Przygotowanie i analiza danych do pracy naukowej - doktorat, habilitacja, artykuły naukowe

Przygotowanie i analiza danych

Przygotowanie danych

Po zebraniu danych badacz musi przygotować dane do analizy. Prawidłowa organizacja danych może zaoszczędzić wiele czasu i zapobiec błędom. Większość badaczy decyduje się na użycie bazy danych lub programu do analizy statystycznej (np. Microsoft Excel, SPSS), który może formatować zgodnie z ich potrzebami i efektywnie organizować dane. Po wprowadzeniu danych ważne jest, aby badacz sprawdził dane pod kątem dokładności. Można to osiągnąć przez sprawdzanie punktowe losowego asortymentu grup danych uczestników, ale ta metoda nie jest tak skuteczna, jak ponowne wprowadzenie danych po raz drugi i poszukiwanie rozbieżności. Ta metoda jest szczególnie łatwa do wykonania przy użyciu danych liczbowych, ponieważ badacz może po prostu użyć programu bazodanowego do zsumowania kolumn arkusza kalkulacyjnego, a następnie szukać różnic w sumach. Jedną z najlepszych metod sprawdzania dokładności jest użycie wyspecjalizowanego programu komputerowego, który sprawdza krzyżowo wprowadzane dane pod kątem rozbieżności.

Mając dobrze przygotowane dane mozna przejść do analizy statystycznej.

Opisowe statystyki

Statystyki opisowe opisują, ale nie wyciągają wniosków na temat danych. Każda statystyka opisowa podsumowuje wiele dyskretnych punktów danych za pomocą jednej liczby. Mogą powiedzieć badaczowi centralną tendencję zmiennej, czyli średnią punktację uczestnika na danej miary badania. Badacz może również określić rozkład wyników na danym miary badania lub zakres, w którym wyniki się pojawiają. Dodatkowo, statystyki opisowe mogą być wykorzystywane do informowania badacza o częstotliwości, z jaką pewne odpowiedzi lub wyniki pojawiają się w danym miary badania. Na przykład w przykładzie 1 dotyczącym skuteczności soczewek korekcyjnych w odniesieniu do wydajności ekonomicznej naukowiec może zauważyć, że przeciętny dolar na tydzień osoby z poprawionym wzrokiem wynosi 500 ZŁ, podczas gdy średni DPW dla osoby bez poprawionego widzenia jest 450 ZŁ. Ta ilość informacji nie jest wystarczającą informacją, aby stwierdzić, że korekcja wzroku wpływa na wydajność ekonomiczną. Statystyki wnioskowe są niezbędne do wyciągnięcia wniosków tego rodzaju. Statystyki opisowe mogą również wskazywać badaczowi, że rozkład DPW wynosi od 14 do 40 zł dla całej próby, a średnia  dla próbki wynosi 19 zł.

Korelacja

Korelacja jest jednym z najczęściej używanych (i najczęściej nadużywanych) rodzajów statystyki opisowej. Najlepiej jest to opisać jako "pojedynczą liczbę, która opisuje stopień zależności między dwiema zmiennymi." (3) Jeśli dwie zmienne są zazwyczaj "skorelowane", oznacza to, że punktacja uczestnika na jednej zmiennej ma tendencję do różnic z wynikiem na inny. Na przykład wzrost i rozmiar obuwia są pozytywnie skorelowane. Oznacza to, że w przeważającej części, jeśli dana osoba jest wysoka, prawdopodobnie mają duży rozmiar obuwia, i odwrotnie, jeśli są krótkie, prawdopodobnie będą miały mniejszy rozmiar buta. Korelacja może być również ujemna. Na przykład, cieplejsze temperatury na zewnątrz mogą być negatywnie skorelowane z liczbą gorących czekolad sprzedawanych w lokalnej kawiarni. Oznacza to, że wraz ze wzrostem temperatury sprzedaż gorącej czekolady spada. Chociaż przyczynowość może wydawać się implikowana w tej sytuacji, należy zauważyć, że na poziomie statystycznym korelacja nie implikuje związku przyczynowego. Dobry badacz wie, że z samej korelacji nie da się ocenić, czy istnieje związek przyczynowy pomiędzy dwiema zmiennymi. Aby stwierdzić, że "X spowodował Y", badanie powinno być eksperymentalne, z grupami kontrolnymi i losowymi procedurami pobierania próbek. Ustalenie związku przyczynowego jest trudne, a częstym błędem jest stwierdzenie związku przyczynowo-skutkowego, gdy metodologia badania nie obsługuje tego stwierdzenia.

Wnioskowanie statystyczne

Wnioskowane statystyki umożliwiają badaczowi rozpoczęcie wnioskowania na temat hipotezy opartej na zebranych danych. Oznacza to, że przy zastosowaniu statystyk wnioskowych do danych, badacz wyciąga wnioski na temat całej populacji. Wnioskowane statystyki starają się uogólniać poza dane w badaniu, aby znaleźć wzorce, które rzekomo istnieją w populacji docelowej. Ten kurs nie dotyczy konkretnych rodzajów statystyk inferencyjnych dostępnych dla badacza, ale ich zwięzłe i bardzo użyteczne streszczenie, wraz z przykładami krok po kroku i przydatnymi opisami,

Statystyczna Istotność

Badacze nie mogą po prostu stwierdzić, że istnieje różnica między dwiema grupami w dobrze skonstruowanym badaniu. Różnica ta musi wynikać z manipulacji zmienną niezależną. Bez względu na to, jak dobrze naukowiec projektuje badanie, zawsze istnieje pewien poziom błędu w wynikach. Błąd ten może wynikać z indywidualnych różnic w obrębie i pomiędzy grupami eksperymentalnymi, lub błąd może wynikać z systematycznych różnic w próbie badacza. Niezależnie od źródła, błąd ten działa jako "szum" w danych i wpływa na wyniki uczestników na temat pomiarów, mimo że nie jest to zmienna będąca przedmiotem zainteresowania. Istotność statystyczna ma na celu określenie prawdopodobieństwa, że obserwowany wynik badania wynika z wpływu czegoś innego niż przypadek. Wynik jest "statystycznie istotny" na pewnym poziomie. Na przykład wynik może być znaczący przy p <0,05. "P" oznacza prawdopodobieństwo, że wynik był wynikiem przypadku, a 0,05 oznacza 5% prawdopodobieństwo, że wynik był wynikiem przypadku. Dlatego w dobrze przeprowadzonym badaniu p <0,05 oznacza, że wnioskowa analiza statystyczna wskazała, że obserwowane wyniki mają ponad 95% prawdopodobieństwo, że są wynikiem wpływu zmiennej niezależnej. Przerwa w wysokości 5% jest ogólnie uważana za standard dla większości badań naukowych. Zauważ, że teoretycznie niemożliwe jest kiedykolwiek całkowite upewnienie się, że wyniki nie są przypadkowe, ponieważ naturą nauki jest obserwowanie trendów i testowanie hipotez, a nie niezmienny dowód.