Forskningsmetodik för nybörjare

Ikon

Just another WordPress.com weblog

Datanivåer och sätt att svara

När man jobbar med kvantitativa metoder så är de data man sysslar med på fyra olika nivåer: Nominalskalenivå, Ordinalskalenivå, Intervallskalenivå och Kvotskalenivå.

Den första datanivån (som egentligen alltid kan användas) är nominalskalenivån. Ordet ”nomen” kommer från latin och betyder ”namn”. Nominalskalan används för allting som kan kategoriseras, egentligen allting, för det går ju att dela in alla företeelser i klasser som ”X” och ”inte X”.

Nästa datanivå är ordinalskalenivån. Data på ordinalskalenivå kan rangordnas. Många gånger använder man ”frågeskalor” som  bör behandlas som ordinalskaledata. Sådana frågeskalor kan se ut som denna:

smärtskattning

 

Andra typer av ordinalskalor kan skapas med svarsalternativ i enkäter som:

O   Instämmer helt

O   Instämmer delvis

O   Instämmer i någon mån

O   Instämmer inte alls

Det som utmärker ordinalskalor är alltså att ”stegen” i skalan är rangordnade. AVSTÅNDET mellan de olika skalstegen behöver inte vara lika stora och det är också ofta så att skalorna subjektivt uppfattas och används på olika sätt för olika personer. Alltså, resultaten för person A och person B är inte självklart jämförbara.

Exempelvis när man använder en VAS skala (Visual analog scale), så uppfattar och använder olika personer skalan på olika vis. Person A och Person B sätter sina kryss på skalorna på lite olika vis:

 Person A:  ____x_xx__x____x___________________________

Person B:   ___________x_xx_x__x_______________________

Skulle vi nu utifrån detta egentligen kunna uttala oss om att det finns en faktiskt skillnad mellan A och B?

Nej, men vi skulle kunna uttala oss om att det finns en skillnad mellan hur A och B svarar.

Intervallskalenivån har förutom rangordnade data också lika stora skalsteg. Om intervallskalor har en 0-punkt är den godtyckligt vald. Det klassiska exemplet brukar vara Celsius-skalan. o-punkten på Celsiusskalan som traditionellt varit definierad som fryspunkten för vatten (vid vissa standardiserade förhållanden)*

Det som skiljer intervallskaledata från nästa nivå (kvotskaledata) är att det egentligen inte går att tala om kvoter på denna nivå, som att säga att 10°C skulle vara hälften så varmt som 20°C är, när man tänker efter lite fel. De flesta statistiska metoder fungerar trots allt utmärkt för data på intervallskalenivå.

Slutligen finns kvotskalenivån och skillnaden gentemot intervallskaledata är att 0-punkten inte är godtycklig utan motsvarar något verkligt förhållande. När det gäller temperatur har vi den ”absoluta 0-punkten” och grader Kelvin (som alltså är en kvotskala). Andra enkla exempel på mätningar med kvotskala är hur många cigaretter en person röker per dag. Det finns en tydlig 0-punkt och det är meningsfullt att säga att röker man 20 cigaretter per dag så röker man dubbelt så mycket som om man röker 10 cigaretter per dag.

* Definitionen som gäller efter 1954 är ytterligare förfinad.

Annonser

Postat i:Övrigt,

Hur många i urvalet?

Här får man återigen resonera sig fram.

Om man gör kvalitativa intervjuer är ett sätt att tänka att man vill uppnå något som kallas ”mättnad”. Att man uppnått mättnad bestämmer man själv som forskare utifrån analys av de intervjuer man gjort. När det just inte framträder några nya ”teman” när man intervjuar fler personer har man uppnått mättnad. I kvalitativa studier så är ofta önskemålet att få ta del av så olikartade synpunkter som möjligt från intervjupersonerna. Därför bör man försöka välja människor med så olikartad profil som möjligt till sitt urval.

Om vi funderar vidare kring en studie när det gäller ”hur är det att vårda sin nära anhörige i hemmet i livets slutskede?” så kanske man ska försöka välja informanter som i vissa fall är mycket gamla, och i vissa fall som är mycket unga. Några som är män och några som är kvinnor (förstås). Några som har annat jobb och några som är pensionärer. Gärna människor från olika etniska grupper. Om man tänker på detta vis så får man förhoppningsvis in så varierade synpunkter som möjligt som kan belysa den fråga man forskar kring.

Ibland vill man kanske bara göra en djupdykning i en persons erfarenheter, och då räcker det förstås med denna person. (Syftet styr).

När man ska göra kvantitativa studier så fungerar det så att om man studerar starka effekter så behöver man små stickprov. Om man studerar svaga effekter (säg, biverkningar av läkemedel) så behöver man stora stickprov. Exempelvis så är biverkningsrapporterna kring svininfluensavaccineringen få. (Det stod 1700 av 5,8 miljoner vaccinationer). När valprognosmakarna vill kunna förutsäga ”hur valet gått” så är de intresserade av tiondels % och då brukar de jobba med omkring 10 000 personer som väljs ut i vallokalsundersökningarna.

Om man har en aning om storleksordningen på den effekt man studerar så kan man utifrån denna kunskap beräkna fram en lämplig storlek på stickprovet. Om man inte har någon aning om detta får man göra någon form av tumregelsuppskattning. Ibland kan man kompensera ett litet stickprov med mycket information från få personer för att visa på effekter, men problem med möjligheterna att generalisera till en större population får man förstås dras med.

Om man gör en enkät så tycker jag nog att något 20-30-tal personer som besvarar enkäten är ett minimum. Generellt gäller i stort sett att ju fler, ju bättre.

Postat i:Undersökningspersoner mm, ,