Quando si esegue la ricerca è essenziale che tu sia in grado di dare un senso ai tuoi dati. Questo ti permette di informare altri ricercatori nel tuo campo e altri ciò che hai trovato. Può anche essere usato per aiutare a costruire prove per una teoria. Quindi una comprensione di quale test utilizzare e quando è necessario. Ci sono alcune buone pratiche da fare se non si ha familiarità con l’esecuzione di analisi statistiche. Il primo è determinare le variabili.
Panoramica delle statistiche di base:
Variabile dipendente (DV) – Questo è quello che si sta misurando. Dall’esempio del punteggio dello studente.
Variabile indipendente (IV)-Questo è quello che si sta manipolando con le diverse condizioni. Dall’esempio sia PowerPoint o lavagna luminosa presentazione.
Livelli di misurazione:
Una volta fatto ciò, si desidera determinare il livello di misurazione di entrambe le variabili. Questo ti aiuterà a determinare in seguito quale test utilizzare nella tua analisi. Ci sono quattro livelli di misurazione:
Intervallo-Questi hanno numeri uguali (cioè Numero di animali domestici).
Rapporto-Non esiste uno zero reale e ci sono intervalli tra numeri interi(cioè Peso alla nascita)
Nominale – Semplicemente nominando categorie (cioè Maschio/femmina).
Ordinale-Semplicemente ordinare (cioè 1=Fortemente in disaccordo; 2=In disaccordo; 3=Neutro; 4=D’accordo; 5=Fortemente d’accordo).
Infine, avrai le informazioni necessarie per determinare quale test è necessario utilizzare. Finché non si ha familiarità con l’analisi statistica, è buona norma tenere traccia di queste informazioni (vedere Tabella 3).
Tabella 3. Variabile, livello di misurazione e numero di IV
Con queste informazioni è possibile fare riferimento alla seguente tabella per determinare quale test statistico utilizzare. Innanzitutto determinare se lo studio è all’interno o tra i soggetti, quindi il numero di gruppi, quindi il livello di misurazione (vedi Figura 1).
Figura 1. Grafico dei test per progettazione, numero di condizioni e livello di misurazione
Albero decisionale
I test statistici possono essere suddivisi in due gruppi, parametrici e non parametrici e sono determinati dal livello di misurazione. I test parametrici vengono utilizzati per analizzare i dati di intervallo e rapporto e i test non parametrici analizzano i dati ordinali e nominali. Ci sono diversi test da utilizzare in ogni gruppo. Inizieremo con i test parametrici prima.
Prove parametriche: (Dati Intervallo / Rapporto)
Questi test presuppongono che i dati siano normalmente distribuiti (curva a campana) e siano molto forti rispetto ai test non parametrici.
All’interno della progettazione del soggetto 1. Campioni dipendenti t-test: confronta i mezzi di due gruppi. Un esempio è determinare se PowerPoint o una proiezione ambientale impatto gradi. 2. All’interno di soggetti ANOVA: confronta i mezzi di più di due gruppi. Un esempio è determinare se PowerPoint, proiezione ambientale, e podcast influenzato gradi e in caso affermativo quale.
Tra Disegno soggetto
1. Campioni indipendenti t-test: Confronta i mezzi di due gruppi. Un esempio è determinare se una presentazione PowerPoint ha influenzato i gradi rispetto a un gruppo di controllo. 2. Tra soggetti ANOVA: confronta i mezzi di più di due gruppi. Un esempio è determinare se PowerPoint o una lavagna luminosa influenzato gradi e in caso affermativo quale. 3. Correlazione di Pearson: determina se esiste una relazione tra due variabili. Determina anche la forza della relazione, se esiste.
Il coefficiente di correlazione varia da -1.0 a 1.0. Più vicino a -1.0 o 1.0, più forte è la relazione. Quando r è negativo, significa che c’è una relazione negativa (una variabile va su/giù l’altra fa il contrario). Quando r è positivo, significa che esiste una relazione positiva (una variabile sale o scende così come l’altra). Vedi l’esempio qui sotto esaminando la correlazione tra i testi inviati a settimana e gradi. Un altro modo per determinare la relazione e la forza è guardare il grafico. Più i punti dati sono vicini alla linea, più forte è la relazione (vedi Figura 2). Attenzione: una forte correlazione non significa che una condizione abbia causato il risultato. Significa solo che le due variabili sono correlate in qualche modo.
Figura 2. Grafico dei testi vs. correlazione di grado
Test non parametrici: (dati ordinali/nominali)
Questi test non assumono nulla sulla forma dei dati. Questi test non sono forti come quelli parametrici.
All’interno del disegno del soggetto
1. Wilcoxon: Questa è la versione non parametrica dei campioni dipendenti t-test in quanto confronta la differenza di ranghi per gruppi di due con solo dati ordinali. Un esempio è determinare la classifica del partecipante per le preferenze visive tra due app di gioco per iPad. 2. Friedman: Questa è la versione non parametrica dei soggetti ANOVA in quanto confronta i ranghi per gruppi di più di due con solo dati ordinali. Un esempio è determinare il rango di tre diversi siti web in base alla facilità d’uso.
Tra Disegno soggetto
1. Chi square: confronta i ranghi sia per due gruppi che per più di due progetti di gruppo con SOLO dati nominali. A. Chi square (Bontà di adattamento)-Confronta la proporzione del campione con un valore già esistente. Un esempio potrebbe essere il confronto dei tassi di alfabetizzazione nel Missouri centrale contro quelli dell’intero stato. B. Chi square (Test di indipendenza)-Confronta le proporzioni di due variabili per vedere se sono correlate o meno. Un esempio potrebbe essere ci sono numeri simili di atleti di baseball e softball iscritti al corso di psicologia generale di questo semestre. 2. Kruskall-Wallis: Questa è la versione non parametrica di ANOVA tra soggetti in quanto vede se più campioni provengono dalla stessa popolazione. Un esempio è determinare come i partecipanti valutano un medico in base al fatto che abbia usato un computer, un libro o nessuna assistenza nella diagnosi. 3. Mann-Whitney: Questa è la versione non parametrica dei campioni indipendenti t-test in quanto confronta i ranghi per gruppi di più di due con solo dati ordinali. Un esempio potrebbe determinare se mangiare barrette di caramelle Snickers influisce sui voti degli studenti nei corsi di matematica. 4. Correlazioni: Rho di A. Spearman: Come la correlazione di Pearson, anche questo test determina la forza della relazione tra due variabili in base ai loro ranghi. Un esempio potrebbe essere quello di determinare la relazione tra fisica e gradi del corso di inglese.
Sezione Analisi statistica-Manuale