Wykres pogodowy Metodolog

Ogół społeczeństwa nie ma pojęcia, co oznacza „istotne statystycznie”

Metodolog - statystyczna analiza data minig

Metodolog.pl – Analiza Statystyczna w nauce

Firma statystyczna METODOLOG

Ogół społeczeństwa nie ma pojęcia, co oznacza „istotne statystycznie”

Tytuł tego wpisu nie powinien szokować kogoś, kto miał zajęcia podstawowe ze statystyki. Statystyka jest pełna terminów, które mają szczególne znaczenie statystyczne oprócz codziennego znaczenia.

Kilka przykładów:

Znaczące, zaufanie, moc, losowe, średnia, krzywa normalna, wiarygodne, chwila, uprzedzenia, interakcja, prawdopodobieństwo, błąd, obciążenia, ciężary, niebezpieczeństwo, ryzyko, bootstrap, informacje, jack-knife, jądro, niezawodne ważności; a to tylko wierzchołek góry lodowej. (Oczywiście im lista robi się dłuższa, tym więcej lekcji statystyki trzeba podjąć).

Nie powinno dziwić, że błędy ludzi w znaczeniu terminologii statystycznej  dotyczą zwykle znaczenia angielskiego, kiedy prawie każde słowo ma jakieś podwójne znaczenie.

Philip Tromovitch (2015) niedawno wypuścił zgrabny artykuł, w którym przetestował nieco ponad 1000 członków ogółu społeczeństwa na ich rozumienie znaczenia „istotność”, termin, który ma bardzo precyzyjną definicję statystyczną: przy założeniu hipotezy zerowej jest prawdziwy (zwykle definiowany jako brak efektu).

Jednak w codziennym języku angielskim, coś, co jest istotnym oznacza, że jest godne i warte naszej uwagi. Zamiast podać oczywistą definicję słownika, zapytałem mamę, co myśli. Powiedziała, że interpretuje wyrażenie, takie jak „nastąpił znaczny spadek sprzedaży od 2013 do 2014”, że spadek sprzedaży był „dość duży, istotny.” (Dzięki mama :)) Ale to tylko jeden osoba. Co myślą respondenci badania Tromovitch?

Tromovitch zbadał w sumie 1103 osób. Poprosił 611 swoich respondentów o odpowiedź na pytanie wielokrotnego wyboru, a reszta odpowiedziała na wariant  pytań otwartych. Oto pytanie wielokrotnego wyboru jego respondentów:

  • Kiedy naukowcy deklarują, że odkrycie w ich pracy jest „istotne”, które z poniższych uważasz, że jest najbliższe temu co mówią:
  • Stwierdzenie: jest duże
  • Stwierdzenie: jest ważne
  • Stwierdzenie: jest inne niż by się tego spodziewano przypadkowo
  • Stwierdzenie: było nieoczekiwane
  • stwierdzenie: jest bardzo precyzyjne
  • stwierdzenie: opiera się na dużej próbce danych

Respondenci, którzy wybrali dwie pierwsze odpowiedzi uznano, że niewłaściwie używają języka angielskiego, wybranie trzeciej odpowiedź zostało uznana za poprawne, a wybranie którejkolwiek z finałowej trójki uznano za błędne odpowiedzi. Oddzielił respondentów posiadających stopień doktora (n = 15) od reszty, ale nie otrzymał żadnej informacji na temat tego, co było w jakiej dziedzinie byli doktorami, więc będę po prostu zapoznawać się z pozostałymi wynikami próbek od tego momentu, ponieważ próbkę dotyczącą doktorów należy traktować z przymrużeniem oka.

Mniej więcej 50% respondentów dało ogólno-angielską interpretację „znaczące” (opcje 1 lub 2), z grubsza 40% wybrało jedną z pozostałych trzech błędnych odpowiedzi (opcje 4, 5 lub 6), a mniej niż 10% w rzeczywistości wybrało prawidłową odpowiedź (opcja 3). Nawet gdyby były one całkowicie zgadywane, czego można oczekiwać, żeby zbliżyć się do 17% prawidłowej (1/6).

Ale chyba format wielokrotnego wyboru nie jest najlepszym sposobem, aby otrzymać wyniki, ponieważ test zapewnia wiele odpowiedzi, które brzmią zupełnie rozsądne. Tromovitch zadał to również jako pytanie otwarte, aby zobaczyć, jakiego rodzaju odpowiedzi ludzie generują sami. Jeden wariant testu wyraźnie mówi, że chce wiedzieć o istotności statystycznej, a drugi po prostu wymienia znaczenie. Dokładne sformułowanie brzmiało:

Naukowcy czasem twierdzą, że odkrycie w ich pracy jest „[statystycznie] znaczące.” Jeśli byś zaktualizował słownik angielskiego nowoczesnym amerykańskim, w jaki sposób zdefiniował byś pojęcie „[statystycznie] znaczące„?

Czy respondenci odpowiedzieli lepiej, kiedy mogli odpowiadać swobodnie? Wcale nie. Żaden test nie miał wysokiego wskaźnika sukcesu; udzielili poprawnych odpowiedzi na około 4% i 1%. To przekłada się na dosłownie 12 poprawnych odpowiedzi na ogólną liczbę 492 respondentów obojga monitów łącznie (w tym reakcje PHD). Tromovitch bierze pod uwagę wszystkie te odpowiedzi w dodatku, dzięki czemu można przeczytać rodzaje odpowiedzi, które zostały podane i uznane za poprawne.

Jeśli spojrzeć na odpowiedzi można zobaczyć, że większość z nich oznacza jakieś oświadczenie o prawdopodobieństwie prawdziwości jednej lub drugiej hipotezy, co jest niedozwolone w wyniku prawidłowego określenia istotności statystycznej! Na przykład, jedna odpowiedź kodowana jako prawidłowa jak powiedział, „Prawdopodobieństwo, że wynik / ustalenia nie są dziełem przypadku i prawdopodobnie prawdą” jest rażąco błędne. Prawdopodobieństwo, że wyniki nie są dziełem przypadku, nie jest tym o czym mówi nam znaczenie statystyczne. Większość odpowiedzi zakodowanych jako „poprawne” przez Tromovitch jest dość niejasnych, więc nie jest to oczywiste, że nawet w tych poprawnych Respondenci mają dobry uchwyt koncepcji. Nic dziwnego, że opinia publiczna patrzy na statystyki, jak gdyby była jakąś magia. Nie rozumieją ich w ogóle.

To co wyniosłem z tego badania to tytuł tego kawałka: ogół społeczeństwa nie ma pojęcia co oznacza istotność statystyczną. To nie jest zaskakujące, jeśli wziąć pod uwagę, że badacze sami często nie wiedzą, co to znaczy! Nawet profesorowie uczący metod badawczych i statystyk robią to źle. Wyniki Haller & Krauss (2002), budynek off Oakes (1986) sugerują, że to jest normalne dla studentów, pracowników naukowych, a nawet instruktorów metodycznych, że wprowadza się błędne interpretacje p-wartości i testów istotności. To bardzo źle.  Normalne, że studenci pierwszego roku lub laicy się mylą, ale wykształceni naukowcy i instruktorzy metodologii? Jeśli nie kupujesz wyników badań, otwórz czasopismo psychologiczne, a znajdziesz mnóstwo przykładów błędnej interpretacji i nieporozumień.

Ostatnio Hoekstra, Morey, Rouder, & Wagenmakers (2014) wykazali, że przedziały ufności są podobnie błędnie interpretowane przez badaczy, pomimo ostatnich głosów (Cumming, 2014), aby całkowicie zrezygnować z testów istotności na rzecz przedziałów ufności. Być może moglibyśmy wrzucić dużo i zacząć od nowa z czymś, co rzeczywiście ma sens? Może moglibyśmy spróbować uczyć czegoś, co ludzie mogą rzeczywiście zrozumieć?

Słyszałem o czymś co nazywa się statystykami Bayesa , moglibyśmy ich spróbować.

Dojazd do klienta, delegacja firma statystyczna

Weryfikacyjny charakter badania.

Metodolog.pl – Analiza Statystyczna w nauce

Firma statystyczna METODOLOG

Weryfikacyjny charakter badania.

Jest to badanie mające ściśle określony schemat. Głównym celem jest weryfikacja konkretnych hipotez konkretnymi zmiennymi zebranymi w toku badania. Chodzi o to by zweryfikować serię hipotez/przewidywań/problemów badawczych.

Przykładem weryfikacyjnego charakteru badania jest badanie polegające na zbadaniu wpływu choroby niedokrwiennej serca na czas trwania życia. W układzie tego badania brały udział osoby zdrowe i chore na chorobę niedokrwienną objęte obserwacją kliniczną rozłożoną w czasie.

W badaniu takim mamy informacje o zmiennych co do których mamy pewność, że odpowiedzą na nasze hipotezy/przewidywania/problemu badawcze.

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