när du utför forskning är det viktigt att du kan förstå dina data. Detta gör att du kan informera andra forskare inom ditt område och andra vad du har hittat. Det kan också användas för att bygga bevis för en teori. Därför är det nödvändigt att förstå vilket test som ska användas och när. Det finns några bra metoder att göra om du inte är bekant med att utföra statistisk analys. Den första är att bestämma dina variabler.
översikt över grundläggande statistik:
beroende variabel (DV) – det här är det du mäter. Från exemplet på studentens poäng.
oberoende variabel (IV)-det här är den som du manipulerar med de olika förhållandena. Från exemplet antingen PowerPoint eller overheadprojektor presentation.
mätnivåer:
när detta har gjorts vill du bestämma mätnivån som båda variablerna är. Detta hjälper dig senare att avgöra vilket test som ska användas i din analys. Det finns fyra nivåer av mätning:
intervall-dessa har lika många (dvs. Antal husdjur).
förhållande-Det finns ingen riktig noll och det finns intervall mellan heltal (dvs. födelsevikt)
nominell-helt enkelt namnge kategorier (dvs. Man/Kvinna).
ordinär-helt enkelt beställa (dvs 1=starkt oense; 2=oense; 3=Neutral; 4=överens; 5=starkt överens).
Slutligen har du den information som behövs för att bestämma vilket test du behöver använda. Innan du blir bekant med att göra statistisk analys är det bra att hålla reda på denna information (se Tabell 3).
tabell 3. Variabel, mätnivå och antal IV: s
med denna information kan du hänvisa till följande diagram för att bestämma vilket statistiskt test som ska användas. Bestäm först om studien är inom eller mellan ämnen, sedan antalet grupper, sedan mätnivån (se Figur 1).
Figur 1. Diagram över tester efter design, antal villkor och mätnivå
beslutsträd
statistiska tester kan delas in i två grupper, parametriska och icke-parametriska och bestäms av mätnivån. Parametriska tester används för att analysera intervall-och förhållandedata och icke-parametriska tester analyserar ordinära och nominella data. Det finns olika tester att använda i varje grupp. Vi börjar med de parametriska testerna först.
Parametriska Tester: (Intervall / förhållande data)
dessa tester antar att data distribueras normalt (klockkurva) och är mycket starka jämfört med icke-parametriska tester.
Inom Ämnesdesign 1. Beroende prover t-test: jämför medel för två grupper. Ett exempel är att avgöra om PowerPoint eller en overhead projektion effektkvaliteter. 2. Inom ämnen ANOVA: jämför medel för mer än två grupper. Ett exempel är att avgöra om PowerPoint, overheadprojektion och podcast påverkade betyg och i så fall vilken.
Mellan Ämnesdesign
1. Oberoende prover t-test: Jämför medel för två grupper. Ett exempel är att avgöra om en PowerPoint-presentation påverkade betyg jämfört med en kontrollgrupp. 2. Mellan ämnen ANOVA: jämför medel för mer än två grupper. Ett exempel är att bestämma om PowerPoint eller en overheadprojektor påverkade betyg och i så fall vilken. 3. Pearson korrelation: bestämmer om det finns ett samband mellan två variabler. Det bestämmer också styrkan i förhållandet, om det finns en.
korrelationskoefficienten varierar från -1,0 till 1,0. Ju närmare -1,0 eller 1,0, desto starkare är förhållandet. När r är negativ betyder det att det finns ett negativt förhållande (en variabel går upp/ner, den andra gör motsatsen). När r är positiv betyder det att det finns ett positivt förhållande (en variabel går upp eller ner så gör den andra). Se exemplet nedan undersöka sambandet mellan texter som skickas per vecka och betyg. Ett annat sätt att bestämma förhållandet och styrkan är att titta på grafen. Ju närmare datapunkterna är linjen, desto starkare är förhållandet (se Figur 2). Varning: en stark korrelation betyder inte att ett tillstånd orsakade resultatet. Det betyder bara att de två variablerna är relaterade på något sätt.
Figur 2. Graf av texter vs. grade korrelation
icke-parametriska tester: (ordinära/nominella data)
dessa tester antar inte något om formen på data. Dessa tester är inte lika starka som de parametriska.
Inom Ämnesdesign
1. Wilcoxon: detta är den icke-parametriska versionen av det beroende provet t-test eftersom det jämför skillnaden i rang för grupper om två med endast ordinära data. Ett exempel är att bestämma deltagarens ranking för visuell preferens mellan två iPad-spelappar. 2. Friedman: detta är den icke-parametriska versionen av inom ämnen ANOVA eftersom den jämför rankningar för grupper om mer än två med endast ordinära data. Ett exempel är att bestämma rankningen för tre olika webbplatser baserat på användarvänlighet.
Mellan Ämnesdesign
1. Chi square: jämför rankningar för både två grupper och mer än två gruppdesigner med endast nominella data. A. Chi square (Goodness of Fit)-jämför andelen av provet med ett redan befintligt värde. Ett exempel skulle vara att jämföra läskunnighet i centrala Missouri mot de i hela staten. B. Chi square (test of Independence)-jämför proportionerna av två variabler för att se om de är relaterade eller inte. Ett exempel skulle vara är det liknande antal baseball-och softball-idrottare som är inskrivna i terminens allmänna psykologikurs. 2. Kruskall-Wallis: detta är den icke-parametriska versionen av mellan ämnen ANOVA eftersom den ser om flera prover är från samma population. Ett exempel är att bestämma hur deltagarna betygsätter en läkare baserat på om han/hon använde en dator, bok eller ingen hjälp med att diagnostisera dem. 3. Mann-Whitney: detta är den icke-parametriska versionen av oberoende prover t-test eftersom det jämför rankningar för grupper om mer än två med endast ordinära data. Ett exempel skulle vara att bestämma om att äta Snickers godisbarer påverkar studentens betyg i matematiska kurser. 4. Korrelationer: A. Spearmans Rho: liksom Pearson-korrelationen bestämmer detta test också styrkan i förhållandet mellan två variabler baserat på deras led. Ett exempel skulle vara att bestämma förhållandet mellan fysik och engelska kursbetyg.
Statistisk Analys Avsnitt-Manual