FOITHTIKES PLUSEN
RESEARCH GUIDE • FOITHTIKES PLUS

SPSS στη Διπλωματική και Μεταπτυχιακή Εργασία: Από τον Σχεδιασμό της Έρευνας στην Ανάλυση και Ερμηνεία των Αποτελεσμάτων

5 Σεπτεμβρίου 2026 • αναλυτικός οδηγός

Η ποσοτική έρευνα αποτελεί μία από τις συχνότερες μεθοδολογικές επιλογές σε προπτυχιακές, μεταπτυχιακές και διδακτορικές μελέτες. Η συλλογή δεδομένων, όμως, είναι μόνο ένα μέρος της διαδικασίας. Η ουσιαστική πρόκληση αρχίζει όταν τα δεδομένα πρέπει να οργανωθούν, να ελεγχθούν, να αναλυθούν και να μετατραπούν σε επιστημονικά τεκμηριωμένα συμπεράσματα.

Το IBM SPSS Statistics (Statistical Package for the Social Sciences – Στατιστικό Πακέτο για τις Κοινωνικές Επιστήμες) χρησιμοποιείται ευρέως για περιγραφική και επαγωγική στατιστική, αξιοπιστία, συσχετίσεις, συγκρίσεις ομάδων και μοντέλα πρόβλεψης. Η χρήση λογισμικού, όμως, δεν υποκαθιστά τον ερευνητικό σχεδιασμό.

1. Η στατιστική ανάλυση ξεκινά πριν από το SPSS

Πριν από την εισαγωγή δεδομένων πρέπει να έχουν οριστεί το ερευνητικό πρόβλημα, τα ερευνητικά ερωτήματα και οι υποθέσεις όπου απαιτούνται, οι ανεξάρτητες και εξαρτημένες μεταβλητές, ο πληθυσμός, η δειγματοληψία, τα εργαλεία μέτρησης και το σχέδιο ανάλυσης. Η στατιστική μέθοδος πρέπει να προκύπτει από το ερευνητικό ερώτημα και τα χαρακτηριστικά των δεδομένων.

2. Από το ερωτηματολόγιο στη βάση δεδομένων

Κάθε μεταβλητή χρειάζεται συνεπή κωδικοποίηση. Ιδιαίτερη προσοχή απαιτούν τα reverse-scored items (αντίστροφα βαθμολογούμενα ερωτήματα), οι κωδικοί ελλειπουσών τιμών και η δημιουργία σύνθετων scores. Ένα codebook (βιβλίο κωδικοποίησης) βοηθά στην τεκμηρίωση ονομάτων μεταβλητών, labels, επιτρεπόμενων τιμών, missing values και μετασχηματισμών.

3. Data Cleaning πριν από την ανάλυση

Ο data cleaning (καθαρισμός δεδομένων) περιλαμβάνει έλεγχο missing values, outliers, λαθών καταχώρισης, διπλών εγγραφών και ασυνεπειών. Μία ακραία τιμή δεν διαγράφεται αυτόματα: πρέπει να διερευνηθεί εάν είναι σφάλμα, πραγματική παρατήρηση ή επιδραστική περίπτωση.

4. Περιγραφική στατιστική

Η descriptive statistics (περιγραφική στατιστική) επιτρέπει πρώτα να κατανοήσουμε το δείγμα. Για κατηγορικές μεταβλητές χρησιμοποιούνται συχνότητες και ποσοστά· για ποσοτικές μεταβλητές μέσος όρος, διάμεσος, τυπική απόκλιση, ελάχιστο/μέγιστο, τεταρτημόρια και χαρακτηριστικά κατανομής.

5. Αξιοπιστία των κλιμάκων

Ο Cronbach's alpha (συντελεστής άλφα του Cronbach) είναι ευρέως χρησιμοποιούμενος δείκτης εσωτερικής συνέπειας, αλλά δεν αποτελεί από μόνος του απόδειξη εγκυρότητας ή μονοδιάστατης δομής. Ανάλογα με το εργαλείο και το ερευνητικό σχέδιο μπορούν να εξεταστούν και άλλοι δείκτες, όπως McDonald's omega.

6. Έλεγχος προϋποθέσεων

Ανάλογα με τη μέθοδο εξετάζονται κατανομή, ανεξαρτησία παρατηρήσεων, ομοιογένεια διακυμάνσεων, γραμμικότητα, ομοσκεδαστικότητα, πολυσυγγραμμικότητα και επιδραστικές παρατηρήσεις. Κανένας μεμονωμένος έλεγχος κανονικότητας δεν αποφασίζει μηχανικά εάν μία ολόκληρη αναλυτική στρατηγική είναι κατάλληλη.

7. Ποιο στατιστικό τεστ χρησιμοποιώ;

Ο πίνακας είναι οδηγός προσανατολισμού, όχι αυτόματος αλγόριθμος. Η τελική επιλογή εξαρτάται από τον σχεδιασμό, τις μεταβλητές, τις προϋποθέσεις και το ακριβές ερευνητικό ερώτημα.
Ερευνητικό ερώτημαΣυνηθισμένη επιλογή
Δύο ανεξάρτητες ομάδεςIndependent-samples t-test
Δύο μετρήσεις στα ίδια άτομαPaired-samples t-test
3+ ανεξάρτητες ομάδεςOne-way ANOVA
Επαναλαμβανόμενες μετρήσειςRepeated-measures ANOVA
Σχέση δύο συνεχών μεταβλητώνPearson correlation
Ordinal/μονοτονική σχέσηSpearman correlation
Δύο κατηγορικές μεταβλητέςChi-square test of independence
Πρόβλεψη συνεχούς outcomeLinear regression
Πρόβλεψη δυαδικού outcomeBinary logistic regression
Δύο ανεξάρτητες ομάδες, μη παραμετρικάMann–Whitney U
Δύο σχετιζόμενες μετρήσεις, μη παραμετρικάWilcoxon signed-rank
3+ ανεξάρτητες ομάδες, μη παραμετρικάKruskal–Wallis

8. t-tests και ANOVA

Τα t-tests εξετάζουν διαφορές μεταξύ δύο μέσων σε ανεξάρτητα ή σχετιζόμενα δείγματα. Η Analysis of Variance (ANOVA – Ανάλυση Διακύμανσης) χρησιμοποιείται σε κατάλληλους σχεδιασμούς για περισσότερες ομάδες. Ένα σημαντικό omnibus αποτέλεσμα δεν προσδιορίζει μόνο του ποια ζεύγη διαφέρουν· μπορεί να απαιτούνται post-hoc συγκρίσεις ή προγραμματισμένες αντιθέσεις.

9. Pearson, Spearman και αιτιότητα

Η συσχέτιση εξετάζει σχέσεις μεταξύ μεταβλητών, αλλά συσχέτιση δεν σημαίνει αιτιότητα. Ο Pearson αφορά γραμμικές σχέσεις συνεχών μεταβλητών υπό κατάλληλες συνθήκες, ενώ ο Spearman βασίζεται στις τάξεις και είναι χρήσιμος σε κατάλληλες ordinal ή μονοτονικές σχέσεις.

10. Chi-square και κατηγορικά δεδομένα

Ο Chi-square test of independence (έλεγχος χ² ανεξαρτησίας) εξετάζει σχέσεις μεταξύ κατηγορικών μεταβλητών. Πρέπει να αξιολογούνται οι αναμενόμενες συχνότητες και, σε κατάλληλες μικρές ή αραιές δομές δεδομένων, εναλλακτικές όπως Fisher's exact test.

11. Regression: σχέση και πρόβλεψη

Η regression analysis (ανάλυση παλινδρόμησης) επιτρέπει τη μελέτη ενός outcome σε σχέση με έναν ή περισσότερους predictors. Εξετάζονται η προσαρμογή του μοντέλου, η εξηγούμενη διακύμανση, οι συντελεστές, η αβεβαιότητα και τα diagnostics. Ένα ισχυρό predictive model δεν μετατρέπει αυτόματα μία παρατηρησιακή μελέτη σε αιτιώδη.

12. Το p-value δεν είναι όλο το αποτέλεσμα

Η στατιστική σημαντικότητα δεν περιγράφει από μόνη της το μέγεθος ή την πρακτική σημασία ενός αποτελέσματος. Όπου αρμόζει, χρειάζονται effect sizes (μεγέθη επίδρασης) και confidence intervals (διαστήματα εμπιστοσύνης), όπως Cohen's d, r, η²/partial η² ή odds ratios ανάλογα με την ανάλυση.

13. Από το SPSS output στο κεφάλαιο Αποτελέσματα

Δεν αντιγράφουμε κάθε πίνακα που παράγει το SPSS. Επιλέγουμε όσα απαντούν στα ερευνητικά ερωτήματα: χαρακτηριστικά δείγματος, περιγραφικά στοιχεία, απαραίτητους ψυχομετρικούς/διαγνωστικούς ελέγχους και επαγωγικές αναλύσεις, με καθαρή αναφορά των κατάλληλων στατιστικών τιμών.

14. Αποτελέσματα και Συζήτηση

Στα Αποτελέσματα παρουσιάζεται τι έδειξε η ανάλυση. Στη Συζήτηση εξετάζεται τι σημαίνει το εύρημα σε σχέση με ερευνητικά ερωτήματα, θεωρία, προηγούμενη βιβλιογραφία, περιορισμούς και επιπτώσεις. Ένα μη στατιστικά σημαντικό αποτέλεσμα παραμένει αποτέλεσμα και δεν αποκρύπτεται.

15. Συχνά λάθη

Συχνά προβλήματα είναι η επιλογή τεστ επειδή «χρησιμοποιείται συχνά», οι πολλές αναλύσεις χωρίς ερευνητική αιτιολόγηση, η παράβλεψη missing values/outliers, η λανθασμένη βαθμολόγηση κλιμάκων, η σύγχυση αξιοπιστίας και εγκυρότητας, η αναφορά μόνο p-values, η ερμηνεία συσχέτισης ως αιτιότητας και η αυτούσια επικόλληση raw output.

Συμπέρασμα

Η σωστή πορεία δεν είναι δεδομένα → SPSS → πολλά tables → εργασία, αλλά ερευνητικό ερώτημα → σχεδιασμός → δεδομένα → έλεγχος ποιότητας → κατάλληλη ανάλυση → ερμηνεία → επιστημονικό συμπέρασμα. Αυτό μετατρέπει τη στατιστική ανάλυση από τεχνική διαδικασία σε ουσιαστικό μέρος της επιστημονικής έρευνας.

Βιβλιογραφία & περαιτέρω ανάγνωση

American Psychological Association. APA Style Journal Article Reporting Standards (JARS).

Cooper, H. (2020). Reporting Quantitative Research in Psychology: How to Meet APA Style Journal Article Reporting Standards (2nd ed.). APA.

IBM. SPSS Statistics — Reliability Analysis.

UCLA Statistical Methods and Data Analytics. Choosing the Correct Statistical Test in SAS, Stata, SPSS and R.

Χρειάζεστε εξατομικευμένη ερευνητική υποστήριξη;

Η υποστήριξη προσαρμόζεται στο αντικείμενο, στη μεθοδολογία, στις προδιαγραφές του ιδρύματος και στο στάδιο της έρευνας.

Ζητήστε αρχική αξιολόγηση & οικονομική πρόταση →
RESEARCH GUIDE • FOITHTIKES PLUS

SPSS for Thesis and Master's Dissertation Research: From Research Design to Data Analysis and Interpretation

5 September 2026 • in-depth guide

Quantitative research is widely used in undergraduate, Master's and doctoral studies. Data collection is only one part of the research process. The greater challenge is organising, checking and analysing those data and transforming them into scientifically defensible conclusions.

IBM SPSS Statistics (Statistical Package for the Social Sciences) is widely used for descriptive and inferential statistics, reliability assessment, associations, group comparisons and predictive modelling. Statistical software, however, is not a substitute for sound research design.

1. Statistical analysis begins before SPSS

Before data entry, researchers should define the research problem, questions and hypotheses where appropriate, variables, population, sampling strategy, measurement instruments and analytical plan. Statistical methods should follow from the research question and the properties of the data.

2. From questionnaire to dataset

Variables require consistent coding. Particular attention should be paid to reverse-scored items, missing-value codes and composite scores. A codebook can document variable names, labels, permitted values, missing values and transformations.

3. Data cleaning

Data cleaning includes checking missing data, outliers, entry errors, duplicates and inconsistencies. An unusual observation should not automatically be deleted; researchers should determine whether it is an error, a genuine observation or an influential case.

4. Descriptive statistics

Descriptive statistics provide the first structured view of the sample. Categorical variables are commonly summarised with frequencies and percentages, while continuous variables may be described through means, medians, standard deviations, ranges, quartiles and distributional characteristics.

5. Scale reliability

Cronbach's alpha is widely used to assess internal consistency, but it is not proof of validity or unidimensionality. Depending on the instrument and design, other indices such as McDonald's omega may also be relevant.

6. Statistical assumptions

Depending on the method, researchers may need to examine distributional characteristics, independence, homogeneity of variance, linearity, homoscedasticity, multicollinearity and influential observations. No single normality test can mechanically determine whether an entire analytical strategy is appropriate.

7. Which statistical test should I use?

This table is an orientation tool, not an automatic decision algorithm. Final selection depends on design, variable types, assumptions and the precise research question.
Research questionCommon approach
Two independent group meansIndependent-samples t-test
Two measurements from the same participantsPaired-samples t-test
3+ independent groupsOne-way ANOVA
Repeated measurementsRepeated-measures ANOVA
Linear relationship between continuous variablesPearson correlation
Ordinal/monotonic associationSpearman correlation
Two categorical variablesChi-square test of independence
Predicting a continuous outcomeLinear regression
Predicting a binary outcomeBinary logistic regression
Two independent groups, non-parametricMann–Whitney U
Two related measurements, non-parametricWilcoxon signed-rank
3+ independent groups, non-parametricKruskal–Wallis

8. t-tests and ANOVA

t-tests compare two means in independent or related designs. Analysis of Variance (ANOVA) is used in appropriate designs involving more groups. A significant omnibus result does not by itself identify which groups differ; post-hoc comparisons or planned contrasts may be required.

9. Pearson, Spearman and causality

Correlation examines relationships between variables, but correlation does not establish causation. Pearson is commonly used for linear relationships between continuous variables under suitable conditions, while Spearman is rank-based and can be appropriate for ordinal or monotonic relationships.

10. Chi-square and categorical data

The chi-square test of independence examines associations between categorical variables. Expected frequencies must be considered and alternatives such as Fisher's exact test may be appropriate in particular small or sparse tables.

11. Regression: association and prediction

Regression analysis examines an outcome in relation to one or more predictors. Researchers assess model fit, explained variance, coefficients, uncertainty and diagnostics. A strong predictive model does not automatically turn an observational design into causal research.

12. The p-value is not the whole result

Statistical significance alone does not communicate magnitude or practical importance. Where appropriate, reporting should include effect sizes and confidence intervals, such as Cohen's d, r, η²/partial η² or odds ratios depending on the analysis.

13. From SPSS output to a Results chapter

A dissertation should not reproduce every table generated by SPSS. Results should be selected because they answer the research questions: sample characteristics, descriptive findings, necessary psychometric/diagnostic checks and inferential analyses, with appropriate statistical information.

14. Results and Discussion

The Results section reports what the analysis found. The Discussion considers what those findings mean in relation to the research questions, theory, previous literature, limitations and implications. A non-significant finding remains a research finding and should not be concealed.

15. Common mistakes

Common problems include selecting familiar tests without a research rationale, running numerous analyses without justification, ignoring missing data and outliers, incorrect scale scoring, confusing reliability with validity, reporting only p-values, treating correlation as causation and copying raw output directly into the dissertation.

Conclusion

The appropriate pathway is not data → SPSS → numerous tables → dissertation, but research question → design → data → quality checks → appropriate analysis → interpretation → scientific conclusion. This is what turns statistical analysis from a software exercise into an integral part of scientific research.

References & Further Reading

American Psychological Association. APA Style Journal Article Reporting Standards (JARS).

Cooper, H. (2020). Reporting Quantitative Research in Psychology: How to Meet APA Style Journal Article Reporting Standards (2nd ed.). APA.

IBM. SPSS Statistics — Reliability Analysis.

UCLA Statistical Methods and Data Analytics. Choosing the Correct Statistical Test in SAS, Stata, SPSS and R.

Need tailored research support?

Support is adapted to the subject, methodology, institutional requirements and current research stage.

Request an initial assessment & quote →

Υποστήριξη SPSS & στατιστικής ανάλυσης

SPSS & statistical analysis support