análise estatística

ao realizar pesquisas, é essencial que você possa entender seus dados. Isso permite que você informe outros pesquisadores em seu campo e outros o que você encontrou. Também pode ser usado para ajudar a construir evidências para uma teoria. Portanto, uma compreensão de qual teste usar e quando é necessário. Existem algumas boas práticas a fazer se você não estiver familiarizado com a realização de análise estatística. A primeira é determinar suas variáveis.

Visão Geral das estatísticas básicas:
variável dependente (DV)-esta é a que você está medindo. A partir do exemplo da pontuação do aluno.Variável independente (IV)-esta é a que você está manipulando com as diferentes condições. A partir do exemplo PowerPoint ou apresentação do projetor aéreo.

níveis de medição:
uma vez feito isso, você desejará determinar o nível de medição que ambas as variáveis são. Isso ajudará você a determinar posteriormente qual teste usar em sua análise. Existem quatro níveis de medição:

intervalo-estes têm números iguais (ou seja, Número de animais de estimação).
Ratio-não há zero real e há intervalos entre números inteiros (ou seja, peso ao nascer)
Nominal-simplesmente nomeando categorias (ou seja, Masculino/Feminino).Ordinal-simplesmente ordenando (ou seja, 1 = discordo fortemente; 2 = discordo; 3 = neutro; 4=concordo; 5 = concordo fortemente).
finalmente, você terá as informações necessárias para determinar qual teste você precisa usar. Até que você se familiarize com a análise estatística, é uma boa prática acompanhar essas informações (consulte a Tabela 3).

 diagrama para variável, nível de medição e número de variáveis independentes.

Quadro 3. Variável, nível de medição e número de IV’s

com essas informações, você pode consultar o gráfico a seguir para determinar qual teste estatístico usar. Primeiro determine se o estudo está dentro ou entre os sujeitos, depois o número de grupos e, em seguida, o nível de medição (veja a Figura 1).

Gráfico de testes por projeto, número de condições e nível de medição.

Figura 1. Gráfico de testes de design, número de condições, e o nível de medição

Árvore de Decisão

Testes Estatísticos podem ser divididos em dois grupos, paramétricos e não paramétricos e são determinados pelo nível de medição. Os testes paramétricos são usados para analisar dados de intervalo e razão e os testes não paramétricos analisam dados ordinais e nominais. Existem diferentes testes para usar em cada grupo. Vamos começar com os testes paramétricos primeiro.

Testes Paramétricos: (Dados de intervalo / razão)

esses testes assumem que os dados são normalmente distribuídos (curva bell) e são muito fortes quando comparados aos testes não paramétricos.

Dentro Do Design Do Assunto 1. Teste T de amostras dependentes: compara as médias de dois grupos. Um exemplo é determinar se o PowerPoint ou uma projeção aérea impacta as notas. 2. Dentro dos sujeitos ANOVA: compara meios de mais de dois grupos. Um exemplo é determinar se o PowerPoint, a projeção aérea e o podcast impactaram as notas e, em caso afirmativo, qual delas.

Entre O Design Do Assunto

1. Amostras independentes t-teste: Compara meios de dois grupos. Um exemplo é determinar se uma apresentação do PowerPoint impactou as notas em comparação com um grupo de controle. 2. Entre os sujeitos ANOVA: compara meios de mais de dois grupos. Um exemplo é determinar se o PowerPoint ou um projetor suspenso impactaram as notas e, em caso afirmativo, qual. 3. Correlação de Pearson: determina se há uma relação entre duas variáveis. Também determina a força do relacionamento, se existe.

o coeficiente de correlação varia de -1,0 a 1,0. Quanto mais próximo de -1,0 ou 1,0, mais forte é o relacionamento. Quando r é negativo, isso significa que há um relacionamento negativo (uma variável sobe/desce a outra faz o oposto). Quando r é positivo, isso significa que há um relacionamento positivo (uma variável sobe ou desce, assim como a outra). Veja o exemplo abaixo examinando a correlação entre textos enviados por semana e notas. Outra maneira de determinar o relacionamento e a força é olhar para o gráfico. Quanto mais próximos os pontos de dados estiverem da linha, mais forte será o relacionamento (veja a Figura 2). Cuidado: uma forte correlação não significa que uma condição tenha causado o resultado. Isso significa apenas que as duas variáveis estão relacionadas de alguma forma.

Gráfico de uma correlação entre textos e notas.

Figura 2. Gráfico de textos vs. correlação de grau

testes não paramétricos: (dados ordinais/nominais)

esses testes não assumem nada sobre a forma dos dados. Esses testes não são tão fortes quanto os paramétricos.

Dentro Do Design Do Assunto

1. Wilcoxon: esta é a versão não paramétrica do teste T de amostras dependentes, pois compara a diferença de classificações para grupos de dois com apenas dados ordinais. Um exemplo é determinar a classificação do participante para preferência visual entre dois aplicativos de jogos para iPad. 2. Friedman: esta é a versão não paramétrica dos sujeitos internos ANOVA, pois compara classificações para grupos de mais de dois com apenas dados ordinais. Um exemplo é determinar a classificação de três sites diferentes com base na facilidade de uso.

Entre O Design Do Assunto

1. Chi square: compara classificações para dois grupos e mais de dois projetos de grupo com apenas dados nominais. A. quadrado Chi (bondade de ajuste)-compara a proporção da amostra a um valor já existente. Um exemplo seria comparar as taxas de alfabetização no centro do Missouri com as de todo o estado. B. Qui quadrado (teste de Independência)-compara as proporções de duas variáveis para ver se elas estão relacionadas ou não. Um exemplo seria se houvesse um número semelhante de atletas de beisebol e softball matriculados no curso de psicologia geral deste semestre. 2. Kruskall-Wallis: esta é a versão não paramétrica do ANOVA entre os sujeitos, pois vê se várias amostras são da mesma população. Um exemplo é determinar como os participantes avaliam um médico com base no fato de ele/ela ter usado um computador, livro ou nenhuma assistência para diagnosticá-los. 3. Mann-Whitney: esta é a versão não paramétrica do teste T de amostras independentes, pois compara classificações para grupos de mais de dois com apenas dados ordinais. Um exemplo seria determinar se comer barras de Chocolate Snickers afeta as notas dos alunos em cursos de matemática. 4. Correlações: Rho de A. Spearman: como a correlação de Pearson, este teste também determina a força da relação entre duas variáveis com base em suas fileiras. Um exemplo seria determinar a relação entre as notas do curso de física e Inglês.

Seção De Análise Estatística-Manual

Deixe uma resposta

O seu endereço de email não será publicado.