tilastoanalyysi

tutkimusta tehtäessä on tärkeää, että tiedoistasi saadaan tolkkua. Näin voit kertoa muille oman alasi tutkijoille ja muille, mitä olet löytänyt. Sen avulla voidaan myös rakentaa todisteita teorialle. Siksi ymmärrys siitä, mitä testiä käytetään ja milloin on tarpeen. On joitakin hyviä käytäntöjä tehdä, jos et ole perehtynyt suorittaa tilastollinen analyysi. Ensimmäinen on määrittää muuttujia.

yleiskatsaus perustilastoihin:
riippuvainen muuttuja (dv) – tämä on se, jota mittaat. Esimerkistä opiskelijan pisteet.
riippumaton muuttuja (IV) – tämä on se, jota manipuloit eri ehdoilla. Esimerkistä joko PowerPoint tai piirtoheitin esitys.

Mittaustasot:
kun tämä on tehty, halutaan määrittää mittaustaso, joka molemmilla muuttujilla on. Tämä auttaa sinua myöhemmin määrittämään, mitä testiä käyttää analyysissasi. Mittaustasoja on neljä:

intervalli-näillä on yhtä monta (ts. Lemmikkien lukumäärä).
suhde-todellista Nollaa ei ole ja kokonaislukujen (eli syntymäpainon) välillä on intervalleja
nimellinen-yksinkertaisesti nimeävät luokat (eli mies/nainen).
Ordinaalinen – yksinkertaisesti määräävä (eli 1 = vahvasti eri mieltä; 2=eri mieltä; 3=neutraali; 4=samaa mieltä; 5 = vahvasti samaa mieltä).
lopuksi sinulla on tarvittavat tiedot sen määrittämiseksi, mitä testiä sinun tulee käyttää. Ennen kuin tutustut tilastoanalyysiin, on hyvä käytäntö seurata näitä tietoja (Ks.Taulukko 3).

näillä tiedoilla voit katsoa seuraavasta kaaviosta, mitä tilastollista testiä tulee käyttää. Ensin määritetään, onko tutkimus tutkittavien sisällä vai välillä, sitten ryhmien lukumäärä, sitten mittaustaso (KS.Kuva 1).

Ratkaisupuu

tilastolliset testit voidaan jakaa kahteen ryhmään, parametrisiin ja nonparametrisiin, ja ne määräytyvät mittaustason mukaan. Parametrisia testejä käytetään intervalli-ja suhdetietojen analysointiin ja nonparametrisia testejä ordinaalisten ja nimellisten tietojen analysointiin. On olemassa erilaisia testejä käyttää kussakin ryhmässä. Aloitamme parametrisilla testeillä.

Parametriset Testit: (Intervalli / Suhdetiedot)

näissä testeissä oletetaan, että tiedot ovat normaalisti jakautuneita (kellokäyrä) ja että ne ovat erittäin vahvoja verrattuna ei-parametrisiin testeihin.

Oppiaineen Suunnittelun Sisällä 1. Riippuvaiset näytteet t-testi: vertaa kahden ryhmän keinoja. Esimerkki on määrittää, jos PowerPoint tai yläpuolella projektio vaikutus laadut. 2. Oppiaineissa Anova: vertaa useamman kuin kahden ryhmän keinoja. Esimerkki on määrittää, jos PowerPoint, overhead projection,ja podcast vaikutti arvosanat ja jos niin mikä.

Oppiaineen Suunnittelun Välillä

1. Riippumattomat näytteet t-testi: Vertaa kahden ryhmän keinoja. Esimerkki on määrittää, jos PowerPoint-esitys vaikutti arvosanoja verrattuna verrokkiryhmään. 2. Koehenkilöiden välillä ANOVA: vertaa useamman kuin kahden ryhmän keinoja. Esimerkki on määrittää, jos PowerPoint tai piirtoheitin vaikutti laadut ja jos niin mikä. 3. Pearsonin korrelaatio: määrittää, onko kahden muuttujan välillä suhde. Se määrittää myös suhteen vahvuuden, jos sellainen on olemassa.

korrelaatiokerroin vaihtelee välillä -1,0 – 1,0. Mitä lähempänä -1,0 tai 1,0, sitä vahvempi suhde. Kun R on negatiivinen, se tarkoittaa, että on negatiivinen suhde (yksi muuttuja menee ylös/alas, toinen tekee päinvastoin). Kun r on positiivinen, se tarkoittaa, että on positiivinen suhde (yksi muuttuja menee ylös tai alas niin tekee toinen). Seuraavassa esimerkissä tarkastellaan viikossa lähetettyjen tekstien ja arvosanojen välistä korrelaatiota. Toinen tapa määrittää suhde ja vahvuus on tarkastella kaaviota. Mitä lähempänä datapisteet ovat suoraa, sitä vahvempi suhde on (KS. kuva 2). Varoitus: vahva korrelaatio ei tarkoita, että jokin tila olisi aiheuttanut lopputuloksen. Se tarkoittaa vain sitä, että nämä kaksi muuttujaa liittyvät jollain tavalla toisiinsa.

Nonparametriset testit: (Ordinaaliset/nimelliset tiedot)

nämä testit eivät oleta mitään datan muodosta. Nämä testit eivät ole yhtä vahvoja kuin parametriset.

Oppiaineen Suunnittelun Sisällä

1. Wilcoxon: tämä on ei-parametrinen versio riippuvaisista näytteistä t-testi, koska se vertaa rivien eroa kahden ryhmissä, joilla on vain ordinaaliset tiedot. Yksi esimerkki on määrittää osallistujan sijoitusta visuaalisten mieltymysten välillä iPad peli sovellukset. 2. Friedman: tämä on nonparametrinen versio subjektien sisäisestä anovasta, koska se vertaa rivejä yli kahden ryhmiin, joilla on vain ordinaalisia tietoja. Esimerkkinä voidaan mainita kolmen eri verkkosivuston paremmuusjärjestys käyttäjäystävällisyyden perusteella.

Oppiaineen Suunnittelun Välillä

1. Chi square: vertaa riveissä sekä kaksi ryhmää ja enemmän kuin kaksi ryhmää malleja vain nimellinen tiedot. A. Chi-neliö (hyvyys sovitusta)-vertaa näytteen osuutta jo olemassa olevaan arvoon. Esimerkiksi vertaamalla Keski-Missourin lukutaitolukuja koko osavaltion lukutaitolukuihin. B. Chi neliö (Test of Independence) – vertaa mittasuhteet kaksi muuttujaa nähdä, jos ne liittyvät vai ei. Yksi esimerkki olisi, onko tämän lukukauden yleispsykologian kurssille ilmoittautunut yhtä paljon baseball-ja softball-urheilijoita. 2. Kruskall-Wallis: tämä on nonparametrinen versio koehenkilöiden välillä ANOVA, koska se näkee, jos useita näytteitä on samasta populaatiosta. Esimerkiksi määritetään, miten osallistujat arvioivat lääkärin sen perusteella, onko hän käyttänyt tietokonetta, kirjaa vai ei apua diagnosoinnissa. 3. Mann-Whitney: tämä on riippumattomien näytteiden t-testin ei-parametrinen versio, koska se vertaa rivejä yli kahden hengen ryhmille, joilla on vain ordinaalisia tietoja. Yksi esimerkki olisi selvittää, vaikuttaako Snickers-karkkipatukoiden syöminen oppilaiden arvosanoihin matematiikan kursseilla. 4. Korrelaatiot: A. Spearmanin Rho: kuten Pearsonin korrelaatio, tämäkin testi määrittää kahden muuttujan välisen suhteen vahvuuden niiden rivien perusteella. Yksi esimerkki olisi selvittää fysiikan ja englannin kurssien arvosanojen välinen suhde.

Statistical Analysis Section-Manual