hipoteza statystyczna

Hipoteza statystyczna

Hipoteza statystyczna

Hipoteza statystyczna – Obiegowa opinia, że za pomocą statystyki można udowodnić wszystko (choć sąd ten wynika z innych przyczyn, o czym za chwilę), jest zupełną nie­prawdą, gdyż za pomocą metod statystycznych nie jesteśmy w stanie udowodnić prawdziwości jakiejkolwiek hipotezy i nigdy nie udowadniamy prawdziwości czy nieprawdziwości jakiejkolwiek tezy. Stosując statystykę, uzyskujemy wiedzę użyteczną (najczęściej także prawdziwą, choć nie zawsze).

Wracając do powszechnych opinii o statystyce, spotykamy również i takie:

  • statystyka to kłamstwa,
  • znam odpowiedź, dostarcz mi statystyk w celu jej uzasadnienia.

Wynikają one z tego, że istotnie używając niewłaściwych metod, czy wyko­rzystując tylko część i to tendencyjnie wybranych danych albo używając wymy­ślonych danych, możemy dowolnie wpływać na uzyskiwane rezultaty. Ale takie zjawiska występują w każdej dziedzinie ludzkiej działalności (np. statystyka medyczna). Lekarz wybierając niewłaściwy sposób leczenia, może spowodować śmierć pacjenta, piekarz uży­wając niewłaściwej mąki upiecze zakalec. Te same prawa rządzą stosowaniem metod statystycznych. Każda metoda statystyczna ma leżący u jej podstaw zbiór założeń i pewien zakres stosowalności i poza ten zakres nie mamy prawa wyjść, aby nie fałszować rezultatów.

Więcej tego typu rozważań oraz mnóstwo przykładów zastosowań statysty­ki znajdzie czytelnik w książce Rao (1994).

W statystyce matematycznej wyróżniamy dwa główne działy, do których daje się zakwalifikować znakomitą większość wykorzystywanych metod: teoria estymacji i testowanie hipotez statystycznych. Poniżej sformułowane zostaną podstawowe pojęcia z zakresu teorii testowania hipotez statystycznych oraz teorii estymacji. Pojęcia te będą sformułowane w pełnej ogólności, aby można było pokazać istotę statystyki jako problematyki podejmowania decyzji.

Hipoteza statystyczna to każde przypuszczenie dotyczące rozkładu (roz­kładów) prawdopodobieństwa badanej zmiennej losowej (zmiennych losowych). Przypuszczenie to może dotyczyć parametru (parametrów) rozkładu prawdopodobieństwa albo postaci tegoż rozkładu. Hipoteza statystyczna dotyczy teoretycznej kategorii badania, a nie wyni­ków uzyskanych z próby. Hipoteza statystyczna formułowana jest w terminach prawdziwych (choć nam nieznanych) wartości parametrów rozkładu bądź postaci rozkładu prawdopodobieństwa, czyli dotyczy prawdziwych wartości parametrów czy postaci rozkładu, a nie rezultatów uzyskanych na podstawie obserwacji (pomiarów) elementów próby. Wyniki liczbowe uzyskane z próby są podstawą do weryfikacji hipotezy statystycznej. Na podstawie próby, uogól­niając jej wynik, formułujemy pewne sądy dotyczące ogólniejszej rzeczywisto­ści – jest to istota metod indukcyjnych (rozumowania indukcyjnego).

Przykład 1. Hipoteza statystyczna

Porównujemy dwie grupy osób pod względem cechy, którą można mierzyć (masa ciała, wzrost, wskaźnik inteligencji, poziom cholesterolu całkowitego w surowicy krwi itp.). Stawiamy (formułujemy) hipotezę, że wartości oczeki­wane tejże zmiennej są takie same w obu grupach, tj.:

P1= P2

Podkreślam: hipoteza jest sformułowana w terminach „prawdziwych” war­tości parametru, dlatego w sformułowaniu hipotezy występują oznaczenia, jakich używaliśmy dla wartości oczekiwanej. Natomiast sprawdzanie, czyli weryfikację hipotezy, przeprowadza się na podstawie wyników uzyskanych w próbie i parametry obliczane na podstawie próby oznaczane będą inaczej.

Przykład 2. Hipoteza statystyczna

Twierdzimy, że badana przez nas cecha (zmienna losowa) ma rozkład normalny. Ta hipoteza jest sformułowana w terminach postaci funkcyjnej rozkładu praw­dopodobieństwa, ale znów dotyczy ona „prawdziwej zmiennej”, „teoretycznej zmiennej losowej”

Test statystyczny to reguła postępowania, która na podstawie wyników pró­by ma doprowadzić do PODJĘCIA PRZEZ NAS DECYZJI przyjęcia lub od­rzucenia postawionej hipotezy statystycznej. Przyjęcie hipotezy oznacza uzna­nie jej za prawdziwą, natomiast odrzucenie oznacza, iż uznajemy ją za fałszywą. Na podstawie przeprowadzonego testu statystycznego nie jesteśmy w stanie stwierdzić, czy nasza hipoteza statystyczna jest prawdziwa czy fałszywa. Badacz podejmuje decyzję o prawdziwości bądź fałszywości badanej hipotezy, ale jest to jego subiektywna decyzja, która nie musi być poprawna. Na szczęście ta su­biektywna decyzja jest obiektywizowana poprzez ocenę wielkości niepewności, tj. poprzez ocenę prawdopodobieństwa podjęcia decyzji błędnej.

analiza statystyczna wyników badań

Czym jest teoria naukowa?

założenia regresji logistycznej

Czym jest teoria naukowa? 

Teoria naukowa jest specyficznym typem teorii używanym w metodzie naukowej. Słowo „teoria” może mieć różne znaczenia, w zależności od tego kogo spytasz.

„Sposób w jaki naukowcy używają słowa ‘teoria’ różni się nieco od tego jak używane jest ono w mowie potocznej” – mówi Jaime Tanner, profesor biologii na Marlboro College – „większość ludzi używa tego słowa do wyrażenia idei albo przeczucia, które ktoś ma, ale w nauce słowo ‘teoria’ odnosi się do sposobu w jaki interpretujemy fakty”.

Proces stawania się teorią naukową 

Każda teoria naukowa zaczyna jako hipoteza. Według słownika, hipoteza to jest idea, która nie została jeszcze udowodniona. Jeżeli zbierze się wystarczająco dużo dowodów potwierdzających hipotezę, wtedy przechodzi ona na następny krok, znany w metodzie naukowej jako teoria i zostaje zaakceptowana jako obowiązujące wyjaśnienie danego zjawiska. Czym jest teoria naukowa?

Tanner dalej wyjaśnia, że teoria naukowa jest strukturą dla obserwacji i faktów. Teorie mogą się zmieniać, sposób w jaki są interpretowane też może się zmieniać, za to fakty same w sobie pozostają niezmienne. Tanner przyrównuje teorie do kosza, w którym badacze trzymają wykryte przez siebie fakty i obserwacje. Kształt tego kosza może się zmienić jeśli badacze dowiedzą się więcej i dołączą nowe fakty. „Na przykład, mamy wystarczający dowód, że cechy w populacjach stając się bardziej lub mniej powszechne w miarę upływu czasu (ewolucja), więc ewolucja jest faktem, naczelne teorie o ewolucji, sposób w jaki myślimy o tych wszystkich tworzących całość faktach, może się zmienić na skutek nowych obserwacji ewolucyjnych” – powiedziała Tanner magazynowi Live Science.

Podstawy teorii 

Uniwersytet w Kalifornii, Berkley, definiuje teorię jako „rozległe, naturalne wyjaśnienie dla szerokiego zasięgu zjawiska. Teorie są zwięzłe, spójne, systematyczne, przewidujące i szeroko dające się zastosować, często integrując i uogólniając wiele hipotez”.

Każda teoria naukowa musi być oparta na ostrożnej i racjonalnej weryfikacji faktów. Fakty i teorie to dwie różne rzeczy. W metodzie naukowej, jest wyraźne rozróżnienie pomiędzy faktami, które mogą być obserwowane i/lub mierzone, i teoriami, które są naukowymi wyjaśnieniami i interpretacjami tychże faktów.

Ważną część teorii naukowej obejmuje stwierdzenie, które ma obserwowalne konsekwencje. Dobra teoria, jak grawitacyjna teoria Newtona, ma jedność, co oznacza, że składa się z ograniczonej liczby strategii rozwiązujących problem, które mogą być zastosowane do szerokiej gamy warunków naukowych. Inną cechą dobrej teorii jest to, że została sformułowana z pewnej liczby hipotez, które mogą być testowane niezależnie od siebie.

Ewolucja teorii naukowej

 

Teoria naukowa nie jest końcowym rezultatem metody naukowej; teorie mogą być udowodnione albo odrzucone, tak samo jak hipotezy. Teorie mogą być ulepszone albo zmodyfikowane gdy zostanie zebrane więcej informacji, tak aby precyzja przewidywania zwiększała się z upływem czasu.

Teorie są podwalinami pod przyszłą wiedzę naukową i zastosowanie zebranych informacji w praktyce. Badacze używają teorii, by tworzyć wynalazki albo poszukiwać nowych lekarstw.

Czym jest teoria naukowa – Niektórzy wierzą, że teorie zostaną prawami, ale teorie i prawa mają oddzielną i różną rolę w metodzie naukowej. Prawo jest opisem zaobserwowanego zjawiska, który jest prawdziwy niezależnie od ilości przeprowadzonych nań testów. Nie tłumaczy dlaczego coś jest prawdą; jedynie stanowi, że to prawda. Teoria, z drugiej strony, wyjaśnia obserwacje zebrane w czasie procesu badawczego. Więc, pomimo że zarówno prawo i teoria są elementami procesu badawczego, są zupełnie różnymi jego aspektami, jak twierdzi National Science Teachers Association.

Czym jest teoria naukowa – Definicje teorii.

Van de Ven (1989, p487) – Dobra teoria wychodzi poza ustalone empirycznie obserwowane wzorce, czyli jest czymś co stara się wyjaśnić powody wystąpienia tych wzorców.

Whetten (1989, p491) – Teoria tylko i wyłącznie wyjaśnia. Mówi co i jak dostarczać ram dla interpretowania wzorców, rozbieżności lub naszych empirycznych obserwacji.

Gioia and Pitre (1990, p517) – Teoria jest spójnym opisem lub wyjaśnieniem obserwowanych lub doświadczanych fenomenów. Ta nietypowa definicja jest konieczna by objąć szeroki zakres teoretycznych reprezentacji odkrytych w różnych paradygmatach.

Becharach (1989, p498) – W bardziej szczegółowych terminach, teoria może być widziana jako system konstruktów i zmiennych w których konstrukty są związane z innymi poprzez propozycje i zmienne które są związane z innymi poprzez hipotezy. Cały system jest ograniczone przez teoretyczne założenia.

Suddaby (2014, p407) – Teoria jest prostym sposobem narzucania konceptualnego porządku na empiryczną złożoność zjawiskowemu światu.

Honderich (1995, p386) Teoria w nauce jest ogólnym stwierdzeniem (lub hipotezą) z której szczególne wnioski mogą być dedukowane. Dokonywane obserwacje mogą być widziane jako potwierdzające lub falsyfikujące hipotezy.

Peter Seddon (keynote speech1 – The Role Of Theory in Structural Equation Modelling Research) – Teoria jest wiedzą która dostarcza ważnych, dobrze uzasadnionych i jasno ograniczonych wyjaśnień tego, jak działa dana część świata.

analiza statystyczna wyników badań

Jakie jest stanowisko ASA (Amerykańskie Stowarzyszenie Statystyczne) na temat wartości p (istotności) w odniesieniu do psychologii?

Jakie jest stanowisko ASA (Amerykańskie Stowarzyszenie Statystyczne) na temat wartości p (istotności) w odniesieniu do psychologii?

„Żaden pojedynczy index nie powinien zastępować rozumowania naukowego”

– Oficjalne stwierdzenie ASA (Amerykańskiego Towarzystwa Statystycznego)

Oficjalne stanowisko Amerykańskiego Statystycznego Towarzystwa jest takie, że wartość istotności (p-value) jest złą miarą dowodową. My jako psychologowie potrzebujemy skalibrować nasze intuicje co do tego co jest dobrym dowodem. Zobacz pełne oświadczenie tutaj : Link do oficjalnej publikacji .

Amerykańskie Towarzystwo Statystyczne właśnie wydało swoje długo obiecywane oficjalne oświadczenie dotyczace swojego stanowiska wobec wartości istotności statystycznej. Jeśli tego nie pamiętasz (nie przejmuj się, to było lata temu), ASA odpowiedziało na BASP (Basic and Applied Social Psychology) na szeroko publikowanego banu  istotności statystycznej tak:

Grupa więcej niż 24 wybitnych statystyków profesjonalistów rozwija oświadczenie ASA na temat istotności statystycznej i wnioskowania, które podkreśla problemy i konkurujące ze sobą punktu widzenia. ASA zachęca redaktorów tego czasopisma (BASP) i innych mogących dzielić ich obawy, aby rozważyć co jest oferowane w stanowisku ASA, które pojawi się jeszcze w tym roku i nie odrzuca właściwego i odpowiedniego wykorzystania wnioskowania statystycznego.

Ten rozwój jest szczególnie istotny dla psychologów, ponieważ istotność statystyczna jest wszechobecna w naszej literaturze. Myślę, że w swoim życiu widziałem tylko garść artykułów bez istotności (głównie były to teoretyczne publikacje). Czy używamy zatem tego poprawnie? Co jest właściwą statystyką w kontekście badań naukowych, a konkretnie w psychologii? ASA jest tutaj by ukierunkować nasze myślenie o tym.

Zakres oświadczenia.

Oświadczenie zaczyna się od powiedzenia „Kiedy istotność statystyczna zaczyna być użyteczną statystyczną miarą, jest ona powszechnie nadużywana i błędnie interpretowana” Aby pomóc wyjaśnić jak wartość istotności statystycznej powinna być używana ASA „ wierzy, że społeczność naukowa, może skorzystać z oficjalnego i formalnego twierdzenia wyjaśniającego kilka powszechnie uzgodnionych zasad podkreślających prawidłowe użycie i interpretację wartości istotności. – ” Ich deklarowanym celem jest wyrażenie „ w nietechnicznych terminach kilku wybranych interpretacji, które mogły by polepszyć przeprowadzanie wnioskowań w kontekście ilościowej nauki, w związku z powszechną zgodną w statystycznej społeczności.”

Po kolei. Czym jest istotność statystyczna?

ASA podała następującą definicję istotności statystycznej:

„Istotność jest prawdopodobieństwem w określonym modelu statystycznym, który statystyczne podsumowuje dane (dla przykładu, średnia różni się między dwiema porównywanymi grupami) jako równe lub większe niż ekstremalna wartość.

Tak więcej istotność statystyczna jest stwierdzeniem prawdopodobieństwa w zaobserwowanych danych oraz danych bardziej ekstremalnych niż te obserwowane, dając podkreślenie statystycznemu modelowi (np. odrzucając hipotezę zerową).

Sześć zasad używania wartości p.

Podstawowym sensem oświadczenia jest to, że: Istotność statystyczna (p-value) może być używana jako miara niedopasowania pomiędzy danymi w modelu (np. hipotezy zerowej), ale ta miara nie mówi nam o prawdopodobieństwie, ze hipoteza zerowa jest prawdziwa. Miara ta nie mówi nam jakie działania powinniśmy podjąć – zgłosić to do dużego journala, zrozygnować/kontynuować linię badań, implementować interwencję. Nie mówi to nam jak duży lub ważny jest studiowany efekt. Bardziej ważne jest (w mojej opinii) to, że nie daje nam znaczącej miary dowodowej w odniesieniu do modelu lub hipotezy.

O to zasady interpretacji wartości istotnośćci (p-value).

  1. Istotność statystyczna może wskazywać jak niekompatybilne są dane w specyfikowanym modelu.
  2. Istotność statystyczna nie mierzy prawdopodobieństwa, że badana hipoteza jest prawdziwa albo prawodopodobieństwa, że dane zostały wytworzone przez przypadek.
  3. Naukowe konkluzje oraz biznesowe i polityczne decyzje nie powinny bazować tylko na tym czy wartość istotności przechodzi określony próg.
  4. Właściwe wnioskowanie wymaga pełnego raportowania i przejrzystości.
  5. Wartość istotności statystycznej nie mierzy siły efektu oraz znaczenia wyniku.
  6. Sama w sobie wartość istotności statystycznej nie stanowi dobrej miary potwierdzenia odnoszącego się do modelu lub hipotezy.

Więc co to znaczy dla psychologów?

ASA daje wiele jednoznacznych rekomendacji i warto przeczytać ich cały (lecz krótki) raport. Myślę, że najważniejszą zasadą jest zasada 5 i 6. Psycholodzy głównie używają wartości istotności statystycznej (p- value) jako miary dowodzenia uzyskanego przeciwko hipotezie zerowej. Przeprowadzasz badanie, sprawdzasz istotność statystyczną i jeśli jest ona poniżej wartości 0,05 to wtedy masz znaczące dowody przeciwko hipotezie zerowej, a potem czujesz usprawiedliwione wątpienie i konsekwentną pewność w kierunku swojej wyrażającej jakieś istnienie hipotezy.

ASA mówi nam co nie jest dobrą praktyką. Biorąc istotność statystyczną jako silny dowód tylko dlatego, że jest niższa niż wartość 0,05 jest aktualnie mylące: ASA szczególnie mówi „ istotność bliska 0,05 to słaby dowód na rzecz fałszywości hipotezy zerowej”. Wartość istotności statystycznej bliska 0,05 jest tylko osiągnięciem maksymalnego czynnika Bayesa na poziomie -/+ 2, co jest bardzo słabym poziomem dowodzenia i wiarygodności.

Najważniejsze jest to” Musimy skorygować nasze intuicje o tym co stanowi adekwatne dowody. Psychologia jest taka, że dowody na jej istnienie są niedopuszczalnie słabe na początku, kiedy prawidłowo oceniamy dowody z oryginalnych badań. Widzimy, że są przesłanki do wiary aby sądzić, że  afekty istniały od początku. Bazując na tak słabej przesłance jaką jest istotność statystyczna nie ma się co dziwić, że niepowodzenia replikacji są naturalną konsekwencją niskich standardów dowodowych.

Istnieje wiele (bardzo wiele) artykułów w statystycznej literaturze pokazujące, że wartość istotności statystycznej przecenia dowody przeciwko hipotezie zerowej. Teraz także ASA podjęła oficjalne stanowisko.

Poniżej umieszczamy kilka cytatów, które są odpowiednie dla praktykujących psychologów.

  1. Naukowcy powinni uznać, że wartość istotności statystycznej bez kontekstu lub innych dowodów dostarcza ograniczonej informacji. Dla przykładu wartość istotności statystycznej bliska 0,05 podjęte przez siebie oferuje tylko słabe dowodzenie przeciwko hipotezie zerowej. Ponad to stosunkowo duża wartość p nie implikuje dowodów na rzecz faworyzowania hipotezy zerowej. Wiele innych hipotez może być równych lub bardziej spójnych z obserwowanymi danymi. Z tego powodu analiza danych powinna nie kończyć się na kalkulacji wartości istotności statystycznej w przypadku kiedy inne metody mogą być odpowiednie i wykonalne.
  2. Z uwagi na powszechne nadużycia i nieporozumienia dotyczące wartości p, niektórzy statystycy preferują zastąpienie lub nawet zamianę wartości istotności z innymi podejściami. Zawierają się w tym metody, które podkreślają oszacowanie ponad testowanie takie jak ufność, wiarygodność lub przedziały dla predykcji. Metody Bayesowskie jako alternatywne miary dowodzenia np. wskaźniki prawdopodobieństwa lub czynniki Bayesa.
  3. Powszechnie użycie „statystycznej istotności” ogólnie interpretowane jako p<0,05 jako licencji na tworzenie twierdzeń o odkryciu naukowym (lub domniemania prawdy) prowadzi do znacznego wypaczenia procesu naukowego i publikowanej wiedzy.
  4. Ilekroć badacz wybiera co przedstawić na podstawie statystycznych wyników, ważne interpretacje tych wyników są mocno przeceniane przez czytelnika. Naukowcy powinni ujawniać liczbę hipotez eksplorowanych podczas badania, wszystkie dane dotyczące zbierania danych i wszystkich policzonych analiz i wartości istotności. Ważne naukowe konkluzje bazujące na wartości istotności (p-value) i związanymi z nimi statystykami nie mogą być wyciągane z bez znajomości co najmniej tego ile i jakich analiz dokonano i jak te analizy (zawierające istotność statystyczną) zostały wyselekcjonowane do raportowania.
  5. Statystyczna istotność nie jest ekwiwalentem naukowości. Mniejsze wartości istotności niekoniecznie sugerują obecność mniejszego lub większego efektu, a większe wartości p nie oznaczają braku znaczenia lub nawet braku efektu.

 

analiza statystyczna w nauce

Etapy wnioskowania statystycznego i wybór odpowiedniego testu.

meto

 

Na etapy wnioskowania statystycznego i wyboru testu składają się następujące punkty:

-sformułowanie hipotezy zerowej i alternatywnej

-określenie skali pomiarowej badanej zmiennej

-wybór testu statystycznego

-określenie poziomu istotności alfa dla testu statystycznego i wielkości próby N

-określenie rozkładu z próby statystyki danego testu statystycznego przy założeniu słuszności hipotezy zerowej

-określenie obszaru odrzuceń hipotezy zerowej

-obliczenie wartości statystyki testu i podjęcie decyzji odnośnie hipotezy zerowej

Przy wyborze odpowiedniego testu statystycznej istotności różnic należy wziąć pod uwagę 4 rzeczy:

  1. Skala pomiarowa (zmiennej zależnej)

-nominalna

-porządkowa

-interwałowa lub ilorazowa

  1. Liczebność grup

-małe (do 30 osób)

-duże (powyżej 30 osób)

3.Liczba porównywanych grup

-testy dla jednej grupy

-testy dla dwóch grup

-testy dla więcej niż dwóch grup

  1. Grupy zależne lub niezależne (techniki wyboru osób do próby)

Gdy już odpowiemy sobie na powyższe pytania z łatwością dobierzemy odpowiedni test statystyczny.

Pomiar zmiennej interwałowej

Autorem tekstu jest Marta Mrozek.

POMIAR ZMIENNEJ NA SKALI NOMINALNEJ

GRUPY ZALEŻNE                                                                        GRUPY NIEZALEŻNE

test McNemary                                              Małe liczebności                     Duże liczebności

Test Fishera                            Test Chi-kwadrat

POMIAR ZMIENNEJ NA SKALI PORZĄDKOWEJ

DWIE GRUPY                                                         WIĘCEJ NIŻ DWIE GRUPY

GRUPY ZALEŻNE  GRUPY NIEZALEŻNE

GRUPY ZALEŻNE  GRUPY NIEZALEŻNE

Test Wilcoxona          Test Manna-Whitneya

Test Friedmana           Test Kruskala-Wallisa

POMIAR ZMIENNEJ NA SKALI INTERWAŁOWEJ

JEDNA GRUPA                   DWIE GRUPY                     WIĘCEJ NIŻ DWIE GRUPY

Duża   Mała                            Zależne           Niezależne                              ANOVA

Test Z     Test t dla  jednej średniej                Duża        Mała                         Duża   Mała

jednej średniej

Test Z dla                   Test t dla         Test Z dla dwóch średnich

danych zależnych       danych zależnych

Badamy homogeniczność                                                                                                     wariancji

wariancje w grupach są równe     wariancje w grupach różnią się

Test t dla dwóch średnich                 Test t dla dwóch średnich z poprawką na nierówność wariancji

analizy statystyczne w nauce, analizy do prac magisterskich

Pytania badawcze i rodzaje hipotez. Czego możemy się spodziewać i jak określać nasze przewidywania ?

 

„Być ciekawym – to wychodzić z pewnego nieruchomego centrum, to usiłować uchwycić, ująć przedmiot, o którym miało się jedynie niejasne lub schematyczne wyobrażenie. W tym znaczeniu wszelka ciekawość skierowana jest ku peryferiom.”

Gabriel Marcel „Homo viator”

Pytanie badawcze jest jak fundament, punkt wyjścia dla badania naukowego. Od tego jak precyzyjnie zostanie ono sformułowane zależy cały dalszy proces. Co więcej, dobre pytanie pozwala na wyodrębnienie istotnych zmiennych, co znacząco ułatwia dalszą pracę nad interesującym nas zagadnieniem.

Ze względu na potrzeby obliczeń statystycznych, uwzględnia się dwa podziały: dotyczący podstawowej decyzji przy wyborze problematyki badawczej oraz ogólnego kształtu przewidywanych zależności. W przypadku pierwszego podziału rozróżnia się pytania o różnice i pytania o związek. Pytania o różnice dotyczą przeważnie porównań między grupami osób. Przykład: „Czy kobiety różnią się od mężczyzn pod względem tolerancji na ból?”. Natomiast pytania o związek dotyczą korelacji zmiennych, np. „czy osiągnięcia sportowe są związane z poziomem motywacji wewnętrznej?”.

  Drugi podział rozróżnia pytania kierunkowe i niekierunkowe. Gdy mamy przesłanki dotyczące zależności w postaci wcześniejszych badań, możemy postawić pytanie kierunkowe. Wskazuje ono jaki przewidujemy kierunek zależności. Za przykład może posłużyć: „ Czy kobiety są bardziej odporne na ból niż mężczyźni?”. W przypadku pytania niekierunkowego nie określamy kierunku zależności, lecz tylko przewidujemy, że pojawiają się jakieś różnice pomiędzy badanymi grupami.

Przy zadawaniu pytania badawczego warto zastanowić się nad hipotezą badawczą, która precyzuje, jaki układ wyników możemy przewidywać na podstawie istniejących koncepcji teoretycznych i wyników dotychczasowych badań. Utworzenie i rozważenie każdej możliwej hipotezy znacznie ułatwia późniejsze zrozumienie otrzymanych wyników.

Wszystkie badane zjawiska charakteryzuje jakiś poziom zmienności, a celem wykonywanych badań jest wyjaśnienie owej zmienności. Zmienną nazywamy właściwość (cechę), która może przyjmować co najmniej dwie różne wartości w danym zbiorze elementów.

Ze względu na obserwowalność wskaźników, zmienne możemy podzielić na latentne (teoretyczne) i obserwowalne (wskaźniki zmiennych teoretycznych). Zmienne latentne to takie, które występują tylko teoretycznie np. inteligencja. Nie możemy ich zobaczyć, ale możemy zobaczyć ich przejawy (manifestacje). Na podstawie wartości zmiennych obserwowalnych wnioskujemy o wartości zmiennej latentnej. (zachęcamy do zapoznania się z metodą modelowania równań strukturalnych w kontekście pomiaru cech latentnych)

W przypadku gdy badane są różnice między dwoma grupami w zakresie określonej zmiennej, zmienne podzielić można pod kątem ich roli w badaniu. W ten sposób otrzymujemy zmienne wyjaśniane (w badaniach eksperymentalnych zależne) i zmienne wyjaśniające ( w badaniach eksperymentalnych niezależne).  Zmienną niezależna jest np. płeć. W przypadku badania dotyczącego różnic w poziomie optymizmu między kobietami a mężczyznami, to właśnie poziom optymizmu będzie zmienną, którą będziemy chcieli wyjaśnić, przy pomocy zmiennej wyjaśniającej/niezależnej czyli płci. Ze zmiennymi współwystępującymi mamy do czynienia gdy interesuje nas związek pomiędzy zmiennymi. Czy przy danej wartości cechy A, możemy przewidywać określony poziom cechy B. Jeżeli taka zależność istnieje to zmienne niezależne nazywamy w tym przypadku predyktorami.

Zmienne podzielić jeszcze można w związku z ich rolą w schemacie badania i konstruowaniu teorii psychologicznych. Podział ten wyróżnia moderatory  i mediatory. Moderator określa warunki konieczne do wystąpienie efektu i odpowiada na pytania „kto?”, „kiedy” i „w jakich warunkach?”. Mediator określa dlaczego obserwujemy relacje między zmienną zależną i niezależną. Innymi słowy definiuje, dlaczego dane zjawisko działa.

Autorem tekstu jest Martyna Kuligowska

kpt kuligov 3

Władzą jest wiedza o źródłach zmienności Metodolog.pl motto