Tiedot

Onko olemassa opas siitä, miten tarkasti raportoida tuotokset (regressio, anova, kirjeenvaihtoanalyysi) APA: ssa?

Onko olemassa opas siitä, miten tarkasti raportoida tuotokset (regressio, anova, kirjeenvaihtoanalyysi) APA: ssa?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Haluaisin raportoida tilastolliset havainnot kvantitatiivisen APA -muotoisen data -analyysin jälkeen. Onko tästä ohjetta? En ole löytänyt yhtään.

Käytän SPSS: ää, mutta olen varma, että se olisi samanlainen SDatassa ja R.


Sinun pitäisi saada APA -tyylikäsikirja (tällä hetkellä 6. painos).

Luku 5 kuvaa graafisten elementtien tehokkaan käytön tekstissä. Se tarjoaa lukijoille ohjeita siitä, mikä graafinen elementti sopii parhaiten toimitettavaan dataan, sekä yksityiskohtaiset ohjeet taulukon ja kuvioiden valmisteluun.

Siinä on paljon esimerkkejä yksittäisten tilastojen raportoimisesta ja yleisten analyysien esittämisestä taulukkomuodossa (esim. Ryhmäerot, korrelaatiomatriisit, regressiomallit, monitasoiset mallit, SEM -tulokset jne.)

Harvinaisempia analyysejä varten voit usein käyttää ohjekirjan taulukoita lähtökohtana. Voit myös etsiä kirjallisuudesta esimerkiksi julkaisuja.


Mihin taulukot ja kuvat sijoitetaan

Taulukoiden ja kuvien sijoittamiseen APA -tyyliin on kaksi vaihtoehtoa:

  • Vaihtoehto 1: Sijoita taulukot ja kuviot tekstisi lähelle niitä viittaavia tekstin osia.
  • Vaihtoehto 2: Aseta ne kaikki tekstin loppuun (viiteluettelon jälkeen), jotta teksti ei hajoa.

Jos sijoitat ne koko tekstiin, huomaa, että jokaisen taulukon tai kuvan pitäisi näkyä vain kerran. Jos viittaat samaan taulukkoon tai kuvioon useammin kuin kerran, älä toista sitä joka kerta - vain laita se sen kohdan jälkeen, jossa siitä keskusteltiin ensimmäisen kerran.

Kohdista taulukko tai kuva tekstin kanssa vasemmalla reunalla. Jätä rivinvaihto ennen taulukkoa tai kuvaa ja sen jälkeen, jotta se erottuu selvästi päätekstistä, ja aseta se tarvittaessa uudelle sivulle, jotta se ei jakaudu useille sivuille.

Jos sijoitat kaikki taulukot ja kuvat loppuun, sinulla pitäisi olla yksi taulukko tai kuvio kullakin sivulla. Aloita kaikista taulukoistasi ja aseta kaikki luvut sen jälkeen.


Yksinkertainen rinteiden analyysi vuorovaikutuksen löytämisen jälkeen

Voisiko joku neuvoa minua, miten voin tehdä yksinkertaisen rinneanalyysin, kun olen löytänyt maltillisuuden kahden jatkuvan muuttujan välillä. Joten kahden muuttujan välinen suhde vaihtelee toisen muuttujan läsnäolon mukaan.

Etkö ole sitä, mitä etsit? Kokeile ja tervehdi

Ensinnäkin SPSS on vähän paska tähän.

Haluat tehokkaasti ymmärtää, miten X ja Y liittyvät M: n kirjanpitoon (valitse vain yksi ennusteista M).

Jos M on jatkuva (kuten sanot sen olevan), sinun on käytettävä muuttujien keskittämistä (z -pisteet) ja sitten regressoitava X Y: lle +1M ja -1M (lisää vain 1 tai vähennä 1 keskitetystä M - joten +/ -1SD todella). Kysyt, onko kunkin regression regressiopaino merkittävästi erilainen kuin 0. Voit myös käyttää 0M: ää (eli muuntamatonta keskitettyä muuttujaa) ja verrata moderaattorin kolmea tasoa (kaksi voi kuitenkin tehdä työn).

Yhteenvetona haluat arvioida ehdolliset XY -vaikutukset:

Y = b0 + b1X, kun M = -1
Y = b0 + b1X, kun M = 0
Y = b0 + b1X, kun M = +1

Se näyttää melko yksinkertaiselta, mutta vaatii hieman rypistymistä. Sinun on keskitettävä kaikki muuttujat (X, Y ja M), muunnettava sitten M ja laskettava X*M-vuorovaikutuksen ristituote. Suorita regressio käyttämällä X, M ja X*M ennustajina (Y riippuvaisena) kullekin ehdolliselle regressiolle. Tarkasta erityisesti standardoimaton (ei X-ennustajan beeta-arvot (tavallinen beetatesti).

Helppoa, jos voit käyttää SPSS -syntaksia:

M = +1 keskitetyillä Z-arvoilla

COMMUTE ZMHigh = ZM+1
COMPUTE ZX.ZMHigh = ZX*ZMhigh

REGRESSIO
/RIIPPUVA = Y
/METHOD = ENTER ZX ZMHigh
/METHOD = ENTER ZX.ZMHigh

ja tee sama M-1: lle (vaihda vain ensimmäinen laskurivi ja merkitse asianmukaisesti 'ZMlow'). Ja voit käyttää jotain Excelin kaltaista rinteiden piirtämiseen.

Toivottavasti se auttaa. Ehkä kannattaa etsiä jotain verkosta (tai mielestäni Howellilla on hahmotelma tästä) - vaikeampi selittää foorumiviestissä.

(Alkuperäinen viesti Psyykkinen!)
Ensinnäkin SPSS on vähän paska tähän.

Haluat todella ymmärtää, miten X ja Y liittyvät M: n kirjanpitoon (valitse vain yksi ennusteista M).

Jos M on jatkuva (kuten sanot sen olevan), sinun on käytettävä muuttujien keskittämistä (z -pisteet) ja sitten regressoitava X Y: lle +1M ja -1M (lisää vain 1 tai vähennä 1 keskitetystä M - joten +/ -1SD todella). Kysyt, onko kunkin regression regressiopaino merkittävästi erilainen kuin 0. Voit myös käyttää 0M: ää (eli muuntamatonta keskitettyä muuttujaa) ja verrata moderaattorin kolmea tasoa (kaksi voi kuitenkin tehdä työn).

Yhteenvetona haluat arvioida ehdolliset XY -vaikutukset:

Y = b0 + b1X, kun M = -1
Y = b0 + b1X, kun M = 0
Y = b0 + b1X, kun M = +1

Se näyttää melko yksinkertaiselta, mutta vaatii hieman rypistymistä. Sinun on keskitettävä kaikki muuttujat (X, Y ja M), muunnettava sitten M ja laskettava X*M-vuorovaikutuksen ristituote. Suorita regressio käyttämällä X, M ja X*M ennustajina (Y riippuvaisena) kullekin ehdolliselle regressiolle. Tarkasta erityisesti standardoimaton (ei X-ennustajan beeta-arvot (tavallinen beetatesti).

Helppoa, jos voit käyttää SPSS -syntaksia:

M = +1 keskitetyillä Z-arvoilla

COMMUTE ZMHigh = ZM+1
COMPUTE ZX.ZMHigh = ZX*ZMhigh

REGRESSIO
/RIIPPUVA = Y
/METHOD = ENTER ZX ZMHigh
/METHOD = ENTER ZX.ZMHigh

ja tee sama M-1: lle (vaihda vain ensimmäinen laskurivi ja merkitse asianmukaisesti 'ZMlow'). Ja voit käyttää jotain Excelin kaltaista rinteiden piirtämiseen.

Toivottavasti se auttaa. Ehkä kannattaa etsiä jotain verkosta (tai mielestäni Howellilla on hahmotelma tästä) - vaikeampi selittää foorumiviestissä.

Okei, se regressio -vuorovaikutusbitti. Se oli melko yksinkertaista, en yksinkertaisesti ymmärrä Excelin yksinkertaisia ​​rinteitä .

Olen ladannut paljon tietoa siitä ja opettajani on lähettänyt minulle tavaraa, mutta kaikki on niin ylivoimaista. Ehkä minun on ponnisteltava enemmän yrittääkseni ymmärtää sitä

Käytä vain regressiolähtöä (beeta -arvot) ja etsi Y -arvot +1, 0, -1 X: stä.

Sitten juoni. Voit halutessasi tehdä tämän käsin (tai laskea Excelin avulla).

(Alkuperäinen viesti Psyykkinen!)
Käytä vain regressiolähtöä (beeta -arvot) ja etsi Y -arvot +1, 0, -1 X: stä.

Sitten juoni. Voit halutessasi tehdä tämän käsin (tai laskea Excelin avulla).

Okei, ymmärrän jotenkin mitä tarkoitat. Luulen, että minun on yritettävä ymmärtää regressioyhtälö. Tiedän vain, että 2 IV: tä ovat ennustajia ja ne liittyvät DV: hen. Nämä kaksi IV: n A*B ovat merkittäviä regressiomallissa.

Joten ymmärrän sanomastasi, että minun on korvattava nämä beeta -arvot regressioyhtälöön ja yritettävä selvittää se?

Okei, toivottavasti saan sen tämän päivän loppuun mennessä . Kiitos!

Sinun on kuitenkin mentävä pidemmälle kuin alkuperäinen regressio (et ole varma, tarkoitatko ehdollista vai ei). Ensimmäinen regressio, joka osoittaa X*M -vuorovaikutuksen, ilmoittaa vain moderaattorisuhteesta. Joten olisit suorittanut regression muuntamattomilla tiedoilla käyttämällä X: tä, M: ää ja X*M: tä riippuvaisessa Y: ssä - missä X*M -vuorovaikutus oli merkittävä. Seuraava askel on irrottaa moderaattorisuhde.

Jos noudatat edellä hahmottamaani, sinulla on nyt kaksi ehdollista regressiota, jotka muuttavat M: ää (korkea tai matala). Käytä regressioyhtälöä jokaiselle näistä tuottaaksesi Y: n arvot käyttäen X = -1, 0, +1. Tämä antaa sinulle kolme Y -arvoa kullekin regressiolle.

Sitten piirretään X vs Y kullekin valvojalle ehdolliseksi (antaa kaksi riviä). Tämä on vain visuaalinen näkökohta - ehdollinen regressiolähtö on tärkeämpi sen määrittämiseksi, muuttaako korkea/matala M merkittävästi X: n ja Y: n suhdetta.

(Alkuperäinen viesti Psyykkinen!)
Sinun on kuitenkin mentävä pidemmälle kuin alkuperäinen regressio (et ole varma, tarkoitatko ehdollista vai ei). Ensimmäinen regressio, joka osoittaa X*M -vuorovaikutuksen, ilmoittaa vain moderaattorisuhteesta. Joten olisit suorittanut regression muuntamattomilla tiedoilla käyttämällä X: tä, M: ää ja X*M: tä riippuvaisessa Y: ssä - missä X*M -vuorovaikutus oli merkittävä. Seuraava askel on irrottaa moderaattorisuhde.

Jos noudatat edellä hahmottamaani, sinulla on nyt kaksi ehdollista regressiota, jotka muuttavat M: ää (korkea tai matala). Käytä regressioyhtälöä jokaiselle näistä tuottaaksesi Y: n arvot käyttäen X = -1, 0, +1. Tämä antaa sinulle kolme Y -arvoa kullekin regressiolle.

Sitten piirretään X vs Y kullekin valvojalle ehdolliseksi (antaa kaksi riviä). Tämä on vain visuaalinen näkökohta - ehdollinen regressiolähtö on tärkeämpi sen määrittämiseksi, muuttaako korkea/matala M merkittävästi X: n ja Y: n suhdetta.

Lol, intuitiorauhani ehdottaa, että minun pitäisi ehkä selittää hieman enemmän.

Kun teit alkuperäisen regression, se sanoo periaatteessa vain "X*M: n (tai A*B) välillä on merkittävä vuorovaikutus". Haluat tietää, miten moderaattorin (M) vaihtelut muuttavat X: n ja Y: n suhdetta.

Vuorovaikutus sanoo, että X: n ja Y: n suhde muuttuu M: n arvon kanssa. Joten käyttämällä ehdollista regressiomenetelmää pakotat vaihtelun M: n yli - joten otamme korkean ja matalan M: n ja katsomme, kuinka X vs Y -suhde muutoksia. Voimme esimerkiksi havaita, että korkeilla M -arvoilla suhde on merkittävä, mutta se ei ole merkittävä M: n pienillä arvoilla.

Sinun on keskitettävä muuttujat hallitaksesi pieniä tarkkoja asioita, kuten monikollineaarisuutta. Muunna siis kaikki muuttujat Z-pisteiksi.

Sitten suorittamalla kaksi ehdollista regressiota, jotka käyttävät arvoja +1M ja -1M, tutkit M: n vaihtelun vaikutusta XY -suhteeseen kohtuullisella alueella ( +1SD --1SD). Tämän pitäisi häiritä vuorovaikutusta, ja voit arvioida XY-suhteen standardoimattomista X-beetapainoista kullekin ehdolliselle regressiolle yhdessä rinteiden visualisoinnin kanssa. Tämä on yksinkertainen rinneanalyysi (eli vertaa XY -rinteitä arvoilla M)

Voit nähdä tämän menetelmänä tapana muuttaa jatkuva muuttuja kategoriseksi muuttujaksi. Voit käyttää myös mediaani-jakoa, mutta menetelmä on perseestä eri syistä.

Okei hienoa, yritän seurata sitä. Toivottavasti saan sen oikein kokeilun ja erehdyksen avulla. Henkisesti minulla oli tämä kuva muuttaa yksi muuttuja kategoriseksi, koska muistan, että tein ANOVAn, mutta se oli melko helppoa, koska yksi muuttujista oli jo kategorinen, mutta tämä on luultavasti vaikein analyysi, jonka olen kohdannut, koska SPSS ei voi Tee se minulle .

(Alkuperäinen viesti Psyykkinen!)
Lol, intuitiorauhani ehdottaa, että minun pitäisi ehkä selittää hieman enemmän.

Kun teit alkuperäisen regression, se sanoo periaatteessa vain "X*M: n (tai A*B) välillä on merkittävä vuorovaikutus". Haluat tietää, miten moderaattorin (M) vaihtelut muuttavat X: n ja Y: n suhdetta.

Vuorovaikutus sanoo, että X: n ja Y: n suhde muuttuu M: n arvon kanssa. Joten käyttämällä ehdollista regressiomenetelmää pakotat vaihtelun M: n yli - joten otamme korkean ja matalan M: n ja katsomme, kuinka X vs Y -suhde muutoksia. Voimme esimerkiksi havaita, että korkeilla M -arvoilla suhde on merkittävä, mutta se ei ole merkittävä M: n pienillä arvoilla.

Sinun on keskitettävä muuttujat hallitaksesi pieniä tarkkoja asioita, kuten monikollineaarisuutta. Muunna siis kaikki muuttujat Z-pisteiksi.

Sitten suorittamalla kaksi ehdollista regressiota, joissa käytetään arvoja +1M ja -1M, tutkit M: n vaihtelun vaikutusta XY -suhteeseen kohtuullisella alueella ( +1SD --1SD). Tämän pitäisi häiritä vuorovaikutusta, ja voit arvioida XY-suhteen standardoimattomista X-beetapainoista kullekin ehdolliselle regressiolle yhdessä rinteiden visualisoinnin kanssa. Tämä on yksinkertainen rinneanalyysi (eli vertaa XY -rinteitä arvoilla M)

Voit nähdä tämän menetelmänä tapana muuttaa jatkuva muuttuja kategoriseksi muuttujaksi. Voit käyttää myös mediaani-jakoa, mutta menetelmä on perseestä eri syistä.

Hei, anteeksi kipu, mutta katsoin regressioanalyysiani. ANOVA on merkittävä, mutta silloin R -neliön muutos ei ole merkittävä. Eikö sillä ole väliä vuorovaikutuksen kannalta? Tärkeää on, että ANOVA -malli on merkittävä?


Regressioanalyysin päivitys

Tiedät luultavasti jo nyt, että aina kun mahdollista, sinun tulee tehdä tietoon perustuvia päätöksiä työssäsi. Mutta tiedätkö, miten jäsentää kaikki käytettävissä olevat tiedot? Hyvä uutinen on, että sinun ei todennäköisesti tarvitse tehdä numeroa itseäsi (halleluja!), Mutta sinun on ymmärrettävä ja tulkittava oikein kollegoidesi luoma analyysi. Yksi tärkeimmistä tietoanalyysityypeistä on regressio.

Ymmärtääkseni paremmin tätä menetelmää ja sitä, miten yritykset käyttävät sitä, puhuin kirjan kirjoittajan Tom Redmanin kanssa Tietoihin perustuva: hyödyntäminen tärkeimmästä liiketoimintaresurssistasi Hän neuvoo myös organisaatioita niiden tietojen ja tietojen laatuohjelmien parissa.

Mikä on regressioanalyysi?

Redman tarjoaa tämän esimerkkiskenaarion: Oletetaan, että olet myyntipäällikkö, joka yrittää ennustaa seuraavan kuukauden lukuja. Tiedät, että kymmenet, ehkä jopa sadat tekijät säästä kilpailijan ylennykseen uuden ja parannetun mallin huhuun voivat vaikuttaa numeroon. Ehkä organisaatiossasi olevilla ihmisillä on jopa teoria siitä, mikä vaikuttaa eniten myyntiin. "Luota minuun. Mitä enemmän sataa, sitä enemmän myymme. ” "Kuusi viikkoa kilpailijan ylennyksen jälkeen myynti hyppää."

Regressioanalyysi on tapa selvittää matemaattisesti, mitkä näistä muuttujista todella vaikuttavat. Se vastaa kysymyksiin: Mitkä tekijät ovat tärkeimpiä? Mitä voimme jättää huomiotta? Miten nämä tekijät vaikuttavat toisiinsa? Ja ehkä tärkeintä, kuinka varmoja olemme kaikista näistä tekijöistä?

Lue lisää

Pysyminen Quantsin kanssa

Regressioanalyysissä näitä tekijöitä kutsutaan muuttujiksi. Sinulla on sinun riippuva muuttuja - tärkein tekijä, jota yrität ymmärtää tai ennustaa. Edellä olevassa Redmanin esimerkissä riippuvainen muuttuja on kuukausittainen myynti. Ja sitten sinulla on oma riippumattomia muuttujia - tekijät, joiden epäilet vaikuttavan riippuvaiseen muuttujaasi.

Kuinka se toimii?

Regressioanalyysin suorittamiseksi keräät tietoja kyseisistä muuttujista. (Muistutus: sinun ei todennäköisesti tarvitse tehdä tätä itse, mutta sinun on hyödyllistä ymmärtää prosessi, jota data -analyytikkokollegasi käyttää.) Otat kaikki kuukausittaiset myyntiluvut esimerkiksi kolmen viime vuoden ajalta ja kaikki tiedot riippumattomista muuttujista, joista olet kiinnostunut. Tässä tapauksessa oletetaan, että saat selville myös kolmen viime vuoden keskimääräisen kuukausittaisen sademäärän. Piirrät sitten kaikki nämä tiedot kaavioon, joka näyttää tältä:

Y-akseli on myynnin määrä (riippuvainen muuttuja, josta olet kiinnostunut, on aina y-akselilla) ja x-akseli on kokonaissademäärä. Jokainen sininen piste edustaa yhden kuukauden tietoja - kuinka paljon satoi tuona kuukautena ja kuinka monta myyntiä teit saman kuukauden aikana.

Näitä tietoja vilkaisten huomaat todennäköisesti, että myynti on korkeampaa päivinä, jolloin sataa paljon. Se on mielenkiintoista tietää, mutta kuinka paljon? Jos sataa 3 tuumaa, tiedätkö paljonko myyt? Entä jos sataa 4 tuumaa?

Kuvittele nyt piirtämästä viiva yllä olevan kaavion läpi, joka kulkee suunnilleen kaikkien datapisteiden keskellä. Tämä rivi auttaa sinua vastaamaan jonkin verran varmuudella, kuinka paljon yleensä myyt, kun sataa tiettyä määrää.

Tätä kutsutaan regressiolinjaksi ja se piirretään (käyttämällä tilastotieto -ohjelmaa, kuten SPSS tai STATA tai jopa Excel), jotta voidaan näyttää dataan parhaiten sopiva viiva. Toisin sanoen Redman selittää: "Punainen viiva on paras selitys riippumattoman ja riippuvaisen muuttujan väliselle suhteelle."

Viivan piirtämisen lisäksi tilasto -ohjelmasi antaa myös kaavan, joka selittää viivan kaltevuuden ja näyttää tältä:

Ohita virheilmoitus toistaiseksi. Se viittaa siihen, että regressio ei ole täysin tarkka. Keskity vain malliin:

Tämä kaava kertoo sinulle, että jos "x" ei ole, niin Y = 200. Joten historiallisesti, kun ei satanut ollenkaan, teit keskimäärin 200 myyntiä ja voit odottaa tekevän saman myös jatkossa olettaen, että muut muuttujat pysyvät samana. Aiemmin teit keskimäärin viisi lisämyyntiä jokaista sadetta kohti. "Jokaisella lisäyksellä, joka x nousee yhdellä, y nousee viidellä", Redman sanoo.

Palataan nyt kohtaan virhe termi. Saatat olla houkutteleva sanoa, että sateella on suuri vaikutus myyntiin, jos saat jokaista tuumaa kohti viisi lisämyyntiä, mutta onko tämä muuttuja huomion arvoinen, riippuu virhesanasta. Regressiolinjalla on aina virhetermi, koska tosielämässä riippumattomat muuttujat eivät koskaan ole täydellisiä riippuvien muuttujien ennustajia. Viiva on ennuste, joka perustuu käytettävissä oleviin tietoihin. Virhetermi kertoo siis, kuinka varma voit olla kaavasta. Mitä suurempi se on, sitä epävarmempi regressiolinja.

Yllä oleva esimerkki käyttää vain yhtä muuttujaa kiinnostavan tekijän ennustamiseen - tässä tapauksessa sadetta myynnin ennustamiseen. Yleensä aloitat regressioanalyysin halutessasi ymmärtää useiden riippumattomien muuttujien vaikutuksen. Voit siis sisällyttää paitsi sateen myös tietoja kilpailijan ylennyksestä. "Jatkat tätä, kunnes virhesanoma on hyvin pieni", Redman sanoo. "Yrität saada linjan, joka sopii parhaiten tietoihisi." Vaikka voi olla vaaroja yrittää sisällyttää liikaa muuttujia regressioanalyysiin, osaavat analyytikot voivat minimoida nämä riskit.Useiden muuttujien vaikutuksen huomioon ottaminen on yksi regression suurimmista eduista.

Miten yritykset käyttävät sitä?

Regressioanalyysi on "go-to -menetelmä analytiikassa", Redman sanoo. Ja älykkäät yritykset käyttävät sitä tekemään päätöksiä kaikenlaisista liiketoiminta -asioista. ”Johtajana haluamme selvittää, miten voimme vaikuttaa myyntiin tai työntekijöiden säilyttämiseen tai parhaiden ihmisten rekrytointiin. Se auttaa meitä selvittämään, mitä voimme tehdä. ”

Useimmat yritykset käyttävät regressioanalyysiä selittääkseen ilmiön, jonka he haluavat ymmärtää (esim. Miksi asiakaspalvelun puhelut vähenivät viime kuussa?) Ennustamaan asioita tulevaisuudesta (esim. Miltä myynti näyttää seuraavan kuuden kuukauden aikana?) Tai päättääkseen, mitä tehdä (esim. pitäisikö meidän osallistua tähän kampanjaan tai toiseen?).

Huomautus "korrelaatio ei ole syy -yhteys"

Aina kun työskentelet regressioanalyysin tai muun analyysin kanssa, joka yrittää selittää yhden tekijän vaikutuksen toiseen, sinun on muistettava tärkeä sanonta: Korrelaatio ei ole syy -yhteys. Tämä on kriittistä ja tästä syystä: On helppo sanoa, että sateen ja kuukausimyynnin välillä on korrelaatio. Regressio osoittaa, että ne todella liittyvät toisiinsa. Mutta on aivan eri asia sanoa, että sade aiheuttama myynnit. Ellet myy sateenvarjoja, saattaa olla vaikeaa todistaa, että syy ja seuraus ovat olemassa.

Joskus tekijät korreloivat toisiinsa, jotka eivät niin selvästi liity syyn ja seurauksen välille, mutta useammin liiketoiminnassa, se ei ole niin ilmeistä. Kun näet korrelaation regressioanalyysistä, et voi tehdä oletuksia, Redman sanoo. Sen sijaan: "Sinun täytyy mennä ulos ja katsoa, ​​mitä todellisessa maailmassa tapahtuu. Mikä on fyysinen mekanismi, joka aiheuttaa suhteen? " Mene ulos tarkkailemaan kuluttajia, jotka ostavat tuotteesi sateella, keskustele heidän kanssaan ja selvitä, mikä todella saa heidät ostamaan. "Monet ihmiset ohittavat tämän vaiheen ja luulen, että se johtuu siitä, että he ovat laiskoja. Tavoitteena ei ole selvittää, mitä tiedoissa tapahtuu, vaan selvittää, mitä maailmassa tapahtuu. Sinun täytyy mennä ulos ja lyödä jalkakäytävää ”, hän sanoo.

Redman kirjoitti omasta kokeilustaan ​​ja analyysistään yrittäessään laihtua sekä matkansa ja painonnousunsa välisestä yhteydestä. Hän huomasi, että kun hän matkusti, hän söi enemmän ja harjoitti vähemmän. Joten johtuiko hänen painonnousunsa matkustamisesta? Ei välttämättä. ”Oli mukavaa arvioida, mitä tapahtui, mutta matka ei ole syy. Se voi liittyä asiaan ”, hän sanoo, mutta ei ole kuin hän olisi tien päällä panostanut ylimääräisiin kiloihin. Hänen täytyi ymmärtää enemmän siitä, mitä hänen matkoillaan tapahtui. "Olen usein uusissa ympäristöissä, joten ehkä syön enemmän, koska olen hermostunut?" Hänen täytyi tarkastella tarkemmin korrelaatiota. Ja tämä on hänen neuvonsa johtajille. Käytä tietoja ohjaamaan lisää kokeita, älä tee johtopäätöksiä syystä ja seurauksesta.

Mitä virheitä ihmiset tekevät työskennellessään regressioanalyysin kanssa?

Regressioanalyysin kuluttajana sinun on pidettävä mielessä useita asioita.

Älä ensinnäkään käske data -analyytikkoasi menemään ulos selvittämään, mikä vaikuttaa myyntiin. "Tapa, jolla useimmat analyysit menevät sekaisin, on, että johtaja ei ole kaventanut keskittymistä etsimäänsä", Redman sanoo. Sinun tehtäväsi on tunnistaa tekijät, joiden epäilet vaikuttavan, ja pyytää analyytikkoasi tarkastelemaan niitä. "Jos kerrot tietotieteilijälle lähteä kalastusmatkalle tai kertoa sinulle jotain, mitä et tiedä, ansaitset mitä saat, mikä on huono analyysi", hän sanoo. Toisin sanoen, älä pyydä analyytikoitasi tarkastelemaan kaikkia muuttujia, joihin he voivat päästä käsiksi, kerralla. Jos teet niin, löydät todennäköisesti suhteita, joita ei oikeasti ole. Se on sama periaate kuin kolikon kääntäminen: tee se tarpeeksi monta kertaa, lopulta saat ajatella näet jotain mielenkiintoista, kuten nippu päitä peräkkäin.

Muista myös, voitko tehdä mitään harkitsemallesi riippumattomalle muuttujalle. Et voi muuttaa kuinka paljon sataa, joten kuinka tärkeää on ymmärtää se? "Emme voi tehdä mitään säälle tai kilpailijamme mainostamiselle, mutta voimme vaikuttaa esimerkiksi omiin promootioihimme tai lisätä ominaisuuksia", Redman sanoo. Kysy aina itseltäsi, mitä aiot tehdä tiedoilla. Mitä toimia aiot tehdä? Mitä päätöksiä aiot tehdä?

Toiseksi "analyysit ovat erittäin herkkiä huonoille tiedoille", joten ole varovainen keräämiesi tietojen ja niiden keräämisen suhteen ja tiedä, voitko luottaa niihin. "Kaikkien tietojen ei tarvitse olla oikeita tai täydellisiä", Redman selittää, mutta harkitse, mitä aiot tehdä analyysillä. Jos sen seurauksena tekemilläsi päätöksillä ei ole suurta vaikutusta yritykseesi, on hyvä, jos tiedot ovat "eräänlaisia ​​vuotavia". Mutta "jos yrität päättää, rakennatko 8 tai 10 jotain ja jokaisen rakentaminen maksaa miljoona dollaria, se on isompi juttu", hän sanoo. Alla olevassa kaaviossa selitetään, miten ajatella, toimitaanko tietojen perusteella.

Redman sanoo, että jotkut johtajat, jotka eivät ole vielä ymmärtäneet regressioanalyysiä, tekevät virheen jättämättä huomiotta virhetermiä. Tämä on vaarallista, koska he tekevät suhteesta jotain varmempaa kuin se on. "Usein tulokset sylkevät tietokoneelta ja johtajat ajattelevat:" Se on hienoa, käytämme tätä eteenpäin. "" Mutta muista, että tulokset ovat aina epävarmoja. Kuten Redman huomauttaa: ”Jos regressio selittää 90% suhteesta, se on hienoa. Mutta jos se selittää 10%ja käyttäydyt kuin 90%, se ei ole hyvä. ” Analyysin tarkoitus on mitata varmuus siitä, että jotain tapahtuu. "Se ei kerro, kuinka sade vaikuttaa myyntiin, mutta kertoo todennäköisyydestä, että sade voi vaikuttaa myyntiin."

Viimeinen virhe, jota Redman varoittaa, on antaa tietojen korvata intuitiosi.

"Sinun on aina asetettava intuitiosi tietojen päälle", hän selittää. Kysy itseltäsi, sopivatko tulokset ymmärrykseesi tilanteesta. Ja jos näet jotain, joka ei ole järkevää, kysy, olivatko tiedot oikeita tai onko todellakin suuri virhe. Redman ehdottaa, että etsit kokeneempia johtajia tai muita analyysejä, jos saat jotain, joka ei ole järkevää. Ja hän sanoo, älä koskaan unohda katsoa lukujen ulkopuolelta sitä, mitä tapahtuu toimistosi ulkopuolella: ”Sinun on yhdistettävä analyysi reaalimaailman tutkimukseen. Parhaat tutkijat - ja johtajat - katsovat molempia. ”


Mihin taulukot ja kuvat sijoitetaan

Taulukoiden ja kuvien sijoittamiseen APA -tyyliin on kaksi vaihtoehtoa:

  • Vaihtoehto 1: Sijoita taulukot ja kuviot tekstisi lähelle niitä viittaavia tekstin osia.
  • Vaihtoehto 2: Aseta ne kaikki tekstin loppuun (viiteluettelon jälkeen), jotta teksti ei hajoa.

Jos sijoitat ne koko tekstiin, huomaa, että jokaisen taulukon tai kuvan pitäisi näkyä vain kerran. Jos viittaat samaan taulukkoon tai kuvioon useammin kuin kerran, älä toista sitä joka kerta - vain laita se sen kohdan jälkeen, jossa siitä keskusteltiin ensimmäisen kerran.

Kohdista taulukko tai kuva tekstin kanssa vasemmalla reunalla. Jätä rivinvaihto ennen taulukkoa tai kuvaa ja sen jälkeen, jotta se erottuu selvästi päätekstistä, ja aseta se tarvittaessa uudelle sivulle, jotta se ei jakaudu useille sivuille.

Jos sijoitat kaikki taulukot ja kuvat loppuun, sinulla pitäisi olla yksi taulukko tai kuvio kullakin sivulla. Aloita kaikista taulukoistasi ja aseta kaikki luvut sen jälkeen.


Ristitaulukko Chi-neliöanalyysillä

Chi-neliö -tilasto on ensisijainen tilasto, jota käytetään ristitaulukointitaulukon tilastollisen merkitsevyyden testaamiseen. Chi-neliötestit määrittävät, ovatko nämä kaksi muuttujaa riippumattomia. Jos muuttujat ovat riippumattomia (niillä ei ole yhteyttä), tilastotestin tulokset ovat "ei-merkittäviä" emmekä voi hylätä nollahypoteesia, mikä tarkoittaa, että uskomme, että muuttujien välillä ei ole yhteyttä. Jos muuttujat liittyvät toisiinsa, tilastotestin tulokset ovat ”tilastollisesti merkitseviä” ja voimme hylätä nollahypoteesin, mikä tarkoittaa, että voimme todeta, että muuttujien välillä on jonkin verran yhteyttä.

Chi-neliötilasto ja siihen liittyvä sattuman havaitsemisen todennäköisyys voidaan laskea mille tahansa taulukolle. Jos muuttujat liittyvät toisiinsa (eli havaitut taulukkosuhteet tapahtuisivat hyvin pienellä todennäköisyydellä, esimerkiksi vain 5%), sanomme, että tulokset ovat "tilastollisesti merkitseviä" 0,05 tai 5%: n tasolla.

Tämä tarkoittaa, että muuttujilla on pieni mahdollisuus olla riippumattomia. Tilastotieteen opiskelijat muistavat, että todennäköisyysarvot (.05 tai .01) heijastavat tutkijan halukkuutta hyväksyä tyypin I virhe tai todennäköisyys hylätä todellinen nollahypoteesi (eli luulimme, että muuttujien välillä oli yhteys ei todellakaan ollut).

Lisäksi nämä todennäköisyydet ovat kumulatiivisia, mikä tarkoittaa, että jos testataan 20 taulukkoa, tutkija voi olla lähes varma siitä, että jollakin taulukoista havaitaan olevan virheellinen suhde (20 x .05 = 100% todennäköisyys). Virheiden kustannuksista riippuen tutkija voi soveltaa tiukempia kriteereitä merkityksen julistamiseen, kuten .01 tai .005.


Kvantitatiivisen tutkimuksen tulokset

Kvantitatiivisessa tutkimuksessa käsittelet yleensä tilastollisen analyysin tuloksia.

Voit raportoida kuvaavia tilastoja kuvataksesi esimerkiksi keinoja, mittasuhteita ja tietojen vaihtelua.

Ilmoitat myös kaikkien tilastollisten testien tulokset, joita käytit ryhmien vertailuun tai muuttujien välisten suhteiden arviointiin, ja kerrot, tukevatko hypoteesisi vai eivät.

Loogisin tapa rakentaa kvantitatiiviset tulokset on rakentaa ne tutkimuskysymysten tai hypoteesien ympärille. Esitä jokaiselle kysymykselle tai hypoteesille:

  • Muistutus käyttämästäsi analyysityypistä (esim. Kaksi näytettä) t-testi tai yksinkertainen lineaarinen regressio). Yksityiskohtaisempi kuvaus analyysistäsi tulee metodologiaosioon.
  • Lyhyt yhteenveto jokaisesta tuloksesta, mukaan lukien asiaankuuluvat kuvaavat tilastot (esim. Keskiarvot ja keskihajonnot) ja päättelytilastot (esim. t-pisteet, vapausasteet ja s-arvot). Nämä numerot ovat usein suluissa.
  • Lyhyt selvitys siitä, miten tulos liittyy kysymykseen tai tukeutuiko hypoteesi.

Raportoitavat tilastot ja niiden esittämistavat riippuvat käyttämästäsi analyysityypistä ja tyylioppaasta. Esimerkiksi tulososion kirjoittamiseen APA -tyyliin on olemassa erityisiä sääntöjä. Jos et ole varma, lue muiden alan papereiden tulososiosta saadaksesi selkeän käsityksen siitä, mitä tietoja sisällyttää.

Muista sisällyttää kaikki asiaankuuluvat tulokset, sekä positiiviset että negatiiviset. Jos sinulla on tuloksia, jotka eivät vastanneet odotuksiasi ja oletuksiasi, sisällytä nämäkin, mutta älä spekuloi niiden merkityksestä tai seurauksista - tämä on tallennettava keskustelua ja päätelmää varten.

Sinun ei pitäisi esittää raakadataa tulostesi luvussa, mutta voit sisällyttää sen liitteeseen, jotta lukijat voivat tarkistaa tulokset itse.

Taulukot ja luvut

Kvantitatiivisessa tutkimuksessa on hyödyllistä sisällyttää visuaalisia elementtejä, kuten kaavioita, kaavioita ja taulukoita, mutta vain jos ne heijastavat tarkasti tuloksiasi ja tuovat lisäarvoa lukijalle.

  • Taulukoita käytetään tarkkojen arvojen välittämiseen, ja ne antavat tiiviin yleiskatsauksen eri tuloksista.
  • Kaavioita ja kaavioita käytetään visualisoimaan suuntauksia ja suhteita, ja ne antavat yhdellä silmäyksellä havainnon tärkeimmistä havainnoista.

Sinun on viitattava kaikkiin tekstin taulukoihin ja kuviin, mutta älä toista tietoja. Tekstin tulee tehdä yhteenveto taulukoiden ja kuvien erityisistä näkökohdista tai kehittää niitä, ei vain toistaa samoja numeroita, jotka olet jo esittänyt.

Anna taulukoillesi ja kuvillesi selkeät, kuvaavat otsikot ja tarrat, jotta lukija voi helposti ymmärtää, mitä näytetään.

Mikä on plagiointipisteesi?

Vertaa paperiasi yli 60 miljardiin verkkosivuun ja 30 miljoonaan julkaisuun.

  • Vuoden 2020 paras plagioinnin tarkistaja
  • Plagiointiraportti ja prosenttiosuus
  • Suurin plagiointitietokanta


Yksinkertainen rinteiden analyysi vuorovaikutuksen löytämisen jälkeen

Voisiko joku neuvoa minua, miten voin tehdä yksinkertaisen rinneanalyysin, kun olen löytänyt maltillisuuden kahden jatkuvan muuttujan välillä. Joten kahden muuttujan välinen suhde vaihtelee toisen muuttujan läsnäolon mukaan.

Etkö ole sitä, mitä etsit? Kokeile ja tervehdi

Ensinnäkin SPSS on vähän paska tähän.

Haluat todella ymmärtää, miten X ja Y liittyvät M: n kirjanpitoon (valitse vain yksi ennusteista M).

Jos M on jatkuva (kuten sanot sen olevan), sinun on käytettävä muuttujien keskittämistä (z -pisteet) ja sitten regressoitava X Y: lle +1M ja -1M (lisää vain 1 tai vähennä 1 keskitetystä M - joten +/ -1SD todella). Kysyt, onko kunkin regression regressiopaino merkittävästi erilainen kuin 0. Voit myös käyttää 0M: ää (eli muuntamatonta keskitettyä muuttujaa) ja verrata moderaattorin kolmea tasoa (kaksi voi kuitenkin tehdä työn).

Yhteenvetona haluat arvioida ehdolliset XY -vaikutukset:

Y = b0 + b1X, kun M = -1
Y = b0 + b1X, kun M = 0
Y = b0 + b1X, kun M = +1

Se näyttää melko yksinkertaiselta, mutta vaatii hieman rypistymistä. Sinun on keskitettävä kaikki muuttujat (X, Y ja M), muunnettava sitten M ja laskettava X*M-vuorovaikutuksen ristituote. Suorita regressio käyttämällä X, M ja X*M ennustajina (Y riippuvaisena) kullekin ehdolliselle regressiolle. Tarkasta erityisesti standardoimaton (ei X-ennustajan beeta-arvot (tavallinen beetatesti).

Helppoa, jos voit käyttää SPSS -syntaksia:

M = +1 keskitetyillä Z-arvoilla

COMMUTE ZMHigh = ZM+1
COMPUTE ZX.ZMHigh = ZX*ZMhigh

REGRESSIO
/RIIPPUVA = Y
/METHOD = ENTER ZX ZMHigh
/METHOD = ENTER ZX.ZMHigh

ja tee sama M-1: lle (vaihda vain ensimmäinen laskurivi ja merkitse asianmukaisesti 'ZMlow'). Ja voit käyttää jotain Excelin kaltaista rinteiden piirtämiseen.

Toivottavasti se auttaa. Ehkä kannattaa etsiä jotain verkosta (tai mielestäni Howellilla on hahmotelma tästä) - vaikeampi selittää foorumiviestissä.

(Alkuperäinen viesti Psyykkinen!)
Ensinnäkin SPSS on vähän paska tähän.

Haluat todella ymmärtää, miten X ja Y liittyvät M: n kirjanpitoon (valitse vain yksi ennusteista M).

Jos M on jatkuva (kuten sanot sen olevan), sinun on käytettävä muuttujien keskittämistä (z -pisteet) ja sitten regressoitava X Y: lle +1M ja -1M (lisää vain 1 tai vähennä 1 keskitetystä M - joten +/ -1SD todella). Kysyt, onko kunkin regression regressiopaino merkittävästi erilainen kuin 0. Voit myös käyttää 0M: ää (eli muuntamatonta keskitettyä muuttujaa) ja verrata moderaattorin kolmea tasoa (kaksi voi kuitenkin tehdä työn).

Yhteenvetona haluat arvioida ehdolliset XY -vaikutukset:

Y = b0 + b1X, kun M = -1
Y = b0 + b1X, kun M = 0
Y = b0 + b1X, kun M = +1

Se näyttää melko yksinkertaiselta, mutta vaatii hieman rypistymistä. Sinun on keskitettävä kaikki muuttujat (X, Y ja M), muunnettava sitten M ja laskettava X*M-vuorovaikutuksen ristituote. Suorita regressio käyttämällä X, M ja X*M ennustajina (Y riippuvaisena) kullekin ehdolliselle regressiolle. Tarkasta erityisesti standardoimaton (ei X-ennustajan beeta-arvot (tavallinen beetatesti).

Helppoa, jos voit käyttää SPSS -syntaksia:

M = +1 keskitetyillä Z-arvoilla

COMMUTE ZMHigh = ZM+1
COMPUTE ZX.ZMHigh = ZX*ZMhigh

REGRESSIO
/RIIPPUVA = Y
/METHOD = ENTER ZX ZMHigh
/METHOD = ENTER ZX.ZMHigh

ja tee sama M-1: lle (vaihda vain ensimmäinen laskurivi ja merkitse asianmukaisesti 'ZMlow'). Ja voit käyttää jotain Excelin kaltaista rinteiden piirtämiseen.

Toivottavasti se auttaa. Ehkä kannattaa etsiä jotain verkosta (tai mielestäni Howellilla on hahmotelma tästä) - vaikeampi selittää foorumiviestissä.

Okei, se regressio -vuorovaikutusbitti. Se oli melko yksinkertaista, en yksinkertaisesti ymmärrä Excelin yksinkertaisia ​​rinteitä .

Olen ladannut paljon tietoa siitä ja opettajani on lähettänyt minulle tavaraa, mutta kaikki on niin ylivoimaista. Ehkä minun on ponnisteltava enemmän yrittääkseni ymmärtää sitä

Käytä vain regressiolähtöä (beeta -arvot) ja etsi Y -arvot +1, 0, -1 X: stä.

Sitten juoni. Voit halutessasi tehdä tämän käsin (tai laskea Excelin avulla).

(Alkuperäinen viesti Psyykkinen!)
Käytä vain regressiolähtöä (beeta -arvot) ja etsi Y -arvot +1, 0, -1 X: stä.

Sitten juoni. Voit halutessasi tehdä tämän käsin (tai laskea Excelin avulla).

Okei, ymmärrän jotenkin mitä tarkoitat. Luulen, että minun on yritettävä ymmärtää regressioyhtälö. Tiedän vain, että 2 IV: tä ovat ennustajia ja ne liittyvät DV: hen. Nämä kaksi IV: n A*B ovat merkittäviä regressiomallissa.

Joten ymmärrän sanomastasi, että minun on korvattava nämä beeta -arvot regressioyhtälöön ja yritettävä selvittää se?

Okei, toivottavasti saan sen tämän päivän loppuun mennessä . Kiitos!

Sinun on kuitenkin mentävä pidemmälle kuin alkuperäinen regressio (et ole varma, tarkoitatko ehdollista vai ei). Ensimmäinen regressio, joka osoittaa X*M -vuorovaikutuksen, ilmoittaa vain moderaattorisuhteesta. Joten olisit suorittanut regression muuntamattomilla tiedoilla käyttämällä X: tä, M: ää ja X*M: tä riippuvaisessa Y: ssä - missä X*M -vuorovaikutus oli merkittävä. Seuraava askel on irrottaa moderaattorisuhde.

Jos noudatat edellä hahmottamaani, sinulla on nyt kaksi ehdollista regressiota, jotka muuttavat M: ää (korkea tai matala). Käytä regressioyhtälöä jokaiselle näistä tuottaaksesi Y: n arvot käyttäen X = -1, 0, +1. Tämä antaa sinulle kolme Y -arvoa kullekin regressiolle.

Sitten piirretään X vs Y kullekin valvojalle ehdolliseksi (antaa kaksi riviä). Tämä on vain visuaalinen näkökohta - ehdollinen regressiolähtö on tärkeämpi sen määrittämiseksi, muuttaako korkea/matala M merkittävästi X: n ja Y: n suhdetta.

(Alkuperäinen viesti Psyykkinen!)
Sinun on kuitenkin mentävä pidemmälle kuin alkuperäinen regressio (et ole varma, tarkoitatko ehdollista vai ei). Ensimmäinen regressio, joka osoittaa X*M -vuorovaikutuksen, ilmoittaa vain moderaattorisuhteesta.Joten olisit suorittanut regression muuntamattomilla tiedoilla käyttämällä X: tä, M: ää ja X*M: tä riippuvaisessa Y: ssä - missä X*M -vuorovaikutus oli merkittävä. Seuraava askel on irrottaa moderaattorisuhde.

Jos noudatat edellä hahmottamaani, sinulla on nyt kaksi ehdollista regressiota, jotka muuttavat M: ää (korkea tai matala). Käytä regressioyhtälöä jokaiselle näistä tuottaaksesi Y: n arvot käyttäen X = -1, 0, +1. Tämä antaa sinulle kolme Y -arvoa kullekin regressiolle.

Sitten piirretään X vs Y kullekin valvojalle ehdolliseksi (antaa kaksi riviä). Tämä on vain visuaalinen näkökohta - ehdollinen regressiolähtö on tärkeämpi sen määrittämiseksi, muuttaako korkea/matala M merkittävästi X: n ja Y: n suhdetta.

Lol, intuitiorauhani ehdottaa, että minun pitäisi ehkä selittää hieman enemmän.

Kun teit alkuperäisen regression, se sanoo periaatteessa vain "X*M: n (tai A*B) välillä on merkittävä vuorovaikutus". Haluat tietää, miten moderaattorin (M) vaihtelut muuttavat X: n ja Y: n suhdetta.

Vuorovaikutus sanoo, että X: n ja Y: n suhde muuttuu M: n arvon kanssa. Joten käyttämällä ehdollista regressiomenetelmää pakotat vaihtelun M: n yli - joten otamme korkean ja matalan M: n ja katsomme, kuinka X vs Y -suhde muutoksia. Voimme esimerkiksi havaita, että korkeilla M -arvoilla suhde on merkittävä, mutta se ei ole merkittävä M: n pienillä arvoilla.

Sinun on keskitettävä muuttujat hallitaksesi pieniä tarkkoja asioita, kuten monikollineaarisuutta. Muunna siis kaikki muuttujat Z-pisteiksi.

Sitten suorittamalla kaksi ehdollista regressiota, joissa käytetään arvoja +1M ja -1M, tutkit M: n vaihtelun vaikutusta XY -suhteeseen kohtuullisella alueella ( +1SD --1SD). Tämän pitäisi häiritä vuorovaikutusta, ja voit arvioida XY-suhteen standardoimattomista X-beetapainoista kullekin ehdolliselle regressiolle yhdessä rinteiden visualisoinnin kanssa. Tämä on yksinkertainen rinneanalyysi (eli vertaa XY -rinteitä arvoilla M)

Voit nähdä tämän menetelmänä tapana muuttaa jatkuva muuttuja kategoriseksi muuttujaksi. Voit käyttää myös mediaani-jakoa, mutta menetelmä on perseestä eri syistä.

Okei hienoa, yritän seurata sitä. Toivottavasti saan sen oikein kokeilun ja erehdyksen avulla. Henkisesti minulla oli tämä kuva muuttaa yksi muuttuja kategoriseksi, koska muistan, että tein ANOVAn, mutta se oli melko helppoa, koska yksi muuttujista oli jo kategorinen, mutta tämä on luultavasti vaikein analyysi, jonka olen kohdannut, koska SPSS ei voi Tee se minulle .

(Alkuperäinen viesti Psyykkinen!)
Lol, intuitiorauhani ehdottaa, että minun pitäisi ehkä selittää hieman enemmän.

Kun teit alkuperäisen regression, se sanoo periaatteessa vain "X*M: n (tai A*B) välillä on merkittävä vuorovaikutus". Haluat tietää, miten moderaattorin (M) vaihtelut muuttavat X: n ja Y: n suhdetta.

Vuorovaikutus sanoo, että X: n ja Y: n suhde muuttuu M: n arvon kanssa. Joten käyttämällä ehdollista regressiomenetelmää pakotat vaihtelun M: n yli - joten otamme korkean ja matalan M: n ja katsomme, kuinka X vs Y -suhde muutoksia. Voimme esimerkiksi havaita, että korkeilla M -arvoilla suhde on merkittävä, mutta se ei ole merkittävä M: n pienillä arvoilla.

Sinun on keskitettävä muuttujat hallitaksesi pieniä tarkkoja asioita, kuten monikollineaarisuutta. Muunna siis kaikki muuttujat Z-pisteiksi.

Sitten suorittamalla kaksi ehdollista regressiota, joissa käytetään arvoja +1M ja -1M, tutkit M: n vaihtelun vaikutusta XY -suhteeseen kohtuullisella alueella ( +1SD --1SD). Tämän pitäisi häiritä vuorovaikutusta, ja voit arvioida XY-suhteen standardoimattomista X-beetapainoista kullekin ehdolliselle regressiolle yhdessä rinteiden visualisoinnin kanssa. Tämä on yksinkertainen rinneanalyysi (eli vertaa XY -rinteitä arvoilla M)

Voit nähdä tämän menetelmänä tapana muuttaa jatkuva muuttuja kategoriseksi muuttujaksi. Voit käyttää myös mediaani-jakoa, mutta menetelmä on perseestä eri syistä.

Hei, anteeksi kipu, mutta katsoin regressioanalyysiani. ANOVA on merkittävä, mutta silloin R -neliön muutos ei ole merkittävä. Eikö sillä ole väliä vuorovaikutuksen kannalta? Tärkeää on, että ANOVA -malli on merkittävä?


Ilmoita tiedot johtopäätöksesi riittävästi. Koska puhut tulkinnastasi omasta tulkinnastasi keskusteluosiossa, sinun on oltava varma, että tulososiossa raportoidut tiedot oikeuttavat väitteesi. Kun kirjoitat keskusteluosastasi, katso tulososaasi taaksepäin varmistaaksesi, että kaikki tarvitsemasi tiedot ovat täysin tukemassa tekemiäsi johtopäätöksiä.

Älä sisällytä raakatietoja tulososaan. Muista, että teet yhteenvedon tuloksista, et raportoi niistä yksityiskohtaisesti. Tulos -osion tulisi olla suhteellisen lyhyt katsaus havaintoihisi, ei täydellinen esitys jokaisesta numerosta ja laskelmasta. Jos haluat, voit luoda täydentävän online -arkiston, jossa muut tutkijat voivat käyttää raakatietoja halutessaan.

Älä jätä huomiotta asiaankuuluvia havaintoja

Aivan kuten tulosten osion pitäisi riittävästi perustella väitteesi, sen pitäisi myös antaa tarkka kuvaus siitä, mitä löysit tutkimuksestasi. Muista mainita kaikki merkityksellinen informaatio. Jos hypoteesi odotti tilastollisesti merkitsevämpiä tuloksia, älä jätä tuloksia tekemättä, jos ne eivät tukeneet ennusteitasi.

Vaikka tutkimuksesi ei tue hypoteesiasi, se ei tarkoita, että tekemäsi johtopäätökset eivät ole hyödyllisiä. Anna tietoja siitä, mitä löysit tulososioistasi, ja tallenna tulkintasi siitä, mitä tällaiset tulokset voivat tarkoittaa keskusteluosassa. Vaikka tutkimuksesi ei ehkä ole tukenut alkuperäisiä ennusteitasi, löydöksesi voi antaa merkittävää inspiraatiota aiheen tuleviin tutkimuksiin.


Väitöskirjan tulososion kirjoittaminen

Kun kysytään, miksi väitöskirjan tekeminen voi olla niin päänsärkyä, tyypillinen opiskelija vastaa yleensä yhdellä kahdesta vastauksesta. Joko he yksinkertaisesti eivät pidä valtavien tekstimäärien kirjoittamisesta, tai - ja saatat liittyä tähän - he kategorisesti Älä nauti tietojen analysoinnista. "Se on niin pitkä ja tylsä!", Tyypillinen opiskelija valittaa.

No, opiskelijat valittavat, ja me vastaamme. Olemme koonneet tämän erittäin kattavan ja erittäin hyödyllisen oppaan väitöskirjan tulososan kirjoittamisesta. Auttaaksemme sinua edelleen, olemme jakaneet tiedot sekä määrällisiin että laadullisiin tuloksiin, jotta voit keskittyä siihen, mikä koskee sinua eniten.

Määrällisten tulosten kirjoittaminen

Tutkimuksen perusteiden ymmärtäminen

Ensinnäkin sinun on muistettava, mitä olet arvioinut - tai mitkä ovat tärkeimmät muuttujasi.

Kaikissa kvantitatiivisissa tutkimuksissa on vähintään yksi riippumaton ja yksi riippuvainen muuttuja, ja tässä vaiheessa ne on määritettävä nimenomaisesti. Riippumaton muuttuja on muuttuja, jonka avulla voit testata sen vaikutuksia riippuvaiseen muuttujaan. Riippuva muuttuja on siis tulosmuuttujasi.

Toiseksi sinun on määritettävä, olivatko muuttujasi kategorisia vai jatkuvia.

Kategorinen muuttuja on muuttuja, jolla on kiinteä määrä mahdollisia arvoja, ja jatkuva muuttuja on sellainen, jossa lopputuloksilla on laaja vaihteluväli. Lopuksi sinun on muistettava, jos olet käyttänyt niin sanottua kovariitti- tai sekoitusmuuttujaa. Tämä on muuttuja, joka olisi voinut vaikuttaa riippumattoman ja riippuvaisen muuttujan väliseen suhteeseen ja jota hallitsit arvioidaksesi tarkasti päämuuttujiesi välisen suhteen.

Selitetään tämä kaikki esimerkillä. Oletetaan, että tutkimuksesi oli arvioida, liittyykö korkeus itsetuntoon. Tässä osallistujien pituus on riippumaton muuttuja ja itsetunto on riippuvainen muuttuja. Koska sekä korkeus että itsetunnon pisteet voivat olla laaja-alaisia, sinulla on kaksi jatkuvaa muuttujaa. Olet ehkä halunnut myös nähdä, onko pituuden ja itsetunnon välinen suhde olemassa osallistujien painon hallinnan jälkeen. Tässä tapauksessa paino on hämmentävä muuttuja, jota sinun on hallittava.

Tässä on toinen esimerkki. Olet ehkä arvioinut, haluavatko useammat naiset kuin miehet lukea tietyn romanttisen romaanin. Tässä riippumaton muuttuja on sukupuoli ja riippuvainen muuttuja on päättäväisyys lukea kirja. Koska sukupuolella on luokkia (mies ja nainen), tämä on kategorinen muuttuja. Jos olet arvioinut päättäväisyyttä lukea kirja asteikolla 1-10 (esim. 1 = ei päättäväisyyttä lukea kirjaa, aina 10 = erittäin vahva päättäväisyys lukea se), tämä on jatkuva muuttuja kuitenkin, jos olet pyytänyt osallistujiasi sanomaan, haluavatko he vai eivät halua lukea kirjaa, tämä on kategorinen muuttuja (koska on olemassa kaksi luokkaa: "kyllä" ja "ei").

Lopuksi olisit ehkä halunnut nähdä, onko sukupuolen ja kirjan lukemisen välinen yhteys olemassa, kun olet valinnut osallistujien nykyisen suhteen. Tässä suhteiden tila on hämmentävä muuttujasi.

Palaamme näihin esimerkkeihin tässä blogikirjoituksessa. Tässä vaiheessa on tärkeää muistaa, että tutkimuksesi hahmottaminen tällä tavalla auttaa sinua kirjoittamaan tulososion helpoimmalla mahdollisella tavalla.

Siirrymme seuraavaan vaiheeseen.

Kuvaileva ja taajuustilasto

Jotta voit kuvata kuvaavia ja/tai taajuustilastoja, sinun on hahmoteltava kaikki muuttujat, joita olet käyttänyt tutkimuksessasi, ja otettava huomioon, ovatko nämä muuttujat jatkuvia vai kategorisia.

Jatkuville muuttujille käytät kuvaavia tilastoja ja raportoit keskeisen taipumuksen (keskiarvon) ja vaihtelun tai hajonnan (keskihajonta) mittaukset. Kategoristen muuttujien osalta käytät taajuustilastoja ja raportoit osallistujien lukumäärän (tai esiintymistiheyden) luokittain ja niihin liittyvät prosenttiosuudet. Molemmat tilastot edellyttävät taulukon laatimista, ja molemmissa tapauksissa sinun on myös kommentoitava tilastoja.

Miltä tämä kaikki näyttää käytännössä? Muista kaksi edellä kuvattua esimerkkiä. Jos olet arvioinut osallistujien pituuden ja itsetunnon välistä yhteyttä, samalla kun hallitset osallistujien painoa, tutkimuksesi koostuu kolmesta jatkuvasta muuttujasta. Sinun on laadittava taulukko, kuten alla olevassa taulukossa 1, joka tunnistaa kaikkien näiden muuttujien keskiarvot ja keskihajonnat. Tuloksia kommentoidessasi voit sanoa:

Osallistujat olivat keskimäärin 173,50 cm pitkiä (SD = 5,81) ja niiden keskipaino oli 65,31 kg (SD = 4,44). Osallistujilla oli keskimäärin kohtuullinen itsetunto (M = 5,55, SD = 2,67).

Huomaa, että tässä esimerkissä olet sitä mieltä, että osallistujilla oli kohtuullinen itsetunto, jos heidän itsetuntoaan arvioitiin asteikolla 1-10. Koska arvo 5 on tämän alueen keskellä, päätät, että itsetunnon keskiarvo on kohtuullinen. Jos keskiarvo olisi korkeampi (esim. M = 8,33), päättelit, että osallistujien itsetunto oli keskimäärin korkea ja jos keskiarvo oli pienempi (esim. M = 2,44), päättelit, että keskimääräinen itsetunto -arvostuspisteet olivat alhaiset.

PÖYTÄ 1. Kuvaavat tilastot kaikista tutkimuksessa käytetyistä muuttujista:

Palataan nyt toiseen tutkimusesimerkkiimme ja sanotaan, että haluat ilmoittaa, missä määrin miehet ja naiset haluavat lukea romanttisen romaanin, jossa tämä päättäväisyys arvioitiin asteikolla 1-10 (jatkuva). Tämä näyttää taulukon 2 mukaiselta.

TAULUKKO 2. Kuvaavat tilastot kirjan lukemista varten sukupuolen mukaan:

Miehet Naaraat
Päätös lukea kirjaa M = 3,20 M = 6,33
Päätös lukea kirjaa SD = 0,43 SD = 1,36

Voimme nähdä, miten raportoimme eri ryhmien taajuustilastot viittaamalla toiseen esimerkkiimme sukupuolesta, päättäväisyydestä lukea romanttinen romaani ja osallistujien suhteesta.

Tässä on kolme kategorista muuttujaa (jos päättäväisyyttä lukea romaani arvioitiin antamalla osallistujien vastata "kyllä" tai "ei"). Et siis raportoi keinoja ja keskihajontoja, vaan taajuuksia ja prosentteja.

Toisin sanoen, huomaat kuinka monta miestä ja naista halusivat lukea kirjan ja kuinka moni heistä oli suhteessa, kuten taulukosta 3 käy ilmi. Voit raportoida nämä tilastot tällä tavalla:

Kaksikymmentä (40%) miespuolista osallistujaa halusi lukea kirjan ja 35 (70%) naispuolista osallistujaa halusi lukea kirjaa. Lisäksi 22 (44%) miestä ja 26 (52%) naista ilmoittivat olevansa parisuhteessa.

TAULUKKO 3. Taajuustilastot kaikille tutkimuksessa käytetyille muuttujille:

Miehet Naaraat
Päätös lukea kirjaa
Joo 20 (40%) 35 (70%)
Ei 30 (60%) 15 (30%)
Suhteen tila
Joo 22 (44%) 26 (52%)
Ei 28 (56%) 24 (48%)

Korrelaatioanalyysin tulosten raportointi

Ensimmäinen näistä on korrelaatio, jota käytät, kun haluat selvittää, liittyykö yksi tai useampi (jatkuva, riippumaton) muuttuja toiseen (jatkuvaan, riippuvaiseen) muuttujaan. Voit esimerkiksi haluta nähdä, korreloiko osallistujien korkeus heidän itsetuntonsa kanssa.

Ensimmäinen askel on raportoida, ovatko muuttujasi normaalisti jakautuneet. Voit tehdä tämän katsomalla histogrammia, joka kuvaa tietojasi. Jos histogrammissa on kellon muotoinen käyrä (katso violetti kaavio alla), tietosi jakautuvat normaalisti ja sinun on luotettava Pearsonin korrelaatioanalyysiin. Täällä sinun on ilmoitettava saatu r -arvo (korrelaatiokerroin) ja p -arvo (joiden on oltava pienempiä kuin .05 merkityksen määrittämiseksi). Jos löydät korrelaation, sinun on sanottava jotain seuraavista:

Pearsonin korrelaatioanalyysin tulokset paljastivat, että ihmisten pituuden ja itsetunnon välillä oli positiivinen korrelaatio ( r = .44, s

Viimeinen huomioitava asia, joka on tärkeä kaikille analyyseille, on se, että kun s arvo on .000, et koskaan ilmoita siitä sanomalla " s = .000 ", mutta huomioimalla" s s = .011”.

Jos tietosi ovat vinossa eivätkä normaalisti jakautuneet (katso punaisia ​​kaavioita), sinun on luotettava Spearman -korrelaatioanalyysiin. Tässä raportoit tuloksista sanomalla:

Spearmanin korrelaatioanalyysi paljasti positiivisen suhteen ihmisten pituuden ja itsetunnon välillä (rs = .44, s Pituuden ja itsetunnon välillä on ollut merkittävä positiivinen korrelaatio osallistujien painon hallinnan jälkeen ( r = .39, s = .034).

Sinun on myös laadittava taulukko, jossa on yhteenveto tärkeimmistä tuloksista. Jos et käyttänyt kovariaattia, sinulla on melko yksinkertainen taulukko, kuten taulukossa 4. Jos olet käyttänyt kovariaattoria, taulukkosi on hieman monimutkaisempi, kuten taulukossa 5 esitetty. Huomaa, että molemmat taulukot käyttävät “-” -merkkiä korrelaatioihin, jotka on jo merkitty taulukkoon. Huomaa myös, miten "*", "**" ja "***" käytetään merkitsemään korrelaatioita, jotka ovat merkittäviä eri tasoilla.

TAULUKKO 4. Kaikkien tutkimuksessa käytettyjen muuttujien väliset korrelaatiot:

Ohjausmuuttujat Korkeus (cm) Itsetunto Paino (kg)
Ei mitään Korkeus (cm) 1.00
Itsetunto .44*** 1.00
Paino (kg) .38** .32** 1.00
Paino (kg) Korkeus (cm) 1.00
Itsetunto .39* 1.00 -.44
* s s s

Regression tulosten raportointi

Nämä ovat erityisiä kohtia, joihin sinun on puututtava varmistaaksesi, että kaikki oletukset täyttyvät:

(1) oletukselle ei monikollineaarisuus (eli korkean korrelaation puute riippumattomien muuttujien välillä), sinun on varmistettava, että mikään toleranssitilastostasi ei ole alle .01 eikä mikään VIF -tilasto ole yli 10

(2) olettaa ei jäämien autokorrelaatiota (eli korrelaation puute kahden havainnon jäännösten välillä), sinun on tarkasteltava tätä taulukkoa ja katsottava, kuuluuko Durbin-Watson-tilastosi halutulle alueelle osallistujamäärän ja ennustajien lukumäärän mukaan (riippumattomat muuttujat) ) ja,

(3) lineaarisuus (eli lineaarinen suhde riippumattomien ja riippuvaisten muuttujien välillä) ja homoseksuaalisuus (eli virhetermien varianssin, jonka pitäisi olla samanlainen riippumattomien muuttujien välillä), sinun on tarkasteltava standardoidun jäännöksen hajontakaavaa standardoidulle ennustetulle arvolle ja pääteltävä, että kaaviosi ei suppene tai käyristy.

Kaikki tämä voi kuulostaa melko monimutkaiselta. Mutta todellisuudessa se ei ole: sinun tarvitsee vain tarkastella tulostesi tuloksia ja huomata toleranssi- ja VIF-arvot, Durbin-Watson-arvo ja hajontakaavio. Kun olet päätellyt, että oletuksesi on täytetty, kirjoitat jotain seuraavanlaista:

Koska mikään VIF -arvoista ei ollut alle 0,1 eikä toleranssi -arvo yli 10, oletus monikollineaarisuudesta ei täyty. Durbin-Watsonin tilastot olivat odotetulla alueella, mikä osoittaa, että myös oletus jäännösten automaattisesta korrelaatiosta ei ole täyttynyt. Lopuksi standardoidun jäännöksen hajontakaavio standardoidulle ennustetulle arvolle ei täyttynyt tai käyrä, ja siten myös oletukset lineaarisuudesta ja homoseksuaalisuudesta ovat täyttyneet.

Jos oletuksesi eivät täyty, sinun on kaivettava hieman syvemmälle ja ymmärrettävä, mitä tämä tarkoittaa. Hyvä idea olisi lukea Andy Fieldin kirjoittama luku regressiosta (ja erityisesti osa oletuksista). Pääset hänen kirjaansa täältä. Tämä auttaa sinua ymmärtämään kaiken, mitä sinun tarvitsee tietää regressioanalyysin oletuksista, niiden testaamisesta ja mitä tehdä, jos niitä ei ole täytetty.

Keskitytään nyt todellisen regressioanalyysin tulosten raportointiin. Oletetaan, että halusit nähdä, ennustavatko osallistujien pituudet heidän itsetuntoaan sen jälkeen, kun olet valinnut osallistujien painon. Olet syöttänyt pituuden ja painon ennustajiksi malliin ja itsetunnon riippuvaiseksi muuttujaksi.

Ensinnäkin sinun on raportoitava, onko malli saavuttanut merkityksen itsetuntopisteiden ennustamisessa.Tarkastele tulostasi ANOVA -analyysin tuloksia ja pane merkille F -arvo, mallin ja jäännösten vapausasteet sekä merkitsevyystaso. Nämä arvot on esitetty KUVASSA 2.

KUVA 2. ANOVAn tulokset regressiolle:

KUVA 3. Malliyhteenveto regressiolle:

Merkitysarvo kertoo, onko ennustajasi saavuttanut merkittävyyden-esimerkiksi onko osallistujien pituus ennustanut itsetuntoa. Sinun on myös kommentoitava β -arvoa. Tämä arvo edustaa tuloksen muutos, joka liittyy ennusteen yksikkömuutokseen . Jos siis β-arvo on .351 osallistujan pituudelle (ennustaja/riippumaton muuttuja), tämä tarkoittaa, että jokaisen korkeuden 1 cm: n lisäyksen myötä itsetunto kasvaa .35. Sinun on raportoitava sama toiselle ennustajalle - eli osallistujien painolle.

Lopuksi, koska mallisi sisälsi sekä pituuden että painon ennustajina ja korkeus toimi merkittävänä ennustajana, voit päätellä, että osallistujien pituus vaikuttaa heidän itsetuntoonsa painonhallinnan jälkeen.

KUVA 4. Regressiokertoimet:

Malli saavutti merkityksen, mikä tarkoittaa, että se ennusti onnistuneesti itsetuntopisteet (F. (1,40) = 99.59, s Malli selitti 33,5%: n varianssin itsetuntopisteissä. Osallistujien itsetunto ennustettiin niiden painon perusteella (β = 0,35, t = -8.13, s Jokaisen painonnousun 1 kg: lla itsetunto laski 35. Osallistujien itsetunto ennustettiin myös pituuden perusteella (β = .58, t = 17.80, s painon hallinnan jälkeen. Jokaisen korkeuden 1 cm: n lisäyksen myötä itsetunto nousi .58.

Chi-neliöanalyysin tulosten raportointi

Teet esimerkiksi chi-neliöanalyysin, kun haluat nähdä, vaikuttaako sukupuoli (kategorinen riippumaton muuttuja, jossa on kaksi tasoa: miehet/naiset) päättäväisyyttä lukea kirjaa, kun tämä muuttuja mitataan kyllä/ei-vastauksilla (kategorinen riippuvainen muuttuja, jossa on kaksi tasoa: kyllä/ei).

Kun raportoit tuloksiasi, sinun on ensin tehtävä taulukko yllä olevan TAULUKON 3 mukaisesti. Sitten sinun on raportoitava chi-neliötestin tulokset merkitsemällä Pearsonin chi-neliöarvo, vapausasteet ja merkitysarvo. Näet kaikki nämä tuotoksessasi.

Lopuksi sinun on raportoitava yhdistyksen vahvuus, jota varten sinun on tarkasteltava Phi- ja Cramer -V -arvoja. Kun jokaisessa muuttujassasi on vain kaksi luokkaa, kuten tässä esimerkissä, Phi- ja Cramer -V -arvot ovat identtiset, eikä ole väliä kummasta raportoit. Kuitenkin, jos jollakin muuttujistasi on enemmän kuin kaksi luokkaa, on parempi ilmoittaa Cramerin V -arvo. Raportoit nämä arvot ilmoittamalla todellisen arvon ja siihen liittyvän merkittävyyden tason.

Huomaa, että Cramerin V -arvo voi vaihdella välillä 0 - 1. Mitä lähempänä arvo on 1, sitä suurempi on yhdistyksen lujuus. Voit raportoida chi-neliöanalyysin tulokset seuraavalla tavalla:

Sukupuolen ja romanttisen romaanin lukemisen päättäväisyyden välillä oli merkittävä yhteys (x 2 (1) = 25.36, s Cramerin V -arvo oli merkittävä (Cramerin V = 0,75, s ja se osoitti yhdistyksen voimakkuutta.

T-testi-analyysin tulosten raportointi

Muista, että olet aiemmin hahmotellut kuvaavia tilastotietoja näistä muuttujista, joissa olet huomioinut miesten ja naisten pisteiden keskiarvot ja keskihajonnat päättäessäsi lukea romaani (katso TAULUKKO 2 yllä). Nyt sinun on raportoitava saatu t -arvo, vapausasteet ja merkitsevyystaso - jotka kaikki näkyvät tulosteissasi.

Voit sanoa jotain seuraavista:

Miehet ilmoittivat alhaisemmasta päättäväisyydestä lukea romaani (M = 3,20, SD = 0,43) verrattuna naisiin (M = 6,33, SD = 1,36). T-testianalyysin tulokset paljastivat, että tämä ero saavutti merkittävyyden (t (54) = 4.47, s

Yksisuuntaisen ANOVAn tulosten raportointi

T-testiesimerkissä sinulla oli kaksi ehdollista kategorista riippumatonta muuttujaa, jotka vastasivat sitä, oliko osallistuja mies vai nainen. Sinulla olisi kolme riippumattoman muuttujan ehtoa arvioitaessa, vaikuttaako parisuhteen tila (riippumaton muuttuja, jossa on kolme tasoa: sinkku, parisuhde ja eronnut) päättäväisyyteen lukea romanttinen romaani (asteikolla 1-10).

Tässä raportoisit tulokset samalla tavalla kuin a t -testata. Ilmoitat ensin kaikkien kolmen osallistujaryhmän päättäväisyydestä lukea kirjan keskiarvot ja keskihajonnot sanomalla, kenellä oli korkein ja pienin keskiarvo. Ilmoitat sitten ANOVA -testin tulokset raportoimalla F arvo, vapausasteet (kohteiden sisäisissä ja aiheiden välisissä vertailuissa) ja merkitysarvo.

Tässä on huomioitava kaksi asiaa. Ennen kuin raportoit tuloksistasi, sinun on tarkasteltava tuotostasi nähdäksesi, onko ns. Levenen testi merkittävä. Tämä testi arvioi varianssin homogeenisuuden - olettaen, että kaikilla vertailuryhmillä pitäisi olla sama dispersio. Jos testi ei ole merkittävä, oletus on täytetty ja raportoit vakio-F-arvon.

Jos testi on kuitenkin merkittävä, oletusta on rikottu ja sinun on ilmoitettava sen sijaan Welch -tilastotiedot, niihin liittyvät vapausasteet ja merkitysarvo (jotka näet esimerkiksi tulostasi, katso KUVA 3 yllä).

Toinen huomioitava asia on, että ANOVA kertoo vain, onko ryhmien välillä ollut merkittäviä eroja - mutta jos eroja on, se ei kerro, missä nämä erot ovat. Tätä varten sinun on tehtävä post-hoc-vertailu (Tukeyn HSD-testi). Tulos kertoo, mitkä vertailut ovat merkittäviä.

Voit raportoida tuloksistasi seuraavalla tavalla:

Yksinäiset osallistujat olivat päättäväisimmin lukeneet kirjan (M = 7,11, SD = 0,45), jota seuraa eronneet osallistujat (M = 5,11, SD = .55) ja parisuhteessa olevat osallistujat (M = 4,95, SD = 0,44). ANOVA paljasti merkittäviä eroja ryhmien välillä (F. (2,12) = 5.12, s = .004). Post-hoc-vertailut paljastivat, että naimattomien ja parisuhteessa olevien osallistujien välillä esiintyi merkittäviä eroja ( s = .003) sekä naimattomien ja eronneiden osallistujien välillä ( s = .004). Eronneiden ja parisuhteessa olevien osallistujien välillä ei ollut merkittäviä eroja (p = .067).

ANCOVAn tulosten raportointi

Käytät esimerkiksi ANCOVAa, kun haluat testata, vaikuttaako parisuhteen tila (kategorinen riippumaton muuttuja, jossa on kolme tasoa: sinkku, parisuhteessa, eronnut) päättäväisyyteen lukea romanttinen romaani (jatkuva riippuvainen muuttuja, arvioitu 1-10 asteikolla) sen jälkeen, kun osallistujien yleistä etua kirjoista on kontrolloitu (jatkuva yhteismuuttuja, arvioitu asteikolla 1-10).

Jos haluat raportoida tuloksista, sinun on tarkasteltava tuotoksesi "kohteiden välisten tehosteiden testi" -taulukkoa. Sinun on ilmoitettava F -arvot, vapausasteet (kullekin muuttujalle ja virheelle) ja merkitysarvot sekä kovariaattille että päämuuttujalle. Kuten ANOVA: ssa, merkittävä ANCOVA ei kerro, missä erot ovat. Tätä varten sinun on suoritettava suunnitellut kontrastit ja raportoitava niihin liittyvät merkitysarvot eri vertailuja varten.

Voit ilmoittaa tuloksista seuraavalla tavalla:

Kovariaatti, yleinen kiinnostus kirjoja kohtaan, liittyi merkittävästi päättäväisyyteen lukea romanttinen romaani (F. (1,26) = 4.96, s Suhdetilalla oli myös merkittävä vaikutus päättäväisyyteen lukea romanttinen romaani sen jälkeen, kun oli varmistettu kirjojen yleisen edun vaikutus (F (2,26) = 4.14, s Suunnitellut vastakohdat paljastivat, että sinkkuna oleminen lisäsi merkittävästi päättäväisyyttä lukea kirja verrattuna suhteeseen (t (26) = 2.77, s = .004) ja verrattuna eroon (t (26) = 1.89, s = .003).

MANOVAn tulosten raportointi

Käyttäisit esimerkiksi MANOVAa testatessasi, osoittavatko miespuoliset ja naispuoliset osallistujat (riippumaton muuttuja) erilaisen päättäväisyyden lukea romanttista romaania (riippuvainen muuttuja) ja päättäväisyyttä rikosromaanin lukemiseen (riippuvainen muuttuja).

Tuloksia raportoitaessa sinun on ensin huomioitava, ovatko niin kutsuttu Boxin testi ja Levenen testi merkitseviä. Nämä testit arvioivat kahta olettamusta: kovarianssimatriisien yhtäläisyyttä (Boxin testi) ja varianssien yhtäläisyyttä kullekin riippuvaiselle muuttujalle (Levenen testi).

Molempien testien on oltava merkityksettömiä, jotta voidaan arvioida, täyttyvätkö oletuksesi. Jos testit ovat merkittäviä, sinun on kaivettava syvemmälle ja ymmärrettävä, mitä tämä tarkoittaa. Jälleen kerran voi olla hyödyllistä lukea Andy Fieldin MANOVA -luku, joka on luettavissa täältä.

Tämän jälkeen sinun on raportoitava kuvaavat tilastosi, kuten aiemmin on kuvattu. Tässä raportoit jokaisen riippuvaisen muuttujan keskiarvot ja keskihajonnat erikseen kullekin osallistujaryhmälle. Sitten sinun on tarkasteltava "monimuuttuja -analyysien" tuloksia.

Huomaat, että sinulle esitetään neljä tilastollista arvoa ja niihin liittyvät tiedot F ja merkitysarvot. Nämä on merkitty nimillä Pillai's Trace, Wilks 'Lambda, Hotelling's Trace ja Roy's Largest Root. Nämä tilastot testaavat, onko riippumattomalla muuttujalla vaikutusta riippuvaisiin muuttujiin. Yleisin käytäntö on ilmoittaa vain Pillain jälki. Raportoit tulokset samalla tavalla kuin ANOVA -raportoinnin, merkitsemällä F arvo, vapausasteet (hypoteesille ja virheelle) ja merkitysarvo.

Sinun on kuitenkin ilmoitettava myös jonkin edellä mainitun neljän tilastollisen arvon tilastollinen arvo. Voit merkitä Pillain jäljitystilaston V: llä, Wilksin Lambdan tilastolla A: lla, Hotellingin jäljitystilastolla T: llä ja Royn suurimman juuren tilastolla Θ: llä (mutta sinun tarvitsee ilmoittaa vain yksi niistä).

Lopuksi sinun on tarkasteltava kohteiden välisten vaikutusten testien tuloksia (jotka näet tuotoksessasi). Nämä testit kertovat, miten riippumaton muuttuja vaikutti jokaiseen riippuvaiseen muuttujaan erikseen. Raportoit nämä tulokset täsmälleen samalla tavalla kuin ANOVAssa.

Voit ilmoittaa kaikista MANOVAn tuloksista seuraavasti:

Miehet eivät olleet yhtä päättäväisiä lukemaan romanttista romaania (M = 4,11, SD = .58) verrattuna naisiin (M = 7,11, SD = 0,43). Myös miehet olivat päättäväisemmin lukeneet romaanin (M = 8.12. SD = .55) kuin naisilla (M = 5,22, SD = 0,49). Pillain jälkeä käyttämällä sukupuoli vaikutti merkittävästi päättäväisyyteen lukea romanttinen ja rikosromaani (V = 0,32, F (4,54) = 2.56, s = .004). Erilliset yksimuuttujaiset ANOVA -tulokset tulosmuuttujista paljastivat, että sukupuolella oli merkittävä vaikutus sekä päättäväisyyteen lukea romanttinen romaani (F (2,27) = 9.73, s = .003) ja päättäväisyys lukea rikosromaani (F. (2,27) = 5.23, s = .038).

Laadullisten tulosten kirjoittaminen

Tutkimuksen perusteiden ymmärtäminen

Ennen kuin raportoit laadullisen tutkimuksen tuloksista, sinun on muistettava, millaista tutkimusta olet tehnyt. Yleisimmät laadullisen tutkimuksen tyypit ovat haastattelut, havainnot ja kohderyhmät - ja tutkimuksesi todennäköisesti kuuluu johonkin näistä tyypeistä.

Kaikki kolme tutkimustyyppiä raportoidaan samalla tavalla. Siitä voi kuitenkin olla hyötyä, jos keskitymme jokaiseen niistä erikseen.

Haastattelujen tulosten raportointi

Oletetaan esimerkiksi, että laadullinen tutkimuksesi keskittyi nuorten tupakoinnin syihin. Olet esittänyt osallistujillesi kysymyksiä, jotka selvittivät, miksi he alkoivat tupakoida, miksi he jatkavat tupakointia ja miksi he haluavat lopettaa tupakoinnin. Koska tutkimuksesi on järjestetty tällä tavalla, sinulla on jo kolme pääteemaa: (1) syyt tupakoinnin aloittamiseen, (2) syyt tupakoinnin jatkamiseen ja (3) syyt tupakoinnin lopettamiseen. Sitten tutkit erityisiä syitä, miksi osallistujat alkoivat tupakoida, miksi he jatkavat tupakointia ja miksi he haluavat lopettaa. Jokainen tunnistamasi syy toimii alateemana.

Kun raportoit tuloksia, sinun tulee järjestää tekstisi alajaksoihin. Jokaisen osion tulee viitata yhteen aiheeseen. Sitten sinun on keskusteltava kussakin osassa tiedoistasi löytämistäsi alateemoista.

Oletetaan, että huomasit nuorten aloittaneen tupakoinnin, koska: (1) he pitivät tupakointia viileänä, (2) kokivat vertaispaineita, (3) heidän vanhempansa mallittelivat tupakointikäyttäytymistä, (4) he ajattelivat tupakoinnin vähentävän stressiä ja (5) ) he halusivat kokeilla jotain uutta. Nyt sinulla on viisi alateemaa "syyt tupakoinnin aloittamiseen" -teemassa. Sinun on nyt esitettävä kunkin alateeman tulokset ja raportoitava myös lainaukset, jotka parhaiten kuvaavat alateemaasi. Teet sen jokaiselle teemalle ja alateemalle.

On myös hyvä tehdä taulukko, jossa luetellaan kaikki teemat, alateemat ja niihin liittyvät lainaukset.

Tässä on esimerkki lainauksen ilmoittamisesta tekstissä:

Useat osallistujat totesivat aloittaneensa tupakoinnin, koska he pitivät tupakointia viileänä. Yksi osallistuja sanoi: ”Olin tuolloin vain 15 -vuotias ja katsoin näitä vanhempia poikia, joita kaikki pitivät viileinä. Olin ujo ja halusin aina olla enemmän huomioitu. Joten ajattelin, että jos aloitan tupakoinnin, olen enemmän kuin nämä vanhemmat pojat ”(haastattelu 1, mies).

Havaintojen tulosten raportointi

Olet ehkä huomannut, että terapeutti pitää tärkeänä keskustella: (1) ongelman alkuperästä, (2) potilaan lääketieteellisten vaikeuksien puutteesta, (3) stressin kokemuksesta, (4) linkistä stressiä ongelmaan ja (5) uuden käsityksen ongelmasta. Voit pitää näitä teemoina havainnoissasi.

Siksi haluat raportoida jokaisen teeman erikseen. Voit tehdä tämän esittämällä havaintosi ensin (tämä voi olla keskustelu tai käyttäytyminen, jonka havaitsit) ja kommentoimalla sitten sitä.

Terapeutti: Onko jokin asia stressaantunut viime kuukausina?

Potilas: Kyllä, tietysti. Luulin menettäväni työni, mutta se meni ohi. Sen jälkeen olin erossa tyttöystäväni kanssa. Mutta näiden asioiden välissä olin kunnossa.

Terapeutti: Ja oliko oireissasi eroa ollessasi ja kun et ollut stressaantunut?

Potilas: Hmmm. Itseasiassa kyllä. Nyt kun ajattelen sitä, he olivat enimmäkseen läsnä, kun kävin läpi nämä ajanjaksot.

Terapeutti: Voisiko olla niin, että stressi tehostaa oireitasi?

Potilas: En ole koskaan ajatellut sitä. Taitaa olla loogista. Onko se?

Tässä esimerkissä terapeutti on yrittänyt muodostaa yhteyden potilaan oireiden ja stressin välille. Hän ei nimenomaisesti kertonut potilaalle ”oireesi johtuvat stressistä”. Sen sijaan hän on opastanut häntä kysymysten kautta yhdistämään hänen oireensa stressiin. Tämä vaikuttaa hyödylliseltä, koska potilas on itse löytänyt stressin ja oireiden välisen yhteyden.

Kohderyhmien tulosten raportointi

Oletetaan esimerkiksi, että kohderyhmäsi selvitti syitä, miksi jotkut ihmiset pitävät Coca-Colaa Schweppesin sijaan ja päinvastoin. Olet transkriptoinut kohderyhmäistunnot ja poiminut teemat tiedoista. Olet löytänyt monenlaisia ​​syitä, miksi ihmiset pitävät parempana yhtä kahdesta juomasta.

Kun raportoit tuloksiasi, sinulla pitäisi olla kaksi osiota: yksi luetellaan syyt Coca-Colan suosimiseen ja toinen Schweppesin suosimisen syyt. Jokaisen osion sisällä sinun on yksilöitävä erityiset syyt näille asetuksille. Sinun tulee yhdistää nämä erityiset syyt tiettyihin lainauksiin.

Tässä on esimerkki siitä, miltä tämä saattaa näyttää:

Ensimmäinen syy, miksi jotkut osallistujat suosivat Schweppesiä Coca-Colaan verrattuna, on se, että Schweppesiä pidetään vähemmän makeana. Useat osallistujat olivat samaa mieltä tästä ajatuksesta. Yksi sanoi: ”En pidä Coca-Colasta, koska se on yksinkertaisesti liian makea. Schweppesillä on paljon katkera maku, enkä tunne olevani täynnä sokeria ”(osallistuja 2, nainen). Toinen osallistuja suostui huomautukseen: ”Olen täysin samaa mieltä hänen kanssaan. Koska Coca-Cola on makea, minusta tuntuu, että olen ottanut karkin, eikä tämä virkistä minua. Lasi kylmää Schweppesiä on paljon virkistävämpää. Minusta ei tarvitse vettä sen jälkeen ”(osallistuja 4, mies).

Tiivistettynä…

Kuten olemme nähneet, laadullisten tulosten kirjoittaminen on helpompaa kuin määrällisten tulosten kirjoittaminen. Silti jopa tilastojen raportointi ei ole niin vaikeaa, varsinkin jos sinulla on hyvä opas.

Toivottavasti tämä opas on vähentänyt huolesi ja lisännyt luottamustasi siihen, että voit kirjoittaa väitöskirjasi tulososion ilman liikaa vaikeuksia.


Vipuvaikutus lineaarisessa regressiossa: miten se vaikuttaa kaavioihin

Lineaarisessa regressiossa vaikutuspiste (outlier) yrittää vetää lineaarista regressiolinjaa itseään kohti. Alla oleva kaavio osoittaa, mitä tapahtuu lineaariselle regressiolinjalle, kun poikkeama A on mukana:

Kaksi lineaarista regressiolinjaa. Vaikuttava piste A sisältyy ylempään riviin, mutta ei alaviivaan.

Outliers kanssa äärimmäiset X -arvot (arvoilla, jotka eivät ole muiden datapisteiden alueella) on enemmän vipuvoimaa lineaarisessa regressiossa kuin pisteissä, joissa on vähemmän äärimmäisiä x -arvoja. Toisin sanoen, äärimmäiset x-arvon poikkeamat siirtävät linjaa enemmän kuin vähemmän ääriarvoja.

Seuraava kaavio näyttää datapisteen muiden arvojen alueen ulkopuolella. Arvot vaihtelevat 0: sta noin 70 000: een. Tämän yhden pisteen x-arvo on noin 80000, joka on alueen ulkopuolella. Se vaikuttaa regressiolinjaan paljon enemmän kuin yllä olevan ensimmäisen kuvan kohta, joka oli muiden arvojen alueen sisällä.

Korkea vipuvaikutus. Piste on siirtänyt kuvaajaa enemmän, koska se on muiden arvojen alueen ulkopuolella.

Yleensä poikkeavuuksilla, joiden arvot ovat lähellä x: n keskiarvoa, on vähemmän vipuvaikutusta kuin poikkeamilla alueen reunoja kohti. Poikkeamilla, joiden arvot ovat x alueen ulkopuolella, on enemmän vipuvaikutusta. Y-akselin äärimmäisillä arvoilla (muihin arvoihin verrattuna) on enemmän vaikutusta kuin muihin y-arvoihin lähempänä olevilla arvoilla.

Pidätkö videoista? Tilaa Youtube -kanavamme.


Kirjoittajat vakuuttavat, että tutkimus tehtiin ilman kaupallisia tai taloudellisia suhteita, joita voitaisiin tulkita mahdollisena eturistiriitana.

Azevedo, R. ja Bernard, R. M. (1995). Meta-analyysi palautteen vaikutuksista tietokonepohjaisessa opetuksessa. J. Educ. Tietokone. Res. 13, 111 �. doi: 10.2190/9LMD-3U28-3A0G-FTQT

Bangert-Drowns, R. L., Kulik, C.-L. C., Kulik, J. A. ja Morgan, M. (1991). Palautteen ohjaava vaikutus testimaisissa tapahtumissa. Rev. Koul. Res. 61, 213 �. doi: 10.3102/00346543061002213

Biber, D., Nekrasova, T. ja Horn, B. (2011). Palautteen tehokkuus L1-englannin ja L2-kirjoittamisen kehittämisessä: meta-analyysi. ETS Res. Tasavalta Ser. 2011, 1 �. doi: 10.1002/j.2333-8504.2011.tb02241.x

Borenstein, M., Hedges, L. V., Higgins, J. P. T. ja Rothstein, H. R. (2009). Johdatus meta-analyysiin. Chichester, Iso -Britannia: John Wiley & Sons, Ltd, doi: 10.1002/9780470743386

Borenstein, M., Hedges, L. V., Higgins, J. P. T. ja Rothstein, H. R. (2010). Perusjohdatus kiinteiden vaikutusten ja satunnaisvaikutusten malleihin meta-analyysiä varten. Res. Synth. Menetelmät 1, 97 ja#x2013111. doi: 10.1002/jrsm.12

Brand, A. ja Bradley, M. T. (2012). Lisää voodoo-korrelaatioita: kun keskimääräiset mittaukset lisäävät korrelaatioita. J. Kenraali Psychol. 139, 260 �. doi: 10.1080/00221309.2012.703711

Brooks, C., Carroll, A. ja Gillies, R. (2019). Palautteen matriisi. Aust. J. Op. Koul. 44, 14 �. doi: 10.14221/ajte.2018v44n4.2

Brown, D. (2016). Suullisen korjaavan palautteen tyyppi ja kielelliset painopisteet L2-luokkahuoneessa: meta-analyysi. Lang. Opettaa. Res. 20, 436 �. doi: 10.1177/1362168814563200

Cheung, M. W. L., Ho, R. C., Lim, Y. ja Mak, A. (2012). Meta-analyysin suorittaminen: perusteet ja hyvät käytännöt. Int. J. Rheum. Dis. 15, 129 �. doi: 10.1111/j.1756-185X.2012.01712.x

Cohen, J. (1988). Käyttäytymistieteiden tilastollinen tehoanalyysi. Hillsdale, NJ: Erlbaum.

Deeks, J. J., Higgins, J. P. ja Altman, D. G. (2008). ‚ Tietojen analysointi ja meta-analyysien suorittaminen ” in Cochrane -käsikirja interventioiden systemaattiseen arviointiin, toim. J.P.Higgins ja S.Green, (Lontoo, Iso -Britannia: John Wiley & Sons Ltd), 243 �. doi: 10.1002/9780470712184

Egger, M., Davey Smith, G., Schneider, M. ja Minder, C. (1997). Meta-analyysin harha havaittiin yksinkertaisella, graafisella testillä. Br. Med. J. 315, 629 �. doi: 10.1136/bmj.315.7109.629

Getsie, R. L., Langer, P. ja Glass, G. V. (1985). Meta-analyysi palautteen tyypin ja yhdistelmän vaikutuksista lasten syrjinnän oppimiseen. Rev. Koul. Res. 55, 9 �. doi: 10.3102/00346543055001009

Gleser, L. J. ja Olkin, I. (2009). “Stokastisesti riippuvaiset tehosekoot ” in Tutkimuksen synteesin ja meta-analyysin käsikirja, toim. H.Cooper, L.V.Hedges ja J.C. Valentine (New York, NY: Russell Sage Foundation), 357 �.

Graham, S., Hebert, M. ja Harris, K. R. (2015). Muotoileva arviointi ja kirjoittaminen. Elem. Sch. J. 115, 523 ja#x2013547.

Hattie, J. (2009). Näkyvä oppiminen: synteesi 800+ meta-analyysistä saavutuksista. Lontoo: Routledge.

Hattie, J. ja Clarke, S. (2018). Näkyvä oppiminen: Palaute. Lontoo: Routledge, doi: 10.4324/9780429485480

Hattie, J. ja Timperley, H. (2007). Palautteen voima. Rev. Koul. Res. 77, 81 �. doi: 10.3102/003465430298487

Hattie, J. ja Zierer, K. (2019). Visible Learning Insights. Lontoo: Routledge, doi: 10.4324/9781351002226

Hedges, L. V. ja Olkin, I. (1985). Meta-analyysin tilastolliset menetelmät. San Diego, CA: Academic Press.

Hedges, L. V., Tipton, E. ja Johnson, M. C. (2010). Vankka varianssiarvio meta-regressiossa ja riippuvaiset vaikutuksen koko-arviot. Res. Synth. Menetelmät 1, 39 ja#x201365. doi: 10.1002/jrsm.5

Hedges, L. V. ja Vevea, J. L. (1998). Kiinteät ja satunnaisvaikutteiset mallit meta-analyysissä. Psychol. Menetelmät 3, 486 �. doi: 10.1037/1082-989x.3.4.486

Hunter, J. E. ja Schmidt, F. L. (2000). Kiinteät vaikutukset vs. satunnaisvaikutukset meta-analyysimallit: vaikutukset kumulatiiviseen tutkimustietoon. Int. J. Sel. Arvioida. 8, 275 �. doi: 10.1111/1468-2389.00156

Kang, E. ja Han, Z. (2015). Kirjallisen korjaavan palautteen tehokkuus L2-kirjallisen tarkkuuden parantamisessa: meta-analyysi. Moderni Lang. J. 99, 1 �. doi: 10.1111/modl.12189

Kluger, A. N. ja DeNisi, A. (1996). Palauteinterventioiden vaikutukset suorituskykyyn: historiallinen katsaus, meta-analyysi ja alustava palauteinterventioteoria. Psychol. Sonni. 119, 254 ja#x2013284. doi: 10.1037/0033-2909.119.2.254

Krippendorff, K. (2004). Luotettavuus sisältöanalyysissä: joitain yleisiä väärinkäsityksiä ja suosituksia. Hyräillä. Commun. Res. 30, 411 �. doi: 10.1093/hcr/30.3.411

Kulik, J. A. ja Kulik, C.-L. C. (1988). Palautteen ja sanallisen oppimisen ajoitus. Rev. Koul. Res. 58, 79 �. doi: 10.3102/00346543058001079

L ’Hommedieu, R., Menges, R. J. ja Brinko, K. T. (1990). Metodologiset selitykset oppilasarvioiden palautteen vaatimattomille vaikutuksille. J. Educ. Psychol. 82, 232 ja#x2013241. doi: 10.1037/0022-0663.82.2.232

Li, S. (2010). Korjaavan palautteen tehokkuus SLA: ssa: meta-analyysi. Lang. Oppia. 60, 309 �. doi: 10.1111/j.1467-9922.2010.00561.x

Light, R. J. ja Pillemer, D. B. (1986). Yhteenveto: Tutkimuksen tarkastelun tiede. Cambridge, MA: Harvard University Press.

Lysakowski, R. S. ja Walberg, H. J. (1980). Luokkahuoneen vahvistaminen. Eval. Koul. 4, 115 �. doi: 10.1016/0191-765x (80) 90038-5

Lysakowski, R. S. ja Walberg, H. J. (1981). Luokkahuoneen vahvistaminen ja oppiminen: kvantitatiivinen synteesi. J. Educ. Res. 75, 69 �. doi: 10.1080/00220671.1981.10885359

Lyster, R. ja Saito, K. (2010). Suullinen palaute luokkahuoneessa SLA: meta-analyysi. Nasta. Sec. Lang. Acquis. 32, 265 ja#x2013302. doi: 10.1017/S0272263109990520

Madsen, C. K., Dorow, L. G., Moore, R. S. ja Womble, J. U. (1976). Musiikin vaikutus television kautta vahvistuksena oikealle matematiikalle. J. Res. Musiikkiopetus 24, 51 �. doi: 10.2307/3344936

Madsen, C. K., Moore, R. S., Wagner, M. J. ja Yarbrough, C. (1975). Musiikin vertailu vahvistukseksi oikeille matemaattisille vastauksille verrattuna musiikkiin vahvistuksena tarkkaavaisuuteen. J. Music Ther. 12, 84 ja#x201395. doi: 10.1093/jmt/12.2.84

Marsh, H. W. (1987). Opiskelijoiden ’ arvioinnit yliopiston opetuksesta: tutkimustulokset, metodologiset kysymykset ja ohjeet tulevalle tutkimukselle. Int. J. Educ. Res. 11, 253 ja#x2013388. doi: 10.1016/0883-0355 (87) 90001-2

Menges, R. J. ja Brinko, K. T. (1986). 𠇎 Oppilaiden arviointipalautteen vaikutukset: korkeakoulututkimuksen meta-analyysi ” in Paperi Esiteltiin American Educational Research Associationin 70. vuosikokouksessa, San Francisco, CA, Google Scholar

Miller, P. C. (2003). Korjaavan palautteen tehokkuus: meta-analyysi. Julkaisematon väitöskirja, Purdue University, Lafayette, IN.

Miller, P. C. ja Pan, W. (2012). Uudelleenlaatiminen L2-luokkahuoneessa: meta-analyyttinen arvostelu. Int. J. Educ. Res. 56, 48 �. doi: 10.1016/j.ijer.2012.07.002

Moher, D., Liberati, A., Tetzlaff, J. ja Altman, D. G. (2009). Ensisijaiset raportointikohteet systemaattisiin katsauksiin ja meta-analyyseihin: PRISMA-lausunto. Ann. Int. Med. 151, 264 �. doi: 10.1371/journal.pmed1000097

Morris, S. B. ja DeShon, R. P. (2002). Yhdistämällä meta-analyysin vaikutuskokojen estimaatit toistuviin mittauksiin ja riippumattomien ryhmien suunnitelmiin. Psychol. Menetelmät 7, 105 �. doi: 10.1037/1082-989x.7.1.105

Neubert, M. J. (1998). Palautteen ja tavoitteiden asettamisen arvo pelkästään tavoitteiden asettamisen ja tämän vaikutuksen mahdollisten valvojat: meta-analyysi. Hyräillä. Suorittaa. 11, 321 ja#x2013335. doi: 10.1207/s15327043hup1104_2

R -ydinryhmä (2017). R: Kieli ja ympäristö tilastointiin. Wien: R Foundation for Statistical Computing.

Raudenbush, S. W. ja Bryk, A. S. (1985). Empiirinen bayes-meta-analyysi. J. Educ. Stat. 10, 75 �. doi: 10.3102/10769986010002075

Rummel, A. ja Feinberg, R. (1988). Kognitiivinen arviointiteoria: meta-analyyttinen katsaus kirjallisuuteen. Soc. Käyttäytyä. Henkilö. 16, 147 ja#x2013164. doi: 10.2224/sbp.1988.16.2.147

Russel, J. R. ja Spada, N. (2006). 4. Korjaavan palautteen tehokkuus L2 -kieliopin hankkimisessa. Lang. Oppia. Lang. Opettaa. 13, 133 ja#x2013164. doi: 10.1075/lllt.13.09val

Rustenbach, S. J. (2003). “Metaanalyse - Eine anwendungsorientierte Einf ührung [Metaanalysis - Sovelluslähtöinen johdanto], ” in Methoden der Psychologie [Psykologian menetelmät], Voi. 16, toim. K. Pawlik, (Bern: Huber).

Ryan, R. M. ja Deci, E. L. (2000). Sisäiset ja ulkoiset motiivit: klassiset määritelmät ja uudet suunnat. Pohdiskelu Koul. Psychol. 25, 54 �. doi: 10.1006/ceps.1999.1020

Sadler, D. R. (1989). Formatiivinen arviointi ja opetusjärjestelmien suunnittelu. Instr. Sei. 18, 119 �. Instr. Sei. 18, 119 �. doi: 10.1007/bf00117714

Schimmel, BJ (1983). 𠇊 meta-analyysi palautteesta oppijoille tietokoneistetussa ja ohjelmoidussa opetuksessa ja#x201D in Paperi Esitetty American Educational Research Association Montrealin vuosikokouksessa, Kanada.

Shadish, W. R. ja Haddock, C. K. (1994). “Yhdistämällä arvioita tehon koosta ja#x201D in Tutkimuksen synteesin käsikirja, toim. H.Cooper ja L.V.Hedges, (New York, NY: Russell Sage Foundation), 261 �.

Sidik, K. ja Jonkman, J. N. (2006). Vankka varianssiarvio satunnaisvaikutusten meta-analyysia varten. Tietokone. Stat. Data Anal. 50, 3681 �. doi: 10.1016/j.csda.2005.07.019

Slavin, R. E. (2008). Näkökulmia näyttöön perustuvaan tutkimukseen koulutuksessa — mikä toimii? Ongelmia koulutusohjelmien arviointien syntetisoinnissa. Koul. Res. 37, 5 �. doi: 10.3102/0013189x08314117

Standley, J. M. (1996). Meta-analyysi musiikin vaikutuksista koulutuksen/terapian tavoitteiden vahvistamiseksi. J. Res. Musiikkiopetus 44, 105 �. doi: 10.2307/3345665

Swanson, H. L. ja Lussier, C. M. (2001). Valikoiva synteesi dynaamista arviointia koskevasta kokeellisesta kirjallisuudesta. Rev. Koul. Res. 71, 321 �. doi: 10.3102/00346543071002321

Tenenbaum, G. ja Goldring, E. (1989). Meta-analyysi tehostetun opetuksen vaikutuksesta: vihjeet, osallistuminen, vahvistaminen ja palaute ja korjaukset motoristen taitojen oppimiseen. J. Res. Dev. Koul. 22, 53 �.

Travlos, A. K. ja Pratt, J. (1995). Tulosten tuntemuksen ajallinen paikka: meta-analyyttinen katsaus. Percept. Mot. Taidot 80, 3 �. doi: 10.2466/pms.1995.80.1.3

Truscott, J. (2007). Virheenkorjauksen vaikutus oppijoihin ja#x2019 kykyyn kirjoittaa tarkasti. J. Sec. Lang. Kirjoita. 16, 255 ja#x2013272. doi: 10.1016/j.jslw.2007.06.003

Uttl, B., White, C. A. ja Gonzalez, D. W. (2017). Meta-analyysi tiedekunnan opetuksen tehokkuudesta: Opiskelijoiden arviointi opetusarvioista ja opiskelijoiden oppimisesta ei liity toisiinsa. Nasta. Koul. Eval. 54, 22 ja#x201342. doi: 10.1016/j.stueduc.2016.08.007

van der Kleij, F. M., Feskens, R. C. ja Eggen, T. J. (2015). Palautteen vaikutukset tietokonepohjaisessa oppimisympäristössä opiskelijoille ja#x2019 oppimistuloksille: meta-analyysi. Rev. Koul. Res. 85, 475 �. doi: 10.3102/0034654314564881

Viechtbauer, W. (2007). Heterogeenisuuden huomioon ottaminen satunnaisvaikutteisten mallien ja meta-analyysin moderaattorianalyysien avulla. Zeitschrift f ür Psychologie/J. Psychol. 215, 104 �. doi: 10.1027/0044-3409.215.2.104

Walberg, H. J. (1982). Mikä tekee koulusta tehokkaan? Pohdiskelu Koul. Rev. 1, 1 �.

Wecker, C., Vogel, F. ja Hetmanek, A. (2017). Vision är und imposant �r auch belastbar ?. [Visioiva ja vaikuttava – mutta myös luotettava?]. Zeitschrift f ür Erziehungswissenschaft 20, 21 �. doi: 10.1007/s11618-016-0696-0

Wiersma, U. J. (1992). Ulkoisten palkkioiden vaikutukset sisäiseen motivaatioon: meta-analyysi. J. mieh. Urut. Psychol. 65, 101 �. doi: 10.1111/j.2044-8325.1992.tb00488.x

Wilkinson, S. S. (1981). Opettajan kiitoksen ja opiskelijoiden saavutusten suhde: meta-analyysi valitusta tutkimuksesta. Diss. Abstr. Int. 41: 3998A.

Witt, P. L., Wheeless, L. R. ja Allen, M. (2004). Meta-analyyttinen katsaus opettajan välittömyyden ja opiskelijoiden oppimisen välisestä suhteesta. Commun. Monogr. 71, 184 �. doi: 10.1080/036452042000228054

Yeany, R. H. ja Miller, P. (1983). Diagnostiikan/korjaavan opetuksen vaikutukset luonnontieteiden oppimiseen: meta -analyysi. J. Res. Sei. Opettaa. 20, 19 �. doi: 10.1002/tea.3660200103

Avainsanat: palaute, opiskelijoiden oppiminen, opiskelijoiden saavutukset, meta-analyysi, opetus

Lainaus: Wisniewski B, Zierer K ja Hattie J (2020) Palautteen voima tarkistettu: Meta-Analysis of Educational Feedback Research. Edessä. Psychol. 10: 3087. doi: 10.3389/fpsyg.2019.03087

Vastaanotettu: 6. elokuuta 2019 Hyväksytty: 31. joulukuuta 2019
Julkaistu: 22. tammikuuta 2020.

Sung-il Kim, Korean yliopisto, Etelä-Korea

Frans Prins, Utrechtin yliopisto, Alankomaat
Lu Wang, Ball State University, Yhdysvallat
Roger C.Ho, Singaporen kansallinen yliopisto, Singapore

Tekijänoikeus ja#x00A9 2020 Wisniewski, Zierer ja Hattie. Tämä on avoin artikkeli, joka jaetaan Creative Commons Attribution License (CC BY) -ehtojen mukaisesti. Käyttö, jakelu tai jäljentäminen muilla foorumeilla on sallittua, jos alkuperäinen tekijä (t) ja tekijänoikeuden omistaja (t) mainitaan ja että tämän julkaisun alkuperäinen julkaisu on lainattu hyväksytyn akateemisen käytännön mukaisesti. Käyttö, jakelu tai jäljentäminen ei ole sallittua, mikä ei ole näiden ehtojen mukaista.


Regressioanalyysin päivitys

Tiedät luultavasti jo nyt, että aina kun mahdollista, sinun tulee tehdä tietoon perustuvia päätöksiä työssäsi. Mutta tiedätkö, miten jäsentää kaikki käytettävissä olevat tiedot? Hyvä uutinen on, että sinun ei todennäköisesti tarvitse tehdä numeroa itseäsi (halleluja!), Mutta sinun on ymmärrettävä ja tulkittava oikein kollegoidesi luoma analyysi. Yksi tärkeimmistä tietoanalyysityypeistä on regressio.

Ymmärtääkseni paremmin tätä menetelmää ja sitä, miten yritykset käyttävät sitä, puhuin kirjan kirjoittajan Tom Redmanin kanssa Tietoihin perustuva: hyödyntäminen tärkeimmästä liiketoimintaresurssistasi Hän neuvoo myös organisaatioita niiden tietojen ja tietojen laatuohjelmien parissa.

Mikä on regressioanalyysi?

Redman tarjoaa tämän esimerkkiskenaarion: Oletetaan, että olet myyntipäällikkö, joka yrittää ennustaa seuraavan kuukauden lukuja. Tiedät, että kymmenet, ehkä jopa sadat tekijät säästä kilpailijan ylennykseen uuden ja parannetun mallin huhuun voivat vaikuttaa numeroon. Ehkä organisaatiossasi olevilla ihmisillä on jopa teoria siitä, mikä vaikuttaa eniten myyntiin. "Luota minuun. Mitä enemmän sataa, sitä enemmän myymme. ” "Kuusi viikkoa kilpailijan ylennyksen jälkeen myynti hyppää."

Regressioanalyysi on tapa selvittää matemaattisesti, mitkä näistä muuttujista todella vaikuttavat. Se vastaa kysymyksiin: Mitkä tekijät ovat tärkeimpiä? Mitä voimme jättää huomiotta? Miten nämä tekijät vaikuttavat toisiinsa? Ja ehkä tärkeintä, kuinka varmoja olemme kaikista näistä tekijöistä?

Lue lisää

Pysyminen Quantsin kanssa

Regressioanalyysissä näitä tekijöitä kutsutaan muuttujiksi. Sinulla on sinun riippuva muuttuja - tärkein tekijä, jota yrität ymmärtää tai ennustaa. Edellä olevassa Redmanin esimerkissä riippuvainen muuttuja on kuukausittainen myynti. Ja sitten sinulla on oma riippumattomia muuttujia - tekijät, joiden epäilet vaikuttavan riippuvaiseen muuttujaasi.

Kuinka se toimii?

Regressioanalyysin suorittamiseksi keräät tietoja kyseisistä muuttujista. (Muistutus: sinun ei todennäköisesti tarvitse tehdä tätä itse, mutta sinun on hyödyllistä ymmärtää prosessi, jota data -analyytikkokollegasi käyttää.) Otat kaikki kuukausittaiset myyntiluvut esimerkiksi kolmen viime vuoden ajalta ja kaikki tiedot riippumattomista muuttujista, joista olet kiinnostunut. Tässä tapauksessa oletetaan, että saat selville myös kolmen viime vuoden keskimääräisen kuukausittaisen sademäärän. Piirrät sitten kaikki nämä tiedot kaavioon, joka näyttää tältä:

Y-akseli on myynnin määrä (riippuvainen muuttuja, josta olet kiinnostunut, on aina y-akselilla) ja x-akseli on kokonaissademäärä. Jokainen sininen piste edustaa yhden kuukauden tietoja - kuinka paljon satoi tuona kuukautena ja kuinka monta myyntiä teit saman kuukauden aikana.

Näitä tietoja vilkaisten huomaat todennäköisesti, että myynti on korkeampaa päivinä, jolloin sataa paljon. Se on mielenkiintoista tietää, mutta kuinka paljon? Jos sataa 3 tuumaa, tiedätkö paljonko myyt? Entä jos sataa 4 tuumaa?

Kuvittele nyt piirtämästä viiva yllä olevan kaavion läpi, joka kulkee suunnilleen kaikkien datapisteiden keskellä. Tämä rivi auttaa sinua vastaamaan jonkin verran varmuudella, kuinka paljon yleensä myyt, kun sataa tiettyä määrää.

Tätä kutsutaan regressiolinjaksi ja se piirretään (käyttämällä tilastotieto -ohjelmaa, kuten SPSS tai STATA tai jopa Excel), jotta voidaan näyttää dataan parhaiten sopiva viiva. Toisin sanoen Redman selittää: "Punainen viiva on paras selitys riippumattoman ja riippuvaisen muuttujan väliselle suhteelle."

Viivan piirtämisen lisäksi tilasto -ohjelmasi antaa myös kaavan, joka selittää viivan kaltevuuden ja näyttää tältä:

Ohita virheilmoitus toistaiseksi. Se viittaa siihen, että regressio ei ole täysin tarkka. Keskity vain malliin:

Tämä kaava kertoo sinulle, että jos "x" ei ole, niin Y = 200. Joten historiallisesti, kun ei satanut ollenkaan, teit keskimäärin 200 myyntiä ja voit odottaa tekevän saman myös jatkossa olettaen, että muut muuttujat pysyvät samana. Aiemmin teit keskimäärin viisi lisämyyntiä jokaista sadetta kohti. "Jokaisella lisäyksellä, joka x nousee yhdellä, y nousee viidellä", Redman sanoo.

Palataan nyt kohtaan virhe termi. Saatat olla houkutteleva sanoa, että sateella on suuri vaikutus myyntiin, jos saat jokaista tuumaa kohti viisi lisämyyntiä, mutta onko tämä muuttuja huomion arvoinen, riippuu virhesanasta. Regressiolinjalla on aina virhetermi, koska tosielämässä riippumattomat muuttujat eivät koskaan ole täydellisiä riippuvien muuttujien ennustajia. Viiva on ennuste, joka perustuu käytettävissä oleviin tietoihin. Virhetermi kertoo siis, kuinka varma voit olla kaavasta. Mitä suurempi se on, sitä epävarmempi regressiolinja.

Yllä oleva esimerkki käyttää vain yhtä muuttujaa kiinnostavan tekijän ennustamiseen - tässä tapauksessa sadetta myynnin ennustamiseen. Yleensä aloitat regressioanalyysin halutessasi ymmärtää useiden riippumattomien muuttujien vaikutuksen. Voit siis sisällyttää paitsi sateen myös tietoja kilpailijan ylennyksestä. "Jatkat tätä, kunnes virhesanoma on hyvin pieni", Redman sanoo. "Yrität saada linjan, joka sopii parhaiten tietoihisi." Vaikka voi olla vaaroja yrittää sisällyttää liikaa muuttujia regressioanalyysiin, osaavat analyytikot voivat minimoida nämä riskit. Useiden muuttujien vaikutuksen huomioon ottaminen on yksi regression suurimmista eduista.

Miten yritykset käyttävät sitä?

Regressioanalyysi on "go-to -menetelmä analytiikassa", Redman sanoo. Ja älykkäät yritykset käyttävät sitä tekemään päätöksiä kaikenlaisista liiketoiminta -asioista. ”Johtajana haluamme selvittää, miten voimme vaikuttaa myyntiin tai työntekijöiden säilyttämiseen tai parhaiden ihmisten rekrytointiin. Se auttaa meitä selvittämään, mitä voimme tehdä. ”

Useimmat yritykset käyttävät regressioanalyysiä selittääkseen ilmiön, jonka he haluavat ymmärtää (esim. Miksi asiakaspalvelun puhelut vähenivät viime kuussa?) Ennustamaan asioita tulevaisuudesta (esim. Miltä myynti näyttää seuraavan kuuden kuukauden aikana?) Tai päättääkseen, mitä tehdä (esim. pitäisikö meidän osallistua tähän kampanjaan tai toiseen?).

Huomautus "korrelaatio ei ole syy -yhteys"

Aina kun työskentelet regressioanalyysin tai muun analyysin kanssa, joka yrittää selittää yhden tekijän vaikutuksen toiseen, sinun on muistettava tärkeä sanonta: Korrelaatio ei ole syy -yhteys. Tämä on kriittistä ja tästä syystä: On helppo sanoa, että sateen ja kuukausimyynnin välillä on korrelaatio. Regressio osoittaa, että ne todella liittyvät toisiinsa. Mutta on aivan eri asia sanoa, että sade aiheuttama myynnit. Ellet myy sateenvarjoja, saattaa olla vaikeaa todistaa, että syy ja seuraus ovat olemassa.

Joskus tekijät korreloivat toisiinsa, jotka eivät niin selvästi liity syyn ja seurauksen välille, mutta useammin liiketoiminnassa, se ei ole niin ilmeistä. Kun näet korrelaation regressioanalyysistä, et voi tehdä oletuksia, Redman sanoo. Sen sijaan: "Sinun täytyy mennä ulos ja katsoa, ​​mitä todellisessa maailmassa tapahtuu. Mikä on fyysinen mekanismi, joka aiheuttaa suhteen? " Mene ulos tarkkailemaan kuluttajia, jotka ostavat tuotteesi sateella, keskustele heidän kanssaan ja selvitä, mikä todella saa heidät ostamaan. "Monet ihmiset ohittavat tämän vaiheen ja luulen, että se johtuu siitä, että he ovat laiskoja. Tavoitteena ei ole selvittää, mitä tiedoissa tapahtuu, vaan selvittää, mitä maailmassa tapahtuu. Sinun täytyy mennä ulos ja lyödä jalkakäytävää ”, hän sanoo.

Redman kirjoitti omasta kokeilustaan ​​ja analyysistään yrittäessään laihtua sekä matkansa ja painonnousunsa välisestä yhteydestä. Hän huomasi, että kun hän matkusti, hän söi enemmän ja harjoitti vähemmän. Joten johtuiko hänen painonnousunsa matkustamisesta? Ei välttämättä. ”Oli mukavaa arvioida, mitä tapahtui, mutta matka ei ole syy. Se voi liittyä asiaan ”, hän sanoo, mutta ei ole kuin hän olisi tien päällä panostanut ylimääräisiin kiloihin. Hänen täytyi ymmärtää enemmän siitä, mitä hänen matkoillaan tapahtui. "Olen usein uusissa ympäristöissä, joten ehkä syön enemmän, koska olen hermostunut?" Hänen täytyi tarkastella tarkemmin korrelaatiota. Ja tämä on hänen neuvonsa johtajille. Käytä tietoja ohjaamaan lisää kokeita, älä tee johtopäätöksiä syystä ja seurauksesta.

Mitä virheitä ihmiset tekevät työskennellessään regressioanalyysin kanssa?

Regressioanalyysin kuluttajana sinun on pidettävä mielessä useita asioita.

Älä ensinnäkään käske data -analyytikkoasi menemään ulos selvittämään, mikä vaikuttaa myyntiin. "Tapa, jolla useimmat analyysit menevät sekaisin, on, että johtaja ei ole kaventanut keskittymistä etsimäänsä", Redman sanoo. Sinun tehtäväsi on tunnistaa tekijät, joiden epäilet vaikuttavan, ja pyytää analyytikkoasi tarkastelemaan niitä. "Jos kerrot tietotieteilijälle lähteä kalastusmatkalle tai kertoa sinulle jotain, mitä et tiedä, ansaitset mitä saat, mikä on huono analyysi", hän sanoo. Toisin sanoen, älä pyydä analyytikoitasi tarkastelemaan kaikkia muuttujia, joihin he voivat päästä käsiksi, kerralla. Jos teet niin, löydät todennäköisesti suhteita, joita ei oikeasti ole. Se on sama periaate kuin kolikon kääntäminen: tee se tarpeeksi monta kertaa, lopulta saat ajatella näet jotain mielenkiintoista, kuten nippu päitä peräkkäin.

Muista myös, voitko tehdä mitään harkitsemallesi riippumattomalle muuttujalle. Et voi muuttaa kuinka paljon sataa, joten kuinka tärkeää on ymmärtää se? "Emme voi tehdä mitään säälle tai kilpailijamme mainostamiselle, mutta voimme vaikuttaa esimerkiksi omiin promootioihimme tai lisätä ominaisuuksia", Redman sanoo. Kysy aina itseltäsi, mitä aiot tehdä tiedoilla. Mitä toimia aiot tehdä? Mitä päätöksiä aiot tehdä?

Toiseksi "analyysit ovat erittäin herkkiä huonoille tiedoille", joten ole varovainen keräämiesi tietojen ja niiden keräämisen suhteen ja tiedä, voitko luottaa niihin. "Kaikkien tietojen ei tarvitse olla oikeita tai täydellisiä", Redman selittää, mutta harkitse, mitä aiot tehdä analyysillä. Jos sen seurauksena tekemilläsi päätöksillä ei ole suurta vaikutusta yritykseesi, on hyvä, jos tiedot ovat "eräänlaisia ​​vuotavia". Mutta "jos yrität päättää, rakennatko 8 tai 10 jotain ja jokaisen rakentaminen maksaa miljoona dollaria, se on isompi juttu", hän sanoo. Alla olevassa kaaviossa selitetään, miten ajatella, toimitaanko tietojen perusteella.

Redman sanoo, että jotkut johtajat, jotka eivät ole vielä ymmärtäneet regressioanalyysiä, tekevät virheen jättämättä huomiotta virhetermiä. Tämä on vaarallista, koska he tekevät suhteesta jotain varmempaa kuin se on. "Usein tulokset sylkevät tietokoneelta ja johtajat ajattelevat:" Se on hienoa, käytämme tätä eteenpäin. "" Mutta muista, että tulokset ovat aina epävarmoja. Kuten Redman huomauttaa: ”Jos regressio selittää 90% suhteesta, se on hienoa. Mutta jos se selittää 10%ja käyttäydyt kuin 90%, se ei ole hyvä. ” Analyysin tarkoitus on mitata varmuus siitä, että jotain tapahtuu. "Se ei kerro, kuinka sade vaikuttaa myyntiin, mutta kertoo todennäköisyydestä, että sade voi vaikuttaa myyntiin."

Viimeinen virhe, jota Redman varoittaa, on antaa tietojen korvata intuitiosi.

"Sinun on aina asetettava intuitiosi tietojen päälle", hän selittää. Kysy itseltäsi, sopivatko tulokset ymmärrykseesi tilanteesta. Ja jos näet jotain, joka ei ole järkevää, kysy, olivatko tiedot oikeita tai onko todellakin suuri virhe. Redman ehdottaa, että etsit kokeneempia johtajia tai muita analyysejä, jos saat jotain, joka ei ole järkevää. Ja hän sanoo, älä koskaan unohda katsoa lukujen ulkopuolelta sitä, mitä tapahtuu toimistosi ulkopuolella: ”Sinun on yhdistettävä analyysi reaalimaailman tutkimukseen. Parhaat tutkijat - ja johtajat - katsovat molempia. ”


Katso video: Τρελό κοτόπουλο πληρώνει διόδια με τον τρόπο του και μετά το βάζει στα πόδια (Elokuu 2022).