a kutatás során elengedhetetlen, hogy megértse adatait. Ez lehetővé teszi, hogy tájékoztassa a terület más kutatóit és másokat arról, hogy mit talált. Azt is fel lehet használni, hogy segítsen építeni bizonyíték egy elmélet. Ezért annak megértése, hogy milyen tesztet kell használni, és mikor szükséges. Van néhány jó gyakorlat, ha nem ismeri a statisztikai elemzés elvégzését. Az első a változók meghatározása.
az alapvető statisztikák áttekintése:
függő változó (dv)-ez az, amit mérsz. A hallgató pontszámának példájából.
független változó (IV)-ez az, amelyet a különböző feltételekkel manipulál. A példából PowerPoint vagy írásvetítő bemutatása.
mérési szintek:
miután ez megtörtént, meg kell határoznia a mérés szintjét, amely mindkét változó. Ez később segít meghatározni, hogy milyen tesztet kell használni az elemzésben. A mérésnek négy szintje van:
intervallum-ezek egyenlő számúak (azaz. Háziállatok száma).
Arány-nincs valós nulla, és intervallumok vannak az egész számok (azaz születési súly) között
névleges-egyszerűen kategóriák megnevezése (azaz férfi/nő).
Ordinal-egyszerűen rendelés (azaz 1=határozottan nem ért egyet; 2=nem ért egyet; 3=semleges; 4=egyetért; 5=határozottan egyetért).
végül megkapja a szükséges információkat annak meghatározásához, hogy milyen tesztet kell használnia. Amíg meg nem ismeri a statisztikai elemzést, jó gyakorlat ezen információk nyomon követése (lásd a 3.táblázatot).
3.táblázat. Változó, mérési szint és IV-ek száma
ezekkel az információkkal az alábbi diagramra hivatkozhat, hogy meghatározza, milyen statisztikai tesztet kell használni. Először határozza meg, hogy a vizsgálat az alanyokon belül vagy azok között van-e, majd a csoportok számát, majd a mérés szintjét (lásd az 1.ábrát).
1.ábra. A tesztek diagramja tervezés, feltételek száma és mérési szint szerint
döntési fa
a statisztikai teszteket két csoportra lehet bontani, paraméteres és nem paraméteres, és a mérési szint határozza meg. A paraméteres teszteket az intervallum – és arányadatok elemzésére, a nem paraméteres teszteket pedig a rendes és névleges adatok elemzésére használják. Minden csoportban különböző teszteket kell használni. Először a paraméteres tesztekkel kezdjük.
Paraméteres Vizsgálatok: (Intervallum / Arány adatok)
ezek a tesztek feltételezik, hogy az adatok normál eloszlásúak (haranggörbe), és nagyon erősek a nem paraméteres vizsgálatokhoz képest.
A Tárgytervezésen Belül 1. Függő minták t-teszt: két csoport átlagát hasonlítja össze. Példa erre annak meghatározása, hogy a PowerPoint vagy a felső vetítés hatással van-e. 2. Az alanyokon belül ANOVA: összehasonlítja több mint két csoport eszközeit. Példa erre annak meghatározása, hogy a PowerPoint, a felső vetítés és a podcast befolyásolta-e az osztályzatokat, és ha igen, melyik.
A Tárgy Tervezése Között
1. Független minták t-teszt: Összehasonlítja két csoport eszközeit. Példa erre annak meghatározása, hogy egy PowerPoint-bemutató befolyásolta-e az osztályzatokat egy kontrollcsoporthoz képest. 2. Alanyok között ANOVA: összehasonlítja azt jelenti, több mint két csoportban. Példa erre annak meghatározása, hogy a PowerPoint vagy egy írásvetítő befolyásolta-e a fokozatokat, és ha igen, melyik. 3. Pearson-korreláció: meghatározza, hogy van-e kapcsolat két változó között. Meghatározza a kapcsolat erősségét is, ha létezik ilyen.
a korrelációs együttható -1,0-1,0 között mozog. Minél közelebb van -1,0 vagy 1,0, annál erősebb a kapcsolat. Amikor r negatív, ez azt jelenti, hogy negatív kapcsolat van (az egyik változó felfelé/lefelé megy, a másik pedig az ellenkezőjét teszi). Amikor r pozitív, ez azt jelenti, hogy van pozitív kapcsolat(az egyik változó felfelé vagy lefelé megy, így a másik is). Lásd az alábbi példát, amely a hetente elküldött szövegek és az osztályzatok közötti összefüggést vizsgálja. A kapcsolat és az erő meghatározásának másik módja a grafikon megnézése. Minél közelebb vannak az adatpontok a vonalhoz, annál erősebb a kapcsolat (Lásd a 2.ábrát). Vigyázat: az erős korreláció nem jelenti azt, hogy egy állapot okozta az eredményt. Ez csak azt jelenti, hogy a két változó valamilyen módon összefügg.
2.ábra. Grafikon szövegek vs grade korreláció
Nemparametrikus tesztek: (Ordinal/nominális adatok)
ezek a tesztek nem feltételeznek semmit az adatok alakjáról. Ezek a tesztek nem olyan erősek, mint a paraméteresek.
A Tárgy Tervezésén Belül
1. Wilcoxon: ez a függő minták nem paraméteres változata t-teszt mivel összehasonlítja a kettes csoportok rangsorának különbségét, csak sorszámokkal. Példa erre a résztvevő rangsorának meghatározása a vizuális preferencia szempontjából két iPad játékalkalmazás között. 2. Friedman:ez az ANOVA alanyokon belüli nem paraméteres változata, mivel összehasonlítja a kettőnél több csoport rangsorát, csak sorszámokkal. Példa erre három különböző webhely rangjának meghatározása a felhasználóbarát jelleg alapján.
A Tárgy Tervezése Között
1. Chi tér: összehasonlítja mind a két csoport, mind a kettőnél több csoportterv rangsorát, csak névleges adatokkal. A. Chi négyzet (az illeszkedés jósága)-összehasonlítja a minta arányát egy már meglévő értékkel. Példa erre a Közép-Missouri-i írástudási Arány összehasonlítása az egész államéval. B. Chi négyzet (függetlenségi teszt) – összehasonlítja két változó arányait, hogy lássa, kapcsolódnak-e egymáshoz vagy sem. Egy példa lenne vannak hasonló számban baseball és softball sportolók beiratkozott ebben a félévben az általános pszichológia természetesen. 2. Kruskall-Wallis: ez az ANOVA alanyok közötti nem paraméteres változata, mivel látja, hogy több minta ugyanabból a populációból származik-e. Példa erre annak meghatározása, hogy a résztvevők hogyan értékelik az orvost annak alapján, hogy számítógépet, könyvet használt-e, vagy nem nyújtott segítséget a diagnosztizálásukhoz. 3. Mann-Whitney:ez a független minták nem paraméteres változata t-teszt mivel összehasonlítja a kettőnél több csoport rangjait, csak sorszámokkal. Példa lehet annak meghatározására, hogy a Snickers cukorkák fogyasztása befolyásolja-e a hallgatók osztályzatait a matematikai tanfolyamokon. 4. Korrelációk: A. Spearman Rho: a Pearson-korrelációhoz hasonlóan ez a teszt is meghatározza a két változó közötti kapcsolat erősségét rangjaik alapján. Példa erre a fizika és az angol nyelvtanfolyamok közötti kapcsolat meghatározása.
Statisztikai Elemzés Szakasz-Kézikönyv