View
67
Download
0
Category
Preview:
DESCRIPTION
Kvantitativ dataanalyse: Prinsipper og eksempler. Frode Svartdal Universitetet i Tromsø/Rogaland høgskole 2010. Tilnærming?. Kvalitativ? Kvantitativ? Diskuteres ikke her Tar for gitt: Kvantitativ tilnærming er svært mye brukt Statistikk er et svært nyttig redskap i forskning. - PowerPoint PPT Presentation
Citation preview
Kvantitativ dataanalyse:Prinsipper og eksempler
Frode SvartdalUniversitetet i Tromsø/Rogaland høgskole
2010
Tilnærming?
Kvalitativ? Kvantitativ? Diskuteres ikke her Tar for gitt:
Kvantitativ tilnærming er svært mye brukt
Statistikk er et svært nyttig redskap i forskning
Folketall og storkebestand
for hvert år i perioden
1930-1936 i Oldenburg
Statistikk
Typiske anvendelser Beskrive og oppsummere data fra et
utvalg Eksempel: Tabeller, gjennomsnitt, osv.
Teste hypoteser (dvs. trekke slutning fra et utvalg til en populasjon)
Eksempel: Gruppeforskjeller Gjøre analyser i data for å avdekke
mønstre eller strukturer Eksempel: Hvilke personlighetstrekk hører
sammen?
Eksempel 1: Beskrivelse av data 12,4 24,3 23,5 35,7 30,6 16,0 28,4 25,2 31,2
31,6 31,8 32,1 31,3 31,8 20,7 25,4 19,7 31,7 25,3 19,4 31,5 32,0 27,5 31,5 29,4 31,5 31,2 31,4
N = 29 Gjennomsnitt: 27,1 Standardavvik: 5,64 Min: 12,4 Max: 35,7
Eksempel 2: Slutning
Har tiltak X effekt i reduksjon av atferdsproblemer? Gruppe 1: Tiltak X, 267 deltakere
260 OK, 7 problemelever Gruppe 2: Intet tiltak, 316
300 OK, 21 problemelever
Dvs: Vi forsøker å si noe generelt ut fra utvalget Chi-square (df=1) = 4,94, p= 0,026 Ja, tiltak X har effekt --- forutsatt at vi har gjort
undersøkelsen korrekt Kritisk her: ???
Eksempel 3: SlutningEksamensresultater (% av max skåre)på Flervalg og Essay
Er det sammenheng mellom karakterene?
Eksempel 4: Slutning
Er nivåene forskjellige?
Eksempel 5: Meta-analyse
Statistisk prosedyre for å oppsummere funn fra allerede gjennomførte undersøkelser
Viktig redskap for å trekke konklusjoner der enkeltundersøkelser ikke tillater en entydig konklusjon, for eksempel noen studier viser forventet effekt noen studier viser motsatt effekt noen viser 0 effekt
Meta-analyse
Områder der meta-analyser anvendes: Virker en bestemt terapi-metode?
Virker kognitiv atferdsterapi?
Virker en bestemt klinisk behandlingsteknikk? Jfr. evidensbasert medisin
Hva sier egentlig forskning om en bestemt problemstilling som har vært mye studert?
Er effekten av belønning positiv (jfr. undermining)?
Tre aspekter ved et empirisk prosjekt
Før undersøkelsen Problemstilling Hva sier tidligere forskning?
Selve undersøkelsen Metode, design Type data, analyse
Etter undersøkelsen Klare konklusjoner mulig? Relasjon til tidligere funn Implikasjoner (teorietisk, praktisk) Behov for oppfølgende undersøkelser?
Orientere seg i litteratur, utmeisle problemstilinger
Hvordan kan denne problemstillingen undersøkes?
Hva var det vi fant?Presentasjon (artikkel)Hva nå (må vi gå rundenpå nytt?)
Empirisk prosjekt - statistikk Dataanalyser med et statistikkprogram
er et av flere ledd i forskningsprosessen Det er ikke dataanalysene som gjør prosessen til en
forskningsprosess Det å "bruke et statistikkprogram"
krever en forståelse av hva man gjør Det er ikke noe i veien for å prøve seg frem på
eksempler, men man kommer ikke langt uten en froståelse av det statistiske grunnlaget for de analyser man gjennomfører. Statistikkprogrammet er et redskap, og som ellers er må et redskap brukes med vett
Empirisk prosjekt - statistikk
Skill mellom resultater og funn Resultatene fremkommer som en mekanisk (men ofte
kompleks) regneoperasjon på de tallene vi legger inn i statistikkprogrammet; funn er vår tolkning av resultatene. F.eks. kan vi beregne samvariasjonen (korrelasjonen) mellom helse og inntekt ("vi fant en korrelasjon på 0,46 mellom disse variablene"), men hva dette betyr kan ikke statistikkprogrammet fortelle oss
Statistisk signifikans sier noe om et resultat er reliabelt
Ville man fått samme resultat om man hadde gjennomført undersøkelsen på et annet utvalg fra samme populasjon?), ikke hvor interessant det er
Empirisk prosjekt - statistikk
Mange analyser bygger på bestemte forutsetninger
Dette kan angå målenivå, det kan angå krav om normalfordeling, osv.
En grafisk fremstilling av resultatene kan ofte være informativ
Noen viktige begreper i statistikk
utvalg, populasjon n (antall deltakere) i utvalget Effektstørrelse Signifikans …
Noen viktige metodebegreper
Design Typer undersøkelser
Beskrivende Korrelasjonell Eksperimentell
Korrelasjon (samvariasjon) Kausalitet (årsak-virkning)
Effektstørrelse Effekt viser til ”the degree to which a
phenomenon exists” (Cohen, 1977) Hvor stor er en gruppeforskjell? Hvor sterkt samvarierer to variabler? Hvor mange av de som får behandling blir
friske, sammenlignet med en kontrollgruppe som ikke får behandling?
Effektstørrelse Flere måter å beregne effektstørrelse på
Rate differences, odds ratios, relative risks, mean differences, correlations
Flere betegelser på effektstørrelse ES, d, r
Vanlig fortolkning av d Liten = 0,20 Medium = 0,50 Stor = 0,80
Fortolkningen kan variere noe fra område til område
Effektstørrelse: EksempelFor to gruppegjennomsnitt: ART: 10 Kontroll: 16 Standardavviket (variasjon i skårene rundt
gjennomsnittet) = 8 i kontrollgruppen Effektstørrelse (ES): (10 – 16) / 8 = 0,75 Dvs. Målt i forhold til standardavviket, skårer
ART 0,75 høyere enn kontroll Viktig: Jo mer variabilitet i skårene (=høyere
standardavvik), desto mindre effektstørrelse
Signifikans
Signifikans Hvor reliabelt er resultatet (ville vi
fått samme utfall hvis vi hadde testet et nytt utvalg fra samme populasjon)?
Signifikans sier ikke nødvendigvis noe om hvor viktig et funn er
Effektstørrelse Hvor “stor” er effekten
n (antall deltakere) Undersøkelse 1: n = 16
ART: 8 Kontroll: 8
Undersøkelse 2: n = 50 ART: 25 Kontroll: 25
Konklusjon fra undersøkelse 1 er sannsynligvis sikrere enn fra undersøkelse 2; hvorfor?
n Power: Kan undersøkelsen oppdage en
effekt hvis den faktisk er der? n er viktig: Få deltakere reduserer
power, mange deltakere øker power Hvor mange?
Hvis små gruppeforskjeller øk n Hvis stor variasjon innen gruppene øk n
Et par gode kilder Kvaløy: Bruk statistikk riktig!
http://www.ux.his.no/~jtk/statmet/Rettbruk.pdf
Pitfalls of Data Analysis (or How to Avoid Lies and Damned Lies) Be sure your sample is representative of the population in which you're
interested. Be sure you understand the assumptions of your statistical procedures, and be
sure they are satisfied. In particular, beware of hierarchically organized (non-independent) data; use techniques designed to deal with them.
Be sure you have the right amount of power--not too little, not too much. Be sure to use the best measurement tools available. If your measures have error,
take that fact into account. Beware of multiple comparisons. If you must do a lot of tests, try to replicate or
use cross-validation to verify your results. Keep clear in your mind what you're trying to discover--don't be seduced by
stars in your tables; look at magnitudes rather than p-values. Use numerical notation in a rational way--don't confuse precision with accuracy
(and don't let the consumers of your work do so, either). Be sure you understand the conditions for causal inference. If you need to make
causal inference, try to use random assignment. If that's not possible, you'll have to devote a lot of effort to uncovering causal relationships with a variety of approaches to the question.
Be sure your graphs are accurate and reflect the data variation clearly.http://my.execpc.com/
~helberg/pitfalls/
Recommended