Den vetenskapliga metoden är ett beprövat förfarande för att öka kunskapen genom experiment och analys. Det är en process som använder sig av noggrann planering, rigorös metodik och grundlig bedömning. Statistisk analys spelar en viktig roll i denna process.
I ett experiment som innefattar statistisk analys är analysen i slutet av en lång serie händelser. För att få giltiga resultat är det avgörande att du noggrant planerar och genomför en vetenskaplig studie för alla steg fram till och med analysen. I det här blogginlägget kartlägger jag fem steg för vetenskapliga studier som inkluderar statistiska analyser.
Kartläggning av processen för vetenskapliga studier
Det är viktigt att du förstår den vetenskapliga metoden och vet hur man utformar en vetenskapligt rigorös studie som inkluderar statistisk analys. Misstag på vägen kan ogiltigförklara resultaten av din analys. Jag har delat in processen i fem steg. Beroende på hur ditt experiment ser ut kan du behöva betona eller avdramatisera vissa aspekter.
Till exempel kommer studier av fysikaliska fenomen att se mycket annorlunda ut än studier inom samhällsvetenskaperna. På samma sätt kommer studier som använder designade faktoriella experiment, observationsstudier och undersökningar att se olika ut. Även om studierna kan skilja sig drastiskt åt använder de alla aspekter av samma färdplan som jag lägger fram.
Denna färdplan gäller vetenskapliga studier som innehåller statistisk analys eftersom min blogg handlar om statistisk analys. Men även rent kvalitativa studier kommer att dela många av samma steg.
Stråken i en vetenskapligt rigorös studie är följande:
- Forskningsfasen.
- Definiera problemet och forskningsfrågan.
- Litteraturgenomgång.
- Operationsfasen.
- Definiera dina variabler och mätmetoder.
- Utforma experimentella metoder.
- Datainsamling.
- Statistiskt analysera data och dra slutsatser.
- Kommunicera resultaten.
Relaterat inlägg: Vikten av statistik
Steg 1: Undersök ditt undersökningsområde
God vetenskaplig forskning förutsätter att du samlar in mycket information innan du ens börjar samla in data. Du måste undersöka ditt ämnesområde för att skriva en forskningsfråga som din studie rimligen kan besvara. Därefter måste du utveckla fördjupad kunskap om andra studier för att utforma en plan för hur du ska genomföra din studie.
Förbered din forskningsfråga
Det första steget i din studie är att formulera en forskningsfråga. Detta är den fråga som du vill att din studie ska besvara. Forskningsfrågorna fokuserar ditt experiment, hjälper dig att vägleda din beslutsprocess och hjälper till att förhindra att sidofrågor distraherar dig från ditt mål.
Typiskt sett börjar forskarna med ett brett ämne och forskar om ämnesområdet. Bestäm vilka typer av frågor som forskare har besvarat och inte har besvarat. Denna process hjälper till att begränsa det breda ämnet till en mer specifik forskningsfråga. Bestäm vilka studier som forskare redan har utfört och vilken litteratur som redan finns. Kommer du att besvara en ny fråga eller försöka upprepa tidigare forskning?
Din forskningsfråga bör vara lämplig för din disciplin. Följaktligen varierar egenskaperna hos lämpliga forskningsfrågor avsevärt beroende på ämnesområde. Till exempel ser acceptabla forskningsfrågor olika ut för fysik, psykologi, biologi och statsvetenskap. De har dock vissa gemensamma egenskaper.
Forskningsfrågor måste vara tydliga och koncisa. Därför bör läsarna av din korta forskningsfråga tydligt förstå syftet med din studie. Se dessutom till att frågans omfattning är tillräckligt smal för att din forskning rimligen kan besvara den med hjälp av tillgänglig tid och resurser.
Typiskt sett börjar utvecklingen av din forskningsfråga ofta med ett ämne som du är intresserad av och som inbegriper viss inledande forskning. Denna inledande forskning hjälper dig att utforma en användbar forskningsfråga. Efter att du har utarbetat din fråga måste du dock göra en mycket mer djupgående genomgång av litteraturen. Och du kommer troligen att utföra en viss iterativ finjustering. Under litteraturgenomgången kan det hända att du kommer på dig själv med att justera forskningsfrågan.
Litteraturgenomgång
En litteraturgenomgång är en mycket omfattande bakgrundsundersökning av din forskningsfråga. Det finns två primära mål med en litteraturgenomgång för en vetenskaplig studie som inbegriper statistisk analys.
För det första måste du helt och hållet förstå det ämnesområde som innehåller din forskningsfråga. Vad har andra studier kommit fram till? Identifiera de signifikanta samband och effekter som litteraturen erkänner tillsammans med deras storlek och riktning. Vilka variabler och faktorer spelar en roll?
Kort sagt, definiera det aktuella vetenskapliga kunskapsläget kring din forskningsfråga. Denna process hjälper dig att avgöra hur din studie passar in i fältet, gör det möjligt för dig att förstå tankeprocesserna bakom liknande studier och ger dig en allmän uppfattning om resultaten hittills.
För det andra behöver du information som hjälper dig att operationalisera din studie. Operationalisering är processen där man tar den allmänna idén om din forskningsfråga och skapar en handlingsplan som möjliggör ett experiment för att besvara frågan. Om din studie omfattar statistisk analys måste du fastställa hur andra studier har använt statistik för att besvara liknande frågor.
Med detta i åtanke fastställer du följande:
- Vilka data har liknande studier samlat in? Vilka variabler?
- Hur mätte de variablerna?
- Hur drog de sitt urval?
- Vilka metoder använde de för att analysera uppgifterna? Vilka analyser och experimentella utformningar?
Du vill också lära dig mer om styrkor, svagheter och misstag som andra studier har gjort. Undvik andras misstag och bygg på deras styrkor!
Förstudiefasen bör ge en forskningsfråga, fördjupade kunskaper om ämnesområdet och relevanta resultat samt en grundlig förståelse för hur andra forskare har operationaliserat liknande studier. Denna bakgrundsinformation hjälper dig att utforma ditt eget experiment.
Steg 2: Operationalisera din studieplan
Operationalisera en studie är processen där du tar din forskningsfråga, använder den bakgrundsinformation du samlat in och formulerar en handlingsplan. Planen omfattar allt från att definiera variabler till hur du ska analysera data.
Variabler: Vad ska du mäta?
Studier som använder statistik för att besvara frågor kräver att du samlar in data i form av variabler som du ska analysera. Följaktligen måste du definiera de variabler som du ska mäta och bestämma hur du ska mäta dem. Om du inte samlar in rätt data eller om du mäter dem felaktigt kanske du inte kan besvara din forskningsfråga. I själva verket kan de variabler som du inte mäter påverka resultaten för de variabler som du mäter, tack vare bias av utelämnade variabler! Ta dig tid att bestämma vilka variabler du behöver mäta för att besvara din forskningsfråga.
Om du till exempel studerar depression, hur ska du då definiera och mäta depression? Din litteraturgenomgång bör informera ditt beslut om att använda en accepterad definition av depression och välja en vetenskapligt validerad metod för att bedöma depression. Vetenskapen bygger på sig själv!
Om du försöker förutsäga depression, beskriva dess samband med andra variabler eller utvärdera behandlingar måste du definiera dessa variabler operativt och bestämma hur du ska mäta dem.
Typer av variabler och behandlingar
En studie kommer att ha en beroende variabel. Denna variabel är det resultat som du studerar. Typiskt sett vill studierna förstå hur förändringar i en eller flera oberoende variabler påverkar den beroende variabeln. Beroende på typen av experiment kommer forskarna antingen att kontrollera eller inte kontrollera de oberoende variablerna. Om man kontrollerar variablerna måste man bestämma inställningarna för de kontrollerbara variablerna.
De flesta studier innehåller en behandling, intervention eller någon annan jämförelse som man vill göra. Du måste definiera behandlingen och se till att det finns ett system för att leverera den som krävs. Det gäller inte bara för medicinska behandlingar utan för alla interventioner.
Till exempel deltog jag i en interventionsstudie om motion för att fastställa om den påverkar bentätheten. Vi definierade vår intervention som sessioner som sker tre gånger i veckan och består av 30 stötar som motsvarar sex gånger försökspersonernas kroppsvikt. Vi hade rutiner, utrustning och utbildning på plats för att se till att våra försökspersoner fick interventionen enligt vår definition.
Mätmetodik: Hur kommer du att göra mätningar?
Du måste också ange hur du kommer att göra mätningar. Vilken utrustning kommer du att använda? Hur kommer du att minska andra variationskällor?
Precision och noggrannhet är viktigt inom forskningen. Se till att din plan beskriver hur du får bra mätningar. Jag skrev till exempel en gång ett detaljerat dokument om kalibrering av utrustning för att säkerställa högkvalitativa mätningar under studiens gång. För den studien var bra mätningar beroende av dagliga, standardiserade kalibreringar.
Skapa en provtagningsplan: Hur kommer du att samla in prover för att studera?
Forskare måste specificera den särskilda population de studerar. Kommer du till exempel att inkludera alla nivåer av depression eller endast milda till svåra fall?
När du har definierat din population måste du utforma en plan för att samla in ett urval från den populationen. Ditt urval innehåller de personer eller objekt som din studie bedömer. Studier som använder inferentialstatistik tar stickprovsdata och drar slutsatser om en population. Dessa studier måste dock samla in stickprov på ett sätt som ger opartiska uppskattningar. Denna process inbegriper ofta en metod för slumpmässigt urval eftersom en metod som bygger på bekvämlighet kan införa bias.
Litteraturgenomgångar kommer ofta att avslöja metoder för insamling av urval som andra forskare har använt inom ditt undersökningsområde. Bestäm var och hur du ska samla in urvalet, inklusive datum och tid, plats och så vidare.
Till sist, hur mycket data ska du samla in? Å ena sidan vill du samla in tillräckligt med data för att ha en rimlig chans att upptäcka en praktiskt taget signifikant effekt. Å andra sidan vill du inte få ett så stort urval att det slösar bort din tid och dina resurser. En effektanalys hjälper dig att välja en urvalsstorlek som skapar en balans mellan dessa två konkurrerande mål. För att utföra en effektanalys behöver du dock uppskattningar för effektstorlek och variabilitet i data. Återigen, titta på din litteraturöversikt!
Relaterat inlägg: Du måste definiera din hypotes i en form som lämpar sig för statistisk analys och välja lämplig analys. Din hypotes måste kunna testas, vilket innebär att de data du samlar in antingen stöder eller förkastar hypotesen. Bestäm vilka statistiska analyser som på lämpligt sätt kan testa dina hypoteser. Dessa metodbeslut börjar på en mycket hög nivå, t.ex. att välja mellan ett randomiserat experiment och en observationsstudie. Därifrån kan du arbeta dig ner till mer grundläggande frågor.
Till exempel kommer du att jämföra medelvärden, medianer, proportioner eller andelar mellan grupper? Eller kanske bedöma förhållandet mellan nominella variabler eller kontinuerliga variabler? Alla dessa frågor påverkar de statistiska analyser som du kan utföra.
Därtill kommer de praktiska detaljerna för varje typ av analys som du måste bestämma dig för. Vilken signifikansnivå kommer du att använda? Ensidiga eller tvåsidiga hypotesprövningar? Om du använder ANOVA, kommer du att följa upp med ett post hoc-test? Om så är fallet, vilket? Vilka åtgärder kommer du att vidta för att fastställa att du observerar orsakssamband snarare än bara korrelation? Kommer du att genomföra ett randomiserat experiment eller en observationsstudie?
Din plan bör begränsa antalet analyser och modeller som du kommer att använda. Varje statistiskt test har en felprocent. Ju fler tester du utför, desto större är den totala risken för ett felaktigt resultat. Om du fattar dessa metodbeslut i förväg kan du undvika att använda flera tekniker och välja ut de bästa resultaten och minska datautvinning, vilket minskar sannolikheten för att hitta slumpmässiga korrelationer.
Operationaliseringsfasen bör resultera i en plan som talar om vad du kommer att mäta, hur du kommer att mäta det, hur du kommer att samla in ett urval, din experimentella design, storleken på urvalet och hur du kommer att analysera data.
Steg 3: Datainsamling
I det här skedet har du operationaliserat din studie och har en handlingsplan. När du har gjort de nödvändiga arrangemangen bör du vara redo att samla in data! Beroende på vilken typ av forskning du bedriver kan detta vara en ganska lång process. Oavsett om du är i labbet och mäter, är ute och administrerar undersökningar på fältet eller arbetar med människor är datainsamling ofta den del av studien som tar mest tid och arbete.
Ofta måste du ställa in de rätta förhållandena för att göra mätningar och kontrollera att allt fungerar korrekt. Kanske måste du få laboratorieförhållandena precis rätt och se till att utrustningen fungerar som den ska för att få giltiga mätningar. Eller så går du igenom en detaljerad process för att få ett verkligt slumpmässigt urval. Ibland är det svårt att rekrytera ett tillräckligt antal mänskliga försökspersoner. Förfarandena kan också innebära att man måste utbilda annan personal för att utföra uppgifter exakt enligt föreskrifterna. Jag var en gång tvungen att skapa en utbildningsvideo för att få konsekventa resultat!
Samtidigt som du i allmänhet arbetar utifrån din operativa plan är det inte ovanligt att du stöter på överraskningar, och du måste anpassa dig. Förhoppningsvis hjälper dina ämneskunskaper och din litteraturgenomgång dig att förutse de flesta överraskningar, men grejen med vetenskap är att du ofta studerar något som forskare inte har studerat fullt ut tidigare. Förvänta dig överraskningar!
Steg 4: Statistisk analys
Som datainsamlingsfasen i din studie bör du redan ha analysfasen definierad. Om du ”improviserar” gör du det inte på rätt sätt! Hela min blogg handlar om statistisk analys, så jag tänker inte upprepa allt här. Kort sagt, se till att du analyserar data på rätt sätt, uppfyller antagandena där det behövs och drar rätt slutsatser.
Det finns dock en viktig punkt att ta upp här. Problem längs vägen kan hindra dig från att göra upptäckter eller ogiltigförklara resultaten långt innan du ens kommer till den statistiska analysen. Som det gamla talesättet säger: skräp in, skräp ut. Om du lägger in skräpdata i den statistiska analysen kommer den att spotta ut skräpresultat. Om alla steg som leder fram till din analys inte är noggrant genomtänkta och utförda kanske du inte kan lita på resultaten eller missar viktiga upptäckter. Vetenskap handlar om att få alla detaljer att stämma.
Steg 5: Skriva resultaten
När du har samlat in data och analyserat dem måste du skriva ner resultaten för att informera andra forskare om vad du har hittat. Ange vilka hypoteser som uppgifterna stöder, de övergripande slutsatserna och vad de representerar inom ramen för det vetenskapliga fältet eller den verkliga världen. Det handlar dock om mer än att bara skriva ner resultaten.
Den vetenskapliga metoden fungerar genom att man replikerar resultaten – eller misslyckandet med att göra det. Den vetenskapliga processen tenderar att leda till att de korrekta svaren på forskningsfrågorna stiger uppåt med tiden genom framgångsrik replikering. Omvänt rensar den ut felaktiga resultat efter att de misslyckats med att replikera.
Följaktligen måste du ge tillräckligt med information om hur du genomförde din studie så att andra forskare kan upprepa den och, förhoppningsvis, replikera resultaten. Vanligtvis kommer du att inkludera aspekter av de fyra första stegen (bakgrundsforskning, operationalisering, datainsamling och analys) i den slutliga skrivningen. Standarderna varierar beroende på område, så du bör se hur studier inom ditt område dokumenterar sig själva. På så sätt blir din forskning en del av kunskapsbasen för framtida studier att bygga vidare på – precis som du gjorde under din litteraturgenomgång! Dessutom hjälper alla detaljer andra forskare att fastställa styrkor och svagheter i din studie så att de kan tolka resultaten samtidigt som de förstår sammanhanget.
Slutningsvis är statistisk analys ett viktigt steg i den vetenskapliga processen. Analysen talar objektivt om för dig vilken hypotes som uppgifterna gynnar. Det finns dock en lång lista med punkter före den statistiska analysen som alla måste gå rätt till för att du ska kunna lita på resultaten.
För att lära dig mer om några av de utmaningar som jag ställdes inför i början av min vetenskapliga forskarkarriär kan du läsa mitt inlägg om att använda tillämpad statistik för att utöka den mänskliga kunskapen!