Tieteellinen menetelmä on todistettu menettelytapa, jolla tietoa laajennetaan kokeiden ja analyysien avulla. Se on prosessi, jossa käytetään huolellista suunnittelua, tiukkoja menetelmiä ja perusteellista arviointia. Tilastollisella analyysillä on olennainen rooli tässä prosessissa.
Kokeessa, johon sisältyy tilastollinen analyysi, analyysi on pitkän tapahtumasarjan lopussa. Validien tulosten saamiseksi on ratkaisevan tärkeää, että tieteellinen tutkimus suunnitellaan ja toteutetaan huolellisesti kaikkien vaiheiden osalta aina analyysiin asti. Tässä blogikirjoituksessa kartoitan tilastollisia analyysejä sisältävien tieteellisten tutkimusten viisi vaihetta.
Tieteellisten tutkimusten prosessin kartoittaminen
On erittäin tärkeää, että ymmärrät tieteellisen metodin ja osaat suunnitella tieteellisesti täsmällisen tutkimuksen, johon sisältyy tilastollinen analyysi. Virheet matkan varrella voivat mitätöidä analyysisi tulokset. Olen jakanut prosessin viiteen vaiheeseen. Kokeesi luonteesta riippuen sinun on ehkä korostettava tai vähennettävä tiettyjä näkökohtia.
Esimerkiksi fysikaalisia ilmiöitä koskevat tutkimukset näyttävät hyvin erilaisilta kuin yhteiskuntatieteiden tutkimukset. Samoin tutkimukset, joissa käytetään suunniteltuja faktorikokeita, havainnointitutkimuksia ja kyselytutkimuksia, näyttävät kaikki erilaisilta. Vaikka tutkimukset voivat poiketa toisistaan hyvinkin paljon, ne kaikki käyttävät samoja näkökohtia samasta tiekartasta, jonka esitän.
Tämä tiekartta liittyy tieteellisiin tutkimuksiin, jotka sisältävät tilastollista analyysia, koska blogini käsittelee tilastollista analyysia. Kuitenkin myös puhtaasti laadulliset tutkimukset jakavat monia samoja vaiheita.
Vaiheet tieteellisesti tiukassa tutkimuksessa ovat seuraavat:
- Tutkimusvaihe.
- Tutkimusongelman ja tutkimuskysymyksen määrittely.
- Kirjallisuuskatsaus.
- Operationalisointivaihe.
- Määrittele muuttujat ja mittaustekniikat.
- Suunnittele kokeelliset menetelmät.
- Aineistonkeruu.
- Aineiston tilastollinen analyysi ja johtopäätösten tekeminen.
- Kommunikoidu tuloksista.
Seuraava viesti: Vaihe 1: Tutki tutkimusalueesi
Hyvän tieteellisen tutkimuksen edellytyksenä on, että keräät paljon tietoa jo ennen kuin aloitat tietojen keräämisen. Sinun on tutkittava aihealueesi, jotta voit kirjoittaa tutkimuskysymyksen, johon tutkimuksesi voi kohtuudella vastata. Sitten sinun on kehitettävä syvällistä tietoa muista tutkimuksista, jotta voit laatia suunnitelman tutkimuksesi toteuttamiseksi.
Tutkimuskysymyksen määrittely
Tutkimuksesi ensimmäinen vaihe on tutkimuskysymyksen muotoilu. Tämä on kysymys, johon haluat tutkimuksellasi vastata. Tutkimuskysymykset tarkentavat kokeiluasi, auttavat ohjaamaan päätöksentekoprosessiasi ja auttavat estämään sivuseikkoja häiritsemästä sinua tavoitteestasi.
Tyypillisesti tutkijat aloittavat laajasta aiheesta ja tutkivat aihealuetta. Selvitä, millaisiin kysymyksiin tutkijat ovat vastanneet ja millaisiin eivät ole vastanneet. Tämä prosessi auttaa rajaamaan laajan aiheen tarkemmaksi tutkimuskysymykseksi. Määritä, mitä tutkimuksia tutkijat ovat jo tehneet ja mitä kirjallisuutta on jo olemassa. Vastaatko uuteen kysymykseen vai yritätkö toistaa aiempia tutkimuksia?
Tutkimuskysymyksesi tulisi olla tieteenalallesi sopiva. Näin ollen sopivien tutkimuskysymysten ominaisuudet vaihtelevat huomattavasti tieteenaloittain. Esimerkiksi hyväksyttävät tutkimuskysymykset näyttävät erilaisilta fysiikassa, psykologiassa, biologiassa ja valtiotieteessä. Niillä on kuitenkin joitakin yhteisiä ominaisuuksia.
Tutkimuskysymysten on oltava selkeitä ja ytimekkäitä. Siksi lyhyen tutkimuskysymyksesi lukijoiden tulisi ymmärtää selvästi tutkimuksesi tavoite. Varmista lisäksi, että kyselyn laajuus on riittävän kapea, jotta tutkimuksesi voi kohtuudella vastata siihen käytettävissä olevalla ajalla ja käytettävissä olevilla resursseilla.
Tyypillisesti tutkimuskysymyksen kehittäminen lähtee usein liikkeelle aiheesta, josta olet kiinnostunut, ja siihen liittyy jonkin verran alustavaa tutkimusta. Tämä alustava tutkimus auttaa sinua laatimaan käyttökelpoisen tutkimuskysymyksen. Kun olet kuitenkin laatinut kysymyksesi, sinun on tehtävä paljon perusteellisempi kirjallisuuskatsaus. Lisäksi teet todennäköisesti jonkin verran iteratiivista hienosäätöä. Kirjallisuuskatsauksen aikana saatat huomata hienosäätäväsi tutkimuskysymystä.
Kirjallisuuskatsaus
Kirjallisuuskatsaus on hyvin laaja taustatutkimus tutkimuskysymyksestäsi. Kirjallisuuskatsauksella on kaksi ensisijaista tavoitetta tieteellisessä tutkimuksessa, johon liittyy tilastollinen analyysi.
Ensiksi sinun on ymmärrettävä täysin aihealue, joka sisältää tutkimuskysymyksesi. Mitä muissa tutkimuksissa on havaittu? Tunnista kirjallisuudessa tunnistetut merkittävät suhteet ja vaikutukset sekä niiden suuruus ja suunta. Mitkä muuttujat ja tekijät vaikuttavat asiaan?
Lyhyesti sanottuna määrittele tutkimuskysymystäsi ympäröivän tieteellisen tiedon nykytila. Tämä prosessi auttaa sinua määrittämään, miten tutkimuksesi sopii alaan, antaa sinulle mahdollisuuden ymmärtää samankaltaisten tutkimusten taustalla olevia ajatusprosesseja ja antaa sinulle yleisen käsityksen tähänastisista havainnoista.
Toiseksi tarvitset tietoa, joka auttaa sinua operationalisoimaan tutkimuksesi. Operationalisointi on prosessi, jossa otetaan tutkimuskysymyksesi yleinen ajatus ja luodaan toteuttamiskelpoinen suunnitelma, jonka avulla kokeella voidaan vastata kysymykseen. Jos tutkimukseesi sisältyy tilastollinen analyysi, sinun on selvitettävä, miten muissa tutkimuksissa on käytetty tilastoja vastaamaan samankaltaisiin kysymyksiin.
Tämä mielessäsi selvitä seuraavat asiat:
- Mitä tietoja samankaltaisissa tutkimuksissa on kerätty? Mitkä muuttujat?
- Miten ne mittasivat muuttujia?
- Miten ne poimivat otoksensa?
- Mitä menetelmiä ne käyttivät tietojen analysointiin? Millaisia analyysejä ja koeasetelmia?
Haluat myös tutustua muiden tutkimusten vahvuuksiin, heikkouksiin ja virheisiin. Vältä muiden virheitä ja hyödynnä heidän vahvuuksiaan!
Tutkimusvaiheen pitäisi tuottaa tutkimuskysymys, aihealueen ja asiaankuuluvien tulosten syvällinen tuntemus sekä perusteellinen ymmärrys siitä, miten muut tutkijat ovat operationalisoineet vastaavia tutkimuksia. Nämä taustatiedot auttavat sinua suunnittelemaan oman kokeilusi.
Vaihe 2: Operationalisoi tutkimussuunnitelmasi
Tutkimuksen operationalisointi on prosessi, jossa otat tutkimuskysymyksesi, käytät keräämiäsi taustatietoja ja muotoilet toteuttamiskelpoisen suunnitelman. Tämä suunnitelma sisältää kaiken muuttujien määrittelystä siihen, miten analysoit aineiston.
Muuttujat: Mitä aiot mitata?
Tutkimukset, joissa käytetään tilastoja kysymyksiin vastaamiseen, edellyttävät, että keräät tietoja muuttujien muodossa, joita analysoit. Näin ollen sinun on määriteltävä muuttujat, joita mittaat, ja päätettävä, miten mittaat niitä. Jos et kerää oikeita tietoja tai mittaat niitä epätarkasti, et ehkä pysty vastaamaan tutkimuskysymykseesi. Itse asiassa poisjätettyjen muuttujien harhan vuoksi muuttujat, joita et mittaa, voivat vaikuttaa mittaamiesi muuttujien tuloksiin! Mieti rauhassa, mitä muuttujia sinun on mitattava, jotta voit vastata tutkimuskysymykseesi.
Jos esimerkiksi tutkit masennusta, miten määrittelet ja mittaat masennuksen? Kirjallisuuskatsauksesi pitäisi antaa tietoa päätöksestäsi käyttää hyväksyttyä masennuksen määritelmää ja valita tieteellisesti validoitu menetelmä masennuksen arvioimiseksi. Tiede rakentuu itsestään!
Jos yrität ennustaa masennusta, kuvata sen suhdetta muihin muuttujiin tai arvioida hoitoja, sinun on määriteltävä nämä muuttujat toiminnallisesti ja päätettävä, miten mittaat niitä.
Muuttujien ja hoitojen tyypit
Tutkimuksessa on riippuvainen muuttuja. Tämä muuttuja on tulos, jota tutkit. Tyypillisesti tutkimuksissa halutaan ymmärtää, miten yhden tai useamman riippumattoman muuttujan muutokset vaikuttavat riippuvaan muuttujaan. Kokeen tyypistä riippuen tutkijat joko kontrolloivat tai eivät kontrolloi riippumattomia muuttujia. Jos muuttujia kontrolloidaan, on päätettävä kontrolloitavien muuttujien asetuksista.
Useimmissa tutkimuksissa on mukana hoito, interventio tai jokin muu vertailu, jonka se haluaa tehdä. Sinun on määriteltävä hoito ja varmistettava, että käytössä on järjestelmä, jolla se voidaan toteuttaa tarpeen mukaan. Tämä ei päde ainoastaan lääketieteellisiin hoitoihin vaan mihin tahansa interventioon.
Olin esimerkiksi osallistunut liikuntainterventiotutkimukseen, jossa selvitettiin, vaikuttaako se luuntiheyteen. Määrittelimme interventiomme istunnoiksi, jotka tapahtuvat kolme kertaa viikossa ja koostuvat 30 iskusta, jotka ovat kuusi kertaa koehenkilöiden ruumiinpaino. Meillä oli käytössämme menettelyt, laitteet ja koulutus, joilla varmistimme, että koehenkilömme saivat intervention siten kuin määrittelimme sen.
Mittausmenetelmä: Miten aiot tehdä mittauksia?
Minun on myös määriteltävä, miten aiot tehdä mittauksia. Mitä laitteita aiot käyttää? Miten vähennät muita vaihtelun lähteitä?
Tarkkuus ja tarkkuus ovat tutkimuksessa olennaisia. Varmista, että suunnitelmassasi kuvataan, miten saat hyviä mittauksia. Kirjoitin esimerkiksi kerran yksityiskohtaisen laitteiden kalibrointiasiakirjan varmistaakseni laadukkaat mittaukset tutkimuksen aikana. Kyseisessä tutkimuksessa hyvät mittaukset riippuivat päivittäisistä, standardoiduista kalibroinneista.
Luo näytteenottosuunnitelma: How Will You Collect Samples for Studying?
Tutkijoiden on määriteltävä tietty perusjoukko, jota he tutkivat. Otetaanko mukaan esimerkiksi kaikki masennuksen tasot vai vain lievistä vaikeisiin tapauksiin liittyvät tapaukset?
Kun olet määritellyt populaatiosi, sinun on laadittava suunnitelma otoksen keräämiseksi tästä populaatiosta. Otoksesi sisältää ne ihmiset tai kohteet, joita tutkimuksessasi arvioidaan. Tutkimuksissa, joissa käytetään päättelytilastoja, käytetään otoksen tietoja ja tehdään päätelmiä populaatiosta. Näissä tutkimuksissa otokset on kuitenkin kerättävä tavalla, joka tuottaa puolueettomia estimaatteja. Tähän prosessiin liittyy usein satunnaisotantamenetelmä, koska mukavuuteen perustuva menetelmä voi aiheuttaa harhaa.
Kirjallisuuskatsaukset paljastavat usein näytteenottomenetelmiä, joita muut tutkijat ovat käyttäneet tutkimusalueellasi. Määrittele, missä ja miten otos kerätään, mukaan lukien päivämäärä ja kellonaika, sijainti ja niin edelleen.
Viimeiseksi, kuinka paljon tietoja sinun tulisi kerätä? Toisaalta haluat kerätä riittävästi tietoja, jotta sinulla on kohtuullinen mahdollisuus havaita käytännössä merkittävä vaikutus. Toisaalta et halua hankkia niin suurta otosta, että se tuhlaa aikaasi ja resurssejasi. Tehoanalyysi auttaa sinua valitsemaan otoskoon, joka on tasapainossa näiden kahden kilpailevan tavoitteen välillä. Tehoanalyysin tekeminen edellyttää kuitenkin arvioita vaikutuksen koosta ja aineiston vaihtelusta. Tutustu jälleen kirjallisuuskatsaukseesi!
Related post: Population, Parameters, and Samples
Design the Experimental Methods
Sinun on määriteltävä hypoteesisi tilastollisen analyysin mahdollistamassa muodossa ja valittava sopiva analyysi. Hypoteesisi on oltava testattavissa, mikä tarkoittaa, että keräämäsi tiedot joko tukevat tai hylkäävät hypoteesin. Määritä tilastolliset analyysit, joilla hypoteesisi voidaan testata asianmukaisesti. Nämä menetelmiä koskevat päätökset alkavat hyvin korkealta tasolta, kuten satunnaistetun kokeen tai havainnointitutkimuksen valitseminen. Siitä voit edetä alaspäin perustavanlaatuisempiin kysymyksiin.
Vertaatko esimerkiksi ryhmien välisiä keskiarvoja, mediaaneja, osuuksia tai osuuksia? Tai kenties arvioida nominaalisten muuttujien tai jatkuvien muuttujien välistä suhdetta? Kaikki nämä kysymykset vaikuttavat tilastollisiin analyyseihin, joita voit suorittaa.
Lisäksi on olemassa kunkin analyysityypin mutterit ja pultit, jotka sinun on päätettävä. Mitä merkitsevyystasoa aiot käyttää? Yhden vai kahden hännän hypoteesitestejä? Jos käytät ANOVA:ta, teetkö sen jälkeen post hoc -testin? Jos vastaus on myönteinen, minkälainen? Mihin toimiin aiot ryhtyä varmistaaksesi, että havaitset kausaalista yhteyttä etkä vain korrelaatiota? Suoritatko satunnaistetun kokeen vai havainnointitutkimuksen?
Suunnitelmassasi tulisi rajoittaa käyttämiesi analyysien ja mallien määrää. Jokaisella tilastollisella testillä on virhetaso. Mitä enemmän testejä teet, sitä suurempi on väärien tulosten yleinen mahdollisuus. Näiden menetelmiä koskevien päätösten tekeminen etukäteen auttaa välttämään useiden tekniikoiden käyttämistä ja parhaiden tulosten poimimista ja vähentää tiedonlouhintaa, mikä pienentää todennäköisyyttä löytää satunnaisia korrelaatioita.
Operationalisointivaiheen pitäisi tuottaa suunnitelma, jossa kerrotaan, mitä mittaat, miten mittaat, miten keräät otoksen, koeasetelmasi, otoksen koko ja miten analysoit tiedot.
Vaihe 3: Tiedonkeruu
Tässä vaiheessa olet operationalisoinut tutkimuksesi ja sinulla on toimintasuunnitelma. Kun olet tehnyt tarvittavat järjestelyt, sinun pitäisi olla valmis keräämään aineistoa! Tutkimuksesi luonteesta riippuen tämä voi olla melko pitkä prosessi. Olitpa sitten laboratoriossa mittaamassa, tekemässä kyselyitä kentällä tai työskentelemässä koehenkilöiden kanssa, tiedonkeruu on usein se osa tutkimusta, joka vie eniten aikaa ja työtä.
Usein sinun on luotava oikeat olosuhteet mittausten tekemistä varten ja varmistettava, että kaikki toimii oikein. Ehkä sinun on saatava laboratorio-olosuhteet juuri oikeiksi ja varmistettava, että laitteet toimivat oikein, jotta saat päteviä mittauksia. Tai olet käymässä läpi yksityiskohtaisen prosessin saadaksesi todella satunnaisen näytteen. Joskus on vaikeaa rekrytoida riittävä määrä koehenkilöitä. Menetelmiin saattaa myös kuulua muun henkilökunnan kouluttaminen suorittamaan tehtävät täsmälleen ohjeiden mukaisesti. Kerran jouduin laatimaan koulutusvideon saadakseni johdonmukaisia tuloksia!
Vaikka yleensä työskentelet toimintasuunnitelmasi mukaan, ei ole harvinaista, että kohtaat yllätyksiä, ja sinun on sopeuduttava. Toivottavasti aihealueen tuntemuksesi ja kirjallisuuskatsauksesi auttavat sinua ennakoimaan suurimman osan yllätyksistä, mutta tieteessä on se, että tutkit usein jotain sellaista, jota tutkijat eivät ole tutkineet täysin aiemmin. Odota yllätyksiä!
Vaihe 4: Tilastollinen analyysi
Kuten tutkimuksesi tiedonkeruuvaiheen, myös analyysivaiheen pitäisi olla jo määritelty. Jos ”improvisoit”, et tee sitä oikein! Koko blogini käsittelee tilastollista analyysia, joten en aio toistella kaikkea tässä. Lyhyesti sanottuna, varmista, että analysoit tiedot oikein, tyydytät tarvittaessa oletukset ja teet oikeat johtopäätökset.
Tässä on kuitenkin yksi tärkeä seikka. Ongelmat matkan varrella voivat estää sinua tekemästä löytöjä tai mitätöidä havainnot jo hyvissä ajoin ennen kuin pääset edes tilastolliseen analyysiin. Kuten vanha sanonta kuuluu, garbage in, garbage out. Jos laitat tilastolliseen analyysiin roskatietoja, se antaa roskatuloksia. Jos kaikkia analyysiä edeltäviä vaiheita ei ole mietitty ja toteutettu huolellisesti, et ehkä voi luottaa tuloksiin tai tärkeitä havaintoja jää huomaamatta. Tieteessä on kyse siitä, että kaikki yksityiskohdat tehdään oikein.
Vaihe 5: Tulosten kirjoittaminen
Kun olet kerännyt aineiston ja analysoinut sen, sinun on kirjoitettava tulokset, jotta voit kertoa muille tutkijoille, mitä olet löytänyt. Ilmoita, mitä hypoteeseja tiedot tukevat, yleiset johtopäätökset ja mitä ne edustavat tieteenalan tai reaalimaailman puitteissa. Kyse on kuitenkin muustakin kuin tulosten kirjoittamisesta.
Tieteellinen menetelmä toimii toistamalla tuloksia – tai toistamatta jättämisellä. Tieteellisellä prosessilla on taipumus saada aikaan se, että oikeat vastaukset tutkimuskysymyksiin nousevat ajan myötä huipulle onnistuneen toistamisen kautta. Sitä vastoin se kitkee pois väärät tulokset sen jälkeen, kun niiden toistaminen ei onnistu.
Siten sinun on annettava riittävästi tietoa siitä, miten teit tutkimuksesi, jotta muut tutkijat voivat toistaa sen ja toivottavasti toistaa tulokset. Tyypillisesti sisällytät näkökohtia neljästä ensimmäisestä vaiheesta (taustatutkimus, operationalisointi, tiedonkeruu ja analyysi) lopulliseen kirjoitukseen. Standardit vaihtelevat aloittain, joten sinun kannattaa katsoa, miten oman alasi tutkimukset dokumentoidaan. Näin tutkimuksestasi tulee osa tietopohjaa, jonka varaan tulevat tutkimukset voivat rakentua – aivan kuten teit kirjallisuuskatsauksen aikana! Lisäksi kaikki yksityiskohdat auttavat muita tutkijoita määrittelemään tutkimuksesi vahvuudet ja heikkoudet, jotta he voivat tulkita tuloksia ymmärtäen samalla asiayhteyden.
Loppuun totean, että tilastollinen analyysi on tärkeä vaihe tieteellisessä prosessissa. Analyysi kertoo objektiivisesti, mitä hypoteesia aineisto puoltaa. Ennen tilastollista analyysia on kuitenkin pitkä lista asioita, joiden kaikkien on toimittava oikein, jotta voit luottaa tuloksiin.
Lue postaukseni soveltavan tilastotieteen käyttämisestä inhimillisen tietämyksen laajentamiseen, jos haluat tutustua joihinkin haasteisiin, joita kohtasin tieteellisen tutkijanurani alkuvaiheessa!