Metode: Hva er sensor ute etter

Analyser (gi din vurdering av) problemstillingen

Hva slags type problemstilling:

-utforskende, beskrivende(hyppighet) eller forklarende(kausal)
- hvilke design fordrer dette? ekstensivt/kvantitativt, intensivt/kvalitativt
- er den generaliserende: om avgrenset til en case: nei

Oppfyller den kravene til en problemstilling:
1.klarhet: hva som studeres, når det forskes og hvem det forskes på
2.Målgruppe/ relevans: hvem skal ha nytte av denne informasjonen og er den av nytte for denne målgruppen
3.forankret i en relevant diskusjon.

Kan den operasjonaliseres:
- kan man gjøre den abstrakte problemstillingen forskbar

Drøft observasjon som metode

1. Beskriv metoden i oppgaven.

2. Når egner observasjon som metode seg; (i) å registrere atferd (hva mennesker gjør), ikke bare hva de sier de gjør; (ii) å registrere atferd i en kontekst

3. Åpen eller skjult - observatøreffekt eller ikke
   - etisk dilemma, manglende samtykke

4. Deltakende/ ikke deltakende. intervjueffekt eller ikke

5. Kontekst? naturlig/unaturlig. Unaturlig skaper konteksteffekt, men øker kontroll

6. Tidsaspekt, lenger = mer pålitelig, men dyrere

7. Ulemper ved observasjon. Dyrt og tidkrevende, men kan bruke videoopptak. -observasjon beskriver bare akkurat hva som skjer, ikke kausalitet. Får ikke innsikt i prosessen (hva skjedde før) eller respondentenes følelser

8. Metodetriangulering

9. Oppsummering

Hvilke kriterier bør man ta hensyn til når man vurderer overførbarheten (ekstern gyldighet) av funn i en kvalitativ undersøkelse?

Kvalitativ kan sjeldent/aldri brukes for overførbarhet

Ekstern gyldighet tilsvarer overførbarhet og statistisk generalisering. Dette er styrken til ekvantitavi metoden, mens kvalitativ har sin styrke i teoretisk generalisering (avdekke fenomener, kausale sammenhenger, skape nye teorier og begreper.

MÅ drøftes:
1. antall enheter
2. utvalg av disse enhetene (hvordan står enhetene til resten av populasjon)
- har det vært en gjennomtenkt prosess for utvalg av enheter?
- bruk av feks stratautvalg, dette styrker ekstern gyldighet

Drøfting av at kvantitativt og kvalitativt utfyller hverandre.

Metodene vil sjeldent besvare problemstillingen tilstrekkelig alene.

Bruke metodene om hverandre: Utvikle teorier og hypoteser med kvalitativ, så undersøke disse hypotesene med kvantitativ. Kvalitativ styrker validiteten til den kvantitative ved at den stiller de rette spørsmålene.

Kvalitativt etter kvantitativt for å få dybdeforståelse, etterstudie for utdype spesifikke fenomen.

Metodetriangulering:
- samme resultat fra flere metoder styrker konklusjonen (mindre sannsynlig at forsker/forskning har påvirket resultatet = pålitelighet)

-benytter flere metoders sterke sider samtidig som man dekker hverandres svakheter

- kvalitativ gir dybde og intern gyldighet, kvantitativ gir bredde og ekstern gyldighet, metodene dekker hverandres svakheter

- tykke og tynne beskrivelser fra de forskjellige metodene

Kvantitativ metode er ofte knyttet opp mot «ekstensive» design, mens kvalitativ metode benyttes i «intensive» studier. En kombinasjon av de to gjør at man nærmer seg idealet om at en undersøkelse samlet sett både skal gi høy presisjon/dybdeinnsikt og statistisk generaliserbarhet.

Målenivå på variabler

Ordinal:
- skala

-Måler intensiteten i enkelte forhold. Ulike svaralternativer hvor de kan rangeres etter hverandre (ref svært lykkelig, nogenlunde lykkelig, nogenlunde ulykkelig og svært ulykkelig).
- om gjensidig utelukkende istedenfor en plassering på en skala => nominal

Nominal (kategorisk):

-kategorier
- dikotom/ binær = to alternativer
- andre nominale = ingen naturlig rekkefølge

Metrisk:
- skille mellom nullpunkt og ikke. Nullpunkt når en verdi tilsvarer fravær (0 lønn = fravær av lønn, 0 i temp er ikke fravær av temperatur)

Noen som er omkodet til dummyvariabel??

Operasjonalisering og begrepsvaliditet

Definisjoner:

• Operasjonalisering: prosessen hvor man gjør et latent (teoretisk) fenomen om til en manifest (målbar) variabel

• Begrepsvaliditet: graden av overlapp mellom det latente fenomenet (teori) og de manifeste variablene som måler det

Begrepsvaliditet – tre typer:

1. Overflatevaliditet: ser det ut som variabelen måler det den skal? (skjønnsmessig vurdering)

2. Konvergerende validitet: samvarierer variabelen med andre mål på samme begrep?

3. Diskriminant validitet: samvarierer variabelen ikke med begreper den skal være ulik?

• Cronbach's alfa kan brukes til å måle konvergerende og diskriminant validitet

4. Kausal validitet: kan korrelasjoner tolkes som årsakssammenhenger?

Vurdering av operasjonaliseringen – alltid drøft:

• Overflatevaliditet: virker målet fornuftig?

• Monooperasjonalisering vs. fleroperasjonalisering: brukes én eller flere indikatorer? Én indikator fanger sjelden hele bredden av et komplekst begrep

• Subjektivitet: oppfatter alle respondenter begrepet likt?

• Kulturelle/kontekstuelle forskjeller: gjelder spesielt ved tverrnasjonale studier

• Grunnlag for konvergerende eller diskriminant validitet?

Koble alltid til de konkrete variablene i caset

Kjikvadrattest

Kjikvadrattesten brukes når man ønsker å vurdere om det er en signifikant samvariasjon mellom to kategoriske (nominale) variabler I en datamenge. Kan også brukes når en eller begge er på nå ordinalt målenivå, men best egnet til nominelt. I motsetning til en t-test, som krever at den avhengig variabelen er metrisk.

Forutsetter (for å sørge for at resultatet ikke er misvisende):
- uavhengige observasjoner (respondenter har svart 1 gang)
- Ikke mindre enn 5 observasjoner pr celle (bør evt slå sammen celler)

Gjennomføring:
1. Hypotesetest, denne er alltid: H0:"Det er INGEN samvariasjon mellom variablene i populasjonen"
2. Valg av signifikansnivå
3 Kji-kvdratverdi: Differanse mellom forventet verdi og observert verdi hvis H0 er sann.
4 – du kan også bruke p-verdi istedenfor å sammenligne med kritisk verdi. P-verdien sammenlignes med signifikansnivået. Er p < signifikansnivå (vanligvis 0,05), forkastes H0 og vi konkluderer med at det er statistisk signifikant samvariasjon i populasjonen.

Redegjør for begrepene statistisk signifikans og statistisk generalisering.

Statistisk signifikans er et mål på om vi kan forvente at resultatene fra en analyse på et utvalg også finnes I populasjonen, eller er et resultat av tilfeldig variasjoner I utvalget. Brukes vanligvis et signifikansnivå på 0,05 eller 0,01, der en lavere p verdi betyr at vi kan forkaste nullhypotesen om at det ikke er en sammenheng I populasjonen.

Statistisk generalisering handler om man kan forvente at resultatene fra en studie utført på et utvalg kan generaliseres til en populasjon. Statisk generalisering er sterkt avhengig av utvalgsstørrelse og utvalgsprosedyrer. Statistisk generalisering handler om utvalgets representativitet, ikke bare om signifikans. Også ikke-signifikante funn (at det IKKE er en sammenheng) kan generaliseres til populasjonen, forutsatt et representativt utvalg.

Redegjør for statistisk signifikans og statistisk generalisering

Statistisk signifikans er et mål på om vi kan forvente at resultatene fra en analyse på et utvalg også finnes I populasjonen, eller er et resultat av tilfeldig variasjoner I utvalget. Brukes vanligvis et signifikansnivå på 0,005 eller 0,001, der en lavere p verdi betyr at vi kan forkaste nullhypotesen om at det ikke er en sammenheng I populasjonen.

Statistisk generalisering handler om man kan forvente at resultatene fra en studie utført på et utvalg kan generaliseres til en populasjon. Statisk generalisering er sterkt avhengig av utvalgsstørrelse og utvalgsprosedyrer. Statisk generalisering vil gjelde for både statistisk signifikante og ikke signifikante funn.

Hva viser r square og adjusted r square

R Square: R square verdien viser oss andelen av variasjon - forskjell mellom respondentenes svar - I den avhengige variabelen som forklares av de uavhengige variablene som er inkludert I modellen. Den gir et mål på hvor godt observerte resultater blir gjenskapt av modellen, basert på andelen av den totale variasjonen av resultater som forklares av modellen.

• Høy R² = modellen fanger opp mye av det som skaper forskjeller

• Lav R² = det er mye uforklart variasjon = viktige variabler mangler

Adjusted R Square: Justerer R² for antall variabler i modellen – straffer deg for å legge til variabler som ikke bidrar. Brukes alltid i multippel regresjon fordi R² alltid øker når du legger til flere variabler, selv om de ikke er relevante.

Hva viser anova?

ANOVA i regresjonsanalyse tester om modellen som helhet er statistisk signifikant – altså om hvorvidt modellen som en helhet gir et bedre estimat enn å ta gjennomsnittet av utfallsvariabelen/den avhengige variabelen.

Hypotesene er alltid:

• H0: Modellen er ikke bedre enn gjennomsnittet (alle koeffisienter = 0)

• H1: Modellen er bedre enn gjennomsnittet (minst én koeffisient ≠ 0)

Fra tabell 5:

• F = 78,786

• p = 0,000 → forkast H0 → modellen har signifikant forklaringsverdi

F = variasjon forklart av modellen / uforklart variasjon (residualer)

• Høy F = modellen forklarer mye relativt til det uforklarte → sannsynlig at modellen er signifikant

• Lav F = modellen forklarer lite relativt til det uforklarte → modellen er trolig ikke bedre enn gjennomsnittet

Men på eksamen trenger du ikke tolke selve F-verdien direkte – du bruker p-verdien til å konkludere:

«F = 78,786, p = 0,000. P-verdien er lavere enn signifikansnivået på 0,05, og vi forkaster nullhypotesen. Modellen har statistisk signifikant forklaringsverdi.»

Huskeregel: F forteller deg hvor stor forskjellen er. P-verdien forteller deg om den er statistisk signifikant. På eksamen fokuser på p-verdien – men nevn F-verdien også.

Hva tester t-testen i koeffisienttabellen?

S: Om hver enkelt koeffisient er signifikant forskjellig fra null. H0: βi = 0 variabelen har ingen effekt på den avhengige variabelen.

H1: βi ≠ 0 variabelen har en effekt på den avhengige variabelen.

Bruk p-verdi direkte – er p < 0,05 forkastes H0.

Oppskrift – tolkning av koeffisienttabell:

Hva skal du kommentere per variabel i tabell 6? S: 1. Er den signifikant? (p < 0,05?) 2. Retning og størrelse på effekten (B) – husk å sjekke om skalaen er snudd 3. Relativ effekt sammenlignet med andre variabler (Beta)

Hva betyr standardisert Beta? Et mål som viser den uavhengige variabelens relative effekt på den avhengige. For ett standardavviks økning i den uavhengige variabelen, endres den avhengige variabelen med Beta standardavvik. Brukes til å sammenligne hvilken variabel som har størst relativ effekt.

Hva er problemet når en nominal variabel med flere kategorier inkluderes direkte i regresjonsanalyse, og hva er løsningen?

Problem: Variabelen behandles som metrisk/ordinal – modellen antar lineær sammenheng mellom kategoriene, noe som ikke gir mening for nominale variabler.

Løsning: Omkod til K-1 dummyvariabler, der K = antall kategorier. Én kategori utelates som referansekategori for å unngå perfekt multikolinearitet = en variabel er fullstendig overflødig fordi den alltid kan beregnes fra de andre. Hver koeffisient tolkes som forskjellen mellom den aktuelle kategorien og referansekategorien.

Eksempel: Bosted med 5 kategorier → 4 dummyvariabler, storby som referanse. Forstad-koeffisienten viser forskjellen i skamfølelse mellom forstad og storby.

Huskeregel for dummyvariabler i regresjon:

Koeffisienten tolkes alltid som forskjellen mellom de to gruppene, der referansegruppen (verdien 0) er sammenligningsgrunnlaget.

Tre krav for å påstå kausalitet

1. Årsak før virkning: Den uavhengige variabelen (årsaken) må forekomme i tid før den avhengige variabelen (virkningen). Dette sikrer at endringer i den avhengige variabelen potensielt kan forklares av endringer i den uavhengige variabelen.

2. Statistisk sammenheng: Det må være en demonstrerbar og signifikant statistisk sammenheng mellom variablene. Det vil si at endringer i den uavhengige variabelen systematisk er assosiert med endringer i den avhengige variabelen.

3. Kontroll for tredjepartsvariabler: Alle andre potensielle årsaker (konfunderende variabler) som kan påvirke både den uavhengige og den avhengige variabelen må kontrolleres eller tas hensyn til. Dette sikrer at sammenhengen ikke er spuriøs og faktisk reflekterer et årsaksforhold mellom de to hovedvariablene.