når du udfører forskning er det vigtigt, at du er i stand til at få mening ud af dine data. Dette giver dig mulighed for at informere andre forskere på dit område og andre, hvad du har fundet. Det kan også bruges til at hjælpe med at opbygge bevis for en teori. Derfor en forståelse af, hvilken test der skal bruges, og hvornår det er nødvendigt. Der er nogle gode fremgangsmåder at gøre, hvis du ikke er bekendt med at udføre statistisk analyse. Den første er at bestemme dine variabler.
oversigt over grundlæggende statistik:
afhængig variabel (dv)-dette er den, du måler. Fra eksemplet på den studerendes score.
uafhængig variabel (IV) – dette er den, du manipulerer med de forskellige forhold. Fra eksemplet enten Effektpunkt eller overheadprojektor præsentation.
Måleniveauer:
når dette er gjort, vil du bestemme det måleniveau, som begge variabler er. Dette hjælper dig senere med at bestemme, hvilken test du skal bruge i din analyse. Der er fire niveauer af måling:
Interval – disse har lige tal (dvs. Antal kæledyr).
Ratio-der er ingen reel nul, og der er intervaller mellem hele tal (dvs.fødselsvægt)
Nominel-simpelthen navngivning af kategorier (dvs. Mand/Kvinde).
Ordinal-simpelthen bestilling (dvs.1=stærkt uenig; 2=uenig; 3=Neutral; 4=enig; 5=stærkt enig).
endelig har du de nødvendige oplysninger til at bestemme, hvilken test du skal bruge. Indtil du bliver fortrolig med statistisk analyse, er det god praksis at holde styr på disse oplysninger (Se tabel 3).
tabel 3. Variabel, måleniveau og antal IV ‘ er
med disse oplysninger kan du henvise til følgende diagram for at bestemme, hvilken statistisk test der skal bruges. Først afgøre, om undersøgelsen er inden for eller mellem emner, så antallet af grupper, så måleniveauet (se figur 1).
Figur 1. Diagram over test efter design, antal betingelser og måleniveau
beslutningstræ
statistiske Tests kan opdeles i to grupper, parametriske og ikke-parametriske og bestemmes af måleniveauet. Parametriske tests bruges til at analysere interval-og forholdsdata, og ikke-parametriske tests analyserer ordinære og nominelle data. Der er forskellige tests, der skal bruges i hver gruppe. Vi starter med de parametriske tests først.
Parametriske Tests: (Interval / Ratio data)
disse tests antager, at dataene normalt distribueres (klokkekurve) og er meget stærke sammenlignet med ikke-parametriske tests.
Inden For Fagdesign 1. Afhængige prøver t-test: sammenligner midler fra to grupper. Et eksempel er at bestemme, om Effektpunkt eller en overhead projektion impact kvaliteter. 2. Inden for fag ANOVA: sammenligner midler fra mere end to grupper. Et eksempel er at bestemme, om Effektpunkt, overhead projektion, og podcast påvirkede karakterer, og i bekræftende fald hvilken.
Mellem Fagdesign
1. Uafhængige prøver t-test: Sammenligner midler fra to grupper. Et eksempel er at bestemme, om en Effektpunktpræsentation påvirkede karakterer sammenlignet med en kontrolgruppe. 2. Mellem emner ANOVA: sammenligner midler fra mere end to grupper. Et eksempel er at bestemme, om Effektpunkt eller en overheadprojektor påvirkede kvaliteter, og i bekræftende fald hvilken. 3. Pearson korrelation: bestemmer, om der er et forhold mellem to variabler. Det bestemmer også styrken af forholdet, hvis man eksisterer.
korrelationskoefficienten varierer fra -1,0 til 1,0. Jo tættere på -1,0 eller 1,0, jo stærkere er forholdet. Når r er negativ, betyder det, at der er et negativt forhold (en variabel går op/ned, den anden gør det modsatte). Når r er positiv, betyder det, at der er et positivt forhold (en variabel går op eller ned, det gør den anden). Se eksemplet nedenfor, der undersøger sammenhængen mellem tekster sendt pr. En anden måde at bestemme forholdet og styrken på er at se på grafen. Jo tættere datapunkterne er på linjen, desto stærkere er forholdet (se figur 2). Forsigtig: en stærk korrelation betyder ikke, at en tilstand forårsagede resultatet. Det betyder kun, at de to variabler er relateret på en eller anden måde.
figur 2. Graf over tekster vs. gradkorrelation
ikke-parametriske Tests: (ordinære/nominelle data)
disse tests antager ikke noget om formen på dataene. Disse tests er ikke så stærke som de parametriske.
Inden For Fagdesign
1. Dette er den ikke-parametriske version af de afhængige prøver t-test, da den sammenligner forskellen i rækker for grupper på to med kun ordinære data. Et eksempel er at bestemme deltagerens placering for visuel præference mellem to iPad-spilapps. 2. Friedman: dette er den ikke-parametriske version af inden for fag ANOVA, da den sammenligner rækker for grupper på mere end to med kun ordinære data. Et eksempel er at bestemme rang af tre forskellige hjemmesider baseret på brugervenlighed.
Mellem Fagdesign
1. Chi-firkant: sammenligner rækker for både to grupper og mere end to gruppedesign med kun nominelle data. A. Chi-firkant (god pasform)-sammenligner andelen af prøven med en allerede eksisterende værdi. Et eksempel ville være at sammenligne læsefærdigheder i det centrale Missouri mod dem i hele staten. B. Chi kvadrat (test af uafhængighed)-sammenligner proportionerne af to variabler for at se, om de er relaterede eller ej. Et eksempel ville være er der tilsvarende antal baseball og softball atleter indskrevet i dette semesters generelle psykologi kursus. 2. Dette er den ikke-parametriske version af mellem fag ANOVA, da den ser, om flere prøver er fra samme population. Et eksempel er at bestemme, hvordan deltagerne vurderer en læge baseret på, om han/hun brugte en computer, bog eller ingen hjælp til at diagnosticere dem. 3. Dette er den ikke-parametriske version af de uafhængige prøver t-test, da den sammenligner rækker for grupper på mere end to med kun ordinære data. Et eksempel ville være at afgøre, om spise Snickers slik barer påvirker elevens karakterer i matematik kurser. 4. Korrelationer: A. Spearman ‘ s Rho: ligesom Pearson-korrelationen bestemmer denne test også styrken af forholdet mellem to variabler baseret på deres rækker. Et eksempel ville være at bestemme forholdet mellem fysik og engelsk kursus karakterer.
Statistisk Analyse Sektion-Manual