Kausalitet. Introduktion til samfundsvidenskabelig metode. Samfundsvidenskabelig metode. Hvad er metode? Hvad er kausalitet.

Transkript

1 Introduktion til samfundsvidenskabelig metode Samfundsvidenskabelig metode IT-Universitetet September 2007 Mikkel Leihardt Hvad er metode? Metode er regler og retningslinjer for, hvordan vi undersøger en given problemstilling (hypotese) Alene er metode værdiløst Kvalitativ Få enheder og analytisk generalisering Kausalitet Kvantitativ Mange enheder og statistisk generalisering Hvad er kausalitet Kausalitet Kausalitet = årsagssammenhæng Vi kan ikke bevise kausalitet, men sandsynliggøre sammenhæng og minimere risikoen for at begå fejl Påvirkningsforhold mellem to variable: Ændringer i værdien på årsagsvariablen medfører ændringer i effektvariablen X Årsag Social baggrund Y Effekt Medievaner 1

2 Den med storken Antal Storke (X) Antal ny-fødte børn (Y) Spørgeskemaer Urbaniseringsgrad Antal Storke Antal ny-fødte børn Fra teori til empiri Validitet og reliabilitet Teoretisk defineret variabel Definitionsmæssig validitet Operationel defineret variabel Datas validitet Data Reliabilitet Reliabel, men ikke valid Valid, men ikke reliabel Valid og reliabel Reliabilitet: Indsamling og behandling af data på en korrekt måde Validitet: Teoretisk defineret variabel ift. de endelige data (måler vi det vi gerne vil?) Gode råd til spørgeskema Undgå jargon og spørg præcist Undgå følelser og prestige Vær entydig og undgå ledende spørgsmål Overvej kompetence hos respondenter og pas på med videnspørgsmål Gensidigt udelukkende og udtømmende spørgsmål (man skal kunne svare entydigt!) Balancerede spørgsmål der skal kunne besvares både positivt og negativt Baggrundsspørgsmål Køn Alder Indkomst Arbejde Uddannelse Med flere 2

3 Indholdsspørgsmål Holdninger, handlinger, oplevelser, meninger mv. Hvor enig er du i følgende udsagn Meget enig, enig, neutral, uenig, meget uenig Helt enig med A/B, delvist enig med A/B og neutral Hvilke af følgende aktiviteter har du prøvet i år? Med flere Åbne kontra lukkede spørgsmål Åbne giver mere information Lukkede kan bedre håndteres og analysers statistisk Huskeliste til spørgeskema Rækkefølgen er vigtig Glidende Et spørgsmål kan påvirke andre spørgsmål Irriterende spørgsmål sidst og det det kedelige først (?) Skitse med hovedoverskrifter Indledning med begrundelse så folk gider svare Afprøv skema på venner ret til, og afprøv igen Send evt. et prøveskema ud og ret til Måleniveauer Måleniveauer Måleniveauer har betydning for de analyseteknikker ( matematik ), der kan anvendes En variabels måleniveau afgøres blandt andet af den måde spørgsmålet stilles på Fire måleniveauer: Nominal, ordinal, interval og ratio Skellet mellem interval og ratio er ikke interessant i denne sammenhæng Nominalskala Ordinalskala Værdierne: Udtømmende og gensidigt udelukkende Identiske eller ikke-identiske typer (= eller ) Eksempler: Køn, partivalg og verdensdel Samme som nominalskala + værdierne kan rangordnes Rækkefølge (men IKKE afstand) = eller, > eller < Eksempler: Socialklasse (lav, mellem, høj), grad af konservatisme og tilfredshed med ITU (5-skala) 3

4 Intervalskala Samme som nominal og ordinal + vi kan tale om afstand Intet absolut nulpunkt (modsat ratio) = eller, > eller <, + eller Eksempler: Temperatur i celsius eller fahrenheit, IQ og historisk tid Ratioskala Samme som nominal, ordinal og interval + naturligt 0-punkt Vi kan måle forholdet (:ratioe) = eller, > eller <, + eller -, * eller / Eksempler: Alder, antal venner og kelvingrader Univariat analyse En univariat analyse = analyse af én variabel Univariat og bivariat analyse Fokus på frekvenstabeller, men det kan f.eks. også være gennemsnit, typetal, median med flere En frekvenstabel er en simpel optælling af svar Univariat analyse Nominal Univariat analyse Ordinal Kvinder Frekvens 77 Procent 41,2% Total Meget tilfreds 8% Tilfreds 20% Mænd ,8% Neutral 32% Utilfreds 16% I alt % Meget utilfreds 24% Total 100% 4

5 Univariat analyse Interval Univariat analyse SPSS Unikke besøgende DR Uge 10, Uge 9, Uge 8, Uge 7, Uge 6, Uge 5, Uge 4, Uge 3, Uge 2, Uge 1, Kilde: FREQUENCIES VARIABLES=v357 /STATISTICS=RANGE MEAN MEDIAN MODE /ORDER= ANALYSIS. Bivariat analyse Bivariat analyse - nominal Bivariat analyse = analyse af to variable Sammenhængen mellem to variable? Krydstabeller og sammenhængsmål I tabeller kan vi se på sammenhængen ved at kigge på den vertikale og horisontale procentuering Grafisk præsentation Bivariat analyse - ordinal 60% 50% 40% 48,0% 55,8% 52,0% 44,2% 30% Mand Kvinde 20% 10% 0% Venstreorienteret Højreorienteret 5

6 Grafisk præsentation Bivariat analyse - intervalskala 60% Indkomst 50% 52,0% 53,4% % 43,3% % 31,9% 35,3% 28,9% % 10% 21,4% 19,0% 14,7% % Meget Noget Kun lidt/slet ikke Lav (7-9 år) Mellem (10 år) Høj (Gym/HF) Alder Bivariat analyse SPSS Sammenhængsmål /TABLES=v17 BY v310 /FORMAT= AVALUE TABLES /CELLS= COUNT COLUMN Sammenhængsmål Sammenhængsmål sætter tal på relationen mellem årsag og effekt Computer Video Total Computer Video Total Computer Video Total Sammenhængsmål = 0 Sammenhængsmål = 1 Sammenhængsmål mellem 0 og 1 Chi 2 -test Et mål der anvendes for test af statistisk afhængighed mellem to variable Besvarer spørgsmålet med JA/NEJ, altså ikke et sammenhængsmål kun afhængighed χ 2 k (f i = 1 = ( o ) f f ( e ) ( e ) ) 2 6

7 Chi 2 -test SPSS Chi 2 -test SPSS output Politisk interessret Total Politisk interessret * Køn Crosstabulation Køn Meget Count % within Køn 25,8% 19,2% 22,8% Noget Count % within Køn 49,9% 48,5% 49,2% Kun lidt Count % within Køn 21,6% 28,5% 24,7% Slet ikke Count % within Køn 2,8% 3,8% 3,2% Count % within Køn 100,0% 100,0% 100,0% Chi 2 -testen viser, at vi er må forkaste H0-hypotesen: At der ikke er afhængighed mellem køn og politisk interesse I stedet gælder alternativ hypotesen (HA): At der er afhængighed mellem de to variable. /TABLES=v17 BY v310 /FORMAT= AVALUE TABLES /STATISTIC=CHISQ /CELLS= COUNT COLUMN Chi-Square Tests Asymp. Sig. Value df (2-sided) Pearson Chi-Square 23,651 a 3,000 Likelihood Ratio 23,718 3,000 Linear-by-Linear 22,758 1,000 Association N of Valid Cases 2260 a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 33,30. Vi vil gerne være 95% sikre på, at H0 kan forkastes det kræver en værdi på mindre end 0,05. Sammenhængsmål - nominal Eksempel på beregning Goodman og Kruskals tau (τ) Introduktion til PRE: Fejlreduktion ved kendskab til afhængig og uafhængig variabel Regel 1: Forudsigelse af udfald på den afhængige variabel alene med dette kendskab (antal fejl = E1) Regel 2: Forudsigelse af udfald på den afhængige variabel med kendskab til den uafhængige variabel (antal fejl = E2) PRE = E1 E E 1 2 E1 Gæt på offentlig ansat E1: 46,67 % af 80 = 37,33 Gæt på privat ansat E1: 53,33 % af 70 = 37,33 E1 = 74,66 E2 Kendskab til fordelingen hos MÆND E2: 73,33 % af 20 = 14,67 E2: 26,67 % af 55 = 14,67 Kendskab til fordelingen hos KVINDER E2: 20 % af 60 = 12 E2: 80 % af 15 = 12 E2 = 53,33 Tallene indsættes i formlen Tau SPSS E1 E2 PRE = = E 1 74,66 53,33 = 0,286 74,66 Vi er 28,6% bedre til at forudsige beskæftigelse, når vi kender køn /TABLES=v17 BY v310 /FORMAT= AVALUE TABLES /STATISTIC=CHISQ LAMBDA /CELLS= COUNT COLUMN 7

8 Tau SPSS output Sammenhængsmål - ordinal Politisk interessret * Køn Crosstabulation Køn Politisk Meget Count interessret % within Køn 25,8% 19,2% 22,8% Noget Count % within Køn 49,9% 48,5% 49,2% Kun lidt Count % within Køn 21,6% 28,5% 24,7% Slet ikke Count % within Køn 2,8% 3,8% 3,2% Total Count % within Køn 100,0% 100,0% 100,0% Directional Measures Asymp. Value Std. Error a Approx. T b Approx. Sig. Nominal by Lambda Symmetric,016,011 1,353,176 Nominal Politisk interessret,000,000. c. c Dependent Køn Dependent,033,024 1,353,176 Goodman and Politisk interessret,004,002,000 d Kruskal tau Dependent Køn Dependent,010,004,000 d a. Not assuming the null hypothesis. b. Using the asymptotic standard error assuming the null hypothesis. c. Cannot be computed because the asymptotic standard error equals zero. d. Based on chi-square approximation Goodman og Kruskals tau viser at man bliver 0,4% bedre til at forudsige politisk interesse, når man kender til køn. Der er en sammenhæng, men den er ikke en interessant (meget svag). Ordinalskala sammenhængsmål: Gamma (γ) Benytter rangordning Concordante og disconcordante par Concordant par (C): Et par af to respondenter, hvor den ene rangerer højest på begge variable Disconcordant par (D): Et par af to respondenter, hvor den ene rangerer højest den ene variabel og den anden rangerer højest på den anden variabel -1 < gamma < +1 0,3 er grænsen for det acceptable +/- angiver sammenhængens retning Eksempel på beregning Tallene indsættes i formlen Gamma = (C-D) / (C+D) Gamma = (188-48) / (188+48) = 0,593 Concordante par (1,1) (2,2) (2,3) (3,2) (3,3) = 112 (1,2) (2,3) (3,3) = 22 (2,1) (3,2) (3,3) = 30 (2,2) (3,3) = 24 I alt = 188 Disconcordante par (1,3) (2,2) (2,1) (3,2) (3,1) = 20 (1,2) (2,1) (3,1) = 10 (2,3) (3,2) (3,1) = 12 (2,2) (3,1) = 6 I alt = 48 Gamma SPSS Gamma SPSS output A. Skattelettelser - B. service * Venstre - midt - højre Crosstabulation Venstre - midt - højre A. Skattelettelser Foretrækker A Count - B. service % within Venstre - midt - højre Foretrækker B Count % within Venstre - midt - højre Total Count % within Venstre - midt - højre 1,00 2,00 3,00 Total ,9% 28,3% 51,4% 32,7% ,1% 71,7% 48,6% 67,3% ,0% 100,0% 100,0% 100,0% Gamma viser, at desto mere højreorienteret desto mere foretrækkes skattelettelser frem for service. /TABLES=v178 BY polskala /FORMAT= AVALUE TABLES /STATISTIC=CHISQ GAMMA /CELLS= COUNT COLUMN Symmetric M easures Asymp. Value Std. Error a Approx. T b Approx. Sig. Ordinal by Ordinal Gamma -,712,025-21,237,000 N of Valid Cases 1981 a. Not assuming the null hypothesis. b. Using the asymptotic standard error assuming the null hypothesis. Der er tale om en stærk sammenhæng. 8

9 Sammenhængsmål - Interval Pearsons r Pearsons r måler den lineære sammenhæng mellem to variable på intervalskala niveau (og ratio) Værdierne ligger mellem -1 og 1 og desto højere numerisk værdi, desto stærkere er den lineære sammenhæng En værdi på > 0,3 er en pæn sammenhæng Værdier mellem 0,5 og 0,8 er virkelig gode Værdier over 0,8 kan betyde, at de to variable måler det samme r xy = cov xy s s x y Pearsons r SPSS Pearsons r SPSS output /TABLES=babymort BY urban /FORMAT=NOTABLES /STATISTIC=CORR Infant mortality (deaths per 1000 live births) * People living in cities (%) Interval by Interval Ordinal by Ordinal N of Valid Cases Pearson's R Spearman Correlation a. Not assuming the null hypothesis. Symmetric Measures Asymp. Value Std. Error a Approx. T b Approx. Sig. -,718,045-10,622,000 c -,703,051-10,174,000 c 108 b. Using the asymptotic standard error assuming the null hypothesis. c. Based on normal approximation. Pearsons r viser at desto flere mennesker, der bor i byer, desto mindre bliver børnedødeligheden. Der er tale om en stærk sammenhæng. 9