når du utfører forskning er det viktig at du er i stand til å forstå dine data. Dette gjør at du kan informere andre forskere på ditt felt og andre hva du har funnet. Det kan også brukes til å bygge bevis for en teori. Derfor en forståelse av hvilken test som skal brukes og når det er nødvendig. Det er noen gode rutiner å gjøre hvis du ikke er kjent med å utføre statistisk analyse. Den første er å bestemme variablene dine.
Oversikt over grunnleggende statistikk:
Avhengig variabel (DV)-Dette er den du måler. Fra eksemplet på studentens poengsum.
Uavhengig variabel (IV) – Dette er den du manipulerer med de forskjellige forholdene. Fra eksemplet Enten PowerPoint eller overhead projektor presentasjon.
Målenivåer:
når dette er gjort, vil du bestemme målenivået som begge variablene er. Dette vil hjelpe deg senere med å bestemme hvilken test du skal bruke i analysen din. Det er fire målenivåer:
Intervall-Disse har like tall (dvs. Antall kjæledyr).
Ratio – det er ingen reell null og det er intervaller mellom hele tall (dvs. Fødselsvekt)
Nominell-bare navngi kategorier(Dvs. Mann/Kvinne).
Ordinal – bare bestilling (dvs.1 = Sterkt uenig; 2 = Uenig; 3 = Nøytral; 4 = Enig; 5 = Sterkt enig).
Til Slutt vil du ha den informasjonen som trengs for å bestemme hvilken test du må bruke. Inntil du blir kjent med å gjøre statistisk analyse, er det lurt å holde styr på denne informasjonen (Se Tabell 3).
Tabell 3. Variabel, målenivå og ANTALL IVS
Med denne informasjonen kan du se følgende diagram for å bestemme hvilken statistisk test som skal brukes. Først avgjøre om studien er innenfor eller mellom fag, deretter antall grupper, deretter målenivået (Se Figur 1).
Figur 1. Diagram over tester etter design, antall forhold og målenivå
Beslutningstre
Statistiske Tester kan deles inn i to grupper, parametriske og ikke-parametriske og bestemmes av målenivået. Parametriske tester brukes til å analysere intervall-og ratio data og ikke-parametriske tester analysere ordinære og nominelle data. Det er forskjellige tester som skal brukes i hver gruppe. Vi starter med parametriske tester først.
Parametriske Tester: (Intervall / Ratio data)
disse testene antar at dataene er normalfordelt (bell curve) og er svært sterke sammenlignet med ikke-parametriske tester.
Innenfor Fagdesign 1. Avhengige prøver t-test: Sammenligner hjelp av to grupper. Et eksempel er å avgjøre Om PowerPoint eller en overhead projeksjon innvirkning karakterer. 2. INNENFOR fag ANOVA: Sammenligner hjelp av mer enn to grupper. Et eksempel er å avgjøre Om PowerPoint, overhead projeksjon og podcast påvirket karakterer og i så fall hvilken.
Mellom Motivdesign
1. Uavhengige prøver t-test: Sammenligner hjelp av to grupper. Et eksempel er å avgjøre om En PowerPoint-presentasjon påvirket vurderinger sammenlignet med en kontrollgruppe. 2. Mellom fag ANOVA: Sammenligner hjelp av mer enn to grupper. Et eksempel er å avgjøre Om PowerPoint eller en overhead-projektor påvirket karakterer og i så fall hvilken. 3. Pearson Korrelasjon: Bestemmer om det er et forhold mellom to variabler. Det bestemmer også styrken av forholdet, hvis en eksisterer.
korrelasjonskoeffisienten varierer fra -1,0 til 1,0. Jo nærmere -1,0 eller 1,0, jo sterkere forholdet. Når r er negativ, betyr det at det er et negativt forhold(en variabel går opp / ned, den andre gjør det motsatte). Når r er positiv, betyr det at det er et positivt forhold(en variabel går opp eller ned, så gjør den andre). Se eksemplet nedenfor undersøke sammenhengen mellom tekster sendt per uke og karakterer. En annen måte å bestemme forholdet og styrken på er å se på grafen. Jo nærmere datapunktene er til linjen, jo sterkere forholdet (Se Figur 2). Forsiktig: en sterk korrelasjon betyr ikke at en tilstand forårsaket utfallet. Det betyr bare at de to variablene er relatert på en eller annen måte.
Figur 2. Graf av tekster vs. grade correlation
Ikke-Parametriske Tester: (Ordinære/Nominelle data)
disse testene antar ikke noe om formen på dataene. Disse testene er ikke like sterke som de parametriske.
Innenfor Fagdesign
1. Wilcoxon: Dette er den ikke-parametriske versjonen av den avhengige prøven t-test som den sammenligner forskjellen i ranger for grupper på to med bare ordinære data. Et eksempel er å bestemme deltakerens rangering for visuell preferanse mellom to iPad – spillapper. 2. Friedman: Dette er den ikke-parametriske versjonen AV inside subjects ANOVA da den sammenligner ranger for grupper på mer enn to med bare ordinære data. Et eksempel er å bestemme rangeringen av tre forskjellige nettsteder basert på brukervennlighet.
Mellom Motivdesign
1. Chi square: Sammenligner rekkene for både to gruppe og mer enn to gruppe design med bare nominelle data. A. Chi square(Goodness Of Fit) – Sammenligner andelen av prøven til en allerede eksisterende verdi. Et eksempel ville være å sammenligne leseferdigheter i Sentrale Missouri mot de av hele staten. B. Chi square (Test Of Independence)-Sammenligner proporsjonene av to variabler for å se om de er relaterte eller ikke. Et eksempel kan være er det lignende antall baseball og softball idrettsutøvere registrert i dette semesteret generelle psykologi kurs. 2. Kruskall-Wallis: Dette er den ikke-parametriske versjonen AV mellom fagene ANOVA som det ser om flere prøver er fra samme populasjon. Et eksempel er å bestemme hvordan deltakerne vurderer en lege basert på om han / hun brukte en datamaskin, bok eller ingen hjelp til å diagnostisere dem. 3. Mann-Whitney: Dette er den ikke-parametriske versjonen av independent samples t-test, da den sammenligner ranger for grupper på mer enn to med bare ordinære data. Et eksempel ville være å avgjøre om å spise Snickers candy barer påvirker studentens karakterer i matte kurs. 4. Korrelasjoner: A. Spearmans Rho: som Pearson-korrelasjonen bestemmer denne testen også styrken av forholdet mellom to variabler basert på deres ranger. Et eksempel ville være å bestemme forholdet mellom fysikk og engelskkurs karakterer.
Seksjon For Statistisk Analyse-Manual