Metod och Statistik
Klinisk psykologi - Perceptionspsykologi - Kognitionspsykologi
Forskningsmetodiken är grunden i all vetenskaplig forskning. Med sådan går det åt mindre tid att se till om ett resultat beror på styrkor eller brister i designen. Med en universell metodik för experiment är det lättare att granska en rapport för att se om krav som ställs, är de som behövs för att avgöra om resultatet tillkommit under tillförlitliga omständigheter.
Till det vetenskapliga arbetssättet hör att vara mycket varsam och inte utan vidare ta saker för givna. I vetenskaplig forskning är det centralt att man kritiskt ifrågasätter vad andra kommit fram till och att det egna arbetet också tål kritisk granskning.
Det finns ett stort antal vetenskapliga tidskrifter där forskare publicerar resultatet av sitt arbete. Det är vanligen via dessa tidskrifter som forskaren visar vad denne presterat och utsätter sina resultat för andras kritiska granskning.
Grundläggande val
Låt oss här säga att du ser ett fenomen och du vill undersöka varför det uppstår. Om du väljer en induktiv metod innebär det att du utgår från ditt observerbara fenomen, samlar in data kring det, sammanställer och kategoriserar. Utifrån detta skapar du din egen teori och hypotes, och återknyter till dessa i diskussionen.
Ett alternativ är att använda en deduktiv metod vilket innebär att du utgår från tidigare forskning om ett fenomen, du ser till teorier och hypoteser som använts tidigare och utvecklar din frågeställning utifrån dessa. När du samlat datan diskuterar du den i skenet av din ingående teori och avgör om din hypotes ska ges stöd eller förkastas. Att pröva en hypotes flera gånger kan bidra till att säkerställa dess giltighet, särskilt om du väljer andra kontexter än de redan prövade.
Att göra det grundläggande valet har sin grund i de frågeställningar du har och vad du vill uppnå med din studie. Jag har erfarenhet av båda metoderna, men kan inte klart avgöra när respektive metod är bättre lämpad. Fördjupade egenstudier i ämnet och i vetenskapsteori är att rekommendera. Dels för att det kan hjälpa till att bringa klarhet i eventuella osäkerhetsmoment och dels för att vetenskapsteorin berättar om hur synen på kunskap utvecklats genom åren. Kurslitteraturen innefattar ett intressant material om vetenskapsteori av docent Stig Fahnér med titeln Psykologi som förklaring, förståelse och kritik.
Statistik
Att presentera ett resultat (i en vetenskaplig rapport) innebär att du först gör statistiska analyser av den data du har. Att avgöra vad som är viktigt att peka på är beroende på vad dina inledande frågeställningar är. Beroende på vad du vill visa på finns det en rad analysmetoder såsom t-test, variansanalys och korrelationsanalyser.
En grundläggande regel i statistiken är den centrala gränsvärdessatsen som säger att ju mer data man samlar in om ett fenomen, ju mer lik en normalfördelning blir resultatet. Nedan en bild på en frekvenstabell som visar hur en normalfördelningskurva ser ut (det är den tunna röda linjen du ser).
En förutsättning för att göra statistiska analyser av psykologiska data är att man vill undersöka relationen mellan två eller flera variabler. Det kan vara att man vill se om variabeln "hårfärg" har en relation till variabeln "kroppslängd". Det kan vara att man vill undersöka om det finns ett samband mellan mängden glass som säljs på sommaren med antalet drunkningsolyckor. Vad man vill göra är att skilja den systemmatiska från den slumpmässiga variationen. Men en samvariation/korrelation kan aldrig visa på ett orsakssamband/kausalt samband - vi kan aldrig visa att en variabel orsakar en annan variabel. Dock är t.ex. media duktiga på att blåsa upp samband mellan variabler. Det är inte sällan som man kan läsa om att en viss sorts mat ökar eller minskar risken för att man ska få en viss sjukdom. Men om studien inte gjorts under former där man kontrollerat för alternativa förklaringar, tredje variablen-problemet, är allt man kan säga att det finns en relation mellan mat X och sjukdom Y.
För att man med säkerhet ska kunna dra slutsatsen att X orsakar Y eller att Y direkt påverkas av X måste studien göras i en experimentell laboratoriemiljö. Ta relationen mellan glass och drunkningstillbud till exempel. Här har vi ett fenomen (glass) som är säsongsberoende, vilket även drunkningstillbud är. På sommaren är det varmt (nåja), det säljs mer glass och det badas mer. Om studien utförs på vintern torde resultaten bli annorlunda, eller hur? Variablen "temperatur" ställer till det för oss när vi ska påvisa ett kausalt samband mellan glassförsäljning och drunkningstillbud. Temperaturen är vad som i litteraturen kallas tredje variabeln-problemet. Och att undersöka relationen i ett experiment vore oetiskt eftersom vi inte kan undersöka ett visst antal försökspersoner i en simhall, erbjuda glass till försäljning och se hur många som drunknar...
Exempel på användning av statistik
Vi utgår från att vi har två variabler: X och Y. I den här texten är X = "hårfärg" och Y = "kroppslängd". Vi antar att vi har skickat ut en enkät till 100 högstadieelever i årskurs 8 på en skola i Staden. Vi har fått tillbaka 75 enkäter ifyllda vilket är tillräckligt för att vi ska kunna visa på en styrka i vår design. 70% är en "magisk" gräns, får man mindre än det minskar studiens slagkraft, men vi är nöjda med våra 75 svar.
Nu sammanställer vi data från enkäterna, och sorterar in resultaten efter kön. Vi frågade efter vilken riktig hårfärg eleverna hade (inte färgat blått hår t.ex.) och vi stämde av med uppgifter från skolsköterskan hur långa eleverna var vid den senaste mätningen. Tyvärr var det några elever som skrev att de hade blått hår, vilket gör att vi måste ta bort deras svar ur sammanställningen. Deras icke-medverkan kallas för bortfall.
För att förenkla exemplen i fortsättningen utgår vi från att vi har 10 personer i vår studie, fem pojkar och fem flickor, till skillnad mot de 75 som lämnade in ett formulär. Det är först nu, när vi har sammanställt vår data, som vi kan se till vilka statistiska analyser vi kan göra. Det är viktigt att göra skillnad på beskrivande och inferentiell statistik. Beskrivande innebär att man på ett bra sätt ger en bild av sin data. Man visar på medelvärden, spridning och standardavvikelser (REF). Med inferentiell statistik drar man slutsatser om en större population genom att analysa data från ett slumpmässigt urval. Dock är det inte alla studier i vilka man kan få till kontrollåtgärden slumpmässighet eller randomisering som det även kallas.
Om vi vill kunna påvisa styrkan i förhållandet mellan X och Y kan vi använda oss av korrelationskoefficienten. Den är ett mått på samvariationen mellan X och Y, men kom i håg, den påvisar inte några kausala samband! Korrelationskoefficienten förkortas r och det finns olika namn på den beroende på om vi använder parametriska (Pearson Correlation Coefficient) eller icke-parametrisk data (Spearman's rho). Resultatet av uträkningen ger ett värde mellan -1.0 och 1.0. -1.0 är en perfekt negativ korrelation, 0.0 är ingen korrelation, och 1.0 är en perfekt positiv korrelation.
Förutsättningarna för att korrelationskoefficienten ska komma på fråga är att det finns ett linjärt samband mellan variablerna, dvs att de svar vi samlat in håller sig "intill varandra" i största möjliga utsträckning. Och att om man "plottar" upp det i ett diagram ska man kunna dra en rät linje från Y-axeln och åt höger. Ett linjärt samband är en förutsättning för att använda "Pearson Correlation Coefficient". Nedan en bild på en scatterplot.
För att räkna ut korrelationkoefficient kan vi använda formeln eller så låter vi ett program som SPSS sköta uträkningen (mycket trevligare).
Resultaten vi fick genom beräkningen presenteras på följande vis: (r = 0.xx, p < 0.05). 0.xx visar att vi fick en positiv korrelation och p visar att vårat resultat är signifikant på 5%-nivån. Det betyder att vårat resultat uppträder genom slump i mindre än 5 fall av 100. Vi har prövat nollhypotesen och visat att den inte stämmer. Det finns en samvariation mellan våra variabler och den är signifikant på 5%-nivån. Vi behåller därför vår alternativa hypotes som säger att det finns en relation mellan den oberoende variablen (den vi manipulerar genom olika sorters hårfärg) och den beroende variablen (vilken är kropplängd).
Signifikans i alla ära, men det betyder egentligen inte så mycket. Vad vi ska kolla efter är den förklarade variansen. För att få fram den tar vi vår korrelationskoefficient och kvadrerar den med sig själv. I det här fallet är den 0.65 och 0.65 upphöjt i två är 0.42. Det betyder att 42% av samvariationen är "förklarad".
Fördjupning
Det finns flera bra sajter som tar upp statistik i psykologin. Besök Psychology.org's sida för statistik: http://www.psychology.org/links/Resources/Statistics
Referens
Innehållet på den här sidan kommer till största delen ur boken Howitt, Dennis & Cramer, Duncan, An Intruduction to Statistics in Psychology. Harlow, England: Prentice-Hall, (2003)/revised 2nd Ed. Jag rekommenderar att du köper den boken om du vill läsa allt om psykologisk statistik. Den finns att köpa hos Akademibokhandeln och Adlibris med flera.
» Gå vidare till sidorna för...
Klinisk psykologi - Perceptionspsykologi - Kognitionspsykologi
© PsykologiSverige.INFO 2003-2006 | Uppdaterat 2006-02-18