).
Kvalitativne varijable su svojstva (obiljeja) fenomena ili entiteta kojima se moe odrediti razliit
modalitet u pojavljivanju i koji se iskazuju atributima (npr. spol).
Ovisno o formulaciji istraivakog pitanja, u svakom istraivanju se mogu identificirati zavisne i
nezavisne varijable. Kada je rije o odnosima izmeu zavisnih i nezavisnih varijabli valja istai da se u
mnogim istraivanjima fokus stavlja na utvrivanje jednostavne povezanosti (korelacije) izmeu
razliitih obiljeja zavisnih i nezavisnih varijabli. Tek kada se otkriju vrste i stabilne povezanosti u
daljnjim istraivanjima se fokus moe usmjeriti na otkrivanje uzrono-posljedine (kauzalne) veze
izmeu varijabli (Petz, 1985). Primjerice, premda je pronaena povezanosti izmeu brojnih rizinih
faktora (npr. puenje) i razliitih bolesti, ne znai da ti rizini faktori i uzrokuju tu bolest (one nisu
jedini uzronici).
Zavisne (kriterijske) varijable su obiljeja fenomena (entitet)a o ijim stanjima ili promjenama
se u istraivanju eli neto spoznati. To je varijabla (fenomen, pojava) koja se mjeri u eksperimentu. Cilj
eksperimenta je utvrditi da li i kako se mijenja zavisna varijabla u vezi s promjenama nezavisne
varijable (Bujas, 1967). U eksperimentu se obino koristi vie zavisnih varijabli kako bi se odreeni
fenomen koji se ispituje to bolje zahvatio (npr. vie indikatora zdravstvenog stanja).
Nezavisne varijable su obiljeja fenomena ili entiteta pomou kojih se opisuju ili klasificiraju
zavisne varijable ili se prouava priroda njihova odnosa sa zavisnim varijablama. To je varijabla koja se
10
u eksperiment namjerno unosi i mijenja da bi se provjerilo utjee li na zavisnu varijablu, a ako utjee, da
bi se utvrdilo u kakvom su odnosu prema zavisnoj varijabli (naziva se jo i eksperimentalna varijabla)
(Bujas, 1967).
Nezavisna varijabla moe biti bilo koji fenomen ili pojava u okolini (vrsta treninga, spol, dobna grupa,
itd.).
Jednostavnije reeno, nezavisne varijable su predmet prouavanja, tj. mjeri se njihov uinak na
zavisne varijable. Mijenjaju se stanja (veliine) u nezavisnoj varijabli/ama i promatra se kako one
djeluju na zavisne varijable koje se predstavljaju kao funkcija nezavisnih (Petz, 1985).
Primjerice, kanimo li istraivati efekte novog lijeka na indikatore zdravstvenog stanja, novi lijek bit e
nezavisna varijabla, a zdravstveno stanje zavisna. U spomenutim analizama agresivnog ponaanja u
odnosu na spol, spol e biti nezavisna varijabla, a mjere agresivnog ponaanja zavisne varijable.
2.4. POPULACIJA I UZORAK

Pojam populacija u statistici znai sve mogue lanove neke skupine koji posjeduju odreene
karakteristike. Na primjer, ako bi nas zanimala prosjena visina odraslih konavoskih mukaraca,
trebalo bi izmjeriti sve odrasle mukarce, koji u trenutku mjerenja postoje u Konavlima. U drugim
sluajevima, populacija predstavlja neizmjeran broj mjerenja (npr. ispitivanje utjecaja alkohola na
vrijeme reakcije). Budui da je praktiki nemogue izvriti neizmjerni broj mjerenja), ili zato to se
mjerenjem katkada unitava produkt (npr. ispitivanje ispravnosti konzervi hrane), u eksperimentima i
ostalim mjerenjima sluimo se mjerenjem na uzorcima, koji moraju biti reprezentativni, tj. nepristrano
predstavljati populaciju.
Svako mjerenje provodi se samo na malom dijelu neke populacije, iz praktinih razloga (skupoa
istraivanja, nedostupnost svih lanova itd.). Dio populacije koji je selektivno odabran da bi populaciju
predstavljao, nazivamo uzorak. Dobro osmiljeni nacrt mjerenja omoguuje da iz relativno malog
uzorka donesemo zakljuke o svojstvu cjelokupne populacije (Petz, 1985).
Uzorak je dakle ogranieni broj lanova neke populacije (njen podskup) koji e biti istraivan. Iz
populacije se uzorak izabire tako da izabrana skupina to bolje i tonije predstavlja (reprezentira)
populaciju iz koje je izabrana. Takav se uzorak naziva nepristranim ili reprezentativnim uzorkom. Ako
to nije postignuto, uzorak je pristran (ne predstavlja dobro populaciju u cjelini) (Petz, 1985).
Dvije su osnovne strategije izbora lanova populacije u uzorak, sa i bez primjene teorije vjerojatnosti. U
pravilu su puno reprezentativniji uzorci uz primjenu teorije vjerojatnosti (Milas, 1985).
a) Uzorci uz primjenu teorije vjerojatnosti - kreiranje uzorka na nain da svaka jedinica ima poznatu
vjerojatnost (razliitu od nule) ukljuivanja u uzorak; odlike ove vrste uzoraka: korektna (nepristrana)
selekcija elemenata uzorka (1), zadovoljavajua reprezentativnost uzorka u odnosu na karakteristike
definirane populacije (2), mogunost izraunavanja greke uzorkovanja (3).
11
1. Najpoznatiji uzorak uz primjenu teorije vjerojatnosti je jednostavni sluajni uzorak, tj. onaj
kod kojega svaki lan populacije ima jednaku ansu da bude izabran u uzorak (dobiva se
upotrebom tablice sluajnih brojeva ili izvlaenjem iz bubnja).
2. Sline karakteristike ima i tzv. sistematski uzorak, tj. kada se iz populacije odabere svaki N-ti
lan: npr. ako bismo iz populacije, koja broji 1000 ljudi, eljeli uzorak veliine N = 100, u
uzorak bismo uzeli svakog desetog ovjeka iz abecednog popisa tih 1000 ljudi.
3. Ako se populacija sastoji iz nekoliko razliitih slojeva - stratuma (npr. ljudi razliitog stupnja
strune spreme), i sam uzorak mora sadravati te iste slojeve u istoj proporciji u populaciji, pa
moramo unaprijed odrediti postotak svakog sloja u uzorku (prema postotku u populaciji), a
lanove unutar svakog sloja birati po principu sluajnog uzorka. Takav se uzorak naziva
stratificiranim uzorkom.
4. Kod cluster uzorka ili uzorka skupina populacija se podijeli u nekoliko grupa (clustera), pa se
po sluaju odabere izvjestan broj takvih grupa, i izvri mjerenje svih lanova tih grupa (Milas,
1985).
b) Uzorci bez primjene teorije vjerojatnosti nepoznata je vjerojatnost izbora svake jedinice u
uzorak; rezultiraju sirovim podacima. Glavne vrste uzoraka uz primjenu teorije vjerojatnosti su:
prigodni uzorci, namjerni uzorci, kvotni uzorci, uzorci snjene grude.
1. Kod kvotnih uzoraka odrede se stratumi (slojevi unutar populacije, npr. visokokolski i
srednjokolski obrazovani), a slobodno se iz svakog predvienog stratuma odabere definirani
broj lanova, koje e se ispitati (slini su stratificiranim uzorcima, ali nema sluajnog odabira
lanova uzorka unutar stratuma). Izabiranjem uzorka s unaprijed odreenim udjelima, pokuava
se sustavno prenijeti karakteristike populacije na uzorak, ali ovaj uzorak nije nuno
reprezentativan.
2. Namjerni uzorci sadre lanove koji se izabiru tako da zadovolje izabrane kriterije. Takav
uzorak uopeno nije reprezentativan za populaciju, striktno su odabrani ispitanici po nekom
pravilu (npr. svi studenti Sestrinstva u Dubrovniku, kao uzorak iz populacije svih studenata
Sestrinstva u Hrvatskoj).
3. Katkada smo u nemogunosti da na bilo koji nain pripremamo ili paljivo biramo uzorak, pa
uzimamo u uzorak lanove koji su nam na raspolaganju. Takav se uzorak naziva prigodni
uzorak (npr. pacijenti nekog klinikog odjela, studenti neke odreene struke i sl.). Prigodni
uzorak moe biti i vrlo pristran (npr. zakljuivanje o kondicijskoj pripremljenosti studenata na
osnovu mjerenja studenata Kineziolokog fakulteta). Meutim, ako nema opasnosti da prigodni
uzorak predstavlja neku posebnu skupinu u odnosu na ono to se ispituje, prigodni uzorak moe
se smatrati posve dobrim, pogotovo ako je dovoljno velik.
4. Uzorak snjene grude svodi se na inicijalno identificiranje i kvalificiranje skupa lanova koji
su dio neke populacije, koji mogu pomoi istraivaima pronai ostale sudionike istraivanja
(npr. ljude koji su diplomirali na studiju strojarstva).Zajedniko svim ovim uzorcima bez
primjene teorije vjerojatnosti (pristranim) je da su manje reprezentativni za populaciju od
nepristranih (Milas, 2005).
12
Praktiki svi statistiki zakoni i formule vrijede samo onda ukoliko su uzorci zaista reprezentativni
za populaciju iz koje su izvaeni, dakle, ako su nepristrani uzorci (odabrani primjenom principa
vjerojatnosti). Pretpostavljeni zahtjev da dobar uzorak mora predstavljati najmanje neki odreeni dio
populacije (npr. 10%), zapravo nije toan. Uzorak je reprezentativniji za populaciju to je apsolutno (a
ne relativno) vei: uzorak veliine N=50 praktiki e manje uspjeno reprezentirati populaciju veliine
1000, nego uzorak veliine N=100 (Vukosav i Zarevski, 2011).
2.5. OSTALE FAZE ISTRAIVAKOG PROCESA

Nakon odreivanja uzorka entiteta koji e se istraivati, definirane su hipoteze i varijable. Slijedi
razrada naina odgovaranja na istraivaka pitanja koja su postavljena. Drugim rijeima, rije je o
nacrtu istraivanja koji opisuje uvjete istraivanja koji omoguuju provjeru postavljenih hipoteza.
Istraivaki nacrti pokuavaju predvidjeti sve praktine i teorijske probleme koji bi se mogli pojaviti u
provedbi istraivanja (Vujevi, 1983).
Veliki je broj razliitih istraivakih nacrta. Odluka o nacrtu ovisi o nekoliko imbenika:
cilju istraivanja (eli li se relativno grubo utvrditi postoji li djelovanje odreene nezavisne na
odreenu zavisnu varijablu, ili kani li se nai tip odnosa izmeu nezavisne i zavisne varijable;
ili se pak tei utvrditi postoji li utjecaj jedne izolirane nezavisne varijable, odnosno
interakcijskih efekata dvije ili vie nezavisnih varijabli na zavisnu varijablu);
vrsti varijabli koje su predmet eksperimentalnog ispitivanja (npr. fizioloke, psihofizioloke,
psiholoke varijable);
mogunosti upotrebe metoda i tehnika pri opaanju i mjerenju zavisne varijable (samo opaanje
eksperimentatora, testovi ili mjerenja preciznim napravama o promjenama zavisne varijable);
podruju istraivanja (ostavlja li primjena nezavisne varijable trajne tragove, npr. kod uenja;
etiki razlozi itd.) (iri, 2003).
Premda su mogue i razliite klasifikacije osnovnih nacrta istraivanja, najee se navode etiri
glavna nacrta istraivanja: deskriptivno, eksperimentalno, razvojno i kvalitativno (Vukosav i
Zarevski, 2011).
1. Deskriptivno istraivanje ima za cilj odrediti fenomenologiju, incidenciju, povezanosti. U ovu
skupinu ubrajaju se i korelacijska istraivanja u kojima se utvruje povezanost izmeu pojava. Podvrsta
korelacijskog je komparativno istraivanja - usporeuju se dvije skupine entiteta prema postojeem
stanju na primjer, razlikuju li se po agresivnosti osobe iz ope populacije od poinitelja kaznenih djela.
Indirektno se nastoje utvrditi uzroci razlike. Ali, valja naglasiti da samo eksperimentalna (kauzalna je
sinonim) istraivanja to mogu.
2. Eksperimentalna istraivanja su vrhunac znanstvene spoznaje, postupak u kojem se u
kontroliranim uvjetima namjerno izaziva neka pojava radi opaanja i mjerenja. Smatraju se najjaim
znanstvenim "orujem" za otkrivanje uzrono-posljedinih odnosa.
3. Razvojna istraivanja opisali smo u sklopu opisa vrsta istraivanja.
4. Pod kvalitativnim istraivanjem podrazumijeva se bilo koju vrstu istraivanja koje dovodi do
nalaza do kojih se nije dolo posredstvom koritenja statistikih postupaka ili nakon drugih naina
13
kvantifikacije. Moe se odnositi na istraivanja o ivotnoj povijesti neke osobe, ponaanju, epizodama
(Halmi, 2005). Znaaj ove vrste istraivanja je prvenstveno u podruju otkrivanja prirode iskustva
ispitivane osobe o fenomenu koji se istrauje.
O dijelu istraivakog procesa koji se tiu izbora i razrade metoda, postupaka i instrumenata
istraivanja nee se detaljnije govoriti jer je dio odluka o metodama ve opisan (varijable, uzorak), dok
e o vrstama podataka, postupcima njihova prikupljanja te metodama statistike obrade podataka biti
vie rijei kasnije. Ni o planiranju i provoenju terenskog dijela istraivanja (prikupljanju empirijske
evidencije) nee se detaljnije govoriti.
O sreivanju i obradi podataka bit e takoer vie rijei u statistikom dijelu, dok e se o analizi i
interpretaciji podataka i izvoenju zakljuaka najvie saznati u dijelu koji se odnosi na pisanju izvjea o
istraivanju, tj. o znanstvenom radu i odabiru naina objavljivanja rezultata istraivanja.
14
3. IZVORI I VRSTE PODATAKA

Za prikupljanje podataka vie je naina (postupaka). Postupci prikupljanja podataka (iskustvene
evidencije sastoji se od mjerenja i evidentiranja injenica kao osjetilnih doivljaja stvarnosti i njihovog
pretvaranja u znanstvene podatke. Odabir metoda prikupljanja podataka ovisi o problemima koje se eli
istraiti, ali i vie praktinih i teorijskih odrednica: cijene istraivanja, etikih ogranienja, teorije od
koje se polazi, predmeta mjerenja, itd. (Vujevi, 1983).
Vano je nauiti razlikovati fenomene (pojave ili procese) koji su dio objektivne stvarnosti od
pojma znanstvenih injenica koje predstavljaju osjetilne doivljaje te stvarnosti i pojam znanstveni
podatak, koji je znanstvena injenica pretvorena u evidentirani simbol (iri, 2003).
Primjerice, odreeni oblik agresivnog ponaanja je fenomen, vienje tog oblika ponaanja je
znanstvena injenica, dok je u ek-listu zabiljeena estina tog vienog agresivnog ponaanja zapravo
znanstveni podatak.
Tijekom istraivakog procesa ispitivana pojava moe biti promatrana u cijeloj populaciji
(potpuno promatranje) ili na dijelu populacije (djelomino promatranje).
Metode potpunog promatranja su metoda popisa i metoda registracije i izvjetaja (Milas, 2005).
Metoda popisa snima stanje neke masovne pojave u tono odreenom trenutku. Popis je odreen
kritinim momentom pojave koji predstavlja trenutak koji odreuje koje e statistike jedinice ui u
popis, i vremenom trajanja popisa (npr. promatramo stanje pacijenta tono u 9,00 h).
Metoda registracije i izvjetaja, za razliku od metode popisa, registrira podatke za odreeno vremensko
razdoblje (npr. promatramo stanje pacijenta od 9,00 do 11,30 h).
Zdravstvena dokumentacija je podvrsta sredstava za usklaeno evidentiranje i prikupljanje
podataka o dogaajima i aktivnostima u sustavu zdravstvene zatite (Hrvatski zavod za javno zdravstvo,
2007). Funkcije zdravstvene dokumentacije su: davanje uvida u zdravstveno stanje bolesnika;
omoguavanje postavljanja dijagnoze i odabira odgovarajue terapije; olakanje komunikacije izmeu
lijenika i izmeu lijenika i bolesnika; temelj je za razliite zdravstveno-statistike analize; sudskozdravstveni je dokaz provedenih postupaka; pokazatelj je kvalitete rada zdravstvene slube; baza je
podataka za znanstvena istraivanja (Hrvatski zavod za javno zdravstvo, 2007).
Osnovnu zdravstvenu dokumentaciju ine: zdravstveni karton, povijest bolesti, temperaturnoterapijsko-dijetetska lista, karton o potronji lijekova, karton cijepljenja, otpusna lista sa epikrizom,
protokol bolesnika, protokol za registraciju rezultata zdravstvenog rada, protokol operiranih i umrlih,
matina knjiga osoba smjetenih u stacionarnoj zdravstvenoj ustanovi, lista anestezije (Hrvatski zavod
za javno zdravstvo, 2007).
Postoje i pomona sredstva za voenje evidencija u zdravstvu, a to su: registar kartoteke, dnevna
evidencija o vizitama i radu, tekua evidencija o utvrenim stanjima i oboljenjima, dnevna evidencija o
kretanju bolesnika u stacionaru (Hrvatski zavod za javno zdravstvo, 2007).
15
Velik je inventar postupaka za prikupljanje i evidenciju iskustvenih injenica i instrumenata

kojima znanost injenice pretvara u znanstvene podatke. Postupci za prikupljanje (evidenciju, mjerenje)
empirijskih injenica i instrumenti pretvaranja injenica u znanstvene podatke su (Milas, 2005):
Studij i analiza operativne i znanstvene dokumentacije (evidencijski listovi, kartice)
Sistematsko promatranje (promatra, tehniko pomagalo, protokoli snimanja, evidencije)
Intervjuiranje (protokoli intervjua)
Anketa (upitnik- anketni list)
Procjenjivanje i prosuivanje (ljestvice procjene, ljestvice stavova)
Testiranje (testovi).
16
4. VRSTE MJERNIH LJESTVICA I KARAKTERISTIKE

MJERNOG POSTUPKA
Mjerenje je primjena skupa pravila za pridruivanje brojeva pojedinim atributima prouavanih
objekata. Ili, mjerenje je pridjeljivanje brojeva objektima, pojavama itd. prema nekim pravilima.
Mjerenje se odnosi na jedno svojstvo (atribut), dok na temelju vie vrsta mjerenja uvijek moe izvoditi
kompleksnije pokazatelje (npr. BMI, tj. indeks tjelesne mase). U tom sluaju zasebno mjerimo visinu, a
posebno masu, a potom na temelju odreenog algoritma raunamo sloenije indekse (Petz, 1985).
4.1. VRSTE MJERNIH LJESTVICA

Za mjerenje posebno su vane etiri karakteristike sustava brojeva, koje odreuju pravila koja se
pri mjerenju koriste, a time je ujedno odreena i razina mjerenja ili tzv. skale (ljestvice) mjerenja. Skale
mjerenja su etiri (Petz, 1985):
nominalna: svaki broj (npr. broj 3 ili bilo koji drugi) ima svoj identitet, tj. on je sigurno razliit
od svakog drugog broja i reprezentira uvijek isto (npr. oznaka 1 za mukarce a 2 za ene);
meutim, broj nam ne govori o koliini niti o redoslijedu, jednostavno oznaava objekte s
razliitim svojstvima; podacima izraenim na ovoj ljestvici dobivamo podatke o pripadnosti
odreenoj kategoriji (npr. Hrvat, bijele kuglice, itd.);
ordinalna: svi brojevi koji nisu identini, manji su ili vei pa se zato mogu redati po veliini
(npr. prvoplasiranom u utrci dodjeljuje se broj 1, drugoplasiranom 2, itd.); opet ne znamo nita
o koliini, ali znamo rang objekata po redoslijedu u odnosu na zastupljenost nekog svojstva;
podacima izraenim na ovoj ljestvici dobivamo podatke o redoslijedu (npr. treeplasirani na
Eurosongu, drugi na cilju natjecanja slalomaa, itd.);
intervalna: prave mjerene vrijednosti; za razlike medu brojevima vrijedi isto to i za same
brojeve pa se moe utvrditi i redoslijed meu razlikama, gdje meutim nula ne podrazumijeva
odsustvo nekog svojstva (npr. temperatura u stupnjevima Celzijusa, nula je dogovorena toka
ledita vode, a ne najnia mogua temperatura); podacima izraenim na ovoj ljestvici
dobivamo tone brojane mjerene podatke, s relativnom nulom (npr. procjena na skali sa
stupnjem slaganja od 0 do 4, itd.);
omjerna: prave mjerene vrijednosti; meutim, sustav brojeva sadri jedinstven broj - nula koji reprezentira odsutnost bilo kakve pojave ili bilo kakve koliine (npr. temperatura u
stupnjevima Kelvina, nula je najnia mogua temperatura, tjelesna visina u centimetrima, itd.)
Drugim rijeima, dobivamo brojane mjerene podatke, s apsolutnom nulom.
U ovisnosti o tome kakvog je tipa skala kojoj pripadaju podaci, mogu se izvoditi sljedee
statistike obrade (iri, 2003), prikazane u tablici 1.
17
Tablica 1. Mjerne ljestvice i pripadne razine statistike analize

Vrsta skale
diferencijacija
(razlikovanje)
nominalna
ordinalna
intervalna
omjerna
rang
(poredak)
razlika
apsolutna vrijednost
(omjer)
4.2. KARAKTERISTIKE MJERNOG POSTUPKA

Biometrija (ekonometrija, psihometrija, kineziometrija, itd.) je disciplina koja se bavi mjerenjem
u biomedicini. Zbog velike varijabilnosti biomedicinskih pojava, biometrija koristi (i razvija) vrlo
sloene postupke matematike i statistike analize (iri, 2003). Metrijske karakteristike su svojstva
nekog mjernog postupka (npr. testa, upitnika, skale sudova), odnosno rezultata dobivenih njegovom
primjenom, pomou kojih prosuujemo njegovu znanstvenu upotrebljivost (Petz, 1985). Naime,
praktiki svatko moe popisati niz indikatora (tvrdnji) koje mogu opisivati stres. Ali ne znai da taj skup
tvrdnji zaista vjerodostojno opisuje doivljaj stresa kod ljudi, da se stres mjeren tim nizom pitanja
moe uistinu tono i nepristrano izmjeriti, i da vei zbroj procjena na toj skali stres doista znai vei
doivljeni stres. Glavne metrijske karakteristike nekog mjernog postupka su: valjanost, pouzdanost,
objektivnost, osjetljivost (iri, 2005).
4.2.1. VALJANOST
Valjanost je metrijska karakteristika nekog mjernog postupka, koja nam pokazuje mjeri li taj
postupak i u kojem stupnju mjeri upravo ono to smatramo da mjeri. Moe se rei da postoje dva
osnovna tipa valjanosti, a to su teorijska valjanost i praktina valjanost.
Praktina valjanost je pokazuje koliko neki mjerni postupak razlikuje uspjene od neuspjenih u
nekom kriteriju praktine djelatnosti. Najee je to mjera povezanosti izmeu testovnih rezultata i
nekog vanjskog kriterija. Pokazuje koliko se uspjeno moe na temelju testovnih rezultata predviati
poloaj ispitanika u grupi ispitanika, u nekom kriteriju praktine djelatnosti. Naziva se i prognostikom
(prognoza u budunosti, npr. da li e na temelju rezultata mjernog postupka ispitanik oboljeti od neke
bolesti) odnosno dijagnostikom valjanou mjernog postupka (npr. da li je na temelju rezultata
mjernog postupka pacijent bolestan). Naravno, mala nam korist od sofisticiranog testiranja kandidata za
neko radno mjesto, ukoliko na temelju testiranja dobijemo kandidata koji nije osobito uspjean u radu.
Teorijska valjanost provjerava mjeri li mjerni postupak ono to bi zaista trebao mjeriti. To je skup
svih bitnih informacija koje pridonose utvrivanju da li, i u kojem stupnju, neki mjerni postupak
openito mjeri neku hipotetsku osobinu ili konstrukt (sinonim konstruktna valjanost). Odnosno, ona
kazuje da li odgovori i reakcije ispitanika predstavljaju zadovoljavajue simptome (sinonim
18
simptomatska valjanost) mjerene osobine (Milas, 2005). Npr. da li injenica da se pojedinac na poslu
ponaa neagresivno pokazatelj njegove openite neagresivnosti? On moe biti vrlo agresivnog
ponaanja kod kue, pa nije valjano mjerenje koje se odnosi samo na njegovo ponaanje na poslu.
4.2.2. POUZDANOST
Pouzdanost je metrijska karakteristika koja se odnosi na imunost mjernog postupka na pogreke
mjerenja. Pouzdanost se dakle odnosi na tonost mjerenja, bez obzira na to to se mjeri. Ili: pouzdanost
je nezavisnost mjerenja od nesistematskih izvora pogreaka. U statistici postoji nekoliko mjera
pouzdanosti, a njihov izbor ovisi o specifinim ciljevima istraivanja (Milas, 2005). Najee su testretest pouzdanost (stabilnost rezultata mjerenja u odnosu na viekratnu upotrebu mjernog postupka
tijekom vremena), te Cronbachov alfa koeficijent interne konzistencije rezultata, dobiven na temelju
interkorelacija estica mjernog postupka). Npr. uzastopnim mjerenjem tjelesne mase skupine pojedinaca
utvrdit emo pouzdanost vage kao mjernog instrumenta (ukoliko dobivamo vrlo sline vrijednosti, vaga
je pouzdanija).
4.2.3. OBJEKTIVNOST
Objektivnost je zapravo nepristranost odreenog mjerenja. To je stupanj nezavisnosti rezultata
mjerenja o razlikama u postupcima ispitivaa prilikom registracije i vrednovanja rezultata mjerenja.
Odreuje se utvrivanjem povezanosti izmeu rezultata koje su dobili razliiti ispitivai, primjenjujui
isti mjerni postupak na istim ispitanicima (Milas, 2005). Objektivnost se moe smatrati i jednim
aspektom pouzdanosti mjerenja. Primjerice, ako vie ljudi gleda oitanje na vagi i vidi iste vrijednosti,
vaga je objektivan nain mjerenja. S druge strane, manje je objektivan umjetniki dojam kod klizaa,
gdje se vie sudaca u maloj mjeri slae.
4.2.4. OSJETLJIVOST
Osjetljivost ili diskriminativnost se odnosi na karakteristiku mjernog postupka da moe dobro
razlikovati ispitanike u odnosu na predmet mjerenja. Osjetljivost mjernih postupaka iskazuje se u
veliinama rasprenja rezultata mjerenja, a ovisi i o njegovoj primjerenosti ispitivanoj populaciji (Milas,
2005). Npr. katastrofalan uspjeh na ispitu pokazuje nam da je veina studenata postigla loe rezultate
(pozitivno asimetrina distribucija), to znai da je iz nekih razloga test nedovoljno osjetljiv: ili su
studenti nedovoljno uili, ili je test uistinu preteak.
Negativno asimetrina distribucija upuuje na prelagane zadatke (lijevo). Pozitivno asimetrina
distribucija upuuje na previe teke zadatke (desno).
19
Grafiki prikaz 1 i 2. Negativna (lijevo) i pozitivno (desno) asimetrina distribucija

12
12
10
10
8
8
Skup1
Skup1
2
0
0
1
10 11 12 13 14
10 11 12 13 14
20
5. POSTUPCI PRIKUPLJANJA PODATAKA

Osnovna podjela metoda koritenih za prikupljanje podataka razlikuje ope i posebne metode.
Ope metode prikupljanja podataka dalje se dijele na: opaanje (introspekciju i ekstraspekciju),
eksperiment, prouavanje dokumentacije i metodu uzoraka. Posebne metode prikupljanja podataka
dijele se na: anketu, intervju i analizu sadraja. Meutim, postoje i brojne druge podjele, pa e se
koristiti ova koja je koritena u programu ovog kolegija (Cohen, Manion i Morrison, 2007).
5.1. SISTEMATSKO OPAANJE

Sistematsko opaanje dijeli se na introspekciju (promatranje sebe) i na ekstraspekciju
(promatranje drugih ljudi).
Samoopaanje ili introspekcija je sustavno opaanje vlastitih psihikih procesa. Nedostaci
samoopaanja su injenica da je to vrlo subjektivna metoda, koja ovisi o iskrenosti ispitanika i njegovoj
sposobnosti da opie neku pojavu. Prednosti su svakako dostupnost podataka do kojih na drugi nain
nije mogue doi, npr. stavovi prema neemu, uteda vremena za prikupljanje podataka iz drugih izvora.
Opaanje drugih ili ekstraspekcija (najee u prirodnim uvjetima) je opaanje iskljuivo izvana
vidljivog ponaanja. Nedostaci su mu dugotrajnost i relativna jednostavnost podataka. Prednosti se
oituju u mogunosti istraivanja ponaanja djece ili ivotinja, npr. Opaanje moe biti i
sudjelovateljsko. esto je u istraivanjima sigurnosti na radu istraiva ukljuen u grupnu dinamiku i
radni proces. Npr. huliganizam na sportskim natjecanjima se uglavnom prouava sudjelovateljskom
tehnikom. Kod opaanja okolina moe biti u veoj ili manjoj mjeri strukturirana (nekad i namjerno
aranirana na odreeni nain - u tzv. kvazi-eksperimentima) ili potpuno prirodna. Zapisivanje podataka
dobivenih opaanjem moe biti visoko strukturirano (postoji detaljno razraen protokol u kojem je jasno
opisana svaka epizoda koju je trebalo opaati, a zatim se koriste tzv. ek liste (popis ponaanja za koja
promatra konstatira pojavljuju li se ili ne). Kad se nestrukturirano (slobodno) registrira opaanja, rije
je o kvalitativnom istraivanju i ono trai posebno pomnu kvalitativnu obradu podataka. Meutim, to je
procjenjivanje vie strukturirano vea je objektivnost, ali nautrb gubitka nekih finih detalja koji mogu
imati veliki znaaj u idiografskom pristupu pojedinanih sluajeva (Cohen, Manion i Morrison, 2007).
5.2. MJERENJE
Kao to je navedeno ranije, mjerenje je primjena skupa pravila za pridruivanje brojeva pojedinim
atributima prouavanih objekata. Mjerni postupci mogu biti direktni i indirektni (Petz, 1985). Direktno
mjerenje je usporedba predmeta mjerenja s mjernom jedinicom koja je iste vrste (npr. mjerenje duljine
metrom, tjelesne mase vagom). Valjanost ove vrste mjerenja je oigledna. Indirektno mjerenje se
provodi onda kada o predmetu mjerenja nemamo izravnih osjetilnih podataka ili je zbog tehnikih
razloga nemogue konstruirati mjerni instrument iste mjerne jedinice (npr. mjerenje brzine na osnovi
21
puta i vremena, mjerenje inteligencije testom inteligencije). Valjanost ovakvih mjerenja je vie ili manje
upitna, pa trebamo domiljati naine u kolikoj je mjeri ono to namjeravamo mjeriti doista ono to
mjerimo. Jedna od metoda utvrivanja valjanosti je faktorska analiza, dok esto pronalazimo i vanjske
kriterije valjanosti (npr. uspjeh u karijeri moe biti indikator valjanosti kolskog uspjeha kao pokazatelja
uspjenosti osposobljavanja pojedinca za neku odreenu vrstu posla).
Za mjerenje posebno su vane etiri karakteristike sustava brojeva, jer osobine sustava brojeva uvjetuju
pravila koja se pri mjerenju koriste, a ujedno i razine mjerenja ili tzv. skale mjerenja.
5.3. LISTE OZNAAVANJA I SKALE PROCJENE

ek liste (liste oznaavanja) se sastoje od niza potpuno konkretnih pozitivnih i negativnih tvrdnji
ili atributa koji se odnose na predmet istraivanja. Procjenjiva treba oznaiti one tvrdnje s kojima se
slae. Tablica unaprijed planiranih kategorija slui da provjerimo da li one postoje u ponaanju ili ne
(DA/ NE). Razliita ponaanja se biljee po odreenim kategorijama i po redoslijedu pojavljivanja, tako
da grade sliku redoslijeda ponaanja entiteta koji se promatraju (Cohen, Manion i Morrison, 2007).
Unaprijed se definiraju kategorije, bez objanjavanja i definiranja vremenskih i prostornih uzoraka a
promatranje treba biti usklaeno s ponaanjima koja se promatraju, a s nastojanjem da se ne utjee na
ponaanje osoba (pojava) koje se promatraju. Smjernice za koritenje: odrediti cilj prikupljanja podataka
(1), definirati aspekte ponaanja koji se procjenjuju (2), za svaki aspekt ponaanja napraviti posebnu
eklistu (3), definirati kategorije/tvrdnje (4), ostaviti slobodan prostor za dodatne informacije tj.
pribiljeke (5) te ostaviti prostor za tumaenje podataka (6) (Cohen, Manion i Morrison, 2007).
Skale procjene koriste se za stupnjevito procjenjivanje zasnovano na promatranju. Zapaanja
(odreene kvalitete) dobivaju mjerni izraz (brojani, grafiki) kojim se utvruje prisutnost neke osobine,
pojave, i dogaaja, ali mu se za razliku od ek-lista odreuje i ekstenzitet. Skala procjene najee
zahtijeva da odreenoj osobini odredi i stupanj prisutnosti (npr. uope se ne pojavljuje do u potpunosti
se pojavljuje). Skalama procjene mogu se ujednaiti sudovi razliitih procjenjivaa i tako smanjiti
opasnost ekstremnog zakljuivanja o promatranom entitetu. Najbitnije je da u procjenjivanju sudjeluje
vie procjenjivaa, tj. osoba. Najee se smatra da su nuna najmanje tri procjenitelja, a da ih ne treba
vie od sedam (Cohen, Manion i Morrison, 2007).
Prije utvrivanja mjernih karakteristika treba provjeriti uvaavaju li se temeljni zahtjevi za
sastavljanje skale:
1. Vano je procijeniti koje se osobine koje istraivaa zanimaju mogu objektivno opisati (npr.
nemogue je procjenjivati pozitivno raspoloenje pacijenta, jer je to obiljeje preopenito).
2. Osobina koju treba procijeniti mora biti posve jednoznana ne smije ukljuivati nekoliko
osobina (npr. pozitivno raspoloenje pacijenta ukljuuje vie osobina istovremeno).
3. Treba izbjegavati obiljeja koja nisu lako uoljive ili vrlo rijetko dogaaju (primjerice, fiziku
agresivnost emo teko primijetiti u ponaanju prosjenog pacijenta, osim moda na odjelu
psihijatrije).
22
4. Mogunosti odreivanja stupnja prisutnosti neke osobine ovisi hoe li se ona uvrstiti u skalu
procjene (npr. teko emo odrediti stupanj fizike agresivnosti prosjenog pacijenta, jer ako se
takav oblik ponaanja i pokae, rijetko e biti ekstremno intenzivan).
5. Procjene osobina unose se na osnovi prolosti i sadanjosti, a ne prema moguoj budunosti.
(Ne moe se procjenjivati osobine koje e se moda pojaviti, ako to pouzdano ne znamo.)
6. Procjenu ne treba primjenjivati tamo gdje su uspjenije druge metode i tehnike. (Skale procjene
su nuno zlo i uvijek je bolje koristiti objektivnije metode, gdje slaganje veeg broja
procjenjivaa nee biti uvjet.) (Cohen, Manion i Morrison, 2007).
Vrste skala procjene su sljedee:
1. Numerika skala koristi brojeve za oznaavanje stupnjeva, dok je znaenje svakog broja
definirano (npr. 5=uope se ne pojavljuje u ponaanju, (), 3=srednje esto se pojavljuje u
ponaanju, (), 5=uvijek se pojavljuje u ponaanju.
2. Deskriptivna skala sastavlja se pomou opisa osobina, a opisuje razliite stupnjeve osobine
koja se procjenjuje (slina je numerikoj, osim to detaljan opis osobine npr. dobrog
raspoloenja pacijenta zamjenjuje kratke opise estine pojavljivanja). Procjenjiva oznauje
svoje opaanje odabirui toku koja najbolje opisuje stupanj opisane osobine koju je uoio.
3. Grafika skala prikazuje jedinice ili stupnjeve na kontinuumu s deskriptivnim frazama
smjetenim odmah ispod crte. Svaki procjenitelj oznauje svoje opaanje odabirui toku koja
najbolje opisuje stupanj osobine s kojom se susree. Drugim rijeima, ova skala je jednaka
numerikoj skali osim to se umjesto brojki na skali nalaze grafiki simboli, npr.
4. Kombinirana skala obino je zbroj ili kombinacija deskriptivnih, numerikih i grafikih
elemenata, to pomae ocjenjivau da u procjeni izabere najprikladniji nain odmjeravanja
osobine i najtoniju procjenu.
5. Usporedbe u parovima provodi se tako da procjenitelj usporeuje svaku procjenu osobe s
osobinama drugog pojedinca koji je procijenjen u opim okvirima: jednak, bolji ili loiji (Milas,
2005).
Skale samoprocjene imaju za pretpostavku samopoznavanje. Meutim, bitno je moi usporediti
samoprocjenu u odnosu na usporedbu s ocjenama drugog. U sastavljanju i primjeni skala za
samoprocjenjivanje treba teiti to veoj konkretizaciji pitanja u danom podruju. Samoprocjena nee
nikada biti jedini i dovoljan nain upoznavanja pojedinca, jer ona upuuje samo na neke aspekte
pojedineva funkcioniranja. Uz razliit stupanj samopoznavanja koji imaju razni ljudi, drugi vaan
nedostatak skala samoprocjene je injenica da se ljudi nastoje nerijetko prikazati u drutveno poeljnom
svjetlu, ak i kad je upitnik anoniman. Meutim, skale samoprocjene se koriste redovito u upitnicima
linosti, o kojima e vie rijei biti kasnije (Cohen, Manion i Morrison, 2007).
Posebni sluajevi skala samoprocjene su skale stavova. Thurstoneova skala stavova sastoji se od
veeg broja tvrdnji u vezi s objektom stava, a ispitanik treba oznaiti sve tvrdnje s kojima se slae.
Likertova skala stavova sastoji se od niza tvrdnji koje izraavaju pozitivan ili negativan stav prema
objektu stava. Od ispitanika se trai da na ljestvici s neparnim brojem jedinica izrazi svoj stupanj
slaganja sa svakom tvrdnjom. Ukupan stav ispitanika dobiva se sumiranjem svih odgovora. (od uope se
23
ne slaem do u potpunosti se slaem). Semantiki diferencijal se pokazao kao dobra metoda za

ispitivanje stavova, budui da su konotacije koje pridajemo pojedinim pojmovima esto odraz stava
prema tom pojmu (Petz, 1992). Ispitanik obino mora smjestiti zadani pojam na bipolarnim skalama
koje se posebno sastavljaju za konkretno istraivanje. Tri su konotativne dimenzije skala: evaluacija
(primjeri skala: dobro - loe, lijep - ruan), potencija (npr. snaan - slab, tvrd - mekan) i aktivitet (brz spor, otar - tup). Rangiranje se esto primjenjuje u istraivanju stavova. Rangiranje je pogodno za
direktno utvrivanje relativnog poloaja nekog objekta meu ostalima. esto se koristi u pred-testiranju
promotivnih poruka, izboru najboljeg imena, i sl. Rangiranje moe biti obino (tj. rangiranje svih
objekata procjene od najboljeg do najloijeg); usporeivanje u parovima ima prednost nad obinim
rangiranjem u mogunosti provjere dosljednosti (pouzdanosti) procjenjivaa putem broja cirkularnih
trijada; grupno ("prisilna distribucija") se koristi kad je broj objekata koje treba rangirati velik.
Razvrstavaju se objekti u vie kategorija unaprijed odreene veliine (obino po zakonu normalne
raspodjele). Bogardusova ljestvica socijalne udaljenosti koristi se za mjerenje udaljenosti prema
drutvenim grupama, vrijednostima i pojedincima. Cilj je razvrstati razne narode, rase ili pripadnike
odreenih grupa na kontinuumu socijalne udaljenosti: brani partner, poznanik u klubu, susjed, suradnik,
graani u mojoj zemlji, turist u mojoj zemlji, iskljuiti ga iz zemlje. Sociometrijska metoda slui za
utvrivanje mikrostrukture manjih grupa (autor Jakob Moreno). Pojedinci procjenjuju kog preferiraju po
dva kriterija: afektivnom ili osjeajnom (npr. S kim bi najradije iao na izlet?) te funkcionalnom (S kim
bi volio raditi?) (Cohen, Manion i Morrison, 2007).
5.4. ANKETA INTERVJU I UPITNIK

Anketa je postupak kojim se prikupljaju i analiziraju izjave ljudi kako bi se dobilo podatke o
njihovim interesima, stavovima itd. Pismena anketa omoguava anonimnost i zahtjeva manje truda, dok
usmena anketa ima prednost u odnosu na pismenu, u smislu mogunosti postavljanja teih pitanja, koja
se, ukoliko ih ispitanik ne razumije, mogu dodatno pojasniti. Neverbalna komunikacija tijekom
provoenja usmene ankete moe pomoi da se otkriju neki skriveni odgovori i slino. Ovisno o
problematici, postavljaju se direktna i indirektna pitanja (Cohen, Manion i Morrison, 2007).
Anketa u irem smislu je svako prikupljanje podataka postavljanjem pitanja. Dakle, anketa je
tehniki postupak prikupljanja injeninog materijala kombinacijom statistike metode uzorka s
metodom intervjua ili upitnika (Mozer, 1962, prema iri, 2003)). U uem smislu, anketa je
prikupljanje podataka o stavovima i miljenjima na reprezentativnom uzorku ispitanika uz pomo
upitnika. Ili, to je postupak kojim se prikupljaju i analiziraju izjave ljudi kako bismo dobili podatke o
njihovim interesima, stavovima i miljenjima (misaonim injenicama).
Intervju je vrsta ankete u kojoj se pitanja postavljaju usmenim putem. Je li bolje ispitivanje
usmeno ili pismeno ? To je ovisno o sadraju, dostupnosti ispitanika, pismenosti. Razlika intervjua od
obinog razgovora je u tome to se on provodi: s ciljem i po odreenom planu (1), nema psiholoke
ravnopravnosti anketara i ispitanika (2) te postoje psiholoke razlike u doivljaju intervjua i razgovora
(napetost, rezerviranost, sumnja i bojazan) (3). Kako se moe privoljeti ispitanik da sudjeluje u
24
intervjuu? Pozitivni motivatori ispitanika mogu biti: ugled institucije koja provodi istraivanje, znatielja
ispitanika, uljudnost molbe za sudjelovanje, najava spremnosti davanja miljenja, materijalna stimulacija
za sudjelovanje, prethodna obavijest o istraivanju. Negativni motivatori se javljaju u situacijama kad
ispitanik: ne vidi cilj i svrhu istraivanja, boji se sudjelovati zbog posljedica te da ne ispadne neznalica,
revoltiran je pitanjima, zasien i ometen u poslu. Intervju je zapravo neka vrsta razgovora, s razlikom u
injenici da se intervju vodi s odreenom svrhom i po odreenom planu istraivaa. U intervjuu
sugovornici nisu ravnopravni (zna se tko je voditelj, a tko ispitanik), a i psiholoka atmosfera koja
razlikuje intervju od razgovora jo je jedan element razlike (Vujevi, 1983).
Intervjui se razlikuju prema svrsi, dijele se na: novinski, sudski, policijski, istraivaki. Istraivaki
intervju je specifina vrsta intervjua kojem je cilj prikupljanje podataka u svrhu znanstvenog ili strunog
prouavanja neke pojave, procesa ili ponaanja. Po obliku, intervjui se dijele na nestrukturirani,
polustrukturirani i strukturirani. Nestrukturirani (slobodni) intervju je onaj gdje intervjuer ima jasno
definiran cilj, ali ga ostvaruje u slobodnom razgovoru, dok voditelj tijek intervjua prilagoava
ispitaniku. Polustrukturirani intervju takoer se vodi bez strogo formuliranih pitanja, ali voditelj ipak
ima unaprijed predvien sadraj razgovora. Strukturirani (standardizirani) intervju je planiran, s tono
odreenom shemom od koje se ne odstupa, a svim se ispitanicima moraju postaviti ista pitanja. Po
nainu primjene, ovisno o broju osoba koje sudjeluju u intervjuu, intervjui se dijele na individualni
(personalni) intervju, koji je zapravo klasinog oblika, u etiri oka: koristi se za razne ciljeve, a
posebno je prikladan za osjetljive teme. Grupni intervju je postupak istodobnog razgovora o nekoj temi s
vie pojedinanih sugovornika, prikladna kada u istraivanju oekujemo iru raspravu i izraavanje
stavova i miljenja (Vujevi, 1983).
Nedostaci intervjua kao metode su: dugotrajnost te relativno teko tumaenje skupa razliitih
podataka. Intervju licem u lice je skup i optereen teko kontrolabilnim faktorima socijalne interakcije.
Telefonski intervju ima probleme selektivnog odabira i otpada ispitanika; kod nekih ljudi izaziva
sumnjiavost, to onda rezultira kratkim, neodreenim odgovorima. Ako je anketa predugaka ili ako su
pitanja komplicirana, velika je stopa odustajanja ili nasuminog odgovaranja.
Prednosti intervjua su injenica da je on pogodan za dubinska istraivanja procesa, npr. sloenih odnosa
ljudi u nekoj tvrtki, na manjem broju ljudi (Vujevi, 1983).
Upitnik je zapravo anketa zadana pismenim putem. Skoro uvijek se primjenjuje anonimno, da bi
ljudi odgovarali iskrenije, a manje dajui drutveno poeljne odgovore, a i da bi bili sigurni da se podaci
koje su dali nee zloupotrijebiti. Anketa sadri najee jasna, kratka i nedvosmislena pitanja, a za
zakljuivanje je vano imati reprezentativni uzorak ispitanika (Cohen, Manion i Morrison, 2007).
Anketa u uem smislu koristi se ak u 90 % drutvenih istraivanja. U anketama, dui je put do
podataka nego kod promatranja, jer u ovakvom prikupljanju podataka sudjeluju: anketar, ispitanik,
naruilac (koji nastoji rijeiti praktini problem) te istraiva (koji treba operacionalizirati predmet
mjerenja) (Cohen, Manion i Morrison, 2007). Za sastavljanje ankete nuno je iskustvo: hoe li se dobiti
valjane odgovore uvelike ovisi o inventivnosti, znanju i iskustvu istraivaa, ali postoje i pravila o
kojima treba voditi rauna pri sastavljanju anketnog upitnika.
25
Bitni momenti kod konstrukcije ankete su (Vujevi, 1983): odreivanje naela izrade upitnika, vrsta
pitanja i redoslijeda pitanja u upitniku, gdje treba imati na umu izbjegavanje pogreaka u anketnim
pitanjima. Pitanja moraju biti jasna, nedvosmislena i bez dvostrukih negacija, npr. to odgovoriti na
pitanje Nisam nesklon/a puenju (jer je zbog osobina naeg jezika prilino nejasno to znae odgovori da
ili tono na takvo pitanje). U izradi upitnika vano je imati na umu da je za dobro pripremljenu anketu
potrebno utvrditi njezin cilj (mora biti realan), dok opseg i oblik ankete mora biti u skladu s
postavljenim ciljem istraivanja (Cohen, Manion i Morrison, 2007). Npr. ako ispitujemo profil publike
nekih odreenih novina (tko ita neke specifine novine), treba nastojati obuhvatiti sve one osobine koje
bi mogle biti relevantne za itatelje tih konkretnih novina, po kojima se oni razlikuju od onih koji te
novine ne itaju. U tu svrhu obino nije dovoljno ispitati samo opa demografska obiljeja (spol, dob i
sl.) nego i interese, vrijednosti, navike, neke specifine stavove itd. Nadalje, vano je znati koliko je
mogue znanje i iskustvo potencijalnih ispitanika u vezi s predmetom istraivanja, tj. kakve su stvarne
mogunosti potencijalnih ispitanika da na postavljena pitanja odgovore. Ako pitamo neto to je izvan
znanja, iskustva ili mogunosti procjene ispitanika (npr. Smatrate li da e hidroelektrana na rijeci
Ombli ozbiljno ugroziti prirodnu ravnoteu okolia Dubrovnika ?), vjerojatno e se dogoditi da ili
odgovor neemo dobiti ili e dobiveni odgovor biti bezvrijedan (dobit e se pseudoodgovori). Takoer,
formulacija (verbalizacija) pitanja mora biti korektna: vano je odvagnuti svaku rije, a osnovno je
pravilo da pitanje ne smije biti sugestivno tj. ne smije nuditi odreenu mogunost koja ispitanika navodi
na odgovor (Cohen, Manion i Morrison, 2007). Za izbjegavanje svih vrsta pogreki, kod ankete je vano
provesti pilot (preliminarno) istraivanje. Treba voditi rauna o razini pismenosti ispitanika (tj. o
razumljivosti sadraja ankete), a svako pitanje mora biti nuno vezano uz hipotezu. Najee pogreke
anketnih pitanja se odnose na: rijei koje ispitanici ne razumiju (pogreka eksperta); nedovoljno saeti
ponueni odgovori; neukljuivanje svih mogunosti u ponuene odgovore; emocionalno obojene i
stereotipne rijei; sugestivna pitanja. Takoer, vaan je i redoslijed pitanja koja se postavljaju (Cohen,
Manion i Morrison, 2007). Treba voditi rauna o logikom redoslijedu pitanja (treba paziti da kontinuitet
misli bude sauvan), psiholokom redoslijedu (delikatna pitanja najbolje je postaviti na kraju, jer postoji
velika vjerojatnost da ispitanik nee odgovoriti ni na sljedea pitanja) te mogunosti meusobnog
utjecaja odgovora (prethodna pitanja mogu kontaminirati odgovore na sljedea, stvarajui kontekst koji
moe utjecati na odgovore). Delikatna pitanja nije poeljno staviti na poetku upitnika. Duina
anketnog upitnika (broj pitanja) iznimno je bitna, jer moe motivirati/ demotivirati ispitanika, a moe
utjecati i na valjanost odgovora, osobito onih pri kraju (dugakog) anketnog upitnika (Cohen, Manion i
Morrison, 2007). Vana je i tzv. upitnika dilema koja se odnosi na pitanje je li bolje koristiti otvorena
(nema ponuenih odgovora) ili zatvorena pitanja (u njima su ponueni odgovori). Naime, prednosti
jednog naina su nedostaci drugog i obratno. Otvorena pitanja trae napor od ispitanika, pa ispitanici
esto odustaju, dok su zatvorena pitanja ugodna ispitanicima, ali rijetko zahvate sve mogunosti
(Vukosav i Zarevski, 2011).
Pilot-(pred)istraivanjem prije gotove ankete utvrujemo valjanost indikatora: koriste se otvorena
pitanja zbog dobivanja manjeg broja sigurno bitnih zatvorenih pitanja i izrauje se konana verzija
mjernog instrumenta kojim emo istraivati finalni uzorak ispitanika. Kod gotove ankete pilot
istraivanjem provjeravamo ispravnost zamiljene strategije dolaska do ispitanika, osiguranja uvjeta
anketiranja, motivacije ispitanika, ispitujemo koliko oni razumijevaju upute za ispunjavanje ankete,
26
trajanje ispunjavanja ankete, broj anketara, cijenu terenskog dijela istraivanja (Cohen, Manion i
Morrison, 2007).
Glavne su prednosti ankete to ona daje podatke o doivljaju pojedinca (1), a ne samo o izvana
vidljivom ponaanju. Nadalje, anketom moemo doznati kako pojedinac vidi prolost, sadanjost i
budunost (2). Moda najvanija prednost ankete je injenica da njome moe u vrlo kratko vrijeme
prikupiti puno podataka o puno entiteta (3). Meu loim stranama ankete istiu se spoznajne, tj. koliko
nam anketa zaista moe pomoi da vjerodostojno saznamo neto o ispitanicima. Ponajprije, strunost
ispitanika (1) je uvijek upitna: koliko pojedinac uistinu poznaje sebe ili predmet (objekt) u odnosu na
kojeg se izjanjava (primjerice, to pojedinac zna o kurikulumu zdravstvenog odgoja u kolama, a da bi
ga mogao vrednovati). Psiholoke barijere (2) proizlaze iz tekoe da se upitnik moe prilagoditi svim
ispitanicima. Konano, drutvene se barijere odnose na tenju davanja osobno ili drutveno poeljnih
odgovora (3): pojedinci, usprkos garantiranoj anonimnosti istraivanja, nerijetko sumnjaju u
nepristranost znanstvenika pa daju drutveno poeljne odgovore. Pogreke prognoze anketama esto su
vezane uz pogreku uzorka koji nema dovoljnu reprezentativnost. Takve su primjerice telefonske
ankete: nekad je posjedovanje telefona bio luksuz, a u moderno je vrijeme uzorak pristran u smislu da e
malo ljudi u brzom ritmu ivota htjeti pristati na anketiranje, ak i kratkotrajno (Milas, 2005).
5.5. TESTOVI
Test je standardizirani postupak kojim se izaziva odreena aktivnost, a zatim se uinak u toj
aktivnosti mjeri i vrednuje usporedbom s rezultatima koje postiu drugi ispitanici u istoj situaciji
(Cohen, Manion i Morrison, 2007). Testovima je namjena provjera sposobnosti i znanja, dok upitnici
linosti imaju namjenu provjere osobina linosti, tj. specifinih informacija koje zanimaju istraivae.
Upitnike u ovom kontekstu treba razlikovati od anketnih upitnika. Upitnici linosti moraju imati
prethodno opisane metrijske karakteristike (valjanost, pouzdanost, objektivnost, osjetljivost), a anketni
upitnici ne. Razlikuju se testovi sposobnosti (npr. inteligencije, motorikih sposobnosti i sl.) i testovi
znanja (npr. znanje o protupoarnim mjerama, vjetine koritenja raunala u svrhu administrativnih
poslova) te inventare linosti, koji slue procjeni osobina linosti poput ekstraverzije, neuroticizma,
psihoticizma, sklonosti riskiranju i ovisnostima i sl.
/Nedostatak testa/ upitnika je relativno kompleksan proces konstrukcije ovog mjernog
instrumenta, koji dobro treba pokrivati predmet mjerenja (pitanje valjanosti). Prednosti testa su svakako
njegova standardiziranost (zbog koje se moe znati toan poloaj rezultata pojedinca u nekoj populaciji,
kao to je to u testovima inteligencije na osnovi IQ jedinica ili pak na temelju mjerenja krvnog tlaka
tlakomjerom). Takoer, test ima nuno dobre metrijske karakteristike pa se sa sigurnou moe znati to
on mjeri, kolika mu je pogreka mjerenja itd. (iri, 2003).
5.6. EKSPERIMENT
Eksperiment je vrhunac znanstvene spoznaje, postupak u kojem se u kontroliranim uvjetima
namjerno izaziva neka pojava radi opaanja i mjerenja. Glavna je prednost eksperimenta kao metode
27
mogunost kontrole uvjeta i promjena u varijablama, a smatraju se najjaim znanstvenim "orujem" za

otkrivanje uzrono-posljedinih odnosa. Eksperimentator unaprijed zna to se i kada mijenja, pa je
spreman za reakciju, pa je i njegovo opaanje i biljeenje podataka biti preciznije i uinkovitije. On
takoer moe birati zavisne i nezavisne varijable. Bitna je prednost ponovljivost, eksperiment
omoguava naknadno izazivanje i ponavljanje jednakih uvjeta za potpuno jednak budui eksperiment, pa
se i kasnije moe potvrditi ili revidirati hipoteze (Vujevi, 1983). Za usporedbu, prirodno opaanje je
uvijek jedinstveno: mogu se ponoviti slini dogaaji, ali nikad posve isti.
Meutim, metoda eksperimenta ima izvjesne nedostatke. Primjerice, ekoloka valjanost eksperimenta
je uvijek upitna, jer je on redovno umjetna situacija, pa je upitno koliko su rezultati iz takvog okruja
primjenjivi na stvarni ivot. Dodatno je ogranienje etika, tj. postoje podruja i discipline u kojima je
neetiki mijenjati situaciju da bi se vidjele popratne promjene (npr. izazvati bolest ili rat da bi se vidjelo
njihove efekte na ljude).
Eksperimentalni nacrt je plan provoenja eksperimenta. Obuhvaa niz meusobno zavisnih
operacija: operacionalizaciju nezavisne i zavisne varijable, odabiranje ispitanika i pridjeljivanje
ispitanika razliitim eksperimentalnim situacijama, utvrivanje naina kontrole u eksperimentu, samo
izvoenje eksperimenta te manipuliranje nezavisnom varijablom, nain registriranja zavisne varijable i
utvrivanje statistike obrade rezultata. Kontrolu u eksperimentu ine postupci kojima se detektira a
zatim eliminira ili/i stabilizira utjecaj relevantnih (bitnih) imbenika u eksperimentu (svih bitnih
faktora koji osim nezavisne varijable mogu utjecati na zavisnu varijablu) (Milas, 2005). Relevantni
imbenici uzrokuju pogreku u mjerenju (prikrivaju stvarni odnos zavisne i nezavisne varijable) i
pogreka moe biti:
1. sistematska - uvjetovana sistematskim faktorom, pa uvijek djeluje u istome smjeru (npr. puka
koja uvijek zanosi u istome smjeru, umor uvijek utjee na loije rezultate). Efekti ovakve pogreke se
zbrajaju, pa njihova prisutnost ne doprinosi tonosti rezultata. Meutim, upravo zbog sistematinosti,
moe ih se dosta uspjeno eliminirati: Znamo li rezultate sistematske pogreke moemo pokuati
kompenzaciju (npr. puka koja zanosi u lijevo kompenzira se gaanjem u desno za iznos pogreke ili
oduzimanje pogreke od rezultata).
2. nesistematska (sluajna) uvjetovana djelovanjem sluajnih nesistematskih faktora, koji
djeluju u razliitim smjerovima, pa se na koncu njihovi rezultati ponitavaju. Pogreka se minimalizira
raunanjem srednje vrijednosti. Primjena ove pojave vidljiva je u zahtjevu za posjedovanjem nekoliko
ocjenjivaa svatko od njih je na vlastiti nain pristran, ali prosjena ocjena je najblia stvarnoj
vrijednosti (iri, 2003).
Na primjeru ispitivanja nekog novog lijeka, ako ne bismo imali kontrolnu skupinu, ne bi se moglo
pripisati promjene u zdravlju pacijenata iskljuivo primjeni lijeka, ve bi se naknadno moralo nai
objanjenja promjena u zdravstvenom stanju. Kontrolna skupina u tom sluaju bi pila placebo (zamjenu
za lijek, ali bez ikakvog farmakolokog (kontrolirani relevantni faktor) efekta na njihovo zdravlje.
Pacijenti iz obje skupine morali bi biti jednakog stupnja oboljenja, izloeni jednakim tretmanima
(izjednaavanje po svim relevantnim faktorima izuzev mjerenog, uzimanja lijeka). Tek tada imamo
pravo vjerovati da rezultati zbilja odraavaju efekte lijeka.
28
Jedan nain kako moemo provesti kontrolu u eksperimentu je uvoenje kontrolne i

eksperimentalne skupine. Kontrolnu skupinu ine ispitanici na koje nije primijenjena nezavisna
varijabla. Oni ine osnovicu na temelju koje imamo pravo govoriti o veliini utjecaja nezavisne
varijable. Kontrolna skupina po sastavu ispitanika i po tretmanu u eksperimentu treba biti u potpunosti
izjednaena s eksperimentalnom skupinom, a jedina razlika je u odsutnosti nezavisne varijable kod
kontrolne skupine (eksperimentalni nacrt). Eksperimentalna skupina je ona na koju se primjenjuje
nezavisna varijabla, te se mjere efekti njene primjene. Statistikom se analizom vri ispitivanje razlike u
uinku izmeu ove dvije skupine (iri, 2003).
5.7. OSTALE METODE PRIKUPLJANJA PODATAKA

5.7.1. STUDIJA SLUAJA
Studija (prouavanje) sluaja je dubinsko prouavanje pojedinca i njegovog sluaja. To je analiza
osoba, dogaaja, odluka, razdoblja, projekata, politika, institucija ili drugih sustava koji su prouavani
holistiki (u cjelini) upotrebom jedne ili vie metoda (Thomas, 2011). Sluaj koji je subjekt prouavanja
je pokazatelj klase fenomena koji omoguuju analitiki okvir (objekt) unutar kojeg se studija provodi i
koji sluaj rasvjetljuje i objanjava. Primjerice, prikaz bolesnika oboljelog od neke bolesti trebao u
odreenim aspektima biti pokazatelj odreenih obiljeja svih oboljelih od iste bolesti. Thomas (2011)
naglaava da studija sluaja ima dva elementa: praktini historijski entitet (subjekt studije) te analitiki
ili teorijski okvir (objekt studije). Thomasu razlikuje tri glavne odrednice izbora subjekta. Sluaj blizak
istraivau (local knowledge case) ima prednost da je istraivau intimno poznat i daje ansu za dobru
informiranost. Kljuni sluaj (key case) je onaj koji pokazuje imanentnu interesantnost sluaja, kao i
kapacitet da ocrta i objasni objekt studije. Odstupajui sluaj (outlier case) pokazuje razliitost u odnosu
na kljune sluajeve, te ograniava generalizacijsku logiku spoznaja nastalih na temelju sluaja
(Thomas, 2011). Milas (2005) razlikuje dvije analitike strategije: analizu unutar sluaja te analizu meu
sluajevima.
Studija sluaja je est postupak u medicini, ali i u primijenjenim granama psihologije (Petz, 1992).
U istraivanjima se studija sluaja koristi kada laboratorijsko istraivanje nije mogue ili nije praktino.
U studiji sluaja se detaljno opisuje povijest klijenta (ili sudionika istraivanja) u vezi s predmetom
istraivanja, s ciljem dobivanja cjelovitog uvida u tok i razvoj reakcija klijenta (ili sudionika) povezanih
s tim problemom (Thomas, 2011). Jedan od formata studije sluaja moe sadravati ove dijelove (Upute
za pisanje prikaza sluaja, 2013):
1. Osobna anamneza
U prvom dijelu prikaza navodi se obiteljska situacija i anamneza klijenta: navodi se dob, spol,
kolovanje, zaposlenje, zdravstveni status, zdravstvenu povijest obitelji, obiteljske i drutvene odnose,
povijest zlouporabe droga i alkohola (ukoliko postoji), ivotne potekoe i probleme, ivotne ciljeve,
vjetine suoavanja s problemima te slabosti klijenta. Pri opisu koristiti vlastito ime osobe iji se sluaj
prikazuje (a ne nazive klijent ili pacijent).
2. Opis problema zbog kojeg klijent dolazi
29
Navodi se problem ili simptome koji klijent opisuje: sve fizike, emocionalne ili osjetne probleme, te
misli, osjeaje i opaanja klijenta povezana sa simptomima. Za svaki simptom pokuati zabiljeiti tri
vana podatka: otkad traje (to je ponekad teko precizno utvrditi), kako su se tegobe mijenjale i kakav
je odnos klijenta prema tom simptomu (pridaje li mu puno/malo panje, misli li da je privremen ili
trajan, popravlja li se ili pogorava, itd.). Nadalje, navode se i svi simptomi (neobinosti) koje
primjeuje ili navodi lijenik/psiholog, a ako je za klijenta proveden neki dijagnostiki postupak,
detaljno ga opisati i prikazati njegove rezultate.
3. Okvirna dijagnoza lijenika (medicinske sestre)
Kriteriji za dijagnosticiranje bolesti ili oteenja navedeni su u Meunarodnoj klasifikaciji bolesti i
drugih srodnih zdravstvenih problema - MKB 10. Opisati u kojoj mjeri simptomi koje navodi klijent
odgovaraju dijagnostikim kriterijima odreenog poremeaja te navesti eventualne nesukladnosti
izmeu navedenih (ili od strane lijenika uoenim) simptoma i dijagnostikih kriterija.
5.7.2. METODA ANALIZE SADRAJA

Analiza sadraja je skup tehnika kojima se kvalitativni i kvantitativni aspekti sadraja neke
verbalne ali i neverbalne komunikacije meu ljudima pretvaraju u znanstvene podatke (Berelson, 1971).
Komunikacijski proces sastavni je dio svih drutvenih interakcija, na osobnoj i grupnoj razini (Milas,
2005). Prouavanje sadraja komunikacija znanostima o ovjekovu ponaanju priskrbljuje nezamjenjiv i
bogat izvor spoznaja. Povijesne korijene koritenja ovog postupka mogue je povezivati s prvim
interpretacijama najstarijih religijskih i knjievnih sadraja. Moderno shvaanje ovog istraivakog
postupka vee se za analize poruka to su ih prenosili prvi mediji (novine, radio, TV) (iber, 1998).
Razlikuje se od analize dokumentacije, koja slui za prikupljanje podatka drugih (sekundarnih) zbog
teorijskog okvira istraivanja. Primarni podaci su oni koje istraiva prikuplja za provjeru hipoteza.
Analiza sadraja je metoda prikupljanja podataka iji je cilj objektivni, sistematski i kvantitativni opis
manifestnog sadraja komunikacije (Berelson, 1971).
5.7.3. POSTUPCI ZA NENAMETLJIVO ISTRAIVANJE PONAANJA

Neki fenomeni ljudskog ponaanja pogodni su za primjenu postupaka koji se zajednikim imenom
nazivaju postupci nenametljivog (nereaktivnog ili posrednog) istraivanja ponaanja. Prikupljaju se i
analiziraju sekundarni podaci, fiziki tragovi bilo koje vrste, da bi se zakljuilo o prethodnom ponaanju,
odnosima, odvijanju nekog procesa koji je predmet istraivakog interesa. Vrste podataka koji se
postupcima nenametljivog istraivanja analiziraju su fiziki tragovi i arhivska graa.
1. Fiziki tragovi su najraznovrsniji materijalni ostatci ljudskih aktivnosti, koji nastaju sami od
sebe, a ne voljom i akcijom istraivaa. Spoznajna teina fizikih tragova esto nije dovoljna za
izvoenje vrstih zakljuaka i zato se rijetko tragovi koriste kao jedini izvor podataka, ali u kombinaciji
s drugim izvorima imaju esto presudnu ulogu u dokazima (Milas, 2005).
30
2. Arhivska graa (sekundarni podaci, operativna dokumentacija) su zabiljeke i spisi nastali kao
pratea dokumentacija aktivnosti pojedinca, grupe ili ustanove. O veini radnih i drutvenih aktivnosti
vodi se i arhivira zakonom propisana evidencija, a na zahtjev istraivaa se ta vrsta dokumenata esto
moe koristiti u istraivake svrhe. Vana je domiljatost u izboru vrsta podataka i mjestu gdje su podaci
pohranjeni, npr.: dravni arhiv, arhivi dravnih i privatnih ustanova i tvrtki, privatne zbirke (Milas,
2005).
Opa ogranienja postupaka nenametljivog prikupljanja podataka su: upitna konstruktna valjanost
nenametljivih mjera ponaanja, npr. je li istroenija podloga stvarno pokazatelj koja nas zanima (1);
problematina pouzdanost i osjetljivost mjera ponaanja, tj. pitanje je kolike su pogreke mjerenja i
koliko se na ovaj nain mogu razlikovati pojedinci (2); postoji nesklad izmeu istraivakih potreba i
dostupnih mjera aktivnosti, tj. upitno je koliko prikupljeni podaci mogu koristiti za potrebe istraivanja
(3). Zbog ovih razloga postupci za nenametljiva istraivanja manje se koriste kao osnovni, a vie kao
dodatni izvor podataka (Milas, 2005).
31
6. IZVORI STRUNE LITERATURE

S obzirom na grau razlikuju se opi i posebni izvori informacija. Znanstveni izvori informacija se
mogu podijeliti na: primarne, sekundarne i tercijarne. U primarne izvore informacija ubrajaju se knjige,
znanstveni asopisi, magistarski radovi, doktorske disertacije, monografije, norme te struni prirunici a
u novije vrijeme i svi oblici magnetskih medija kao to su diskete, magnetske vrpce, CD i DVD mediji i
slino. Sekundarne izvore znanstvenih informacija sainjavaju preslike sadraja asopisa, zbornici
saetaka, sekundarni referentni asopisi, i dr. Tercijarni izvori su rjenici, enciklopedije, imenici,
monografije, katalozi, bibliografije, registri i dr. (Marui, 2004).
I niz institucija pomae u prikupljanju znanstvenih informacija: knjinice (organizirana zbirka
objavljenih publikacija), tehniki informacijski centar (nabavlja, obrauje i iri tehnike informacije) te
referalni centar (usmjerava korisnike na odgovarajue izvore), raunalne mree i mreni servisi.
Raunalne mree su sustavi koji omoguuju komunikaciju izmeu dvaju i vie raunala (najpoznatija i
najvea svjetska raunalna mrea jest Internet) (Marui, 2004).
Bavljenje medicinom zahtijeva kontinuiranu obavijetenost, jer je zbog neprekidnih i brzih
promjena praenje novih informacija pretpostavka znanstvenoga, nastavnoga i strunoga djelovanja
(Marui, 2004). Informacijska pismenost vaan je preduvjet cjeloivotnoga uenja u biomedicini, zbog
odabira najprikladnijeg sustava pronalaenja informacija, oblikovanja strategije pretraivanja, kritiki
prosudbe.
Za potrebe uenja studenti uglavnom ue iz udbenika i prirunika propisanih nastavnim planom i
programom, to treba dopuniti elektronikim proirenjima udbenika (u tiskanomu obliku, dostupnih
mrenim putem), ali i radovima iz znanstvenih asopisa. Tematska pretraivanja literature potrebna su u
poetnoj fazi istraivanja (za stjecanje temeljitog uvida u do tada dosegnute rezultate na podruju u
kojem se s istraivanjem poinje) te u zavrnoj fazi (pri oblikovanju rukopisa za znanstveni asopis) C.
Priprema rukopisa za objavljivanje u znanstvenome asopisu zahtijeva od autora izrazito pomno
iitavanje i provjeru literature, kao i priprema kongresnoga priopenja pretpostavlja pomnu pripremu
koja ukljuuje i pregledavanje najnovijih istraivakih rezultata ili strunih iskustava. Konano, za
rjeavanje klinikoga problema ak 69% lijenika kao glavni razlog pretraivanja baza podataka navodi
skrb za bolesnika (za prepoznavanje i pravu dijagnozu medicinskoga problema ili stanja, planiranje
odgovarajuega terapijskoga postupka i njegovu provedbu, promjenu bolesnikova stava prema zdravlju
itd.) (Marui, 2004).
Put traenja informacija dajemo na primjeru uzimanja droge poznate pod imenom ecstasy,
koja esto izaziva i teke tetne posljedice, meu kojima su zatajivanje bubrega, oteenje funkcije
mozga i sl. elimo nai odgovor na pitanje utjee li uzimanje ecstasyja na poremeaj funkcije
pamenja. Informacije moemo traiti na vie naina:
32
1. razgovorom sa strunjacima (uenjem od starijih, raspravom s kolegama i postavljanjem

pitanja iskusnijima);
2. udbenicima ili prirunicima (odlino i vjerodostojno, ali oprez: znanja brzo zastarijevaju pa ih
je potrebno dopuniti znanjima iz npr. vjerodostojnog elektronikog mrenog izvora, npr.
MedlinePlus);
3. pregledom novih brojeva specijaliziranih znanstvenih asopisa (npr. na stranicama Sredinje
medicinske knjinice (http://smk.mef.hr/php/biomed/casopisi.php) moete pronai katalog
biomedicinske periodike u hrvatskim knjinicama);;
4. pretraivanjem knjininih kataloga (u tzv. predmetnim katalozima mogu nai podaci o
monografijama, kongresnim zbornicima, doktoratima koji nas zanimaju; npr. u obrazac za
pretraivanje (polje naslov) kataloga knjiga Sredinje medicinske knjinice
(http://smk.mef.hr/php/biomed/knjige.php), upiemo izraz zlouporabe droge; dodatne
obavijesti moe se dobiti i slanjem elektronike pote preko slube Pitajte knjiniara
(primjerice na adresi http://smk.mef.hr/contact/pitajte.htm.).);
5. pretraivanjem izvora na internetu (medicinske asopise moe se najee pronai na internetu
pretraivanjem ak i na popularnim pretraivaima kao to su Google ili Yahoo, moe se uz
pametan izbor kljunih rijei i dodatka filetype:pdf pronai vei broj relevantnih lanaka;
potom u popisu referenci moemo pronai tone nazive lanak koji su nam zanimljivi i potom
upisati cijele nazive tih lanaka u pretraiva);
6. potranice od autora (budui svaki znanstveni asopis i veina bibliografskih baza podataka,
objavljuje i adresu autora, od autora se moe zatraiti pretisak rada ili elektronska kopija).
Korisno je prikupljene informacije trajno pohraniti za osobnu uporabu, npr. po tematskim
podrujima u datotekama raunala, ili pak u posebne fascikle (Marui, 2004).
Zbog iznimne vanosti za podruje biomedicine, detaljnije e se opisati prikupljanje informacija
primjenom specijalizirane bibliografske baza podataka Medline/PubMed, koja je javno besplatno
dostupna (http://www.ncbi.nlm.nih.gov/PubMed/). Kad se pretrauje veliki skup informacija, potrebno
je postaviti strategiju pretraivanja, koju postavlja ili sam korisnik ili knjiniar u suradnji i dogovoru s
korisnikom. Pritom je potrebno definirati temu pretraivanja, a potom:
1. kljune rijei ili predmetnice - a) bolest, stanje, skupinu bolesnika; b) medicinske postupke,
rizine imbenike i sl.; c) ishod bolesti ili poremeaja (npr. za odgovor na pitanje o djelovanju
droge ecstasy na funkciju pamenja u mladih osoba, upotrijebit e se engleske rijei ecstasy
adverse effects memory drug effects adolescents, dok se pomou izraza (predmetnica) iz
rjenika MeSH osigurava tonost i ciljanost pretrage); sustav potpredmetnica (engl.
subheadings) pretraivanje ograniava na odreeni aspekt;
2. granice pretraivanju postavlja se u skladu s najboljim odgovorom koji se eli dobiti
(potpredmetnice, oblik lanka, jezik na kojemu su napisani, vrijeme u kojemu su objavljeni,
dob ili spol bolesnika;
3. Booleova logika odnosi se na kombinaciju vie kljueva pretraivanja, uporabom Booleovih
operatora AND, OR ili NOT (pomou operatora AND pronalaze se sve lanke koji sadravaju
postavljene kljune rijei; operator OR objedinjuje sve lanke koji sadravaju barem jednu od
33
postavljenih kljunih rijei, a operator NOT iskljuuje lanke s jednom od postavljenih kljunih
rijei);
4. prikaz i pohranjivanje rezultata moe se pomou PubMeda prikazati na razliite naine
(osnovni bibliografski podatci sa saetkom, zapis spojen s punim tekstom lanka ili s nekim
drugim dokumentom na istoj ili drugoj mrenoj adresi); korisnik sam odluuje o nainu kako
eli pribiljeiti rezultate pretraivanja (ispis ili pohrana na raunalu) (Marui, 2004).
Uz PubMed, korisno je pronalaziti sustavne pregledne lanke koji na postavljena pitanja mogu dati
odgovore utemeljene na dokazima i pregled objavljene literature u zbirci Cochrane (engl. Cochrane
Database of Systematic Reviews), na web-stranici: http://www.cochrane.org/.
Openito, slijed pretraivanja literature za potrebe istraivanja je slijedei (modificirano, prema
Marui, 2004):
1. Formulirajte istraivako pitanje
2. Izaberite izvor podataka (npr. PubMed)
3. Formulirajte strategiju pretraivanja (koje kljune rijei ete odabrati)
4. Razdvojite kljune pojmove (npr. u podgrupe)
5. MeSH (pronaite skraenice kljunih pojmova)
6. Potpredmetnice (grupirajte ih u podgrupe)
7. Koristite rijei iz naslova/saetka
8. Primijenite Booleovu logiku (ukljuite ili iskljuite neke pojmove u pretrazi referenci)
9. Kombinirajte i ograniite rezultate (samo na podruje koje vas zanima).
34
7. IZVJEE O REZULTATIMA ISTRAIVANJA

7.1. OPA NAELA PISANJA
Pri pisanju znanstvenog ili strunog lanka treba voditi rauna o sljedeem (Marui, 2004):
lanak treba poeti pisati u pravo vrijeme (ne prekasno, nego onda kad je istraivanje dalo odgovor na
postavljeno pitanje) (1); prije pisanja treba dobro prouiti Upute autorima odabranoga znanstvenog
asopisa ili zbornika s konferencije (2); da jezik znanstvenoga lanka mora biti jasan, jednoznaan i
toan (3); lanak je prije slanja u asopis uvijek dobro dati kolegama na kritiku prosudbu (4).
Prije no to se odlui pisati ili uope planirati lanak, autor treba sebi odgovoriti na est pitanja.
1. to elim rei?
lanak je zanimljiv itatelju ako mu daje odgovor na pitanje koje ga zanima. O vrsti pitanja,
odgovora na njega i dokazima koji ga podupiru, ovisi i vrsta znanstvenoga rada koji treba napisati
(izvorni znanstveni lanak, pregledni lanak, struni rad, prikaz bolesnika itd.).
2. Treba li lanak uope napisati?
Nema smisla pisati o neemu to se ve zna, tj. o emu su ve objavljeni brojni radovi, pa je
pretraivanje literature nuno jo u tijeku planiranja istraivanja i postavljanja istraivakih ciljeva. Ako
rad i nije nov, moe biti objavljen ako proiruje ili utvruje ve objavljene poruke. Na kraju, ako o
problemu i nema radova, vrlo je vano da se vlastiti rezultat kritiki razmotri: npr. ima li smisla
istraivati neto da bi se reklo da to uope i nema smisla istraivati ?
3. Jesam li to slino ve objavio?
Etika pravila znanstvenoga rada ne doputaju objavljivanje rezultata koje je autor ve objavio u
cijelosti ili u nekome drugome obliku. Treba meutim razlikovati tematski razliite radove nastale iz iste
baze podataka (to je zapravo originalni rad) i zapravo ponavljanje potpuno istog rada u neto
izmijenjenom obliku (etiki nedopustiv).
4. Koji je prikladan oblik za rad?
Katkad je lako odluiti se za odgovarajui oblik publikacije (npr. izvorni znanstveni lanak ili
prikaz bolesnika itd.). No, katkad najprimjereniji oblik za prikaz rezultata i nije oit, dok je ope pravilo
da treba izabrati to krai oblik izvjea. Npr. rad o novim i neobinim nepoeljnim uincima nekoga
lijeka e biti prije prihvaen u kvalitetnomu asopisu ako je napisan u obliku pisma uredniku ili u formi
kratkoga priopenja ili klinike zabiljeke.
5. Kome je rad namijenjen?
Treba se odmah pitati Tko e vjerojatno proitati lanak? (npr. lijenici ope prakse, specijalisti
u uskome podruju ili nekolicina tehniara), a ne Tko bi ga trebao proitati?, to ima veliki utjecaj na
objavljivanje: ako se precijeni itateljstvo, vjerojatno je da e visokotirani i prestini asopis rad odbiti.
6. Koji je pravi asopis?
asopis je bitno odabrati na samomu poetku pisanja rada jer formalni izgled teksta (izgled
poglavlja, citiranje literature, duljina teksta, vrst i broj priloga) ovisi o zahtjevima asopisa. Vano je
proitati upute autorima, gdje su opisane i namjena i svrha asopisa, te itateljstvo kojemu je
namijenjen. Nije lako odabrati asopis, jer ih je velik broj za pojedinu medicinsku disciplinu, pa je dobro
napraviti popis asopisa gdje bi se mogao poslati lanak i onda odabrati najprikladniji (Marui, 2004).
35
Prije samoga pisanja lanka, treba imati na umu dva vana savjeta:
1. Piite lanak primjenom raunalnoga programa, da ga se moe doraivati.
2. Odluiti prije pisanja lanka tko su autori. Odluku o autorima lanka i koji e biti njihov redoslijed
treba donijeti to prije, najbolje prije poetka samoga istraivanja. ak ako i jeste jedini autor, dobro je
provjeriti misli li moda netko da i on zasluuje autorsko mjesto na lanku. Autorstvo znanstvenih
radova podlono je potivanju strogih etikih pravila (Marui, 2004).
Prihvaanje lanka u dobrome asopisu najvie ovisi o poruci koju nudi. Ako urednici asopisa
smatraju da je lanak vaan za njihov asopis, prihvatit e ga ako i nije stilski dobro napisan, ali sudbinu
lanka esto moe odluiti i njegov stil. Zato treba voditi rauna o pet bitnih obiljeja znanstvenog stila
pisanja: rjeitost, jasnou, tonost, umjerenost i skladnost (Marui, 2004).
7.2. ZNANSTVENI RAD VRSTE RADOVA U ZNANOSTI

Razlikuje se sljedee glavne vrste radova u znanosti znanstveni i struni.
U znanstvene radove spadaju (Marui, 2004; Vukosav i Zarevski, 2011):
a/ pregledni lanak. Daje sustavni pregled nekog ueg problema odreenog znanstvenog podruja
ili prikaz recentnih istraivanja. Danas se osobito cijene kvalitetne meta-analize, jer s obzirom na
veliku koliinu objavljenih radova znatno olakavaju drugim znanstvenicima (dakako, i
predavaima) rad.
b/ prethodno (kratko) priopenje. Ima status izvornog znanstvenog rada, a najee ukratko
prikazuje metodoloka pitanja nekog znanstvenog rada i preliminarne rezultate. Nema opiran
uvod ni raspravu.
c/ izvorni (ili originalni) znanstveni rad. Predstavlja originalni doprinos istraivanju nekog
problema. Nova je ili metoda za istraivanje problema ili se poznate metode primijene na novi
problem. Sadri detaljan prikaz metodologije kako bi se mogla provesti nezavisna replikacija. U
raspravi se usporeuju dobiveni rezultati s ve od ranije poznatim nalazima i nude se objanjenja,
dakako uz nuan znanstveni oprez i jasno isticanje potencijalnih izvora pogreke, kao i
alternativnih tumaenja dobivenih rezultata.
d/ magistarski rad. To je znanstveni rad u kojem kao poslijediplomski student samostalno u
pisanom obliku obraujete odabranu temu u svrhu stjecanja titule magistra znanosti. Pazite:
razlikovati ga od specijalistikog magistarskog rada, koji moe biti i struni rad.
e/ doktorska disertacija. Izvorni znanstveni rad u kojem kao poslijediplomski (doktorski) student
samostalno u pisanom obliku obraujete odabranu temu u svrhu stjecanja titule doktora znanosti, a
koji piete kako biste dokazali kao samostalni istraiva u znanstvenom podruju za koje
se dodjeljuje doktorat znanosti (Marui, 2004).
36
Magistarski i doktorski radnje imaju donekle razliitu strukturu dijelova u odnosu na lanke
pripremljene za znanstvenu i strunu periodiku. Osnovna je razlika to je uvod radnji znatno dui u
odnosu na lanke. Takoer vrijedi naelo strukturiranja uvoda u obliku lijevka.
U strune radove spadaju:
a/ struni lanak. Koristei znanstvenu metodologiju obradi se neki ui, praktini problem. Nije
mu cilj otkrivanje novih zakonitosti, ali poznatim injenicama pridodaje nove podatke.
b/ seminarski rad. To je krai struni rad u kojem samostalno u pisanom obliku obraujete
odabranu temu.
c/ kritiki rad. To je struni rad u kojem iznosite vlastito miljenje o izabranom znanstvenom ili
strunom dijelu u svrhu proirivanja i produbljivanja znanja iz podruja kolegija iz kojeg se
izrauje.
d/ diplomski ili zavrni rad. To je opirniji struni rad u kojem se samostalno u pisanom obliku
obrauje odabrana tema.
e/ specijalistiki poslijediplomski rad. To je opiran struni rad u kojemu kao poslijediplomski
student samostalno u pisanom obliku obraujete odabranu temu u svrhu stjecanja titule
sveuilinog specijalista.
f/ prikazi bolesnika (sluaja). Odnose se na opis bolesnika ili manje skupine s naglaskom na
otkrivanje
novih i vanih spoznaja o patogenezi, klinikoj slici, lijeenju te diferencijalnoj dijagnozi radi
poboljanja skrbi za bolesnike.
g/ komentari. Oni se odnose na miljenja pojedinca, a sastoje se od glavne toke i pratee rasprave.
Mogu se odnositi na praktiki bilo koje pitanje ili polemiku iz podruja interesa. Ove vrste
rukopisa najee se povezuje uz neki recentno objavljen lanak. Glavni cilj komentara jest
pokretanje ire rasprave o temi, stoga kod pisanja valja voditi rauna o tome da se problem prikae
na jasan i znanstven nain.
h/ pisma uredniku. Najee su kratki kritiki osvrti na radove objavljene u prethodnim brojevima
asopisa. Pisma uredniku nisu namijenjena za prikaz izvornih podataka koji nisu vezani za temu
prethodno objavljenog lanka. Pismo uredniku ne smije sadravati neobjavljene ni kopirati ve
objavljene materijale (Marui, 2004).
7.3. POGLAVLJA I STRUKTURA ZNANSTVENOG RADA

Radovi u podruju biomedicinskih znanosti sadre najee sljedeih 7 dijelova (poglavlja) (Vukosav i
Zarevski, 2011):
37
1. Uvod
2. Metode (Sudionici, Postupak, Varijable i instrumenti (materijali), Metode statistike obrade);
3. Rezultati;
4. Rasprava;
5. Zakljuak;
6. Literatura;
7. Saetak.
Struktura znanstvenog rada (osim preglednog) izgleda ovako (Vukosav i Zarevski, 2011):
1. Naslov je neskrativi skup pojmova koji opisuju sadraj znanstvenoga lanka.
2. Saetak je vrlo kratka inaica lanka koja se s naslovom prenosi u bibliografskim bazama podataka,
koji sadri i popis kljunih rijei. Saetak slui tome da itatelji mogu brzo odluiti zanima li ih odreeni
lanak ili ne. Ako nije eksplicitno drukije navedeno u uputama o strukturiranju lanka za odreeni
asopis, onda je nepisano je pravilo da se navodi do pet kljunih rijei. One slue tome da se u
pretraivanju baze podataka krianjem po 2-3 kljune rijei brzo doe do recentnih podataka o podruju
u kojem namjeravamo istraivati i/ili struno raditi. Saetak zapravo sadri koncizne podatke o cilju
istraivanja, metodologiji, dobivenim rezultatima i zakljuak. On je rad u malom.
3. Uvod. Navode se ukratko vaee teorije, poznate injenice (empirijski podaci) u vezi s problemom,
kao i razlozi zato se provodi istraivanje. U naelu se uvod strukturira u obliku "lijevka" - poe se od
ireg podruja koje se zatim suava u smjeru cilja (problema). Pojednostavljeno, u Uvodu je struktura:
a) opi teorijski pristup u nekom podruju
b) konkretni teorijski pristup koji emo koristiti u naem istraivanju
c) prethodna istraivanja u podruju koje emo istraivati.
4. Cilj. Jasno se definira cilj, a po potrebi i hipoteze istraivanja. Cilj se zapravo ne pie u radu kao
izdvojena cjelina, ve se nalazi u zadnjem dijelu Uvoda.
5. Metodologija. Sadri pregled koritenih metoda koji daje informacije o populaciji iz koje je izvuen
uzorak, koritenim varijablama (instrumentariju) i postupku provoenja istraivanja. Ako su metode
obrade podataka manje poznate ili ako su razvijene upravo za to istraivanje, detaljno ih se opie. Dakle,
ovaj dio rada daje podatke o sudionicima, postupku, varijablama i instrumentima (materijalima),
koritenim metodama statistike obrade.
4. Rezultati. Pregledno se tablicama, grafovima i slikama prikau rezultati. Pritom treba voditi rauna
da je svaki od tih prikaza potpun, tj. da ne ovisi o tekstu ispred ili iza njega - znai u naslovu tablice,
grafa ili slike treba biti jasno navedeno to su varijable, koliki je bio broj entiteta, te koji je statistiki ili
matematiki postupak proveden, a u legendi se navode kratice naziva. Nalazi se kratko komentiraju.
Pritom se ne verbaliziraju podaci iz tablica (grafikona, slika) ve se kae to oni znae u odnosu na
postavljen problem i hipoteze - koji su trendovi, kakve su statistike znaajnosti provedenih testova,
koliko su izraeni efekti i sl. Drugim rijeima, samo opisujemo rezultate a ne dajemo njihova tumaenja.
38
5. Rasprava. Dobiveni se rezultati ire komentiraju i stavljaju u odnos s podacima iz relevantne

literature. Moe se rei da Rasprava ima strukturu:
a) tumaenje glavnih nalaza istraivanja (usporedba s drugim istraivaima)
b) prednosti i nedostaci istraivanja
c) smjernice za budua istraivanja
d) praktina primjena dobivenih rezultata.
6. Zakljuak. To je najee kratko i jasno odgovaranje na postavljeni cilj (problem) istraivanja te
pripadne hipoteze. Nekad se daju i smjernice za nova istraivanja.
7. Literatura. Prema pravilima citiranja za odreeno podruje navedu se izvori koji su citirani u radu.
Napomena: ne navodi se opa literatura kojom smo se koristili za prouavanje podruja, ve samo oni
radovi koji su navedeni u tekstu. Dakako, ne smije se dogoditi da u tekstu navodimo neke autore, a da ih
u literaturi nema.
Ovaj je oblik strukturiranja radova najei. No, u nekim podrujima postoje i odreene
varijacije na strukturu. Nekad se rezultati i rasprava piu zajedno (dakle pod rednim brojem 4. stoji
rezultati i rasprava). U svakom sluaju treba paljivo proitati upute autorima asopisa kamo se
namjerava poslati rad. Brojevi tablica, grafova i slika prate redoslijed pojavljivanja u tekstu: prva tablica
ima oznaku Tablica 1, sljedea Tablica 2, itd. (Marui, 2004).
I za kraj jedan vrlo praktian savjet: pri izboru asopisa u koji aljemo rad postoji dilema brzina
objavljivanja: "teina" asopisa. U asopisu bez meunarodne recenzije, lanak ima ansu za brzo
objavljivane. S druge strane, rad objavljen u uglednom asopisu s meunarodnom recenzijom i visokim
indeksom referenciranja vrijedi znatno vie za napredovanje u znanstvenoj hijerarhiji (zapravo je nuan
uvjet!), ali u naelu se znatno due eka na objavljivanje (i to nakon 2-3 revizije rada prema zahtjevima
recenzenata) (Vukosav i Zarevski, 2011).
7.4. SUSTAVI CITIRANJA LITERATURE

Dva su temeljna sustava citiranja znanstvene literature, harvardski i vancouverski sustav, kojih je
produkt i kombinirani, abecedno-numeriki sustav (Marui, 2004).
1. Harvardski sustav dobio je zasnovan na nainu knjinine katalogizacije toga sveuilita.
Naziva se jo i sustav "autor-datum", jer se u tekstu u zagradama iza podataka koje citiramo navodi ime
autora i godina objavljivanja. U odjeljku Literatura citati se poredaju abecednim redom prema
prezimenu prvoga autora (kad su prezimena ista, po godini izdanja). Harvardski sustav ima prednost u
oitijem naglaavanju autora radova koje citiramo. U sluaju kad se naknadno dodaje ili brie pojedina
referenca, nije potrebno prenumerirati sve ostale. Sustav je zato praktino koristiti tijekom pisanja rada,
ak i bez obzira na to po kojem e sustavu biti citirana literatura u konanoj verziji rukopisa. APA
(American Psychological Association) ima precizno razraen sustav citiranja literature upravo po
harvardskom sustavu (Marui, 2004).
39
2. Vancouverski sustav je najei u veini biomedicinskih asopisa: sustav dobio naziv prema
kanadskom gradu Vancouveru, gdje je 1978. godine Meunarodni odbor urednika medicinskih asopisa
(engl. ICMJE) donio prvu verziju Jedinstvenih zahtjeva za rukopise namijenjene objavljivanju u
biomedicinskim asopisima (vidjeti na http://www.icmje.org/). Reference dobivaju broj prema
redoslijedu (mjestu prvog) pojavljivanja u tekstu. Ovaj se redni broj pie u zagradama (zaobljenim ili
uglatim) ili u superskriptu (ovisno o propisima pojedinog asopisa), iza citirane tvrdnje, bez ikakvih
drugih podataka. Ako se neka referenca pojavljuje samo u tablici ili slici, ona dobiva broj prema mjestu
gdje se autor u tekstu prvi puta poziva na dotinu tablicu ili sliku. U odjeljku Literatura (References)
citirani se radovi poredaju po rednom broju, te se ondje navedu svi potrebni bibliografski podaci. Nazivi
asopisa se nerijetko piu skraenicom, ali samo ako su indeksirani u MEDLINE (tj. na popisu asopisa
Index Medicus), ili su indeksirani u bibliografskoj bazi Current Contents. Druga pravila propisuju
primjerice navoenje imena samo prvih est autora, dok se, ako ih ima vie, iza estog stavlja zarez i
oznaka "et al." (lat., et alii i drugi). Prednost vancouverskog sustava su: vea preglednost teksta za
itatelja, tednja prostora (to pojeftinjuje tisak) (Marui, 2004).
3. Abecedno-numeriki sustav je kombinacija dvaju ovdje opisanih sustava. U tom se sluaju svi
navodi u odjeljku Literatura poredaju prema abecednom redu prezimena prvoga autora: svakoj se
pridrui broj, koji se pie u zagradama u tekstu, bez obzira na redoslijed pojavljivanja (kod nas ovaj
sustav citiranja primjenjuje npr. Hrvatski portskomedicinski vjesnik) (Marui, 2004).
Posebno je pitanje citiranje elektronikih izvora, posebice sadraja s Interneta. Budui da se radi
o razmjerno novomu mediju, najee nisu jo potpuno definirani svi bibliografski podaci koje za takvu
referenciju treba navesti (razlike postoje od asopisa do asopisa). Osnovni je problem neujednaenost
samih internetskih sadraja. Za sada vrijedi pravilo da se navodi URL (engl., uniform resource locator) i
datum pristupa: primjer pisanja referencije na elektroniki lanak jest:
iri, J. (2003). Metodologija znanosti. Skinuto s: http://personal.unizd.hr/~jciric/metznan.html
Primjer citiranja literature iste reference po dva sustava:
1. Harvardski:
Petz, B., Kolesari, V., Ivanec, D. (2012). Petzova statistika. Jastrebarsko: Naklada Slap.
2. Vancouverski:
Petz B, Kolesari V, Ivanec D. Petzova statistika. Jastrebarsko: Naklada Slap; 2012.
40
8. UVOD U STATISTIKU I BIOSTATISTIKU

Statistika je znanstvena disciplina koja se bavi prikupljanjem, analizom i tumaenjem masovnih
pojava. Ne bavi se pojedinanim sluajevima, niti onim to nije bilo (ono to nije bilo ne moe se ni
planirati). To je empirijska znanost koja se bavi podacima koji su se dogodili, i na osnovu njih
izraunava ono to bi se moglo dogoditi. Predmet statistike je prouavanje varijabilnosti obiljeja
masovnih pojava. Zadatak (predmet) statistike je: promatranje pojave, prikupljanje podataka o pojavi,
obrada podataka, analiza podataka te predvianje (najnovije) pojave (Petz, 1985; Ivankovi i sur., 1989).
Obiljeja su karakteristike ili osobine neke pojave. Obiljeje je svojstvo po kom se jedinice jednog
skupa razlikuju od jedinica drugih skupova. Svako obiljeje ili element statistikog skupa ima
vrijednost, koja je manje ili vie razliita od drugog obiljeja. To odstupanje u odnosu na druge
vrijednosti naziva se varijacija. Statistiko zakljuivanje se bavi uopavanjem dijelova u cjelinu
promatrane pojave. Statistiko zakljuivanje se bazira na odabiru uzoraka i zakljucima o tim uzorcima
zasnovanim na teoriji vjerojatnosti. Svrha uzimanja uzorka i zadatak statistikog zakljuivanja je
donoenje zakljuka o parametrima populacije na osnovu pokazatelja iz uzorka (Petz, 1985; Ivankovi i
sur., 1989).
8.1. TEMELJNE VRSTE STATISTIKIH METODA I NJIHOVI CILJEVI

Razlikuju se dvije vrste statistike prema podacima koje nam daje. Deskriptivna statistika
(opisna) brojano opisuje uzorak koji se analizira. Daje mjere sredinje tendencije (medijan, mod,
aritmetiku sredinu) ili mjere rasprenja (raspon, interkvartilni raspon, standardnu devijaciju).
Inferencijalna statistika (zakljuivanja) omoguuje zakljuivanje o prirodi izmjerenih podataka jer
analize otkrivaju strukturu i odnos izmeu vrijednosti zavisnih i nezavisnih varijabli (Petz, 1985).
Ovisno o distribuciji podataka, moe se govoriti o neprametrijskoj i parametrijskoj statistici.
Neparametrijsku statistiku ine postupci obrade podataka na distribucijama koje nisu Gaussove
(normalne). Njeni su rezultati su otporniji na odbacivanje nulte hipoteze, pa je vjerojatnije da neemo
pronai statistiki znaajne razlike ili povezanosti, primjenom ovih metoda. Parametrijska statistika se
provodi u sluajevima kad su podaci normalno distribuirani (Petz, 1985; Ivankovi i sur., 1989).
Uvjeti za primjenu pojedine vrste testa prikazani su u tablici 2.
Tablica 2. Uvjeti za primjenu parametrijskih i neparametrijskih testova
PARAMETRIJSKI TESTOVI
Veliki uzorci
Normalna distribucija
Homogenost varijanci
NEPARAMETRIJSKI TESTOVI
Mali uzorci
Nema normalne distribucije ili se ne moe odrediti
Varijance nisu homogene
41
Bez obzira o kakvoj je vrsti statistike i distribucije rije, vrijedi pravilo smee unutra smee van.
Drugim rijeima, statistikim analizama emo uvijek dobiti nekakav rezultat, ali uvijek stoji pitanje da li
je primjena statistikih metoda bila ispravna (iri, 2003).
Dva su glavna cilja statistike analize:
1. Usporediti srednje vrijednosti (ili medijane) jedne, dvije ili vie skupine/ uzoraka (npr. je li krvni
tlak vii kod kontrolne skupine ili lijeene skupine/ lijeenih skupina?).
2. Izraunati korelaciju, da se ustanovi kako se jedna ili vie nezavisnih varijabli i jedna zavisna
varijabla odnose meusobno, tj. kako su povezane (npr. kako su teina i/ili dob povezani s krvnim
tlakom).
8.2. METODE UREIVANJA STATISTIKIH PODATAKA

Prikupljeni podaci predstavljaju sirov materijal koji se ne moe statistiki analizirati (Statistiko
sreivanje i prikazivanje podataka, 2013). Ovako prikazani podaci predstavljaju osnovnu empirijsku
seriju, gdje su vrijednosti obiljeja prikazane redoslijedom prikupljanja. Nesreene podatke nuno je
srediti po nekom kriteriju: najee se podaci sreuju po veliini (Miloevi i Bogdanovi, 2012).
Npr. Institut za javno zdravlje proveo je anketu meu enama dobi od 30 do 40 godina, s ciljem
saznanja koliko puta godinje one odlaze na kontrolne ginekoloke preglede. Dobiveni su sljedei
podaci:
0034224310132443201224302
1423102212321012131024331
Na osnovu ovako prikazanih podataka nemogue je formirati sliku o navikama ena odreene dobi o
posjeivanju ginekologa. Za zakljuak o tome kakve su navike ena, podaci su najprije razvrstani po
veliini:
0000000011111111111222222
2222222233333333334444444
Nakon sreivanja podataka po veliini potrebno je saeti podatke u obliku jednostavne distribucije
frekvencija. Distribucija frekvencija predstavlja takvu statistiku seriju gdje se vrijednosti obiljeja
upisuju u jednu kolonu, a uestalost (tj. frekvencija) u drugu kolonu. Distribucija uestalosti
(frekvencija) pokazuje kako je rasporeen broj jedinica promatranja po pojedinim vrijednostima
obiljeja. Na gore navedenom primjeru formirana je jednostavna distribucija frekvencija (Miloevi i
Bogdanovi, 2012).
42
Tablica 3. Jednostavna distribucija frekvencija (uestalost broja bolnikih posjeta)

Broj posjeta
0
1
2
3
4
(ukupno)
f (frekvencija uestalost)
8
11
14
10
7
50
Na osnovu ovako sreenih podataka moe se zakljuiti da najvei broj ena posjeuje ginekologa
dvaput godinje (tablica 3).
Nain sreivanja podataka ovisi o tipu obiljeja. Atributivna (kvalitativna) i numerika diskontinuirana
(prebrojiva) obiljeja predstavljaju se jednostavnom distribucijom frekvencija, a numerika kontinuirana
(neprebrojiva) obiljeja se predstavljaju distribucijom frekvencije s klasnim (grupnim) intervalima.
Distribucija frekvencije s klasnim (grupnim) intervalima odreena je brojem intervala, veliinom
intervala i granicama intervala. K tome, potrebno je voditi rauna o tome da intervali budu meusobno
jednaki, jer se time omoguava meusobno usporeivanje grupa (Miloevi i Bogdanovi, 2012).
Broj intervala oznaava se s K i odreuje se Sturgesovom formulom: K = 1+3,32192 log N,
gdje je N = ukupan broj statistikih jedinica (entiteta) (Miloevi i Bogdanovi, 2012). Veliina
intervala odreuje se po formuli:
Veliina intervala = X max - X min
K
Treba voditi rauna da granice intervala budu jasne i precizne, ime se jasno pokazuje kojem
intervalu pripada vrijednost promatranog obiljeja. Mora se voditi rauna da kraj jednog intervala ne
bude i poetak drugog, jer se time izbjegava situacija neznanja kojem intervalu pripada ispitivana
vrijednost (Miloevi i Bogdanovi, 2012).
Npr. kod 30 bolesnika odreivane su vrijednosti glikemije (eera u krvi) i dobivene su sljedee
vrijednosti:
8,6 7,7 6,2 6,6 8,0 9,3 7,3 8,5 10,9 11,1
8,4 9,4 6,9 12,3 13,1 11,9 10,5 9,2 12,6 11,4
13,7 9,0 6,6 11,4 11,0 8,1 7,3 13,9 12,1 8,0
Na osnovu prikupljenih podataka nije mogue donijeti zakljuak o vrijednosti glikemije kod ispitivanih
bolesnika, pa je potrebno srediti i saeti podatke u obliku distribucije frekvencija s grupnim intervalima.
Broj intervala se odreuje po gore navedenim formulama:
Broj intervala K = 1+3,32192 log 30 = 1+3,32192*1,48 = 5,91 6
Veliina intervala = (13,9 6,2) / 6 =1,28 1,3
43
Za gore prikazane podatke potrebno je formirati distribuciju frekvencija sa 6 intervala, gdje je

veliina intervala 1,3 (treba paziti da postoje razlike izmeu poetka jednog intervala i zavretka
drugog). U distribuciji frekvencija pokazuje se da najvei broj bolesnika ima vrijednost glikemije
izmeu 7,5 8,79 (tablica 4).
Tablica 4. Distribucija frekvencija (broj bolesnika za odreeni raspon vrijednosti glikemije)
H
6,2 7,49
7,5 8,79
8,8 10,09
10,1 11,39
11,4 12,69
12,7 13,99
(ukupno)
f (frekvencija uestalost)
6
7
4
4
6
3
30
Naini prikazivanja podataka

Nakon sreivanja podataka potrebno ih je i prikazati to jasnije i preciznije. Prikazivanje
podatka moe biti tablino i grafiki (Miloevi i Bogdanovi, 2012).
Tablino prikazivanje podataka
Tablica je prikaz podataka sastavljen od redova i kolona. Svaka tablica mora imati naslov tablice,
zaglavlje (legendu) i pretkolonu.
Tablice mogu biti jednostavne, sloene i kombinirane (Miloevi i Bogdanovi, 2012). Jednostavne
tablice pokazuju samo jednu statistiku seriju. U tablici 5 je prikazan broj nesrea u odnosu na dan u
tjednu.
Tablica 5. Primjer jednostavne tablice (broj nesrea u odnosu na dan u tjednu)
Dani u tjednu
ponedjeljak
utorak
srijeda
etvrtak
petak
subota
nedjelja
Broj nesrea
7
5
5
5
12
18
8
60
44
Sloene tablice prikazuju vie statistikih serija. U tablici 6 dolje prikazani su podaci o broju
zaposlenih po spolu i godinama radnog staa, to predstavlja prikazivanje tri statistike serije
istovremeno (Miloevi i Bogdanovi, 2012).
Tablica 6. Primjer sloene tablice (broj zaposlenih, radni sta, spol)
Godine
radnog staa
Broj zaposlenih
Spol
- Spol
mukarci ene
05
5 10
10 15
15 20
20 25
25 30
30 35
35 40
9
7
11
10
8
7
6
2
60
4
3
6
4
4
4
3
1
29
5
4
5
6
4
3
3
1
31
Kombinirane tablice prikazuju serije podataka dobivenih krianjem dva ili vie obiljeja. Prema
tipu obiljeja koje prikazuju, kombinirane tablice dijele se na tablice kontingencije i tablice korelacije.
Tablice kontingencije prikazuju opisna obiljeja, a tablice korelacije numerika obiljeja (Miloevi i
Bogdanovi, 2012). Pogledajmo to na primjeru tablice kontingencije (tablica 7).
Tablica 7. Primjer kombinirane tablice (tablica kontingencije)
Ispitanici
Studenti
Studentice
Ukupno
Proli
12
22
34
Pali
6
7
13
Ukupno
18
29
47
Grafiko prikazivanje podataka

Grafiko prikazivanje podataka nudi jasnije utvrivanje razlika meu prikazanim
serijama podataka. Grafovi predstavljaju vizualnu ilustraciju tablica, ali nisu njihova zamjena,
ve dopuna. Nedostatak grafova je to njihova konstrukcija ovisi od postavljenim razmjerima,
a drugi je nedostatak to ponekad u istom razmjeru nije mogue prikazati sve vrijednosti (npr. najmanje i
najvee vrijednosti). Grafovi se dijele na tokaste, linijske i povrinske (Miloevi i Bogdanovi, 2012).
Kod tokastog dijagrama podaci su prikazani u obliku toaka. Svaka toka je u koordinatnom
sustavu odreena s dvije vrijednosti, nezavisnom koja se nanosi na apscisu i zavisnom koja se
45
nanosi na ordinatu. Obino se uz prikaz podatka u obliku toaka, odreuje i regresijska crta, tj. pravac
koji najbolje pokazuje meusobni odnos prikazanih toaka. Vidjeti primjer tokastog dijagrama na
krivuljama s prikazom korelacija u poglavlju 14.2. (Miloevi i Bogdanovi, 2012).
Linijski dijagrami se dijele na: poligon i krivulju frekvencija, vremenski linijski dijagram,
kumulativni i polarni dijagram. Krivulja frekvencije koristi se za kontinuirana obiljeja, na apscisu se
nanose mali intervali obiljeja, formira se niz taaka, ijim spajanjem se formira kriva. U statistici je
najpoznatija i najvie se primjenjuje Gaussova krivulja. Vidjeti primjer Gaussove krivulje u poglavlju
12.
Vremenski linijski dijagram prati jedno ili vie obiljeja kroz vrijeme (grafiki prikaz 3). Na
apscisu se nanosi vrijeme, a na ordinatu vrijednosti obiljeja. Upotrebljava se za praenje trenda. Dolje
se vidi primjer sati odsutnosti na radu po mjesecima u godini (Miloevi i Bogdanovi, 2012).
(Dijagrami su skinuti s mrene stranice Scatter Plots, 2013).
Grafiki prikaz 3. Vremenski linijski dijagram
Povrinski dijagrami se dijele na stupasti dijagram, histogram, kruni dijagram i kartogram.

Stupasti dijagrami se sastoje od odvojenih stupia, na X-os se nanose modaliteti obiljeja,
a na Y-os frekvencija ispitivanog obiljeja. Koristi se za prikazivanje diskontinuiranih obiljeja (grafiki
prikaz 4).
Grafiki prikaz 4. Povrinski dijagrami (stupasti)
46
Histogram je tip povrinskog dijagrama kojim se prikazuju numerika kontinuirana obiljeja.

Sastoji se od spojenih stupia, gdje irina stupia predstavlja irinu klasnog intervala, a visina
frekvenciju. Ukoliko se spoje sredine stupia formira se poligon frekvencije. Dolje je prikazan primjer
visine stabala crne trenje (grafiki prikaz 5).
Grafiki prikaz 5. Povrinski dijagrami (histogram)
Kruni dijagrami se koriste za prikazivanje dijelova neke strukture. Cijeli krug predstavlja 100%
neke strukture (npr. % biraa odreene politike stranke) (grafiki prikaz 6).
Grafiki prikaz 6. Povrinski dijagrami (kruni)
Kartogrami su dijagrami po zemljopisnoj karti, gdje se za svaku regiju ili podruje upisuje
vrijednost ispitivane pojave (Miloevi i Bogdanovi, 2012).
47
Primijenjena statistika u MS Excelu

Unos statistikih podataka
Unos podataka, tj formiranje datoteke, prvi je korak u radu s podacima dobivenim u nekom
istraivanju. Ispravno formiranje datoteke, nuan je korak za daljnju analizu unesenih podataka. Kad se
pokrene program Excel, na ekranu se pojavi radni list (Sheet ili Spreadsheet), u obliku tablica, koji se
sastoji od 65.536 redova (oznaenih brojevima) i 256 kolona (oznaenih slovima od A do IV). Radni
listovi ine radnu knjigu (Book), unutar koje se smjeta cjelokupna datoteka. Najmanja jedinica,
definirana presjekom reda i kolone, naziva se elija ili stanica (Cell), a svaki radni list ima 16.777.216
elija. Pri unosu podataka u Excel, treba imati na umu sljedee:
1. U jedan red unosi se jedan pacijent (ispitanik).
2. Varijable se unose u kolone, tako da jedna kolona predstavlja jednu varijablu. U prvi red se
unose nazivi varijabli.
3. Kod kategorijalnih (atributivnih) varijabli, modalitete obiljeavati brojevima (muki spol=1,
enski spol=2).
4. Ako je vrijednost brojanog (numerikog) obiljeja 0 ne ostavljati praznu eliju, ve upisati
0.
5. Kod unoenja decimalnih brojeva, broj pisati sa zarezom, a ne sa tokom. Dokaz da je broj
pravilno unesen je da se on nalazi u desnoj strani elije. Podaci koji su na lijevoj strani tretiraju
se kao rijei (Miloevi i Bogdanovi, 2012).
Vrste varijabli u poljima moete provjeriti pomou izbornika Format (Oblikovanje) Cells (elije):
potrebno je da elije predviene za brojke imaju za prvi izbornik (Broj, Number) vrijednost Brojana
(Numeric).
Grupiranje atributivnih obiljeja
Grupiranje atributivnih (kategorijalnih, kvalitativnih) varijabli vri se prikazivanjem u tablicama,
preko apsolutnih i relativnih frekvencija. Najbolje je objanjenje u primjeru.
U ambulantama u nekom gradu analizira se kojim se danima najvei broj pacijenata javlja lijeniku.
Prikupljene su informacije iz 20 ambulanti i dobiveni sljedei podaci (Miloevi i Bogdanovi, 2012),
prikazani u bazi (grafiki prikaz 7).
48
Grafiki prikaz 7. Broj pacijenata po danima (baza podataka)
Dobivene podatke unosi se na radnu stranicu MS Excela na sljedei nain. Koristi se procedura za
grupiranje podataka koja se naziva Histogram, koja pored grupiranja omoguava i grafiko prikazivanje
podataka. Postupak je sljedei: Na padajuem izborniku Tools (Alati) klikne se miem na opciju Data
Analysis (Analiza podataka) i oznai se Histogram, i klikne OK.
(Ukoliko se Data Analysis ne nalazi u padajuem izborniku Tools, treba ju ukljuiti tako da se
klikne na Tools/Add-Ins i oznai Analysis ToolPak-VBA. Na monitoru se dobiva sljedei prozor
(grafiki prikaz 8).
Grafiki prikaz 8. Broj pacijenata po danima (operacije histogramski prikaz)
49
U okvir Input Range unosi se adrese elija u kojima se nalaze sirovi podaci (B1:B21), a u Bin
Range unosimo adrese elija sa modalitetima obiljeja koje sami unosimo (C1:C8). Oznai se opcija
Labels, jer se mogu unijeti i adrese elija u kojima se nalaze nazivi kolona (B1 i C1). Pritisne se OK i
dobiva se sljedei ispis (grafiki prikaz 9).
Grafiki prikaz 9. Broj pacijenata po danima (ispis frekvencija)
Dani se najjednostavnije mogu prikazati rednim brojevima od 1 do 7, gdje je ponedjeljak=1, () a

nedjelja=7. Sljedea kolona predstavlja apsolutne frekvencije, a trea kolona kumulativni postotak.
Ukoliko treba uz apsolutne frekvencije izraunati i relativne, potrebno je uiniti sljedee. U eliju ispod
druge kolone, izrauna se zbroj. U novu kolonu upie se znak %, to oznaava postotnu (relativnu
strukturu). U eliju ispod toga zada se formula za izraunavanje =F13/$F21$*100, ime se zapravo
apsolutna vrijednost frekvencije dijeli sa zbrojem i mnoi sa 100. Znak $ unosi se da bi se fiksirala elija
s kojom dijelimo. Zadanu formulu u prvoj eliji, razvue se do posljednje i tako zada izraunavanje
relativne strukture za sve vrijednosti (Copy-Paste cijelog polja u kojem je zadana formula taj se
postupak moe koristiti za sve formule, a treba korigirati detalje unutar polja formule ako Excel
pogreno pretpostavi to elimo uiniti) (grafiki prikaz 10).
Grafiki prikaz 10. Broj pacijenata po danima (relativne frekvencije)
50
Grafiko prikazivanje statistikih podataka

Za izradu dijagrama, u Excelu kao klikne se na ikonu Chart Wizard (arobnjak za grafikone) na
traci s alatima i dobije se sljedei prozor. Izabere se Pie (Tortni), iz izbornika Chart Type i klikne se
Next. Oznai se Columns (Kolone) i u Data Range (Raspon podataka) unese se cjelokupan sadraj
radnog lista. Daljim pritiskom na Next, dobije se dijaloge za definiranje naslova tablice i drugih ispisa,
ali se ovdje zadravamo na ovom koraku, i pritisnemo Finish (Zavri) (grafiki prikaz 11).
Grafiki prikaz 11. Izrada krunog dijagrama (prvi korak)
Tako se dobiva krajnji oblik krunog dijagrama (grafiki prikaz 12).

Grafiki prikaz 12. Izrada krunog dijagrama (zadnji korak)
51
Na isti nain je mogu se kreirati i druge vrste grafikona: stupasti, histogrami i slino, odabirom
tipa grafikona u prozoru Chart Type (Vrsta grafikona). Korisnu informaciju moe se dobiti ako
pomou funkcije COUNTIF odredimo estinu pojedinih vrijednosti u nekom stupcu. Primjerice, u ovom
primjeru Excel e lako prebrojati stanovnike na odreenom podruju, ukoliko smo razliita mjesta
stanovanja oznaavali brojkama od 0 do 5 (grafiki prikaz 13).
Grafiki prikaz 13. Odredba estine nekih vrijednosti u stupcu
52
9. OSNOVNI POJMOVI VJEROJATNOSTI

Statistika kao znanstveno-istraivaka metoda osnovana je na teoriji vjerojatnosti i njenom
postulatu, tj. zakonu velikih brojeva (Miloevi i Bogdanovi, 2012).
Teorija vjerojatnosti se bavi utvrivanjem mogunosti za nastajanje dogaaja ili dobivanja nekih
vrijednosti. Vjerojatnost javljanja nekog dogaaja jednaka je:
P(A) = n / N
Gdje je:
n broj oekivanih (eljenih) dogaaja, a
N ukupan broj moguih dogaaja
Vjerojatnost se kree u intervalu od 0 do 1 (0 do 100%), gdje je.
0 - potpuno odsustvo vjerojatnosti
1 - puna vjerojatnost (siguran dogaaj).
Potpuno odsustvo vjerojatnosti (0) ne moe nastati ako postoji bar jedna oekivana eventualnost, kao to
i puna, totalna vjerojatnost (1) nije mogua im postoji vie moguih dogaaja od jednog.
Kod statistike (stohastike povezanosti), vjerojatnost je uvijek manja od 1.
Kod matematike povezanosti, vjerojatnost moe biti i 1.
P>0,5 dogaaj je vjerojatan
P=0,5 dogaaj je neizvjestan
P<0,5 dogaaj nije vjerojatan
Oekivani dogaaj uvijek ima svoju suprotnost, a to je neoekivani dogaaj.
Vjerojatnost javljanja neoekivanog dogaaja jednaka je razlici izmeu pune vjerojatnosti i
vjerojatnosti oekivanog dogaaja, odnosno 1 P (Miloevi i Bogdanovi, 2012).
Postoje razliiti pristupi u izraunavanju vjerojatnosti (Miloevi i Bogdanovi, 2012):
subjektivni pristup podrazumijeva osobni stupanj vjerovanja (npr. da e svijet propasti 2020. godine);
frekvencijski pristup temelji se na brojanju dogaaja pri nebrojenom ponavljanju eksperimenta (npr.
koliko puta e novi pasti na glavu ako ga 1000 puta bacimo);
a priori pristup pretpostavlja poznavanje teorijskog modela, tj. distribucije svih moguih vjerojatnosti
nekog dogaaja (npr. boja oiju djeteta majke s plavim i oca sa smeim oima).
1. Vjerojatnost a priori
Prije nego to bacimo kocku, teorijska a priori vjerojatnost da emo iz jednog bacanja baciti broj 6
iznosi: P = 1/6 = 0,17 = 17%
Vjerojatnost da emo jednim bacanjem novia dobiti ,,glavu'' (ili ,,pismo'') je P = 1/2 = 0,5 = 50%
53
Ako smo triput bacali novi i sva tri puta dobili pismo, znai li to da je vjerojatnost da u etvrtom
bacanju dobijemo glavu sada vea? NE. Ona i dalje iznosi 50%!
Teorija vjerojatnosti vai samo na velikom broju sluajeva i tek ako se taj broj pribliava beskonanosti,
vjerojatnost se pokazuje u realnom odnosu. Ovakve dogaaje prouavao je u 17. stoljeu vicarski
matematiar Bernoulli, a u 18. stoljee teoriju su dalje razvili francuski matematiari Laplace i Poisson.
2. Vjerojatnost a posteriori
Ovaj pristup raunanju vjerojatnosti sastoji se u ponavljanju eksperimenta. Evo jednog primjera:
U kutiji imamo velik, ali nepoznat broj crnih i bijelih kuglica. elimo saznati udio bijelih kuglica,
odnosno vjerojatnost da emo izvlaenjem samo jedne kuglice iz kutije izvui ba bijelu. Vjerojatnost
izvlaenja bijele kuglice je: P(A) = n / N
gdje je:
n broj izvuenih bijelih kuglica, a N broj ukupno izvuenih kuglica
Poslije 10 izvlaenja dobili smo 5 bijelih i 5 crnih kuglica.
Na osnovu samo ovih ponavljanja moemo pretpostaviti da je vjerojatnost izvlaenja bijele kuglice:
P(D) = P(D)*P(D)*P(D)......... (ovisno o broju izvlaenja)
Vjerojatnost izvlaenja crne kuglice je odatle: 1 P(D)
Poslije 100 izvlaenja dobili smo 55 bijelih i 45 crnih kuglica, pa sad pretpostavljamo da je
vjerojatnost izvlaenja bijele kuglice 0,55 ili 55 %. Ali poslije 1000 izvlaenja dobili smo 600 bijelih i
400 crnih kuglica. Tek sad s veom sigurnou moemo tvrditi da je vjerojatnost izvlaenja bijele
kuglice: 0,6 ili 60 %, a da je odnos bijelih i crnih kuglica: 6:4 (Miloevi i Bogdanovi, 2012).
Poissonov zakon velikih brojeva
Pri prouavanju masovnih pojava dobit e se sve toniji rezultati ukoliko se prouavanje
primjenjuje na to vie posebnih javljanja prouavane pojave. Ako bi bilo mogue obuhvatiti i prouiti
sve posebne manifestacije, rezultati prouavanja bi vjerno i istinito objasnili pojavu.
Zakon velikih brojeva predstavlja postulat teorije vjerojatnosti i tek njegovom primjenom u
prouavanju masovnih pojava dokazano je da se one ne ponaaju kaotino, ve da i u njihovom javljanju
postoje odreeni odnosi i zakonitosti (Miloevi i Bogdanovi, 2012).
54
10. MJERE CENTRALNE TENDENCIJE

Zapravo je rije o prosjenim vrijednostima za neki uzorak, koje najbolje reprezentiraju taj
uzorak u odnosu na neki mjereni atribut (Bujas, 1967; Petz, 1985; Ivankovi i sur., 1989).
Aritmetika sredina je vrijednost u kojoj je algebarski zbroj odstupanja od te vrijednosti jednak nuli, a
zbroj kvadrata tih odstupanja najmanji je za tu vrijednost od bilo koje druge vrijednosti u odreenom
skupu rezultata. Izraunava se kao zbroj skupa rezultata podijeljen s brojem rezultata. Aritmetiku
sredinu ima smisla izraunavati jedino ako je distribucija barem priblino normalna. Nedostatak
aritmetike sredine je utjecaj ekstremnih rezultata na njenu vrijednost. Npr. pojedinac koji je postigao
rezultat 1, dok je prosjeni rezultat 56, znatno utjee na smanjenje prosjeka cijele grupe.
Dole se nalazi formula za aritmetiku sredinu (oznaava se s ili m), te predstavlja zbroj x i (svi
pojedinani rezultati svakog od ispitanika) podijeljen brojem svih pojedinanih rezultata odnosno
brojem ispitanika (n):
x=
x
n
= m1
U Excelu, aritmetika se sredina lako rauna pomou funkcije (f x ) AVERAGE, gdje se u polje Number1
zadaju brojane vrijednosti kolone za koju aritmetiku sredinu elimo raunati, npr. B2:B6 na primjeru.
Jasno, uvijek moete zadati i pojedinano brojeve u polja od Number1nadalje, ali ovo je svakako
jednostavniji nain. Pogledati primjer (grafiki prikaz 14).
Grafiki prikaz 14. Postavljanje formule za aritmetiku sredinu
Jasno, moete kopirati formulu i izraunati aritmetike sredine za sve stupce (grafiki prikaz 15).
55
Grafiki prikaz 15. Prijenos formule za aritmetiku sredinu za druge varijable
Centralna vrijednost (medijan) je toka od koje je najmanja suma svih odstupanja (tj. vrijednost
koja se u nizu podataka poredanih po rangu veliine, nalazi tono u sredini) (Bujas, 1967). Nedostatak
centralne vrijednosti je mogunost da se u asimetrinoj distribuciji, centralna vrijednost npr. u uspjehu
na nekom loe rijeenom testu kod grupe studenata nalazi dosta nisko (npr. 33 boda), dok bi prosjeni
uspjeh mjeren aritmetikom sredinom. bio znatno vei, oko 40 bodova.
U Excelu, medijan se lako rauna pomou funkcije (f x ) npr. =MEDIAN(A2:A12)
Dominantna vrijednost (mod) je odreena frekvencijom rezultata, tj. ta vrijednost se najee
pojavljuje u mjerenju. S obzirom na nju, razlikujemo unimodalne, bimodalne n-modalne distribucije.
Potrebno je napomenuti da su kod normalne distribucije, ove tri vrijednosti identine (Petz, 1985).
Nedostatak dominantne vrijednosti jest injenica da najei rezultat ne treba biti i najreprezentativniji,
npr. 10 sudionika u nekom uzorku ima po 100 kg tjelesne mase, dok bi realni prosjek (aritmetika
sredina) bio oko 80 kg.
U Excelu, dominantna se vrijednost lako rauna pomou funkcije (f x ) npr. =MODE (A2:A12)
Rjee se koriste geometrijska i harmonijska sredina. Geometrijska sredina odraava prosjenu
mjeru brzine nekih promjena (npr. prirodni prirast stanovnitva, ekonomska ulaganja, kamate).
Harmonijsku sredinu koristimo kad elimo dobiti prosjeke nekih odnosa (npr. prosjene
proizvodnje u jedinici proizvoda, prosjeno vrijeme obrtaja kapitala, prosjean rezultat u sportu,
prosjena brzina, prosjene cijene) (Petz, 1985).
U Excelu, geometrijska sredina se lako rauna pomou funkcije (f x ) npr. =GEOMEAN (A2:A12)
U Excelu, harmonijska sredina se rauna pomou funkcije (f x ) npr. =HARMEAN (A2:A12)
56
57
11. MJERE VARIJABILNOSTI

Raspon (totalni raspon ili range) je jednostavno razlika izmeu najvee i najmanje izmjerene
vrijednosti (Minimum i Maksimum). Osjetljiv je na ekstremne rezultate, a s poveavanjem broja
mjerenja se poveava i raspon (vei su izgledi da e se pojaviti ekstremni rezultat) (Petz, 1985).
Srednje odstupanje (varijanca) je prosjena mjera apsolutnih odstupanja od bilo koje srednje
vrijednosti. Precizniji je pokazatelj od raspona, ali slabiji od standardnog rasprenja (Petz, 1985).
U formuli dole, x i je svaki pojedinani rezultat, a X potez aritmetika sredina, dok je zapravo
standardno rasprenje (korijen zbroja svih odstupanja pojedinanih rezultata od aritmetike sredine. U
drugoj formuli f i oznaava frekvenciju (uestalost) rezultata, to je zapravo n (broj svih rezultata
odnosno broj ispitanika). Varijanca je zapravo kvadrirano standardno rasprenje:
( x x)
=
2 =
= 2
N
f i ( xi x) 2
i
U Excelu, varijanca se lako rauna pomou funkcije (f x ) npr. =VAR (A2:A12)

Standardno rasprenje (devijacija) je mjera normalne distribucije koja pokazuje koliko su gusto
rezultati rasporeeni oko aritmetike sredine. Unutar 1 nalazi se 68.26% rezultata, unutar 2 nalazi
se 95.44% rezultata, a unutar 3 nalazi se 99.73% rezultata, tako da je u praksi gotovo potpuni opis
pojave dan unutar tog intervala. Ako posjedujemo iznose aritmetike sredine i standardne devijacije,
imamo potpuni opis normalne distribucije (Petz, 1985). Standardno rasprenje () je drugi korijen iz
srednjeg odstupanja (varijance), tj. 2:
= 2
U Excelu, standardno rasprenje (grafiki prikaz 16) se lako rauna pomou funkcije (f x ) npr. =STDEV
(A2:A12)
58
Grafiki prikaz 16. Postavljanje formule za standardno rasprenje
Koeficijent relativnog varijabliteta daje informaciju u kojem svojstvu neka grupa varira vie, a u
kojem manje, ili koja od grupa varira vie, a koja manje i istom svojstvu. Primjena je mogua iskljuivo
na omjernim skalama (Petz, 1985). To je omjer standardnog rasprenja i aritmetike sredine, pomnoen
sa 100. Naziva se jo i koeficijent varijacije, s formulom:
V=
100%
59
12. POGREKA ARITMETIKE SREDINE

Standardna devijacija distribucije aritmetikih sredina uzoraka naziva se standardna pogreka
aritmetike sredine (engl. Standard Error of the Mean ili skraeno SEM) (Ivankovi i sur., 1989).
Rauna se po formuli:
Se =
To je mjera odstupanja aritmetikih sredina uzoraka iz jedne populacije od aritmetike sredine

populacije. Ona predstavlja pogreku kojoj se izlaemo zakljuujui o populaciji na temelju uzorka
(Ivankovi i sur., 1989). Standardnu devijaciju populacije (oznaavamo je sa ) u pravilu ne
poznajemo jer raspolaemo samo uzorkom. Ako je uzorak sluajan i dovoljno velik moe se
pretpostaviti da je standardna devijacija uzorka (malo s) dobra procjena standardne devijacije
populacije (), pa standardnu pogreku aritmetike sredine raunamo (veliko N predstavlja broj
lanova populacije, a malo n uzorka; u oznaava uzorak) na ove naine:
()
se x =
u2 N n
n
N 1
xu =
Standardna devijacija opisuje varijabilnost podataka, a standardna pogreka aritmetike sredine

opisuje preciznost procjene aritmetike sredine populacije na temelju aritmetike sredine uzorka.
Velika standardna pogreka ukazuje na nepreciznu procjenu, dok mala standardna pogreka ukazuje na
preciznu procjenu populacijskih parametara na temelju uzorka (Miloevi i Bogdanovi, 2012).
Standardna pogreka je to manja to je uzorak vei i to je varijabilnost podataka manja.
Interval pouzdanosti aritmetike sredine kao pokazatelja stanja u populaciji pokazuje s kolikom
vjerojatnou moemo tvrditi da odreena aritmetika sredina zaista dobro predstavlja populaciju.
Dakle, za odreenu vjerojatnost (koja se izraava brojem koji odgovara odreenoj z-vrijednosti),
aritmetikoj se sredini dodaje odnosno oduzima z-vrijednost pomnoena pogrekom aritmetike sredine
(SEM) (Ivankovi i sur., 1989). To pokazuje formula:
x u z se( x ) < x < x u + z se( x )

U tablici 8 vidimo vjerojatnosti tonosti procjene i pripadne veliine intervala pouzdanosti (Miloevi i
Bogdanovi, 2012):
60
Tablica 8. Vjerojatnosti tonosti procjene i pripadne veliine intervala pouzdanosti

Vjerojatnost (razina pouzdanosti)
90 %
95%
99 %
99,9 %
Broj s kojim se mnoi SEM (st. pog.)

1,65
1,96
2,58
3,291
61
13. NORMALNA DISTRIBUCIJA

Rezultati se mogu raspodijeliti na izvjestan nain. U statistici je posebno zanimljiva tzv. normalna
(Gaussova) raspodjela. Takva raspodjela estina pojavljivanja vrijednosti nekog mjerenja koja u
grafikom prikazu ima zvonolik oblik, odnosno, takva raspodjela frekvencija koja pokazuje izrazito
grupiranje rezultata oko jedne vrijednosti sa simetrinim opadanjem estina za vrijednosti koje su sve
udaljenije od vrijednosti s najveom frekvencijom. Posebna grana statistike koja se bavi ovakvom
raspodjelom naziva se parametrijska statistika (Petz, 1985).
Distribucija je zadana pomou samo dva parametra: aritmetike sredine M, koja predstavlja mjeru
sredinje tendencije i standardnog rasprenja , koja je mjera rasprenja. Preko 99% rezultata
smjeteno je u podruju 3. Cijela parametrijska statistika poiva na pretpostavci o normalnoj
raspodjeli rezultata odnosno o normalnoj raspodjeli u populaciji iz koje potjeu rezultati podvrgnuti
statistikoj obradi (Petz, 1985). Dolje je prikazana slika Gaussove normalne krivulje (grafiki prikaz
17).
Grafiki prikaz 17. Gaussova normalna krivulja
U Excelu, pomou funkcije NORMDIST moe se izraunati kumulativnu normalnu razdiobu za

odreenu srednju vrijednost i standardno rasprenje (za vrijednost X zada se polja npr. kolona B2:B62
za koju elimo znati normalnu razdiobu).
62
14. POLOAJ REZULTATA U SKUPINI STANDARDIZACIJA

REZULTATA
Budui se distribucije razlikuju po iznosu aritmetike sredine i standardne devijacije, potrebna je
mjera koja bi omoguila usporedbu rezultata iz dviju distribucija. Na raspolaganju su sljedee metode
standardizacije, od kojih se prve tri mogu primijeniti uvijek, a z-vrijednosti samo u sluaju normalne
distribucije.
1. Kvartili dijele rezultate na etiri jednako velike skupine (u svakoj skupini je jednak broj rezultata,
poredanih po veliini).
2. Decili dijele ukupan broj rezultata na deset jednakih dijelova (u svakoj skupini je jednak broj
rezultata, poredanih po veliini).
3. Centili dijele ukupan broj rezultata na 100 jednakih dijelova.
Kvartili, decili i centili se odreuju pomou kumulativnih vrijednosti, a ujedno mogu sluiti i kao
kontrola normalnosti distribucije.
4. Z-vrijednosti su najbolje mjerilo, ali zahtijevaju normalnu distribuciju. Predstavljaju poloaj rezultata
u odnosu na odstupanje od aritmetike sredine (negativni predznak z-vrijednosti znai da je rezultat
manji od aritmetike sredine, pozitivni da je vei) u jedinicama standardnog rasprenja. Tako se mogu
usporeivati rezultati razliitih mjerenja kod iste osobe, ili meu pojedinim osobama (Petz, 1985).
Zi =
xi x
U Excelu, pomou funkcije QUART moe se izraunati eljeni kvartil (Quart) za odreeno polje Array
(npr. B2:B62). Drugi kvartil (2) je zapravo medijan (centralna vrijednost).
Pomou funkcije PERCENTILE moe se raunati postotke. Polje Array (npr. B2:B62) zapravo
analiziramo i u njemu traimo odreeni postotak koji zadajemo, dok u polje k stavljamo vrijednost
izmeu 0 i 1 (npr. ako nas zanima 56 centil stavljamo 0,56. Jasno, ova funkcija vrijedi i za decile (oni su
jednostavno okrugli postotci 0,1 0,2 0,3 itd.).
Z-vrijednosti dobivaju se pomou funkcije STANDARDIZE, X je vrijednost npr. B7 ili polje npr.
B2:B62 koje se eli standardizirati, dok se u polja Mean, odnosno Std. Dev. unose aritmetika sredina
odnosno standardno rasprenje za isto polje.
63
15. TESTIRANJE HIPOTEZA

Testiranje hipoteza ima istu logiku i kod testiranja povezanosti i kod testiranja razlika. Stoga rije
razlika u sluaju hipoteza vezanih uz testiranje statistike znaajnosti razlika moete slobodno
zamijeniti rijeju povezanost u sluaju testiranja statistike znaajnosti korelacija.
15.1. STATISTIKI TESTOVI RAZLIKA

Nul-hipoteza znai pretpostavku da neka naena razlika izmeu dvije prosjene vrijednosti nije
statistiki znaajna, tj. da razlika ne postoji nego je dobivena sluajno. Drugim rijeima, to je svaka
hipoteza koja se testira prema nekoj drugoj, alternativnoj hipotezi. Potvrena je ako se ne uspije
dokazati da se ove hipoteze meusobno razlikuju. Direktivna hipoteza je podvrsta alternativne hipoteze,
koja ukazuje na smjer razlike ili povezanosti (npr. pretpostavljamo da e djevojice biti otpornije na
neku bolest, u odnosu na djeake, ili manje podlone stresu) (Petz, 1985).
Mogue greke povezane za odbacivanje/prihvaanje nul-hipoteze prikazane su u tablici 9.
Tablica 9. Pogreke vezane uz odbacivanje/prihvaanje nul-hipoteze
ODBACUJEMO nul-hipotezu
NEMA razlike izmeu dvije

aritmetike sredine
POGREKA TIPA 1 ()
POSTOJI razlika izmeu dvije

aritmetike sredine
nema pogreke
PRIHVAAMO nul-hipotezu
nema pogreke
POGREKA TIPA 2 ()
ODLUKA
Dakle, ako odbacimo nul-hipotezu, a ona je zapravo tona, inimo veu pogreku (pogreku tipa 1 ili ).
Ako pak ostanemo pri nul-hipotezi, a ona nije tona, ve razlike izmeu dvije prosjene vrijednosti
postoje, inimo manju pogreku (pogreku tipa 2 ili ).
Vie je naina kako statistiki moemo odrediti narav odnosa izmeu nezavisne i zavisne varijable.
Jedino se testiranjem razlika moe odgovoriti na pitanje o uzrono-posljedinoj naravi odnosa izmeu
nezavisne i zavisne varijable (Petz, 1985).
Testiranje razlika se provodi po naelu usporeivanja aritmetikih sredina i standardnih
rasprenja izmjerenih distribucija, na temelju ega je mogue brojano izraziti koliko je odstupanje
izmeu njih, tj. da li je vee ili manje od neke kritine vrijednosti (koja govori da je razlika statistiki
znaajna).
Statistiki znaajna razlika pojednostavljeno znai da postoji statistiki dokaz te razlike; to ne
znai da je razlika nuno velika, vana ili znaajna u smislu korisnosti pronalaska. To jednostavno znai
da postoji mjerljiva vjerojatnost da pojedinane vrijednosti iz uzorka dobro predstavljaju parametre
64
populacije (Petz, 1985). Niti statistike niti znanstvene odluke ne smiju se pouzdano temeljiti samo na
onome to ljudsko oko vidi ili na promatraevom prethodno steenom iskustvu.
Dva su komplementarna kljuna koncepta inferencijske statistike: pouzdanost (npr. kao interval
pouzdanosti) i razina znaajnosti (engl. significance level, ili alpha). Razina znaajnosti moe se
definirati kao vjerojatnost odluke o odbijanju nulte hipoteze kada je nulta hipoteza zapravo istinita
(odluka poznata kao pogreka tipa I ili lano pozitivna odluka. Najee koritene razine znaajnosti su
5%, 1% i 0,1%, to empirijski odgovara razini pouzdanosti od 95%, 99% i 99,9%.
Ako je procijenjena vrijednost nekog parametra P, s intervalom pouzdanosti +- 3,5 na razini
pouzdanosti C, tada e svaka vrijednost izvan intervala +- 3,5 biti statistiki znaajno razliita od P za
razinu znaajnosti = 1C, pod istim pretpostavkama raspodjele koje su se koristile pri izradi intervala
pouzdanosti. To znai, da ako u procjeni drugog parametra promatrana vrijednost bude manja od donje
granice ili vea od gornje granice intervala pouzdanosti, moemo odbaciti nultu hipotezu. U tom sluaju
nulta hipoteza glasi: istinita vrijednost ovog parametra iznosi P, na razini znaajnosti ; i obrnuto, ako
procijenjena vrijednost drugog parametra lei unutar intervala +- 3,5, neemo moi odbaciti nultu
hipotezu koja kae da je parametar jednak P. Pojednostavljeno se moe rei da je interval pouzdanosti
testiranja razlika zapravo provjera pogreke testiranja znaajnosti razlika (povezanosti): ako je interval
prevelik, ni rezultati testiranja znaajnosti razlika/povezanosti nisu pouzdani.
Koraci u statistikom testiranju hipoteze su (Petz, 1985):
1. Treba ispitati odgovarajuu nultu i alternativnu hipotezu.
2. Treba odabrati razinu znaajnosti (oznaava se grkim simbolom (alfa). esto rabljene razine
znaajnosti su 5%, 1% i 0,1% to odgovara vrijednosti (alfe) od 0,05, 0,01 i 0,001.
3. Izraunati odgovarajuu pojedinanu vrijednost (S) prema ispravnoj matematikoj jednadbi
testa.
4. Usporediti pojedinanu vrijednost (S) s odgovarajuim kritinim vrijednostima (engl. critical
value) dobivenim iz statistikih tablica u standardnim sluajevima. U ovom se koraku moe
izraunati P vrijednost.
5. Odluiti je li nulta hipoteza dokazana pa time i prihvaena, ili je odbaena, a prihvaena
alternativna hipoteza. Pravilo u donoenju odluke jest da se nulta hipoteza odbaci ukoliko je S >
CV i obrnuto. U praksi to znai da emo, ako je P , odbaciti nultu hipotezu; u ostalim emo
je sluajevima prihvatiti.
Kada se govori o % sigurnosti, to u stvari znai da postoji vjerojatnost od % da smo u krivu na
5% sigurnosti, statistika jami da je 19 od 20 mjerenja koja pokazuju razliku.
Ako je rije o neparametrijskoj statistici, rabimo postupke: hi kvadrat test (2), test homogenog niza,
medijan test, test sume rangova (Wilcoxonov t-test, Mann-Whitneyev U-test), Siegel-Tukeyev test, test
65
predznaka (sign test), Wilcoxonov test ekvivalentnih parova, proireni medijan test, Kruskal-Wallisov
test, Friedmanov test, Fergusonov test monotonije trenda (Petz, 1985).
U sluaju normalne distribucije rezultata, moemo testirati hipoteze o povezanostima i razlikama
primjenom metoda (navodimo samo najee koritene):
1. T-test (student analiza), ovisno o tome da li su uzorci zavisni ili nezavisni, slui za utvrivanje
znaajnosti razlike izmeu tretmana (uzoraka), najee izmeu dva uzorka ili tretmana, ili usporedbom
s nekim standardom (jedan uzorak). Npr. razlika u efektima nekog lijeka kao zavisne varijable, kod dvije
razliite grupe pacijenata kao nezavisne varijable. Mann-Whitneyev U-test neparametrijska je inaica ttesta za nezavisne uzorke, a Wilcoxonov test ekvivalentnih parova t-testa za zavisne uzorke.
U Excelu, pomou funkcije TTEST moe se izraunati Studentov t-test izmeu dva uzorka ispitanika
koji se nalaze u poljima Array1 (npr. A2:A62) i Array2 (npr. B2:B62). Drugi kvartil (2) je zapravo
medijan (centralna vrijednost). Tails se odnosi na dvosmjernost (oznaka 2) ili jednosmjernost (oznaka 1)
testa, dok se vrsta uzorka definira pomou Type: zavisni ili spareni uzorci (tj. kad se testiraju razlike kod
istog uzorka u vremenu) oznaavaju se s 1, dva nezavisna uzorka s jednakim varijancama s 2, te dva
nezavisna uzorka s razliitim varijancama s 3. Meutim, istu proceduru moe se pronai u Alatima
(Tools) pod Analiza podataka, gdje su ponuene razliite vrste t-testova, a zadaju se samo polja za
varijable, npr. Variable 1 Range A2:A62 a Variable 2 Range B2:B62.
2. Analiza varijance (ANOVA) je praktinija od t-testa jer omoguuje ispitivanje razlika izmeu
veeg broja tretmana jedne nezavisne varijable, to bi trailo vei broj t-testova. Jednostavnije, slui za
usporedbu (nalaenje razlika izmeu) vie nezavisnih uzoraka (npr. razlika u efektima nekog lijeka kao
zavisne varijable, kod vie razliitih grupa pacijenata kao nezavisne varijable). Kruskal-Wallisov test
neparametrijska je inaica ANOVA-e za vie za nezavisnih uzoraka, a Friedmanov test je inaica
ANOVA-e za vie za zavisnih uzoraka (Petz, 1985).
U Excelu, pomou izbornika Alati (Tools) pod Analiza podataka, ponuene razliite vrste ANOVA-e,
od kojih emo mi spomenuti ANOVA Single faktor, pomou koje zadajemo istovremeno u polje Input
Range sve varijable istovremeno, tj. raspon polja podataka, npr. A2:D62. Tako emo zapravo usporediti
istovremeno ak 4 uzorka, u kolonama A, B, C i D.
15.2. STATISTIKI TESTOVI POVEZANOSTI - KORELACIJE

Korelacija je statistiki postupak pomou kojeg usporeujemo promjene unutar dvije (ili vie)
varijabli, te nam rezultat govori koliko su te promjene sline. Vrijednosti variraju u rasponu [-1, +1] i
oznaavaju stupanj slinosti to je apsolutna vrijednost vea, vea je i slinost, dok predznak govori u
kojem smjeru se povezanost kree; ako je pozitivna, tada su promjene proporcionalne, a ako je
negativna, promjene su obrnuto proporcionalne (Petz, 1985). Npr. negativnu korelaciju moemo pronai
izmeu (vee) dobi i (boljeg) zdravstvenog stanja. Negativna povezanost znai da su stariji u prosjeku
manje zdravi. Primjer za pozitivnu korelaciju je povezanost izmeu uspjeha na ispitu i koliine uenja:
vea koliina uenja znai najee i bolji uspjeh na ispitu.
66
U najjednostavnijem sluaju, kada imamo jednu nezavisnu i jednu zavisnu varijablu, rezultate
moemo prikazati tzv. scatter dijagramom, gdje je svako mjerenje prikazano jednom tokicom (vidjeti
slike dole). Ako je povezanost izmeu rezultata nula, tada e graf imati oblik krunice. to je povezanost
vea, to e se 'oblak' toaka vie izduljivati u oblik elipse, da bi u ekstremnom sluaju imali oblik pravca
(Scatter plots, 2013). Razliite sluajeve korelacija dajemo na grafikim prikazima 18-24.
Grafiki prikaz 18 i 19. Maksimalno pozitivna r= 1 (lijevo) i maksimalno negativna r= -1 korelacija

(desno)
Grafiki prikaz 20 i 21. Niska negativna (lijevo) i visoka negativna korelacija (desno) r<0
67
Grafiki prikaz 22. Nulta korelacija r=0 (nepostojanje povezanosti)
Grafiki prikaz 23 i 24. Visoka pozitivna (lijevo) i niska pozitivna korelacija (desno) r>0
Statistiki postupci za odreivanje korelacije su Spearmanov koeficijent (), Pearsonov koeficijent (r),
point-biserijalni koeficijent, koeficijent konkordacije (W), -koeficijent, koeficijent kontingencije
(Petz, 1985).
Pearsonov koeficijent korelacije
Pearsonov koeficijent korelacije koristi se u sluajevima kada izmeu varijabli promatranog
modela postoji linearna povezanost i neprekidna normalna distribucija. Vrijednost Pearsonovog
koeficijenta korelacije kree se od +1 (savrena pozitivna korelacija) do 1 (savrena negativna
korelacija) (Ivankovi i sur., 1989).
68
Ako je mjerenje provedeno na velikom broju sluajeva, gruba interpretacija koeficijenta korelacije je:
r= 0.00 do 0,20 nikakva ili neznatna povezanost
r= 0.20 do 0,40 laka povezanost
r= 0,40 do 0,70 stvarna znaajna povezanost
r= 0,70 do 1.00 visoka ili vrlo visoka povezanost.
(y
=
(y
y) 2
y)
< 0,1 >
r = r 2 (1)
r = b * b' (1)
U Excelu, pomou funkcije CORREL moe se izraunati Pearsonov koeficijent korelacije izmeu dvije
varijable, npr. koje se nalaze u poljima Array1 (npr. A2:A62) i Array2 (npr. B2:B62). Meutim, istu
proceduru moe se pronai u Alatima (Tools) pod Analiza podataka, gdje je ponuena analiza
CORRELATION, a zadaju se samo krajnji rasponi polja za varijable, npr. A2:D62. Kao rezultat
dobivamo korelacijsku matricu, dok u oba sluaja (pomou funkcija i pomou alata) njihovu znaajnost
trebamo pronai u tablicama ili na online kalkulatorima.
Spearmanov rang koeficijent korelacije () ne iziskuje uvjet da varijable budu u linearnom odnosu.
Kendallov koeficijent korelacije Tau () slui za utvrivanje povezanosti varijabli izraenih u
rangovima, kao i rang-korelacija
(Petz, 1985).
2
6
*
d
i (1)
r' = 1 3
k k
d i = razlika rangova parova (u nizu najmanji = 1, najvei = n)

Proces testiranja hipoteza o povezanostima slian je testiranju hipoteza o razlikama. Nul-hipoteza znai
pretpostavku da neka naena povezanost izmeu dvije varijable vrijednosti nije statistiki znaajna, tj.
da povezanost ne postoji nego je dobivena sluajno. Alternativna hipoteza u kontekstu korelacija znai
da postoji statistiki znaajna povezanost izmeu dvije ili vie varijabli, dok direktivna hipoteza
ukazuje i na smjer povezanosti (npr. statistiki znaajna pozitivna povezanost izmeu koliine uenja i
uspjeha na ispitu).
Korelacija i uzronost
Pearsonov koeficijent korelacije ne daje za pravo zakljuiti da vrijedi uzrono-posljedini odnos
izmeu varijabli. Primjerice, nije broj roda uzrok veem broju djece u nekom gradu, premda postoji
69
visoka pozitivna korelacija izmeu broja roda i broja djece, jer veliina grada, i broj stanovnika (i stoga
dimnjaka) potencijalno utjee na vei broj roda.
Korelacije ne omoguuju uzrono (kauzalno) zakljuivanje. Ako se npr. utvrdi korelacija (povezanost)
izmeu varijable X i Y to se tie uzronosti ne moe se utvrditi koji od navedenih sluajeva je u
pitanju.
1. X uzrokuje Y
2. Y uzrokuje X
3. Z uzrokuje X i Y (Petz, 1985).
Primjeri: Ako utvrdimo povezanost izmeu kolske naobrazbe i materijalnog statusa ne moe se
tvrditi da imetak uzrokuje bolju naobrazbu ili bolja naobrazba dovodi do vee zarade (1). Vie gledanje
televizijskog programa s agresivnim sadrajem i poveana agresivnost: ali moda agresivnije osobe vie
privlae agresivni sadraji (2). Povezanost izmeu posjedovanja vikendice i vjetine rada s raunalom
moe biti posredovana dobrim materijalnim statusom (3).
15.3. PRETPOSTAVKE ODABIRA ODGOVARAJUIH STATISTIKIH METODA

Kako bi se odabrao ispravan statistiki test pri analizi podataka, potrebno je dobro poznavati
osnovne statistike termine i koncepte te dobro razumjeti cilj statistike analize, ali i;
1. poznavati vie aspekata povezanih s podacima sakupljenim tijekom istraivanja (npr. tip
podataka nominalni, ordinalni, intervalni ili omjerni), kako su podaci organizirani, koliko
ima skupina (obino su to ispitivana i kontrolna skupina), jesu li skupine uparene ili nisu
(zavisni/nezavisni uzorci) te slijede li podaci iz uzoraka ili uzoraka populacije normalnu
raspodjelu);
2. ralaniti cijeli statistiki postupak na dobro strukturirani slijed za odabir ispravnog testa koji
slijedi algoritamski nain, kako bi se izbjegle neke pogreke (Marusteri i Bacarea, 2010).
Pojednostavljeno, etiri stvari su posebno bitne za odabir prave statistike metode:
1. tip podataka vrsta mjerne skale podataka
2. veliina uzorka veliki ili mali
3. zavisni ili nezavisni uzorci isti ili razliiti ispitanici
4. vrsta distribucije rezultata uvjetuje odabir parametrijskih ili neparametrijskih metoda.
15.3.1. TIP PODATAKA

Osnovni podaci dobiveni ispitivanjem mogu biti kvantitativni (numeriki) ili kvalitativni
(kategoriki) podaci, obje skupine imaju nekoliko podtipova (Marusteri i Bacarea, 2010).
Kvantitativni (numeriki) podaci mogu biti:
1. Intervalna mjerna ljestvica
70
Podaci izraeni ovom mjernom ljestvicom nemaju apsolutnu nulu i ne moemo rei da je dvostruko
vea brojana vrijednost zaista dva puta vea. Primjerice, iako vrijednosti temperature izmjerene na
Celzijusovoj ljestvici imaju jednake intervale izmeu stupnjeva, 0C nije apsolutna nula.
Nula na Celzijusovoj ljestvici oznaava toku ledita vode, no ne i totalnu odsutnost temperature. Nema
smisla rei da je temperatura od 10C dvostruko toplija 5C.
2. Omjerna mjerna ljestvica - podaci izraeni omjernom mjernom ljestvicom imaju apsolutnu nulu. Na
primjer, prilikom mjerenja duljine, nula predstavlja odsutnost duljine, a 10 metara je dvostruko dulje od
5 metara. Oba tipa podataka (i intervalni i omjerni) mogu se koristiti u parametrijskim testovima.
Kvantitativni (numeriki) podaci u odnosu na kontinuiranost mogu se razvrstati kao:
1. Diskretni (diskontinuirani) numeriki podaci, samo u sluaju ako postoji konaan broj moguih
vrijednosti ili ako postoji prostor na brojevnom pravcu izmeu svake dvije mogue vrijednosti (npr.
iitavanje vrijednosti sa zastarjelog ivinog termometra).
2. Kontinuirani podaci ine ostatak numerikih podataka koji se ne mogu smatrati diskretnim (nema
konaan broj moguih vrijednosti). To su tipovi podataka koji se obino povezuju s nekom vrstom
naprednog mjerenja na instrumentima prema razvojnom stupnju struke (npr. iitavanje vrijednosti sa
digitalnom kalkulatoru s N decimala).
Kvalitativni (kategoriki) podaci mogu biti:
1. Binarni (logiki) podaci osnovni tip kategorikih podataka (npr. pozitivno/negativno; prisutno/
odsutno itd.).
2. Nominalni podaci - kod kompleksnijih kategorikih podataka, prvu (i najslabiju) razinu podataka
predstavljaju nominalni podaci. Podaci nominalne razine dobiju se iz vrijednosti koje se razlikuju samo
po nazivu. Ne postoji neka standardna shema poretka (npr. rumunjska, maarska, hrvatska skupina ljudi
itd.).
3. Ordinalni (uredbeni) podaci - slini su nominalnim podacima u tome da se podaci razlikuju prema
nazivu, a od nominalnih podataka ih razlikuje shema stupnjevanja (npr. povremeni puai, umjereni i teki
puai) (Marusteri i Bacarea, 2010).
15.3.2. VELIINA I BROJ UZORAKA
Uzorci se razlikuju po veliini: do 30 se smatraju mali, a iznad toga su veliki. No, neki autori
smatraju da do 50 podataka (ispitanika, mjerenja) predstavlja mali uzorak. U biti, injenica da li je
uzorak veliki ili mali ovisi o statistikoj metodi koju elimo primijeniti. Parametrijske metode
primjenjive su uglavnom na velikim uzorcima, i to s normalnom distribucijom (s izuzecima t-testova za
male zavisne i nezavisne uzorke, te jo nekim metodama).
Ovisno o ustroju istraivanja postoje tri situacije: jedan uzorak; dva uzorka; tri ili vie uzoraka.
U sluaju jednog uzorka postavlja se vano pitanje: kakav se statistiki zakljuak moe donijeti,
budui da je oigledno kako nisu ispunjeni uvjeti za usporedbu?
71
Iako izgleda kao da nema smisla, ipak se moe napraviti barem nekakva statistika analiza. Primjerice,
ako damo pirogeni lijek uzorku laboratorijskih ivotinja, moi emo napraviti usporedbe izmeu srednje
vrijednosti tjelesne temperature zabiljeene tijekom pokusa i dobro poznate standardne vrijednosti za tu
vrstu ivotinje, kako bismo pokazali je li razlika izmeu tih vrijednosti statistiki znaajna i kako bi
zakljuili ima li lijek pirogeni uinak (Marusteri i Bacarea, 2010).
Ako u istraivanju imamo dva uzorka (to je najea situacija), sve to nam je initi jest pratiti
ispravni postupak inferencijske statistike kako bismo napravili ispravnu usporedbu izmeu uzoraka. Kod
vie od dva uzorka, statistika e se analiza initi neto kompliciranijom, no postoje statistiki testovi s
kojima se itekako mogu obraditi ovakvi podaci. Primjerice, moemo raditi usporedbe srednjih
vrijednosti za sve uzorke u jednom trenutku koristei analizu varijance (ANOVA test). Takoer moramo
imati na umu da postoje neki post hoc testovi koji se primjenjuju u drugom stupnju analize varijance u
sluaju da je nulta hipoteza odbaena. Ti testovi mogu napraviti usporedbu izmeu svakog para uzoraka
iz pokusa (Marusteri i Bacarea, 2010).
15.3.3. ZAVISNI I NEZAVISNI UZORCI

Kratko ih se moe definirati ovako:
Nezavisni uzorci su dvije odijeljene skupine ljudi (u iznimnim sluajevima, dokazano nezavisne
osobine kod istih ljudi). Za nezavisne (neparne) uzorke je vjerojatnost da lan populacije bude odabran
kao uzorak potpuno neovisna o bilo kojem drugom odabranom lanu, bilo da se radi o skupini tog lana
ili nekoj drugoj skupini u istraivanju.
Zavisni uzorci su jedna skupina na kojoj je dva puta mjerena ista pojava. Openito, kad god je
ispitanik u jednoj skupini povezan s ispitanikom u drugoj skupini, govorimo o parnim (zavisnim)
uzorcima. Primjerice, u istraivanju majki i keri, uzorci su upareni, majka sa svojom kerkom.
Ispitanici u dva uzorka nisu nezavisni jedni od drugih. Parni (zavisni) se podaci mogu definirati kao
vrijednosti koje se obino mjere u parovima i stoga se moe oekivati da one vie variraju izmeu
parova, nego izmeu ispitanika unutar para (Marusteri i Bacarea, 2010).
Postoje mnogi statistiki testovi koji imaju razliite verzije ukoliko se radi o parnim, odnosno
neparnim uzorcima te imaju razliit matematiki pristup koji moe dovesti do razliitih rezultata.
Primjerice, dobro poznati statistiki test t-test koji se primjenjuje za usporedbu srednje vrijednosti
izmeu dva uzorka, ima razliite verzije za parne/neparne uzorke: t-test za parne (zavisne) uzorke i ttest za neparne uzorke.
Stoga je odabir t-testa za parne uzorke (zavisne) umjesto onog za neparne (nezavisne) pogreka koja
moe dovesti do krivih rezultata/zakljuaka u procesu statistikog zakljuivanja iz premise (Marusteri i
Bacarea, 2010).
Test za parne (zavisne) uzorke moramo odabrati u sluaju kada pokus slijedi jedan od ovih
ustroja: kada mjerimo varijable prije i poslije intervencije kod svakog ispitanika (1); kada odabiremo
72
ispitanike kao parove, uparene prema varijablama kao to su npr. dob, etnika skupina ili stupanj
ozbiljnosti bolesti; jedan od parova bude lijeen na jedan nain; a drugi par na alternativni nain (2);
izvodimo laboratorijski pokus nekoliko puta, svaki puta s kontrolnim i ispitivanim uzorkom u duplikatu
(3); mjerimo varijablu ishoda kod parova dijete/roditelj (ili bilo kojem slinom paru) (4).
Openito govorei, kad god oekujemo da e nam vrijednost u jednom uzorku biti blia odreenoj
vrijednosti u drugom uzorku, nego to bi bila kod sluajno odabrane vrijednosti u drugom uzorku,
moramo odabrati test za uparene podatke. U drugom sluaju odabiremo test za nezavisne uzorke
(Marusteri i Bacarea, 2010), odnosno test koji se najee koristi za meusobno nezavisne grupe
ispitanika.
15.3.4. DISTRIBUCIJA REZULTATA PARAMETRIJSKA I NEPARAMETRIJSKA

STATISTIKA
Testovi za ispitivanje normalnosti raspodjele primjenjuju se za odreivanje jesu li skupovi
podataka dobro organizirani normalnom raspodjelom. Kod ispitivanja statistike hipoteze, ti e testovi
ispitati podatke prema nultoj hipotezi da se vidi slijede li oni normalnu raspodjelu (Petz, 1985).
Najei primjeri takvih testova normaliteta distribucija su:
1. DAgostino-Pearsonov test normalnosti
raspodjele
koji
izraunava
iskoenost
(engl. skewness) i spljotenost (engl.kurtosis), kako bi izrazio koliko su podaci udaljeni od
normalne raspodjele po pitanju asimetrije i oblika.
2. Kolmogorov-Smirnovljev test normalnosti raspodjele, usporeuje kumulativnu raspodjelu
podataka s oekivanom kumulativnom normalnom raspodjelom, a P vrijednost mu se temelji na
najveoj vrijednosti odstupanja (Marusteri i Bacarea, 2010).
Ovisno o vrsti raspodjele, odabiremo parametrijske ili neparametrijske testove.
Trebamo imati na umu da mnogi statistiki testovi (npr. t-test, ANOVA i njene varijante) a
priori pretpostavljaju da podaci uzorkovani iz populacije slijede Gaussovu (normalnu/zvonoliku)
raspodjelu. Testovi koji slijede tu pretpostavku nazivaju se parametrijskim testovima, a njima se bavi
parametrijska statistika (Petz, 1985).
Neparametrijska statistika nudi metode i testove nezavisne o raspodjeli podataka, koji se ne oslanjaju na
pretpostavku da su podaci uzeti iz date raspodjele vjerojatnosti (u naem sluaju je to normalna
raspodjela). To su neparametrijski statistiki testovi. Gotovo svaki parametrijski statistiki test ima
odgovarajuu neparametrijsku inaicu (Petz, 1985).
Kako bi razumjeli razliku izmeu tih dvaju tipa testova mora se razumjeti daljnja dva osnovna
statistika koncepta: robusnost (engl. robustness) i snaga statistikog testa (engl. power) (Marusteri i
Bacarea, 2010).
Robusni test se moe upotrijebiti ak i kada neke od pretpostavki za izvoenje testa nisu
zadovoljene. Neparametrijski testovi su robusniji od svojih parametrijskih inaica, primjerice mogu
73
obraditi vrlo male uzorke, gdje su podaci daleko od normalne raspodjele. Drugim rijeima,
neparametrijski test je neovisan o vrsti i pravilnosti distribucije podataka.
Snaga statistikog testa je vjerojatnost da e taj test odbaciti nultu hipotezu, ako je alternativna
hipoteza istinita (npr. da se nee napraviti pogreka tipa II). Pogreka tipa II (pogreka druge vrste,
pogreka ili lano negativna) definira se kao pogreka neiskljuivanja nulte hipoteze u sluaju kada je
ona zaista neistinita. S pojaanjem snage statistikog testa, opada vjerojatnost pogreke tipa II.
Neparametrijski testovi su esto robusniji, no obino imaju manju snagu testa. Drugim rijeima,
neparametrijski test e vjerojatnije proglasiti neku razliku/korelaciju statistiki neznaajnom, ak ako
realna razlika/povezanost postoji (pa mogu napraviti pogreku tipa II ili ) (Marusteri i Bacarea, 2010).
Koje statistike metode biramo ovisno o ovoj vrsti uzoraka, te broju skupina ispitanika koje meusobno
usporeujemo (tablica 10).
Tablica 10. Odabir statistike metode ovisno o vrsti uzoraka
Nezavisni uzorci - 3 ili vie skupina

Uvjeti za koritenje ANOVE:
Kvantitativna varijabla
Normalna razdioba
Varijance su homogene
Zavisni uzorci - 3 ili vie skupina

Uvjeti za koritenje RM ANOVE:
Kvantitativna varijabla
Normalna razdioba
Varijance su homogene
Parametrijski: ANOVA
Parametrijski: RM ANOVA
Neparametrijski: Kruskal-Wallisov test
Neparametrijski: Friedman ANOVA
Prije odabira testa potrebno je ispitati vrstu podataka, normalnost raspodjele, homogenost
varijanci.
Neparametrijska statistika koristi se kod podataka koji imaju neke od sljedeih karakteristika (ILI-ILI):
1. distribucija malog broja podataka znaajno odstupa od normalne
2. podaci su izraeni na nominalnim ili ordinalnim mjernim ljestvicama.
Dakle, koriste se kad se raspodjela znaajno razlikuje od normalne (U-raspodjela, multimodalna
raspodjela, Poissonova raspodjela). Kombinacija ovih glavnih elemenata za odabir metode daje pogodne
metode za obradu podataka (Marusteri i Bacarea, 2010). Odabir statistike metode ovisno o nacrtu
istraivanja vidi se u tablici 11.
74
Tablica 11. Odabir statistike metode ovisno o nacrtu istraivanja

NACRT ISTRAIVANJA
Dva nezavisna uzorka
Dva zavisna uzorka
PARAMETRIJSKA
PROCEDURA
T-test nezavisni uzorci
T-test zavisni uzorci
Nekoliko nezavisnih grupa

Nekoliko zavisnih grupa
Korelacijsko istraivanje
ANOVA
ANOVA ponovljena mjerenja
Pearson r
NEPARAMETRIJSKA
PROCEDURA
Mann-Whitney U-test
Wilcoxonov test
ekvivalentnih nizova
Kruskal-Wallis test
Friedman test
Spearman rs, Kendall's tau
Na kraju, vano je napomenuti da je ovaj udbenik samo uvod u istraivaki rad. Meutim, nadam
se da moe i poetnicima i iskusnim studentima pomoi u rjeavanju problema u praktinom ili u
istraivakom radu. A kao potencijalno koristan podsjetnik moe posluiti i iskusnim znanstvenicima i
praktiarima.
75
LITERATURA
Ackoff, R. L.. (1955). Philosophy of Science. Chicago, US: University of Chicago Press.
Berelson, B. (1971). Content Analysis in Communication Research. Glencoe, Ill: Free Press.
Bujas, Z. (1967). Uvod u metode eksperimentalne psihologije. Zagreb: kolska knjiga.
Cohen, L ., Manion, L., Morrison, K. (2007). Metode istraivanja u obrazovanju. Jastrebarsko:
Naklada Slap.
iri, J. (2003). Metodologija znanosti. Zadar: Sveuilite u Zadru.
Halmi, A. (2005). Strategije kvalitativnih istraivanja u primijenjenim drutvenim znanostima.
Jastrebarsko: Naklada Slap.
Hrvatski zavod za javno zdravstvo (2007). Meunarodna klasifikacija bolesti i drugih srodnih
zdravstvenih problema - MKB 10 (primarno poglavlje V: Duevni poremeaji i poremeaji
ponaanja, poglavlje IV: Bolesti ivanog sustava). Split: Chrono.
Ivankovi, D. i sur. (1989). Osnove statistike analize za medicinare. Zagreb: Medicinski fakultet
Sveuilita u Zagrebu.
Marusteri, M., Bacarea, V. (2010). Kako odabrati pravi test za procjenu statistike znaajnosti
razlike izmeu skupina? Biochemia Medica, 20(1):15-32.
Marui, M. (ur.) (2004). Uvod u znanstveni rad u medicini. Zagreb: Medicinska naklada.
Mejovek, M. (2003). Uvod u metode znanstvenog istraivanja u drutvenim i humanistikim
znanostima. Jastrebarsko: Naklada Slap.
Milas, G. (2005). Istraivake metode u psihologiji i drugim drutvenim znanostima. Jastrebarsko:
Naklada Slap.
iloevi, Z, Bogdanovi, D. (2012). Statistika i informatika u oblasti medicinskih nauka. Ni:
Galaksija.
Papi, M. (2005). Vjebe iz statistike. Split: Sveuilite u Splitu odjel za strune studije.
Petrak, O. (2010). Statistika materijali za vjebe. Zagreb: Zdravstveno veleuilite.
Petz, B. (1985). Osnovne statistike metode za nematematiare. Zagreb: Sveuilina naklada
Liber.
Petz, B. (1992). Psihologijski rjenik. Zagreb: Prosvjeta.
76
Rafajac, B. (2010). Uvod u metodologiju znanstvenog istraivanja. Rijeka: Filozoski fakultet.

Scatter plots (2013). Skinuto s: http://mste.illinois.edu/courses/ci330ms/youtsey/scatterinfo.html
iber, I. (1998). Osnove politike psihologije. Zagreb: Politika kultura.
Thomas, G. (2011). How to do your Case Study: A Guide for Students and Researchers. Thousand
Oaks, CA: Sage.
Vujevi, M. (1983). Uvoenje u znanstveni rad. Zagreb: Informator.
Vukosav, J., Zarevski, P. (2011). Metodologija znanstvenih istraivanja. Zagreb: MUP RH.
Upute za autore (2012). Sestrinski glasnik, 17(2): 137-142.
Upute za pisanje prikaza sluaja (2013). Skinuto s: http://ebookbrowse.com/upute-za-pisanjeprikaza-slucaja-doc-d181938701
77
PRILOZI
ODABRANI MRENI IZVORI
Bibliografske baze podataka:
Medline/PubMed http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed
Biomedicina Croatica: http://smk.mef.hr/php/biomed/
Pristup elektronikim izvorima za hrvatsku akademsku zajednicu
Centar za on-line baze podataka http://nippur.irb.hr/ovid/
Nastavna graa i knjige
Nastavni sadraj Medicinskog fakulteta u Zagrebu http://www.mef.hr/edumed/index.html
Virtualno sveuilite http://www.mzt.hr/virtus/
Besplatno dostupne medicinske knjige http://www.FreeBooks4Doctors.com/
Popisi besplatno dostupnih medicinskih asopisa:
Hardin MD:Free medical journals http://www.lib.uiowa.edu/hardin/md/ej.html PubMed Central
http://www.pubmedcentral.nih.gov/
Izravno dostupni medicinski asopisi
BioMed Central http://www.biomedcentral.com/
Mrene stranice zdravstvenih i akademskih ustanova i udruga
Svjetska zdravstvena organizacija http://www.who.int/whosis/
American Medical Association http://www.ama-assn.org/
Medicinski fakultet u Zagrebu (http://www.mef.hr/edumed/
Sveuilite Johns Hopkins http://www.hopkins-id.edu/
Klinika Mayo http://www.mayoclinic.com/
Medicinske knjinice
National Library of Medicine http://gateway.nlm.nih.gov/gw/Cmd
Sredinja medicinska knjinica http://smk.mef.hr
Pretraivai i mreni ulazi
Medexplorer http://www.medexplorer.com/
MedHunt http://www.hon.ch/MedHunt/
Organized Medical Networked Information OMNI http://omni.ac.uk/
Health on the Net Foundation - HON http://www.hon.ch/
BioSites http://galen.library.ucsf.edu/biosites/
Mrene stranice namijenjene javnosti:
MEDLINEplus http://medlineplus.gov/
Healthfinder http://healthfinder.gov/
Jama Patient Page http://www.ama-assn.org/public/journals/patient/index.htm
Medicina.hr: http://www.medicina.hr/
PLIVAzdravlje.hr http://www.plivazdravlje.hr
78
POPIS ODABRANIH ONLINE KALKULATORA ZA STATISTIKU

Veliina uzorka:
http://www.custominsight.com/articles/random-sample-calculator.asp
http://www.mef.unizg.hr/if/alati/racunala/tekst/velicina_u.htm
http://www.mef.unizg.hr/if/alati/racunala/skripte/velicina_sv.htm
http://hedwig.mgh.harvard.edu/sample_size/size.html
Veina statistikih formula:
http://www.mef.unizg.hr/if/alati/alati.htm
http://www.xlstat.com/en/
http://www.statsci.org/free.html
http://graphpad.com/quickcalcs/index.cfm
http://homepages.abdn.ac.uk/j.crawford/pages/dept/psychom.htm
Mjere varijabilnosti:
http://www.mef.unizg.hr/if/alati/racunala/skripte/m_c_te.htm
Veliina efekta:
http://cognitiveflexibility.org/effectsize/
http://www.uccs.edu/~lbecker/
http://www.campbellcollaboration.org/resources/effect_size_input.php
http://www.researchconsultation.com/how-to-calculate-effect-size-help.asp
http://www.leeds.ac.uk/educol/documents/00002182.htm
http://www.dssresearch.com/KnowledgeCenter/toolkitcalculators/statisticalpowercalculators.aspx
Kreiranje online upitnika:

http://www.esurveyspro.com/free-online-survey.aspx
Hi-kvadrat test:
http://www.mef.unizg.hr/if/alati/racunala/skripte/hi_2_test.html
http://www.testovi.info/hi-kvadrat-test-kalkulator.html
Indeks tjelesne mase (BMI):
http://www.mef.unizg.hr/if/alati/racunala/skripte/i_mase.htm
T-test:
http://www.graphpad.com/quickcalcs/ttest1.cfm
http://www.quantitativeskills.com/sisa/statistics/t-test.htm
http://www.physics.csbsju.edu/stats/t-test_bulk_form.html
79
80
PRIMJERI (Papi, 2005)

U osiguravajuem drutvu Otkasko praeno je kojim danima u tjednu se deavaju prometne
nesree njihovih osiguranika. Praenje je izvreno tijekom lipnja 2003. Podaci su zadani u tablici 12.
Grupirajte dobivene podatke po danima u tjednu i objasnite jednu od dobivenih apsolutnih frekvencija.
Izraunajte relativne frekvencije i objasnite znaenje dobivene frekvencije za petak.
Tablica 12. Prometne nesree osiguranika osiguravajueg drutva Otkasko po danima u tjednu
(lipanj, 2003)
r.br.
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
dan
sub
ned
pon
sub
uto
sri
pet
sub
et
ned
r.br.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
dan
pon
sub
ned
sub
uto
pet
sub
pon
sri
et
r.br.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
dan
uto
sri
sub
pon
sub
ned
sub
pet
sub
pet
r.br.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
dan
pet
sub
pet
sub
et
sub
ned
pon
uto
pet
r.br.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
dan
uto
ned
pon
sri
sub
ned
pet
sub
pet
et
r.br.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
dan
pet
sub
ned
sub
et
pet
sub
sri
pon
pet
Rjeenje:
Prvo emo unijeti podatke u prazni radni list programa MS Excel. Kao to je ve prije napomenuto
kvalitetnim modalitetima (danima u tjednu) pridruit emo numerike vrijednosti. Pri tome ne treba
komplicirati najjednostavnije je ponedjeljku pridruiti broj 1, utorku 2, , nedjelji 7. Redne brojeve
moete, a i ne morate unositi. Ako ste u stupac A unijeli redne brojeve, tada u stupac B unesite brojeve
od 1 do 7 pridruene pojedinim danima u tjednu (grafiki prikaz ).
81
Grafiki prikaz 25. Kodiranje podataka u Excel
Prije pokretanja odgovarajue procedure za grupiranje podataka moramo formirati niz modaliteta
na temelju kojih emo izvriti grupiranje. U eliju C1 upiite dani te u daljnje elije stupca C (od C2
do C8) modalitete koji se javljaju u konkretnom primjeru (brojeve
od 1 do 7). Procedura koju koristimo za grupiranje podataka naziva se Histogram. Treba napomenutu
na nam procedura Histogram pored grupiranja podataka omoguava i odgovarajui grafiki prikaz, ali
o tome emo kasnije. Postupak je sljedei: Na padajuem izborniku Tools kliknimo miem na opciju
Data Analysis. U dobivenom okviru Analysis Tools oznaimo Histogram i kliknemo na OK.
Napomena: Mogue je da vam se opcija Data Analysis ne pojavi na padajuem izborniku Tools. Tada
ju trebate ukljuiti tako da kliknete na Add-Ins na istom izborniku, te u dobivenom okviru oznaite
opcije Analysis ToolPak i Analysis ToolPak-VBA i kliknete OK. Ponovno se vratite na Tools, arobni
Data Analysis trebao bi biti tu.
Nastavimo s postupkom grupiranja. Ako ste napravili sve to pie u prethodnoj uputi (pod uvjetom
da ste ukljuili raunalo) na ekranu bi se trebao pojaviti dijaloki okvir Histogram (grafiki prikaz 26).
82
Grafiki prikaz 26. Izrada histograma - primjer
Dijaloki okvir Histogram sastoji se od dva dijela. U prvi dio Input unosimo adrese podataka
koje elimo grupirati, a u drugom Output options biramo mjesto i vrstu rezultata koje elimo dobiti.
Kliknemo unutar okvira Input Range i unesemo adrese elija u kojima nam se nalaze sirovi,
negrupirani podaci (B1:B61, ne trebaju vam ovi dolari, oni se kasnije pojave sami). Nakon toga
kliknemo unutar okvira Bin Range i unesemo adrese elija u kojima se nalaze modaliteti koje smo
prethodno sami ispisali (C1:C8). Budui da smo unijeli i adrese elije u kojima nam se nalaze naslovi
(B1 i C1) kvaicom oznaimo opciju Labels. Pri unosu adresa elija s podacima mogli smo unijeti
samo one u kojima se nalaze vrijednosti, bez naslovnih elija (od B2 do B61 i od C2 do C8). U tom
sluaju bi okvir uz opciju Labels ostavili prazan. Bitno je da se pri upisu u Input Range i u Bin Range
drimo istog pravila.
U drugom dijelu dijalokog okvira Histogram Output options dajemo dvije naredbe programu.
Prva je vezana uz mjesto na kojem elimo da se pojavi tablica sa grupiranim rezultatima (zajedno sa
grafom, ako ga elimo). Ukoliko elimo da se tablica nalazi na radnom listu unutar kojega trenutno
radimo , miem oznaimo opciju Output Range te u pripadajui okvir upiemo adresu elije u kojoj
elimo da bude lijevi gornji ugao te tablice (u naem primjeru upisat emo npr. D1). Po potrebi, novu
tablicu moemo smjestiti i na novi radni list (New Worksheet Ply uz odgovarajuu adresu elije) ili
novu radnu knjigu (New Workbook). U donjem dijelu dijalokog okvira imamo ponuene tri opcije
(Pareto (sorted histogram), Cumulative Percentage i Chart Output).
Nakon to ste sve ovo napravili, dodirom na lijevu tipku mia kliknite OK. Na ekranu vam se pojavi
tablica koja izgleda ovako (grafiki prikaz 27).
83
Grafiki prikaz 27. Izrada histograma primjer: izraun frekvencija
Frekvencije u gornjoj tablici su apsolutne frekvencije. Prvo emo izraunati relativne frekvencije (%) a
zatim urediti tablicu i odgovoriti na pitanja traena u zadatku.
Postotak se izraunava iz osnovne relacije postotnog rauna:
POSTOTAK =
DIO
100
CJELINA
U eliju F1 upiite Relativne frekvencije (%). Izraunati emo relativnu frekvenciju samo za
prvu vrijednost, a za ostale emo samo kopirati formulu. Prvo je potrebno izraunati sumu svih
apsolutnih frekvencija. Ovo se moe napraviti na vie naina. Najjednostavniji je da miem oznaite
polja od E2 do E9 (dodatak More treba promatrati kao sastavni dio tablice). Zatim miem kliknite
na vrpci s alatima Standard. U eliji E10 pojavit e vam se suma apsolutnih frekvencija
ikonicu
(opseg statistikog skupa). Jasno, u naem primjeru ona iznosi 60, to ste ve i prije mogli zakljuiti
iz poetne tablice s izvornim podacima, te prilikom unosa istih. ak ako vam suma apsolutnih
frekvencija i nije potrebna za neki konkretni zadatak, radi kontrole postupka grupiranja dobro ju je
izraunati. Broj svih prometnih nesrea (60) predstavlja cjelinu. Postotak nesrea koji se dogodio
ponedjeljkom (modalitet 1) dobit emo tako da apsolutnu frekvenciju vezanu uz modalitet 1 (7 u eliji
E2) podijelimo sa ukupnim brojem nesrea (60 u eliji E10) i pomnoimo sa 100. Budui da prilikom
kopiranja formule niz odreeni stupac program postupno mijenja adrese elija ispisane u formuli, a mi
sve vrijednosti elimo dijeliti sa 60, adresu elije u kojoj nam se nalazi suma apsolutnih frekvencija
(E10) fiksirat emo sa znakom $. Budui da svaku formulu ili funkciju u MS Excel-u poinjemo sa
znakom =, u eliju F2 upisujemo =E2/$E$10 i na tipkovnici stisnemo Enter. Broj koji smo dobili
(0,116667) predstavlja relativnu frekvenciju izraenu u obliku proporcije. Klikom mia na ikonicu
na vrpci s alatima Formatting pretvaramo ga u postotak, zatim ikonicom za poveavanje broja
decimalnih mjesta
preciznije izraunamo. U ovom primjeru vrijednosti emo izraunati na dvije
decimale, to je i uobiajeni broj kod veine izrauna. Sad nam u eliji F2 pie 11,67%. Velika
84
prednost programa MS Excel je ta to za niz vrijednosti pomou odgovarajue formule ili funkcije
trebamo izraunati samo jednu vrijednost, a preostale kopiramo. Oznaite eliju F2 i dovucite (njeno)
mia u donji desni ugao elije dok vam se ne pojavi znak +. Sada jednostavno povucite mia do
posljednje elije za koju izraunavate eljenu vrijednost ( u naem primjeru F9). Dobili ste relativne
frekvencije izraene u postotcima. Kontrole radi ih zbrojite (ikonica
), jasno je da zbroj treba biti
100.
Uredite sada tablicu: ispiite zaglavlja stupaca, modalitetima dajte njihova prava imena, uokvirite
polja (pomou ikonice
na vrpci Formatting) . Moete ju ispisati, kopirati u neku drugu
aplikaciju, staviti na auto ako su vam ukrali stare itd. Izgleda otprilike ovako:
Tablica 13. Prometne nesree osiguranika osiguravajueg drutva Otkasko po danima u tjednu
(lipanj, 2003)
Dani u
tjednu
ponedjeljak
utorak
srijeda
etvrtak
petak
subota
nedjelja
Broj
nesrea
7
5
5
5
12
18
8
60
Struktura
(%)
11,67%
8,33%
8,33%
8,33%
20,00%
30,00%
13,33%
100,00%
Izraunati odreene statistike vrijednosti, a ne znati ih interpretirati, ne znai nita. Kao to je i

traeno u zadatku, interpretirat emo jednu od apsolutnih frekvencija, te relativnu frekvenciju za petak:
u lipnju 2003. godine 18 osiguranika osiguravajueg drutva Otkasko doivjelo je prometnu nesreu
subotom, dok ih je 20% istu imalo petkom.
85
SESTRINSKI GLASNIK - UPUTE ZA AUTORE (Sestrinski glasnik, 2012)

Opi zahtjevi
Sestrinski glasnik [SG] objavljuje znanstvene i strune lanke iz podruja sestrinskog obrazovanja, prakse,
istraivanja, zdravstvene njege, primaljstva, medicine i srodnih podruja, kao to su etika u medicini, sestrinska i
lijenika znanost o upravljanju, javno zdravstvo i povijest sestrinstva i medicine. Radovi s godinjih sastanaka
Hrvatske udruge medicinskih sestara, Amerike organizacije za medicinske sestre rukovoditelje, Europske
federacije udruga medicinskih sestara i Meunarodnog vijea medicinskih sestara dobrodoli su za objavljivanje
tijekom kalendarske godine. Poeljno je ukljuivanje slika u tekstove. Svi rukopisi prvo podlijeu reviziji glavnog
urednika, urednika-suradnika, odabranih recenzenata i, kada je potrebno, recenzenta statistiara. Prihvaanje
rukopisa za objavljivanje temelji se na originalnosti, znanstvenom stupnju vanosti i kvaliteti obraenog
materijala.
Popratno pismo uredniku. Svi novi rukopisi trebaju biti popraeni pismom glavnom uredniku u kojem se
navode sljedee izjave: (a) nije bilo dvostruke publikacije ili slanja rukopisa nekamo drugamo, (b) svi autori
proitali su i odobrili rukopis (c) ako lanak bude prihvaen za objavljivanje, autori e prenijeti autorska prava na
izdavaa, i (d) ne postoji etiki problem ni sukob interesa (vidi dolje). Takoer je korisno uputiti, ako tekst bude
prihvaen za objavljivanje, u kojim se dijelovima moe skratiti. Imajte na umu da lanci mogu biti prihvaeni i
objavljeni u kraoj varijanti. U pismu uredniku potrebno je navesti koje je lanak vrste i koje kategorije [prouiti
tablicu].
Klinika istraivanja. Autori u odjeljku materijal/metoda moraju opisati na koji je nain dobiven pismeni
pristanak ispitanika i istaknuti da je istraivanje odobrilo etiko povjerenstvo nadlenih institucija.
Osiguranje sukoba interesa. Urednici zahtijevaju od autora da navede sve mogue komercijalne usluge koje bi
mogle predstavljati sukob interesa, a u izravnoj su svezi s njihovim lankom. Svi izvori financiranja rukopisa
trebaju biti taksativno navedeni u podnoju na poetnoj strani rukopisa. Svi izvori financiranja, kao to su
konzultantska poduzea, dionika drutva ili druge interesne skupine i ugovori o patentima moraju biti naznaeni
glavnom uredniku u popratnom pismu tijekom prijma rukopisa za objavljivanje. Glavni urednik zadrava pravo
odbiti rukopise koji nisu u skladu s navedenim zahtjevima. Autor e biti odgovoran za lane izjave i za
neispunjavanje navedenih uvjeta.
Vrsta lanka
Tekst treba dostaviti u jednoj od sljedeih vrsta: izvorni lanak [I], kratko priopenje [KP]; prikaz sluaja [PS];
uvodni lanak [U]; povijesne stranice [PS]; pregledni lanak [P]; sigurnost bolesnika [SB], sigurnost na
radnome mjestu [SRM]; pismo uredniku [PU]; Slikovni prikaz [SP].
Originalni lanak [OA]
Sestrinski glasnik daje prednost izvornim lancima iji zakljuci donose nove spoznaje o sestrinstvu i
zdravstvenoj skrbi. Randomizirana kontrolirana istraivanja (RKI) moraju biti prikazana prema meunarodnim
standardima o pisanju ove vrste lanka. Navodi s popisom kontroliranih imbenika - kontrolnim popisom - mora
biti naveden u odjeljku Materijali/metode.
Kratko priopenje [KP]
U ovoj vrsti teksta opisuje se znatan napredak u miljenjima i spoznajama o nekoj temi koju je potrebno ponovno
razmotriti. Novi podaci ne moraju biti dio kratkog priopenja, ali moraju biti uvrteni u odjeljak u kojem se
opisuje kako preispitati nove spoznaje i ideje.
Prikaz sluaja [PR]
U ovoj vrsti lanka opisuje se, u 1500 rijei, zanimljiv sluaj, koji ne mora nuno biti poseban, ali mora imati
temelj za daljnja istraivanja.
Uvodni lanak [U]
86
Miljenja istaknutih lanova akademske zajednice, sestrinskih institucija i lanova urednitva Sestrinskog
glasnika.
Povijesne stranice [PS]
Pregledni lanak koji opisuje povijesno verificirana saznanja o opem napretku sestrinstva, medicine,
epidemiologije, dijagnostike i znanosti o upravljanju u zdravstvu.
Pregledni lanak [P]
Prilikom pisanja preglednog lanka potrebno je dati cjelovitiji pregled dosadanjih spoznaja o temi koja se
opisuje. Ova vrsta lanka treba sveobuhvatno opisivati zadanu temu/problem te se preporuuju literaturni navodi
koji nisu iskljuivo preuzeti iz anglosaksonske literature.
Sigurnost bolesnika [SB]
Opisuje se praenje i uzroci nastanka neeljenog dogaaja, analiza uzroka, tijek administrativnog sestrinskog
izvjeivanja, uporabljeni lijekovi i metode, uporabljene medicinske tehnologije, proces skrbi za bolesnika, costbenefit analiza.
Sigurnost na radnome mjestu [SRM]
Opisuje se poboljanje zdravstvenog sustava uvoenjem novih metoda lijeenja koje izravno utjeu na
poboljanje mjera lijeenja i smanjenje trokova uz povean stupanj zadovoljstva bolesnika pruenim uslugama.
Takoer se opisuje irok spektar svakodnevnih sestrinskih postupaka, s analizom patolokih, anatomskih i
fiziolokih imbenika, vrednovanje rezultata te daljnje preporuke za odgovarajue postupke. Naglasak je na
poboljanju kvalitete pruenih usluga i zadovoljstvu bolesnika.
Pismo uredniku [PU]
Izvjea s kongresa i simpozija uz osvrt na teme.
Slikovni prikaz [SP]-Slikovni prikazi sa kongresa, simpozija, konferencija.
Kategorije lanaka.
Potrebno je odabrati kategoriju lanka te je navesti na prvoj stranici teksta, i to od sljedeih navedenih: sestrinska
edukacija, klinika istraivanja, medicina utemeljena na dokazima, ljudski potencijal, znanstveni management,
zdravstvena tehnologija, upravljanje ljudskim resursima, ljudski odnosi meu zdravstvenim djelatnicima,
medicinske ustanove, sestrinstvo i medicina u svakodnevnoj praksi.
Jezik. Tekstovi moraju biti napisani na hrvatskome ili engleskome jeziku. Pravopis moe biti britanski ili
ameriki, ali konzistentno proveden.
Izgled / prezentacija.
Cijeli tekst mora biti napisan s dvostrukim proredom. Stranice moraju biti numerirane. Gdje je to prikladno (vidi
tablicu), rukopis treba biti strukturiran kako slijedi: [a] naslovna stranica (hrvatski+engleski jezik) [b] saetak i
kljune rijei (hrvatski+engleski jezik) [c] tekst sa sljedeim dijelovima: uvod, materijali i metode, rezultati,
rasprava, zahvale (podnaslovi moraju biti napisani na hrvatskome i engleskome jeziku) [d] tablice (objanjenja
moraju biti napisana na hrvatskome i engleskome jeziku) [e] slike legende objanjenja moraju biti napisana na
hrvatskome i engleskome jeziku), [f] videosnimke (objanjenja moraju biti napisana na hrvatskome i engleskome
jeziku), i [g] literatura. Slike i videoprezentacije moraju biti pripremljene kao to je navedeno u nastavku.
Naslovna (prva) stranica.
Naslovna (prva) stranica treba sadravati kratak, opisni naslov lanka (kratice nisu doputene, naslov treba stajati
na hrvatskom i engleskom jeziku), ime i prezime autora (ali ne i kvalifikacije) te naziv i mjesto ustanove u kojoj
je istraivanje provedeno (na hrvatskom i engleskom jeziku). Slijedi ime, adresa, telefon, broj telefaksa te e-mail
adresa autora za korespondenciju. Sve spomenuti mora biti napisano na dnu naslovne stranice. Ako je rukopis bio
predstavljen na kongresu, treba navesti naslov, mjesto i datum odravanja kongresa. Takoer se treba pridravati
87
tonoga broja rijei saetka i teksta (na hrvatskom i engleskom jeziku). Slike, tablice i literaturni navodi ne ulaze
u zbroj rijei.
Saetak.
Saetak je najvaniji i najitaniji dio lanka. U saetku je skup injenica, verificiranih rezultata, te nije
preporuljivo upotrebljavati skraenice osim kad je rije o SI jedinicama i mjerama. Saetak treba napisati na
zasebnoj stranici. Strukturirani saetak mora imati etiri dijela, i to: (1) Ciljevi: treba opisati problem, naine
rjeavanja problema te svrhu. (2) Metode: treba objasniti kako je istraivanje provedeno (osnovni postupci s
materijalom koji se prouava, analitike/statistike metode). (3) Rezultati: treba opisati glavne nalaze s
odreenim podacima i njihovu statistiku vanost. (4) Zakljuak: treba opisati glavni zakljuak studije.
Kljune rijei.
Poslije priloena saetka treba napisati 3-6 kljunih rijei (na hrvatskome i engleskom jeziku) radi mogue
citiranosti teme lanka. Kljune rijei trebaju biti izabrane prema pravilima Indexa Medicusa.
TEKST
Uvod: treba navesti svrhu istraivanja i kratak pregled relevantne literature.
Materijali i metode: metoda treba biti detaljno opisana s odgovarajuim podacima o bolesnicima ili
eksperimentalnim ivotinjama. Kratice ine tekst teko itljivim i trebaju biti ograniene na SI mjerne jedinice,
kao i na one koje se najee rabe, npr. VSD, ASD, ACBG i sl. U cijelome tekstu treba navoditi generike nazive
lijekova te u zagradama navesti ime proizvoaa (vlasniko ime, mjesto, drava) proizvoaa.
Rezultati: rezultate treba navoditi taksativno i saeto jer se na taj nain istie znanstveni doprinos rukopisa. Oni
bi trebali biti predstavljeni u tablicama ili u brojkama, a njihovo znaenje treba saeto opisati u tekstu.
Ponavljanje rezultata treba izbjegavati! Za statistike analize slijedite "Smjernice za izvjetavanje podataka i
nazivlja (Ann Thorac Surg 1988; 46:260-261).
Rasprava: interpretacija rezultata i njihova znaenja s obzirom na znaenje rezultata iznesenih u radovima drugih
autora koji opisuju slinu ili istovjetnu tematiku. Rasprava treba biti kratka i jasna. Potrebno je raspravljati o
stupnju vanosti provedena istraivanja i o mogunostima daljnjih istraivanja, kao i o ogranienjima.
Zahvala: financijsku ili osobnu pomo treba, ako je prikladno, opisati na kraju teksta.
Tablice: Kratak naslov treba opisivati imbenike u tablici. Sve kratice koje se koriste u tablicama trebaju biti
definirane. Svaka tablica treba biti samostalno postavljena na posebnoj stranici.
Legenda/opis slike-videa: potreban je opis za svaku sliku i video (vidi takoer dolje).
Literatura: literaturni navodi trebaju biti predstavljeni u nizu, i to redoslijedom kako se pojavljuju (citiraju) u
tekstu. Literaturni navodi koji se citiraju u tekstu trebaju biti oznaeni brojevima u uglatim zagradama. Osobne
komunikacije, web-stranice i neobjavljeni podaci ne bi trebali biti ukljueni u popis literature, ali mogu se
spomenuti, i to samo u tekstu. Svi autori trebaju biti navedeni (uporaba i sur. nije prihvatljiva). asopisi trebaju
biti indeksirani, a njihove kratice usklaene s navodima u Indexu Medicusu.
Molimo Vas da paljivo slijedite ovaj referentni stil konfiguracije lanka jer se na taj nain znatno ubrzava
recenzijski proces.
Primjeri, za citiranje literaturnih navoda:
asopisi
[1] Solaini L, Bagnioni P, Grandi U. Role of video endoscopy in pulmonary surgery: present experience. Eur J
Cardiothorac Surg 1995;9:65-68.
Knjige
[2] Cooley DA. Techniques in cardiac surgery. Philadelphia: Saunders, 1984:167-176.
Knjige vie autora
88
[3] Huang GJ, Wu YK. Operative technique for carcinoma of the esophagus and gastric cardia. In: Huang GJ, Wu
YK, editors. Carcinoma of the esophagus and gastric cardia. Berlin: Springer, 1984:313-348
On-line publikacija (napomena: DOI je jedini prihvatljiv nain citiranja)
[4] Kazaz M, Celkan MA, Ustunsoy H, Baspinar O. Mitral annuloplasty with biodegradable ring for infective
endocarditis: a new tool for the surgeon for valve repair in childhood. Interact CardioVasc Thorac Surg
doi:10.1510/icvts.2005.105833.
Autorima se preporuuje da citiraju prethodno objavljene lanke u Sestrinskom glasniku da bi se poveao
stupanj vanosti.
Slike: Sve ilustracije/slike i popratne tekstualne oznake moraju biti profesionalne kvalitete. Moraju biti
numerirane redoslijedom kako se pojavljuju u tekstu. Sve ilustracije i tekstovi moraju biti profesionalne kvalitete.
Slike trebaju biti crno- bijele gdje god je to mogue, a slike koje je nuno reproducirati u boji u tisak ulaze nakon
odobrenja urednika - bez trokova za autora/e. Slike moraju biti numerirane redoslijedom kako se pojavljuju u
tekstu.
Video: Gdje je u skladu s tekstom, videoisjeci mogu se poslati u standardnom digitalnom videoformatu. Video
mora biti relevantna sadraja s vanim informacijama i ne smije trajati dulje od 30 sekunda (vidi specifikacije
dolje). Jedna fotografija (zaslon) po videu takoer mora biti predana. Video e biti prikazan u on-line asopisu (na
www.hums.hr) U tiskanom asopisu bit e objavljen link na video u on-line asopisu. Video mora biti numeriran
redoslijedom kojim se pojavljuje u tekstu. Molimo, paljivo ispunite on-line formular i na mreu stavite sljedee:
Tekst (ukljuujui naslovnu stranicu) i tablice (plus bilo koju ugraenu sliku - opcija) u kombinaciji u jednu
datoteku u programu za obradu teksta (.doc ili .rtf preporuljivo) Staviti na mreu kao tekstualnu datoteku.
Ilustracije za on-line objavu (stvaranje optimalnih PDF-formata):.jpg datoteka preporuljivo (specifikacija: 72
toke po inu/600 irina piksela, u sivim tonovima za crno-bijele, RGB u boji). Jedna datoteka po slici postaviti
kao sliku.
Izvorne ilustracije za tisak (samo revidirani rukopisi): Obvezne su .tif datoteke (specifikacija: veliine do 8,4
cm irine stupca, razluivost: 1000 toaka po inu za crtee, 300 toaka po inu za crno-bijelo / kombinirane /
boja, CMYK u boji) - upload u obliku dopunske datoteke. Ova specifikacija omoguuje da se slike reproduciraju
u najboljoj kvaliteti za tisak. Ako kvaliteta slike ne odgovara opisanu formatu, moe objavljivanje revidiranog
teksta moe se odgoditi. Ne moete li dostaviti slike elektronskim putem, moete ig poslati (u opisanu formatu)
kao tzv. hard-kopije (sjajne fotografije) na adresu urednitva radi skeniranja.
Video (samo za on-line): .avi, .mov, .mpg ili RM datoteke preporuljivo (specifikacija dimenzija: 320 x 240
piksela, trajanje: maksimalno 30 sekunda, broj okvira / drugi: 20-30). Odgovarajue fotografije i potrebno: .jpg
eljeni format (specifikacija: 72 toke po inu). Upload datoteke kao dopunske.
Revidirani rukopisi:
U odnosu na stupanj revizije (2., 3. verzija), ukljuujui i nove slike, video i tablice, sve promjene potanko opisati
u popratnu pismu uredniku, uz priloene odgovore na sve zahtjeve recenzenta. Na preporuke/zahtjeve recenzenta
potrebno je odgovarati toku po toku te komentare u odgovoru na zahtjev recenzenta istodobno postaviti u tekst
lanka te pisati sve promjene iz revidirane verzije. Oznaite promjene (druga boja) u revidiranom tekstu kako bi
se olakao opetovani uredniki proces.
Prijava rukopisa:
89
Molimo autore da prije procesa prijave tekstove za objavljivanje u Sestrinskom glasniku pripreme prema
navedenim uputama. Pripremljene lanke potrebno je poslati, i to istodobno, na elektronsku adresu glavnog
urednika i adresu urednitva asopisa: hums@hums.hr
POPIS TABLICA I GRAFIKIH PRIKAZA

Tablica 1. Mjerne ljestvice i pripadne razine statistike analize................................................ 17
Grafiki prikaz 1 i 2. Negativna (lijevo) i pozitivno (desno) asimetrina distribucija ....... 19
Tablica 2. Uvjeti za primjenu parametrijskih i neparametrijskih testova ................................... 40
Tablica 3. Jednostavna distribucija frekvencija (uestalost broja bolnikih posjeta) ................. 42
Tablica 4. Distribucija frekvencija (broj bolesnika za odreeni raspon vrijednosti glikemije) .. 43
Tablica 5. Primjer jednostavne tablice (broj nesrea u odnosu na dan u tjednu)........................ 43
Tablica 6. Primjer sloene tablice (broj zaposlenih, radni sta, spol)......................................... 44
Tablica 7. Primjer kombinirane tablice (tablica kontingencije).................................................. 44
Grafiki prikaz 3. Vremenski linijski dijagram ..................................................................... 45
Grafiki prikaz 4. Povrinski dijagrami (stupasti) .............................................................. 45
Grafiki prikaz 5. Povrinski dijagrami (histogram) ............................................................ 46
Grafiki prikaz 6. Povrinski dijagrami (kruni) .................................................................. 46
Grafiki prikaz 7. Broj pacijenata po danima (baza podataka)........................................... 48
Grafiki prikaz 8. Broj pacijenata po danima (operacije histogramski prikaz ............... 48
Grafiki prikaz 9. Broj pacijenata po danima (ispis frekvencija ......................................... 49
Grafiki prikaz 10. Broj pacijenata po danima (relativne frekvencije) .............................. 49
Grafiki prikaz 11. Izrada krunog dijagrama (prvi korak)................................................ 50
Grafiki prikaz 12. Izrada krunog dijagrama (zadnji korak) ............................................ 50
Grafiki prikaz 13. Odredba estine nekih vrijednosti u stupcu.......................................... 51
Grafiki prikaz 14. Postavljanje formule za aritmetiku sredinu ........................................ 54
Grafiki prikaz 15. Prijenos formule za aritmetiku sredinu za druge varijable .............. 55
Grafiki prikaz 16. Postavljanje formule za standardno rasprenje ................................... 58
Tablica 8.Vjerojatnosti tonosti procjene i pripadne veliine intervala pouzdanosti ................. 60
Grafiki prikaz 17. Gaussova normalna krivulja .................................................................. 61
Tablica 9. Pogreke vezane uz odbacivanje/prihvaanje nul-hipoteze ....................................... 63
Grafiki prikaz 18 i 19. Maksimalno pozitivna r= 1 (lijevo) i maksimalno negativna
r= -1 korelacija (desno) ........................................................................................................... 66

Grafiki prikaz 20 i 21. Niska negativna (lijevo) i visoka negativna korelacija (desno)
r<0 ........................................................................................................................ 66
Grafiki prikaz 22. Nulta korelacija r=0 (nepostojanje povezanosti) .................................. 67
Grafiki prikaz 23 i 24. Visoka pozitivna (lijevo) i niska pozitivna korelacija (desno)
r>0 ........................................................................................................................................... 67
Tablica 10. Odabir statistike metode ovisno o vrsti uzoraka .................................................... 73
Tablica 11. Odabir statistike metode ovisno o nacrtu istraivanja............................................ 73
Tablica 12. Prometne nesree osiguranika osiguravajueg drutva Otkasko po danima
u tjednu (lipanj, 2003) ................................................................................................................ 80
Grafiki prikaz 25. Kodiranje podataka u Excel ................................................................... 81
Grafiki prikaz 26. Izrada histograma primjer .................................................................. 82
Grafiki prikaz 27. Izrada histograma primjer: izraun frekvencija .............................. 83
90
Tablica 13. Prometne nesree osiguranika osiguravajueg drutva Otkasko po danima

u tjednu (lipanj, 2003) ................................................................................................................ 84
91
PREGLEDNIK BITNIH POJMOVA

Alternativna hipoteza 50, 55
Analiza dokumentacije 24
Analiza sadraja 24
Anketa (u uem i irem smislu) 19, 20, 21
Aritmetika sredina 44, 48
Atributivna (kvalitativna) obiljeja 34
Binarni (logiki) podaci 56
Biometrija 15
Centralna vrijednost (medijan) 46
Cilj istraivanja 9
Citiranje literature vrste (havardski, vancouverski, abecedno-numeriki sustav) 31, 32
ek liste (liste oznaavanja) 17, 18
Deduktivni pristup 9
Deskriptivna statistika 33
Deskriptivno istraivanje 12
Determinizam 4
Direktivna hipoteza 50, 55
Direktno mjerenje 17
Diskretni (diskontinuirani) podaci 56
Dominantna vrijednost (mod) 46
Eksperiment 5, 10, 12, 22, 23
Eksperimentalna istraivanja 12
Eksperimentalna skupina 23
Eksperimentalni nacrt 22, 23
Entitet 9, 10, 12
Faze provoenja znanstvenog istraivanja 6, 7
Geometrijska sredina 46
Grafovi vrste (tokasti, linijski i povrinski) 35, 36
Harmonijska sredina 46
Hipoteza 8, 9, 10, 50, 51, 52, 55, 57, 58
Idiografski pristup 5, 17
Indirektno mjerenje 17
Induktivni pristup 9
Inferencijalna statistika 33
Intervalna mjerna ljestvica 14, 56
Interval pouzdanosti 48, 51
Intervju 5, 6, 14, 19, 20
Intervju vrste 20
Istraivaki problem (predmet) 6, 7
Istraivaki program (projekt) 7
92
Istraivanja razvoja 6
Istraivanje 4, 5, 7, 12, 19
Ispitivanje 4, 5, 20, 56
Izvori i vrste podataka 13, 14
Izvori strune literature traganje 25, 26, 27
Jednostavni sluajni uzorak 11
Koeficijent relativnog varijabliteta 47
Konceptualizacija 7
Kontinuirani podaci 56
Kontrolna skupina 23
Korelacija pojam 52, 55
Korelacija vrste (Pearsonov, Spearmanov koeficijent korelacije) 54, 55
Kvalitativna istraivanja 5, 6, 12
Kvalitativne varijable (podaci) 10, 56, 57
Kvantitativna istraivanja 5
Kvantitativne varijable (podaci) 10, 56
Kvotni uzorci 11
Longitudinalni nacrt istraivanja 6
Metoda djelominog promatranja 13
Metoda popisa 13
Metoda potpunog promatranja 13
Metoda registracije i izvjetaja 13
Metrijske karakteristike 15, 22, 23
Mjerenje 14, 15, 16, 17, 18, 19
Mjerne ljestvice 14, 15
Nacrt istraivanja 6, 12
Namjerni uzorci 11
Negativno asimetrina distribucija 16
Nenametljivo (nereaktivno ili posredno) istraivanja ponaanja (fiziki tragovi, arhivska graa) 25
Neparametrijska statistika 33
Nezavisne varijable 10
Nezavisni (neparni) uzorci 57
Nominalna mjerna ljestvica 14, 15, 56
Nomotetiki pristup 5
Normalna (Gaussova) raspodjela 48, 49
Nul-hipoteza 50, 55
Objektivnost 16, 17, 22
Omjerna mjerna ljestvica 14, 15, 56
Opaanje drugih ili ekstraspekcija 17
Ope metode prikupljanja podataka 16
Operacionalizacija 7
Ordinalna mjerna ljestvica 14, 15, 56
93
94
Osjetljivost ili diskriminativnost 16

Paradigma 8
Parametrijska statistika 33, 48
Pilot-(pred)istraivanje 21
Primijenjena istraivanja 5
Pogreka tipa 1 () 50
Pogreka tipa 2 () 50
Pogreke u mjerenju (sistematska, nesistematska) 23
Poissonov zakon velikih brojeva 44
Pojam 7
Pomona sredstva za registraciju zdravstvenih podataka 14
Populacija 10, 11, 12, 33, 48, 51, 55, 57, 58
Posebne metode prikupljanja podataka 16
Pouzdanost 15, 16, 19, 21, 22, 25
Pozitivno asimetrina distribucija 16
Prigodni uzorak 11
Probabilizam 4
Raspon (totalni raspon ili range) 46
Razina znaajnosti 51
Razvojna istraivanja 6, 12
Relevantni (bitni) imbenik (kontrola u eksperimentu) 22, 23
Samoopaanje ili introspekcija 17
Sistematski uzorak 11
Sistematsko opaanje 17
Skale procjene - definicija 18
Skale procjene - vrste 18
Skale samoprocjene 19
Skale stavova (Thurstoneova, Likertova, semantiki diferencijal, rangiranje, Bogardusova ljestvica
socijalne udaljenosti, sociometrijska metoda) 19
Srednje kvadratno odstupanje (standardno rasprenje) 46
Srednje odstupanje (varijanca) 46
Standardizacija metode (kvartili, decili, centili z-vrijednosti) 49, 50
Standardna pogreka aritmetike sredine 47, 48
Statistika osnovni pojmovi (definicija, obiljeja, statistiki skup, predmet, zakljuivanje) 33
Stratificirani uzorak 11
Struni radovi 29
Studija (prouavanje) sluaja 23, 24
Tablica vrste (jednostavne, sloene, kombinirane, kontingencije) 35, 36
Temeljna (fundamentalna) istraivanja 4, 5
Teorija 8, 9
Test postupak 22
Test statistiki 33, 50, 52, 58
Test za neparne (nezavisne) uzorke 57

Test za parne (zavisne) uzorke 57
Testiranje hipoteza 50, 51, 52, 55, 57, 58
Testiranje razlika 51
Testovi razlika (neparametrijski i parametrijski: t-test, ANOVA) 51, 52
Transverzalni nacrt istraivanja ili nacrt poprenog presjeka 6
Upitnik 19, 20, 21, 22
Upitnik konstrukcija (izrada) 20, 21, 22
Uzorak definicija i vrste 5, 11, 12
Uzorak skupina (cluster) 11
Uzorak snjene grude 12
Uzorci bez primjene teorije vjerojatnosti 11, 12
Uzorci uz primjenu teorije vjerojatnosti 11
Valjanost (praktina, konstruktna, prognostika, dijagnostika, teorijska, simptomatska) 15, 21, 22, 25
Varijable 9, 10, 11, 13
Veliina intervala (Sturgesova formula) 34, 35
Vjerojatnost a priori i a posteriori 43, 44
Vjerojatnost statistika i matematika 43
Vjerojatnost (teorija vjerojatnosti) 43, 44
Zadatak istraivanja 9
Zavisne (kriterijske) varijable 10
Zavisni (parni) uzorci 57
Zdravstvena dokumentacija, funkcije 13
Zdravstvena dokumentacija, osnovna 13
Znanost 4, 5, 7
Znanstvena metoda 4
Znanstveni rad poglavlja 29
Znanstveni rad struktura 29, 30
Znanstveni radovi 28, 29
95

Knjiga Gotova Osnove

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Knjiga Gotova Osnove

Uploaded by

Copyright:

Available Formats

Priredio: Dr. sc.

Priredio: Dr. sc. Joko Sindik

OSNOVE ISTRAIVAKOG RADA U SESTRINSTVU

UDBENICI SVEUILITA U DUBROVNIKU

ISBN 978-953-7153-35-9 (Sveuilite u Dubrovniku)

Priredio: Dr. sc. Joko Sindik

OSNOVE ISTRAIVAKOG RADA U SESTRINSTVU

Odjel za strune studije

6. IZVORI STRUNE LITERATURE ...................................................................................................31

Osnove istraivakog rada u sestrinstvu

Osnove istraivakog rada u sestrinstvu

1.1. VRSTE ZNANSTVENIH ISTRAIVANJA PO CILJU

1.2. KVANTITATIVNA I KVALITATIVNA ISTRAIVANJA

1.2.1. KVANTITATIVNA ISTRAIVANJA

Osnove istraivakog rada u sestrinstvu

prirodnim znanostima (kvantitativni, nomotetiki). Cilj kvantitativnih istraivanja je doznavanje

1.2.2. KVALITATIVNA ISTRAIVANJA

1.3. ISTRAIVANJA RAZVOJA

Osnove istraivakog rada u sestrinstvu

Osnove istraivakog rada u sestrinstvu

2. PREGLED ISTRAIVAKOG PROCESA

Osnove istraivakog rada u sestrinstvu

2.1. PODRUJE ZNANSTVENE ANALIZE I DEFINIRANJE POJMOVA

2.2. KONKRETNI CILJEVI, ZADACI I HIPOTEZE ISTRAIVANJA

Osnove istraivakog rada u sestrinstvu

2.2.1. ZNANSTVENA PARADIGMA, TEORIJA, HIPOTEZA

Osnove istraivakog rada u sestrinstvu

2.2.2. CILJ, HIPOTEZA I ZADATAK

2.2.3. POSTUPCI DEFINIRANJA HIPOTEZA

Osnove istraivakog rada u sestrinstvu

Osnove istraivakog rada u sestrinstvu

2.4. POPULACIJA I UZORAK

Osnove istraivakog rada u sestrinstvu

Osnove istraivakog rada u sestrinstvu

2.5. OSTALE FAZE ISTRAIVAKOG PROCESA

Osnove istraivakog rada u sestrinstvu

Osnove istraivakog rada u sestrinstvu

3. IZVORI I VRSTE PODATAKA

Osnove istraivakog rada u sestrinstvu

Velik je inventar postupaka za prikupljanje i evidenciju iskustvenih injenica i instrumenata

Osnove istraivakog rada u sestrinstvu

4. VRSTE MJERNIH LJESTVICA I KARAKTERISTIKE

4.1. VRSTE MJERNIH LJESTVICA

Osnove istraivakog rada u sestrinstvu

Tablica 1. Mjerne ljestvice i pripadne razine statistike analize

4.2. KARAKTERISTIKE MJERNOG POSTUPKA

Osnove istraivakog rada u sestrinstvu

Osnove istraivakog rada u sestrinstvu

Grafiki prikaz 1 i 2. Negativna (lijevo) i pozitivno (desno) asimetrina distribucija

Osnove istraivakog rada u sestrinstvu

5. POSTUPCI PRIKUPLJANJA PODATAKA

5.1. SISTEMATSKO OPAANJE

Osnove istraivakog rada u sestrinstvu

5.3. LISTE OZNAAVANJA I SKALE PROCJENE

Osnove istraivakog rada u sestrinstvu

Osnove istraivakog rada u sestrinstvu

ne slaem do u potpunosti se slaem). Semantiki diferencijal se pokazao kao dobra metoda za

5.4. ANKETA INTERVJU I UPITNIK

Osnove istraivakog rada u sestrinstvu

Osnove istraivakog rada u sestrinstvu

Osnove istraivakog rada u sestrinstvu

Osnove istraivakog rada u sestrinstvu

mogunost kontrole uvjeta i promjena u varijablama, a smatraju se najjaim znanstvenim "orujem" za