Statistiskā analīze: datu veidi

Skatīt arī: Izpratne par korelācijām

Mūsu lapa Novērojumu izpēte un sekundārie dati aprakstīti divi galvenie datu avoti (jūsu pašu pētījumi un iepriekš publicētie dati). Tomēr ir arī daudz dažādu veidu datu - un tos var klasificēt vairākos dažādos veidos. Datu veids ietekmēs veidu, kā jūs tos varat izmantot, un kāda ir iespējama statistiskā analīze. Tas ietekmēs arī secinājumus un secinājumus, kurus jūs varat izdarīt.

Tāpēc datu veida izvēle ir ļoti svarīga. Šajā lapā ir aprakstītas dažas atšķirības datu tipos un to ietekme uz pētījumu metodēm un secinājumiem.

Kvantitatīvie un kvalitatīvie dati

Pirmais un acīmredzamākais nošķīrums ir starp kvantitatīvajiem un kvalitatīvajiem datiem:



  • Kvantitatīvie dati ir skaitliski: tos var savākt un uzrādīt kā skaitļus; un

  • Kvalitatīvi dati nav skaitliski.

Mūsu lapa kvalitatīvie un kvantitatīvie pētījumi izskaidro šo atšķirību sīkāk un izklāsta abu priekšrocības un trūkumus.

Objektīvie un subjektīvie dati

Datus var arī iedalīt objektīvs un subjektīvs.

  • Objektīvie dati ir novērojami un izmērāmi . Tie ietver tādas lietas kā augums, svars vai elementu skaits. Parasti tos vāc, izmantojot novērojumus vai tiešus mērījumus.

  • Subjektīvie dati tiek vākti no personu personiskās saziņas . To var runāt vai rakstīt, bet tas var izpausties arī citādi. Piemēram, ķermeņa valoda var sniegt subjektīvu informāciju (“ Viņa gulēja nekustīgi, aizvērtām acīm un cieši pievilktu muti [objektīvi], tāpat kā viņai sāpēja [subjektīvi] ”).

Gan objektīvie, gan subjektīvie dati var būt gan kvalitatīvi, gan kvantitatīvi. Piemēram, jūs varat novērot (objektīvu) krāsu maiņu (kvalitatīvu), un jūs varat lūgt cilvēkus izteikt savu viedokli par kādu jautājumu (subjektīvu), izmantojot skaitlisko skalu (kvantitatīvo).

kāda ir komunikācijas definīcija

Abiem veidiem ir priekšrocības un trūkumi. Piemēram, subjektīvie dati var sniegt daudz plašāku informācijas klāstu, jo daudzas lietas vienkārši nav izmērāmas. Tajos ietilpst tādi mainīgie kā sāpju līmenis, kur katram ir sava interpretācija. Pat skalas no 1 līdz 10 izmantošana, kas padara datus kvantitatīvus, nenozīmē, ka tie būs tieši salīdzināmi starp indivīdiem.

Tomēr subjektīvie dati ir atkarīgi arī no tā, vai cilvēki precīzi atceras un novērtē lietas. Tāpēc subjektīvie dati, visticamāk, būs neuzticamāki, ja cilvēkiem būs jāatceras senāku laiku notikumi.

Tāpēc, ja iespējams, priekšroka tiek dota objektīviem datiem, taču pastāv vispārēja izpratne, ka dažreiz ir pieejami tikai subjektīvi dati.



Gareniskie un šķērsgriezuma dati

Atšķirība starp garenvirziena un šķērsgriezuma datiem faktiski vairāk atšķiras no studiju dizains nekā datu tips.

  • Gareniskie pētījumi laika gaitā strādāt ar vienu un to pašu grupu. Tāpēc viņi var parādīt izmaiņas laika gaitā un noteikt cēloņsakarību.

  • Šķērsgriezuma pētījumi var apkopot datus dažādos laika punktos, bet no dažādām grupām. Tāpēc viņi vienmēr var savlaicīgi parādīt momentuzņēmumu vai momentuzņēmumu sēriju.

Izšķirošā atšķirība starp diviem pētījumu veidiem un līdz ar to datiem ir tā, ka gareniskie dati var pierādīt cēloņsakarību.

Parasti tiek uzskatīts, ka pēc šķērsgriezuma datiem nav iespējams pierādīt cēloņsakarību, jo jums ir informācija tikai par kādu brīdi. Tāpēc nav iespējams kaut ko mainīt un redzēt, kāda ir tā ietekme (tas ir, ja ir cēloņsakarība ).

Tomēr šķērsgriezuma pētījumi ir daudz ērtāki. Jums ir jāveic tikai viena aptauja vai pētījums, nevis laika gaitā jāseko kohortai. Gareniskie pētījumi var sniegt ļoti kvalitatīvus datus un parādīt cēloņus, taču cieš no tādām problēmām kā kohortas pārtraukšana. Ir arī grūti iegūt finansējumu ilgtermiņa, kvalitatīviem garengriezuma pētījumiem.

Piemērs: šķērsgriezuma un garenvirziena pētījumu apvienošana


The Sarejas komunikācijas un valodas mācība studijās (SCALES ) ir labs ilgtermiņa gareniskā pētījuma piemērs, kurā bija iekļauti arī daži šķērsgriezuma elementi.

Pirmais pētījuma elements bija plaša mēroga bērnu aptauja Uzņemšanas gadā 180 Surrey pamatskolās. Visiem iedzīvotājiem bērniem tika pārbaudītas valodas spējas, iestājoties skolā, izmantojot klases audzinātāju aptauju par katru bērnu. Viņiem tika jautāts par uzvedību, valodu un sociālajām prasmēm. Tas sniedza īslaicīgu priekšstatu par valodas spējām, iestājoties skolā, un ļāva pētniekiem novērtēt, vai mācību programma atbilst spējām, un konstatēja, ka jaunākiem bērniem, visticamāk, ir valodas problēmas.

Nākamajā posmā tika atlasīts 590 bērnu paraugs no pārbaudītajiem, kuri tika stratificēti, izmantojot pirmā posma secinājumus, lai dotu dažādas valodas spējas. Pētnieks viņus redzēja 1. gadā un atkal 3. gadā, un tika novērtētas viņu valodas zināšanas. Vecākiem tika lūgts sniegt informāciju par valodu un uzvedību abos punktos.

Nākamais posms sekoja sākotnējai SCALES kohortai 6. un 8. gadā, lai novērtētu viņu sociālās, emocionālās un garīgās veselības rezultātus.

Pētniekus interesēja saikne starp valodas attīstību agrā bērnībā un sociālo un emocionālo attīstību pusaudža gados. Šāda veida informāciju vienkārši nevar iegūt no šķērsgriezuma pētījuma vai no diviem atsevišķiem pētījumiem dažādos vecumos. Jūs varētu lūgt dalībniekus un vecākus pārdomāt, taču laika starpība ir tāda, ka atcerēšanās, visticamāk, nebūs uzticama.

Kategoriski, nepārtraukti, diskrēti un sarindoti dati

Vēl viena atšķirība ir kategoriski, nepārtraukti, diskrēti vai sarindoti dati:

  • Kategoriskie dati ir sadalīti atsevišķās grupās vai kategorijās .

    Tāpēc tajos ietilpst, piemēram, dzimums, neatkarīgi no tā, vai jums patīk saldējums, un vai esat kādreiz apmeklējis kādu konkrētu valsti. Tie var ietvert arī vecumu, ja tas ir sagrupēts desmit vai piecu gadu gabalos.

  • Nepārtraukti dati tiek definēti kā tādi, kas var ņemt bezgalīgu vērtību skaitu starp jebkurām divām vērtībām.

    kā sniegt efektīvu prezentāciju

    Tas izklausās sarežģīti, bet patiesībā ir vienkārši. Tie ir tādi dati kā svars vai augstums, kas var būt jebkura vērtība iespējamo svaru un augstumu diapazonā, nevis fiksētas vērtības vai procentuālā daļa no klases, kurai patīk saldējums (jebkura vērtība diapazonā no 0 līdz 100%). Katrs datu punkts ir atšķirīgs un atsevišķs skaitlis, un tas neietilpst grupā. Piemēram, vecums tiks iekļauts, ja jūs to mērīsit ļoti precīzi dienās vai gada daļās, nevis veselos gados.

  • Diskrētie dati tiek definēti kā tie, kuriem starp jebkurām divām vērtībām ir noteikts skaits iespējamo vērtību

    Tāpēc diskrēti dati ietver klientu sūdzību skaitu vai to cilvēku skaitu, kuriem patīk saldējums, t.i., jums nevar būt puse sūdzību vai trešdaļa cilvēku. Cits piemērs būtu vecums veselos gados. Analīzes vajadzībām tiek uzskatīts, ka diskrēti dati ir ļoti līdzīgi nepārtrauktiem datiem.

  • Ranga dati ir sakārtoti un sakārtoti, un pēc tam numurēti pēc to rangu secības

    Piemēram, ja jums būtu četri datu biti ar vērtībām 4, 6, 3 un 7, jūs varētu tos sarindot augošā secībā kā 3, 4, 6 un 7. Pēc tam viņi ņemtu savu rangu secību, tātad 3 būtu 1 (1.), 4 būtu 2. (2.) utt. Dati parasti tiek sarindoti, ja viss, kas jūs interesē, ir secība, nevis absolūtās vērtības. Parasti tas notiek, ja divi mainīgie mainās kopā, bet tiem nav taisnas attiecības (tas ir, mainās dažādos ātrumos). Piemēram, zemāk redzamajā grafikā parādīts šāda veida sakars (šajā gadījumā eksponenciāls).

    Grafiks, kas parāda eksponenciālu saistību starp diviem mainīgajiem.

    Brīdinājums!


    Ir svarīgi atcerēties, ka, ranžējot datus, jūs zaudējat informāciju.

    Tāpēc tas jādara tikai tad, kad tas patiešām ir jādara.


Šie četri datu veidi ir piemēroti dažādu veidu analīzēm - un katram no tiem būs jāizmanto dažādi statistikas testi un analīzes veidi.

Lai uzzinātu vairāk par dažāda veida datu izmantošanu analīzei, ieteicams apskatīt mūsu lapu Korelācijas .

Secinājums

Pētījuma ietvaros jūs varat savākt daudz dažādu veidu datus. Datu veida izvēli parasti nosaka jūsu izpētes metodes, kuras savukārt nosaka jūsu izpētes jautājums un vispārējā pieeja pētniecībai. Tomēr datu veida izvēle ietekmē arī analīzes veidu un secinājumus, kurus varat izdarīt.


Turpināt:
Izpratne par korelācijām
Vienkārša statistiskā analīze