Fjölbreytugreining

Sjá einnig: Rannsóknaraðferðir

Síðurnar okkar Einföld tölfræðileg greining , Að þróa og prófa tilgátur og Mikilvægi og öryggisbil útskýrðu nokkrar einfaldari aðferðir sem notaðar eru við tölfræðilega greiningu. Þessi síða fjallar um nokkrar fullkomnari aðferðir sem fela í sér nokkrar breytur en ekki bara eina eða tvær.

Í raunveruleikanum, öfugt við rannsóknarstofurannsóknir, er líklegt að þú komist að því að gögn þín hafa áhrif á margt annað en breytuna sem þú vilt prófa. Það eru fylgni milli atriða sem þú hefur aldrei velt fyrir þér og heimurinn er flókinn.

Tilgangur háþróaðrar tölfræðilegrar greiningar er að einfalda sum samböndin, á meðan að gera áhrifaríkara líkan af því sem þú sérð.




Það eru fjórar leiðir til að einfalda greiningu

  • Hönnun
  • Notkun undirsýna
  • Notkun tölfræðilegra stýringar
  • Fjölbreytugreining

1. Hönnun

Þú getur hannað rannsóknir þínar þannig að orsakaþættir séu gerðir óháðir hver öðrum. Til dæmis, ef þú heldur að það geti verið tengsl milli aldurs og launa, þá mun handahófsúrtak starfsmanna eiga á hættu að sameina áhrif beggja. Ef þú skiptir íbúunum hins vegar í hópa eftir aldri og sýnir síðan af handahófi jafnar tölur úr hverjum hópi hefurðu gert aldur og laun óháð.

2. Notkun undirsýna

Hér velurðu sýnishornið þitt til að vera jafnt á hugsanlega ruglingslega þætti. Til dæmis getur starfstegund haft áhrif á laun, þannig að ef þú vilt kanna áhrif annars þáttar á laun gætirðu aðeins valið þá sem vinna sömu vinnu.

3. Notkun tölfræðilegra stjórna

Ef þig grunar að þrjár breytur geti verið tengdar geturðu það stjórn fyrir einn að prófa fylgni milli hinna tveggja. Á áhrifaríkan hátt stillir þú tölfræðilegt gildi stýringarinnar til að vera stöðugt og prófar hvort enn sé samband milli hinna tveggja breytanna. Þú gætir komist að því að sambandið sem sést er áfram hátt (það er raunverulegt) eða minnkar verulega (það er líklega ekkert raunverulegt samband). Það er þriðja tilfellið: þar sem engin tengsl eru fyrr en þú stjórnar þriðju breytunni, sem þýðir að stjórnbreytan er að fela samband milli hinna tveggja.

4. Fjölbreytugreining

Margbreytileg greining inniheldur margar tölfræðilegar aðferðir sem eru hannaðar til að gera þér kleift að láta margar breytur fylgja og skoða framlag hvers.

Þættirnir sem þú tekur með í margbreytilegri greiningu þínu munu samt ráðast af því sem þú vilt læra. Sumar rannsóknir vilja skoða framlag tiltekinna þátta og aðrar rannsóknir til að stjórna þeim þáttum sem (meira eða minna) ónæði.

Tvær gerðir af breytum

Í fjölbreytugreiningu er það fyrsta sem þarf að ákveða hlutverk breytanna.

Það eru tveir möguleikar:

hver er mikilvægi gagnrýninnar hugsunar
  • Breytan ástæður áhrif: spá breytu
  • Breytan er haft áhrif : háð breytu

Þetta er fall af líkaninu þínu, ekki breytunum sjálfum, og sama breytan getur verið annað hvort í mismunandi rannsóknum.

Tengsl breytna eru venjulega táknuð með mynd með örvum:

Skýringarmynd til að sýna tengsl breytna.

Þú getur líka fylgst með breytum beint eða ályktað af því sem er að gerast. Þetta er þekkt sem duldar breytur .

hvernig á að slaka á fyrir ræðu

Dæmi: Árangur í skólanum


Það er erfitt að mæla ‘ árangur í skólanum ': það er dulda breytu .

Þú gætir ákveðið að ' árangur í skólanum 'samanstendur af námsárangri, ásamt einhverjum mælikvarða á félagslegan árangur (ef til vill meðal lengd vináttu, eða stærð' vináttuhóps ') auk einnar vinnu sem lagt er upp úr (sem þú gætir mælt sem skynjun annað hvort nemenda eða kennara). Þetta eru breytur sem þú hefur séð.

The mælilíkan skoðar sambandið milli athugaðra og duldra breytna.


Huglægar og hlutlægar breytur


Alltaf þegar þú ert að gera rannsóknir eru líklegar til mismunandi tegundir gagna. Til dæmis eru hér bæði hlutlæg gögn (árangur í námi, meðal lengd vináttu) og huglæg gögn (skynleg áreynsla). Gerðin sem þú velur mun hafa áhrif á gæði rannsókna þinna og einnig á ályktanirnar sem þú getur dregið.

Það er meira um þetta á síðunni okkar á Tegundir gagna .

Hugmyndin á bak við slíkar gerðir er að þeir séu til fylgni á milli athugaðra og duldra breytna (til að skilja meira gætirðu viljað lesa síðuna okkar á Fylgni ).

Gert er ráð fyrir að þessi fylgni stafi af sameiginlegir þættir . Því meiri áhrif sem sameiginlegir þættir hafa ( þáttahleðsla ) því hærri eru fylgni milli duldra breytna og fram koma. Þú þarft því að mæla þessar fylgni til að meta áreiðanleika, sem þú getur gert á nokkra vegu. Eitt það algengasta er að nota smíð sem kallast Cronbach's alfa (sem flestir tölfræðilegir hugbúnaðarpakkar munu reikna fyrir þig). Þetta metur hvort breytan sem kemur fram mælir raunverulega dulda breytuna sem vekur áhuga, það er hvort breytan sem sést er áreiðanlegt próf fyrir dulda breytuna. Gildið 0,70 eða meira gefur líkaninu gott áreiðanleika.

Cronbach's alfa er notað til að mæla fylgni milli breytna. Gildið 0,70 eða meira gefur líkaninu gott áreiðanleika.


Að greina mælilíkön í fjölbreytilegri greiningu

Það eru til margvíslegar greiningaraðferðir fyrir mælilíkön sem þessa. Þeir fela í sér Staðfestingarþáttagreining og Rannsóknarþáttagreining , og eru venjulega framkvæmdar með tölvum.

Upplýsingar um hvernig eigi að framkvæma hvern og einn eru utan gildissviðs þessarar síðu, en grundvallarhugmyndin er sú að þeir mæla hversu mikið af breytileikanum sem sést í heildargerðinni stafar af hverjum þætti.

Orsakalíkön

Orsakalíkön skoða hvernig breytur tengjast hver annarri. Þó að ekki sé unnt að sanna orsakasemi yfir allan vafa, geta orsakalíkön gert þér kleift að segja til um hvort fyrirhugað samband passar við gögnin og hversu vel.

Styrkur eða veikleiki hvers orsakalíkans er val breytanna. Ef þú missir af stórum orsakaþætti þá verða niðurstöður þínar annaðhvort takmarkaðar eða rangar. Það er því þess virði að taka tíma í að skilgreina líkan þitt eins vandlega og mögulegt er.

Það er jafnvægi á milli einfaldleikans og að fela í sér fleiri breytur til að fá betri samsvörun. Augljóslega viltu ekki missa af stórri orsakabreytu og það að fela fleiri breytur mun alltaf passa betur. En þú verður að íhuga hvort viðbótarflækjustigið sé þess virði fyrir ágóða líkansins.


Hentugar greiningaraðferðir fyrir orsakalíkön eru gjarnan það sem kallað er almenn línuleg líkön, þar á meðal greining á afturhvarfsgreiningu , margfeldis aðhvarfsgreining , fjölbreytugreining á breytileika (MANCOVA) og margbreytileg dreifigreining (MANOVA) .

Allar þessar aðferðir gefa þér mælikvarða á hversu mikið af breytileikanum í háðum breytum stafar af spádómunum og þar með hvort líkanið þitt sé eitthvað gott.

Aftur eru til tölvupakkar sem geta gert þessar greiningar fyrir þig, en vertu viss um að þú skiljir hvað þú ert að gera og túlkar niðurstöðurnar rétt.

Uppbygging jöfnu líkan kemur saman mælilíkön og orsakalíkön. Það er tölvulíkanstækni sem passar byggingarjöfnu við líkanið. Þessi tækni er flókin en ber í raun saman mögulega líkön og skilgreinir það sem hentar best gögnunum.

Flókið svæði

Heimurinn er flókinn staður og stundum eina leiðin til að skilja hvað er að gerast er að nota háþróaða tölfræðilega tækni við líkanagerð.

Hins vegar eru þetta líka flókin og þú ættir ekki að ráðast í þau án þess að skilja grundvallaratriðin. Ef þú gerir það ekki er gott að ráðfæra þig við einhvern sem gerir það, venjulega tölfræðing. Jafnvel ef þú hefur notað tæknina áður, þá er það samt góð hugmynd að fá tölfræðing til að skoða hvað þú ætlar að gera og athuga árangur þinn eftir á ef einhverjar glápar villur koma upp.

hvað er hálftími í tíma

Léleg greining mun grafa undan góðum rannsóknum mjög fljótt.

Halda áfram að:
Sýnataka og sýnishönnun
Skilningur á fylgni