Kvantitative analyseteknikker
Statistikk kan være forførende, men også fremmedgjørende. Statistikk i seg selv gjør ikke noe mer eller mindre vitenskapelig, det avhenger av hvordan den brukes. Det å lage statistikk fra sitt eget datamateriale er veldig morsomt og utrolig spennende. Spesielt fordi det kan dukke opp ting som man ikke forventet på forhånd. Vi bruker ofte statistikk for å få et konkret og umiddelbart overblikk som vi ikke klarer ved å se «med det blotte øye». Tenk om dere måtte telle gjennom alle spørreskjemaene for hver gang dere lurte på hvor mange som hadde svart seg enig på et av spørsmålene?
Statistikk brukes vanligvis på to måter. Den vanligste formen for statistikk er beskrivende, den andre måten vi som man gjøre statistikk på er testende. Men før dere går i gang med selve analysen, bør dere lage en kodebok, slik at det blir mulig å ha god kontroll over variablene i undersøkelsen.
Lag en kodebok
Alle kvantitative analyser begynner med et strukturert datamateriale. Det første dere bør gjøre er å lage en kodebok. Dette er en oversikt over alle spørsmål og svaralternativer i form av variabler og verdier. Dersom dere ikke har en slik kodebok, er det fort gjort å miste oversikten og gjøre feil. Om dere har laget et spørreskjema er det enkleste å begynne med å liste opp alle spørsmålene med alle mulige svar-alternativer.
Spørmåls-ID | Spørsmål | Svaralternativ | Kommentarer |
1 | «Hvilke av disse sosiale mediene er du på?» | Snapchat | Her ønsker vi å kartlegge hvor mange som er på ulike sosiale medier |
Tinder | |||
2 | «Hvor viktig er det for deg at noen ‹liker› det du legger ut på sosiale medier?» | Veldig viktig | Her ønsker vi å kartlegge hvor viktig det er for respondentene å få positive tilbakemeldinger på det de deler i sosiale medier. |
Ganske viktig | |||
Verken viktig eller uviktig | |||
Lite viktig | |||
Ikke viktig |
I statistikkprogrammer er vi nødt til å kode disse spørsmålene og svarene til variabler og verdier. Med andre ord, vi må gi spørsmålene og svarene en tallverdi. Selv om et spørsmål ofte tilsvarer en variabel, så kan man tenke seg at det også kan bli flere variabler. For eksempel kan vi gjøre spørsmål 1 i tabellen til minst to variabler:
Variabel 1: Antall sosiale medier respondetene er på. Verdier: Fra 0 til 5.
Variabel 2: Er respondenten på Facebook? Verdier: 1=Er på Facebook; 2=Er ikke på Facebook.
Eksempel på hvordan en kodebok kan se ut:
Variabel-ID | Variabel | Verdier | Spørsmåls-ID |
1 | Antall sosiale medier respondenten er på | 0–5 | 1 |
2 | Er respondenten på Facebook? | 1 = Er på Facebook | |
2 = Er ikke på Facebook | |||
3 | Er respondenten på Snapchat? | 1 = Er på Snapchat | |
2 = Er ikke på Snapchat | |||
4 | Hvor viktig er det for respondenten at andre liker det man legger ut på sosiale medier? | 1 = Veldig viktig | 2 |
Ganske viktig | |||
Verken viktig eller uviktig | |||
Lite viktig | |||
Ikke viktig |
Fordelen med å lage en slik kodebok er ikke bare at det blir utrolig mye lettere å holde kontroll på materialet, men at dere også bli bedre kjent med datamaterialet og får mulighet til å tenke over det dere gjør. Kodeboken kan forandres underveis dersom dere kommer på nye variabler eller er nødt til å forandre noe.
Den letteste måten å gjøre det på er å bruke et regneark i Excel, Numbers eller Google Docs. Ikke bruk tabeller i Word, dette blir fort vanskelig å jobbe med. Vi har laget et eksempel på en kodebok i Google Docs.
Beskrivende statistikk
Beskrivende statistikk er når man gir en tallmessig beskrivelse av datamaterialet, for eksempel kjønnsfordelingen, hvor mange som oppgav et gitt svar på ett spørsmål eller hva gjennomsnittsscoren er på en holdningsskala. Beskrivende statistikk rapporteres stort sett som enkle tall i teksten, i tabeller eller i forskjellige typer grafer og visualiseringer. Det som er viktig i beskrivende statistikk er å balansere mellom å gi en nøytral fremstilling av tallene og markere det som er viktig å legge merke til. Beskrivende statistikk må også tolkes. Noen ganger finner man tydelige tendenser og forskjeller i datamaterialet, og noen ganger det mer subtilt.
Akkurat som med sitater, bør ikke grafer og tabeller stå ukommentert i rapporten. Dere er nødt til å beskrive hva de forteller oss, og hvilken betydning de har for forskningsspørsmålet.
Dere kan lage grafer og tabeller i Excel, Numbers og Google Docs. Nettsiden plot.ly (som jeg har brukt over) kan også være morsom å bruke. Der finner dere også mange eksempler på beskrivende statistikk og spennende måter og visualisere data på. I eksempelet over er et søylediagram over utdannelsesnivå i 2013 for menn og kvinner. Tallene har jeg hentet fra en tabell hos ssb.no, som jeg lastet opp på plot.ly. Legg merke til søylene for Universitets- og høgskole, hva ser vi der?
Beskrivende statistikk gir et bilde av datamaterialet hvor dere kan sammenligne proposjoner, antall, se om det er lite eller mye av noe. Det er lett å henge seg opp i noe det er mye av, men det om det kun er en av, kan være vel så interessant. Grafer og tabeller snakker sjelden for seg selv. Selv om dere gjør en kvantitativ analyse, er dere fremdeles nødt til å finne ut hva statistikken forteller oss om forskningspørsmålet. Bekrefter, nyanserer eller avkrefter det hypotesene og delspørsmålene? Beskrivende statistikk gir også grobunn for nye spørsmål dere kanskje er nødt til å følge opp.
Når dere jobber med statistikk er det viktig å skille mellom de tabellene og grafene dere jobber med i analyseprosessen, og de dere velger å legge inn i forskningsrapporten. Tabeller og grafer i analysen vil gjerne være mer omfattende, rotete og komplekse enn de dere legger inn i rapporten. I analysen skal dere komme frem til de tallene som beskriver og underbygger det dere har kommet frem til. Dere kan lese mer om hva dere bør tenke på i kapittelet som handler om ferdigstillingen av forskningsrapporten.
Statistisk testing
Statistisk testing er når vi bruker matematiske modeller på datamaterialet for å si noe om sannsynlighet, sammenhenger og variasjon. Det er i denne grenen det mulig å bruke et kvantitativt datamateriale om et utvalg for å si noe om en populasjon, og samtidig vite noe om sannsynligheten rundt denne generaliseringen. Det er dette de fleste meningsmålinger og spørreundersøkelser bygger på. Om man stiller samme sett med spørsmål til mellom 1 000 og 1 500 tilfeldig utvalgte personer kan man si noe om hva «alle» i Norge mener.
På en enkel måte kan vi si at statistisk testing gir oss muligheten til å tallfeste hvor usikre vi er på noe. For å gjøre det er vi nødt til å forsikre oss om at innsamlingen, datamaterialet og analysemetodene oppfyller visse forventninger om sannsynlighet og tilfeldigheter. Om man for eksempel begynner å lese seg opp på utvalgsmetoder (eller sampling som det heter på engelsk), finner man fort ut hvor komplisert det kan bli. Mye av grunnen til at det kan bli komplisert, er at i hvert ledd av prosessen, finnes det mange måter å kontrollere og sjekke datamaterialet på.
Det er også mange, og ganske ofte forskere, som glemmer at statistikk også er en egen fagdisiplin med faglige uenigheter, men hvor det også skjer utviklinger. Ofte presenteres statistiske metoder som faste oppskrifter på hvordan man analysere noe. Selv om slike oppskrifter som dere finner i bøker for kvantitative metode som oftest er korrekte, så diskuterer de sjelden bakgrunnen og tolkningsmulighetene innenfor metodene.
Et ganske godt eksempel på det er p-verdien. Dersom dere noen gang har kommet over en tabell i en forskningsrapport og sett bruk av en eller to stjerner (*) bak ett tall, så er det meget sannsynlig at forskerne her har oppgitt p-verdien for den statistiske analysen. Under tabellen finner man gjerne * > 0,05, som betyr at «p-verdien er under 0,05». Da kan forskningsjournalisten skrive at «funnene var statistisk signifikante». Med andre ord: Sammenhengen eller forskjellen mellom de to variablene er så stor at det ikke bare er tilfeldigheter.
Statistiske tester som ender opp i et resultat med en p-verdi, er kanskje noe av det mest vanlige innenfor kvantitativ forskning. Da er det interessant å vite at det hersker mange misforståelser rundt hva en p-verdi egentlig er. Dersom dere dedikerer en og en halv time av livet til å høre på denne episoden av Udannet, vil dere antagelivis vite mer enn de fleste om p-verdien, men også oppdage at statistikk faktisk er ganske interessant.
Dersom dere har lyst til å sammenligne gjennomsnitt i to grupper, er dere nødt til å se nærmere på statistisk testing.
Dere trenger egentlig ikke å kunne så mye matematikk for å gjøre statistisk testing. I dag bruker de fleste programvare som tar seg av alle de matematiske kalkulasjonene. I statistikken er det imidlertidig lett å trå feil, og det er en fordel å kjenne til hvilke antagelser man tar om datamaterialet når man tester det statistisk. Viktige tema her er representativitet, normalfordeling og hypotesetesting. Den vanligste statistiske testen er å sammenligne gjennomsnitt i to utvalg. Denne går under navnet Student’s t-test, eller bare t-test, og ble utviklet for rundt 100 år siden av William Sealy Gosset som jobbet i Guiness’ øl-bryggerier. I t-tester sjekker vi om forskjellene i gjennomsnittene hos to utvalg er store nok til at det ikke kan være tilfeldig.
Her er et tenkt eksempel som illustrerer hvorfor dere ikke bare kan sammenligne gjennomsnitt i to grupper uten videre. Dersom dere finner ut at gjennomsnittskarakteren for jentene og guttene i én klasse er omtrent 4, kan dere ikke uten videre anta at det ikke er noen forskjeller mellom disse:.
Gjennomsnittene for jentene og guttene er nesten det samme, så ser vi at hos guttene er det én gruppe med dårlige og veldig gode karakterer, og hos jentene er det mer jevnt. Med andre ord, selv om gjennomsnittet for gruppene er like, så er ikke nødvendigvis gruppene like når det kommer til karakterer. Prinsipper om gjennomsnitt, varians og standardavik er grunnleggende for statistisk testing.
Om dere ønsker å prøve dere på statistiske analyser kan det være lurt å opprette kontakt med en forsker som bruker dette selv.
Last updated
