Vorbereitung der Auswertung (entspricht Kapitel 10.1 bis 10.3 - des Moduls WAIM) - Building Competence. Crossing Borders - myStudybox
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Vorbereitung der Auswertung
(entspricht Kapitel 10.1 bis 10.3
des Moduls WAIM)
Building Competence. Crossing Borders.
Dr. Oliver Thomas
oliver.thomas@zhaw.ch
10.1. Stichprobe beschreiben und argumentieren
Stichprobengrösse
«Stichprobengrösse»
Wie viele Untersuchungseinheiten braucht man?
− Stichprobengrösse hängt nicht von der Grösse der Grundgesamtheit ab
− Zur Stichprobentheorie gibt es viele Publikationen. Diese beruhen aber auf Annahmen,
die in der Praxis der Forschung nicht zutreffen.
− Hier eine gute Zusammenfassung bezüglich Anzahl Probanden mit Angabe der
Quellen, die Sie jeweils zitieren können :
− Bei qualitativen Erhebungen: n = 15 bis 20 (Mayring, 2015)
− Bei Experimenten: pro Gruppe (Zelle) n = 30 bis 50 (Huber, Meyer, & Lenzen, 2014)
− Bei quantitativen Erhebungen: n = 60 (100) bis 300 (Pallant, 2010)
− Für repräsentative Erhebung: n = 800-1200 (Kühn & Kreuzer, 2006)
Zur Stichprobentheorie siehe auch: Schurz, 2006, S. 141
2
10.1. Stichprobe beschreiben und argumentieren
Stichprobengrösse
Nutzt es, noch mehr Daten zu haben? Ein kleiner Test mit Datensätzen:
Datensatz: Korrelation bei n=25:
1.00 4.00 Korrelationen
6.00 7.00 a b
2.00 5.00 a Korrelation nach Pearson 1 *
.498
3.00 3.00 Signifikanz (2-seitig) .011
4.00 7.00 N 25 25
3.00 8.00 b Korrelation nach Pearson .498 *
1
2.00 9.00 Signifikanz (2-seitig) .011
3.00 11.00 N 25 25
4.00 14.00 *. Die Korrelation ist auf dem Niveau von 0,05 (2-seitig) signifikant.
5.00 12.00
4.00 9.00
6.00 9.00
5.00 9.00 Korrelation bei n=50:
7.00 7.00
Korrelationen
6.00 13.00
4.00 15.00 a b
6.00 18.00 a Korrelation nach Pearson 1 .498**
3.00 21.00 Signifikanz (2-seitig) .000 => Korrelation bei grösserem n
7.00 22.00
3.00 16.00
N 50
**
50 gleich; Signifikanz ist aber
b Korrelation nach Pearson .498 1
5.00 14.00 Signifikanz (2-seitig) .000
deutlich höher
8.00 12.00
N 50 50
11.00 15.00
**. Die Korrelation ist auf dem Niveau von 0,01 (2-seitig)
14.00 15.00
signifikant.
12.00 16.00
3
10.1. Stichprobe beschreiben und argumentieren
Stichprobengrösse
Nutzt es, noch mehr Daten zu haben? Ein kleiner Test mit einem zweiten Datensatz:
Korrelation bei n=25: Deskriptiv bei n=25:
Korrelationen
Y X Deskriptive Statistiken
Korrelation nach Pearson Y 1.000 .398
X
Standardabweic
.398 1.000
Sig. (1-seitig) Y
Mittelwert hung N
.024
X
Y 11.6400 5.01564 25
.024
N Y 25 25 X 5.3600 3.17385 25
X 25 25
Korrelation bei n=100: Deskriptiv bei n=100:
Korrelationen
Y X Deskriptive Statistiken
Korrelation nach Pearson Y 1.000 .398
Standardabweic
X .398 1.000
Mittelwert hung N
Sig. (1-seitig) Y .000
Y 11.6400 4.93906 100
X .000
N Y 100 100 X 5.3600 3.12539 100
X 100 100
=> Korrelation bei grösserem n gleich; => Mittelwerte bei grösserem n
Signifikanz ist aber deutlich höher gleich; Std.Abw. sinkt leicht
4
10.1. Stichprobe beschreiben und argumentieren
Stichprobengrösse - Übung
Übung: «Erfolg bei Frauen durch Abnehmen: Die Pille von Eddie Murphy»
− Mit seiner Pille kann Eddie Murphy in «Der verrückte Professor» plötzlich schlank
werden und feiert Erfolge.
− Wir wollen nun empirisch prüfen, ob schlanke Männer tatsächlich mehr Erfolg bei
Frauen haben als dicke Männer.
a) Welche Art von Erhebung ist hierfür geeignet?
b) Wie gross muss das n sein, damit wir eine valide Aussage zu ‘Erfolg’ machen können?
510.1. Stichprobe beschreiben und argumentieren
Argumentation bei Experimenten
Argument für Anzahl und Rekrutierung von Probanden bei Experimenten:
(möglicher Text in einer Arbeit)
«Dieses Experiment folgt der Logik der Theory Application (Calder, Phillips, & Tybout,
1981) und es wurden folglich möglichst homogene Probanden für das Experiment
rekrutiert. Die Probanden wurden per Zufall einer der Experimentalbedingungen zugeteilt.
Huber, Meyer, & Lenzen (2014: S 64) schlagen für Experimente ein n=30 pro Gruppe vor.
Die 61 Probanden hatten ein Alter von x ± y Jahren und eine Geschlechtsverteilung von
30 männlich und 31 weiblich. Die Versuchsgruppen unterschieden sich weder
altersmässig (t-Test, t=0.9; p≥5%) noch in der Geschlechtsverteilung (Chi2 = 2.4; p≥5%)»
610.1. Stichprobe beschreiben und argumentieren
Argumentation bei Umfragen
Argument für Anzahl und Rekrutierung von Probanden bei Umfragen:
(möglicher Text in einer Arbeit)
“Our data is from the 2010 consumer survey conducted by the Swiss Financial Market
Supervisory Authority (Finma). The participants constitute a random sample of 1300
adults aged 18–79, approximately representative of the Swiss population, with a
participation rate of 45%. A chi-squared test showed that the demographics of the sample
did not differ significantly from the geographic and demographic distribution of the general
population.”
710.1. Stichprobe beschreiben und argumentieren
Beschreibung der Stichprobe – Beispiel Zusammensetzung Stichprobe
− In einer Arbeit immer die deskriptive Statistiken zeigen
− Bei Experimenten Unterschiede zwischen Untergruppen auf Signifikanz untersuchen
− Im Beispiel unten zu verbessern:
− Alter: Angabe des Mittelwerts +/- Standardabweichung
− Gibt es signifikante Unterschiede zwischen den Experimentalgruppen bezüglich Alter und
Geschlecht?
810.1. Stichprobe beschreiben und argumentieren
Beschreibung der Stichprobe – Beispiel Datenbereinigung
− Zudem sollte auch immer der Prozess der Datenbereinigung beschrieben und ggf. per
Wasserfalldiagramm dargestellt werden
− Beispiel:
9Agenda
10. Vorbereitung der Auswertung
10.1. Stichproben beschreiben und argumentieren
10.2. Datenaufbereitung: Tipps & Hinweise
10.3. Datenauswertung: Tipps & Hinweise
10.4. Gütekriterien beschreiben
1010.2. Datenaufbereitung – Tipps & Hinweise
a.) Hinweis zu Pre-Test
Zum Pre-Test
− Ein Pre-Test ist obligatorisch und muss rapportiert werden. Dies kann im
Methodenbeschrieb (vorzuziehen) sein oder im Resultateteil
− Beispiele aus Masterarbeiten:
1110.2. Datenaufbereitung – Tipps & Hinweise
b.) Behandlung von fehlenden Werten
Wie geht man mit fehlenden Werten im Datensatz um?
− Übersicht über verschiedene Methoden:
Methode
Eliminieren Ignorieren Imputieren
paarweise implizit einfach
merkmalsweise explizit multiple
beobachtungsweise
Decker (2008) 1210.2. Datenaufbereitung – Tipps & Hinweise
c.) Offene Fragen aus einem Fragebogen auswerten
Wie kann ich offene Fragen in einem Fragebogen auswerten?
− Für die Auswertung offener Fragen benötigt man, ähnlich wie bei qualitativen
Auswertungen, ein Kodierschema
− Daten müssen von zwei Personen kodiert werden (analog qualitativer Auswertungen)
− Weiteres Problem: Interpretation der Antworten oftmals schwierig. Beispiel:
− Frage: „Was hat Ihnen am Sportgerät gefallen?“
− Antworten: «Gar nichts»; «Nichts spezielles»; «Nichts»
→ Daher Empfehlung: offene Fragen in Fragebögen ganz weglassen!
Peterson (2000, S. 33ff) 1310.2. Datenaufbereitung – Tipps & Hinweise
d.) Argumentation bezüglich des Skalenniveaus
Sind Likert-Skalen ordinal- oder intervallskaliert?
− Streng genommen ordinal skaliert
− In der Praxis wird intervallskaliert akzeptiert
− Argumentation aus einer Masterarbeit:
1410.2. Datenaufbereitung – Tipps & Hinweise
e.) Kodierung von Daten in SPSS
Kodierung von Daten unbedingt protokollieren und verständliche Kürzel vergeben
− Dient der besseren Übersicht für sich selbst & den Betreuer
− Protokoll der Kodierung kommt in den Anhang
− Das Kürzel (SPSS Variablenname) sollte möglichst selbsterklärend sein
− Beispiel eines Kodierungsprotokolls:
1510.3. Datenauswertung – Tipps & Hinweise
Auswertung von Mehrfachantworten
Spezialfall: Wie werte man Fragen mit Mehrfachantworten aus?
Beispiel:
1610.3. Datenauswertung – Tipps & Hinweise
Erste Schritte bei der Datenauswertung
Erste Schritte bei der Datenauswertung in SPSS:
1. Dateneingabe in SPSS immer zeilenweise pro Fall; Spalten sind die Variablen aus der
Erhebung
2. ‘reversed items’ müssen umkodiert werden (1=7, 2=6 etc.)
3. Datensatz anhand deskriptiver Daten (Häufigkeiten, Min, Max, Mittelwert, Median)
anschauen und auf Stimmigkeit/Ausreisser prüfen
4. Testen auf Normalverteilung
5. Testen auf Varianzhomogenität
1710.3. Datenauswertung – Tipps & Hinweise
Drei zentrale Probleme
In der Praxis der Datenauswertung gibt es drei zentrale Probleme,
die für uns relevant sind:
1. Daten sind nicht normalverteilt
2. Gruppen weisen keine homogene Varianz auf
3. Daten enthalten Ausreisser
1810.3. Datenauswertung – Tipps & Hinweise
Drei zentrale Probleme
1. Daten sind nicht normalverteilt
Beispiel normalverteilter Beispiel nicht
Daten normalverteilter Daten
1910.3. Datenauswertung – Tipps & Hinweise
Drei zentrale Probleme
1. Daten sind nicht normalverteilt - mögliche Lösungen:
a) Daten transformieren (siehe «Pallant» S. 97), z.B.
− Wurzel ziehen
− Logarithmus nehmen
− Invertieren (=1/x)
− Die weiteren «Lösungen» zum Problem
sind nur bedingt nützlich
b) Falls das nichts hilft, dann nicht-parametrische
Verfahren anwenden (näheres hierzu im Modul WAQM)
Pallant (2010) 2010.3. Datenauswertung – Tipps & Hinweise
Drei zentrale Probleme
2. Gruppen weisen keine homogene Varianz auf
Beispiel homogener Beispiel nicht homogener
Varianzen Varianzen
2110.3. Datenauswertung – Tipps & Hinweise
Drei zentrale Probleme
3. Daten enthalten Ausreisser
− Bei Verwendung von 5er oder 7er Skalen tritt das Problem selten auf
− Häufiger zu beobachten bei Daten wie ‘Umsatz letzten Monat’, ‘Anzahl
Trainingsstunden’ etc.
2210.3. Datenauswertung – Tipps & Hinweise Überblick über die statistischen Analyseverfahren (I) – Buch Pallant Pallant (2010, S.123) 23
10.3. Datenauswertung – Tipps & Hinweise Überblick über die statistischen Analyseverfahren (II) – Buch Pallant Pallant (2010, S.124) 24
10.3. Datenauswertung – Tipps & Hinweise Überblick über die statistischen Analyseverfahren (III) – Buch Hair Hair (2014, S. 12-13) 25
10.3. Datenauswertung – Tipps & Hinweise Überblick über die statistischen Analyseverfahren (IV) – Uni Zürich − Alternativ: Uni Zürich, http://www.methodenberatung.uzh.ch/index.html http://www.methodenberatung.uzh.ch 26
10.3. Datenauswertung – Tipps & Hinweise
Tipps für die Darstellung in der Arbeit
Zusammenfassen der geplanten Tests in Form einer Tabelle
− Beispiel aus einer Masterarbeit:
2710.3. Datenauswertung – Tipps & Hinweise
Tipps für die Darstellung in der Arbeit
Zusammenfassen der Ergebnisse in Form einer Tabelle
− Beispiel aus einer Studie:
2810.3. Datenauswertung – Tipps & Hinweise
Tipps für die Darstellung in der Arbeit
Zusammenfassen der Ergebnisse in Form einer Tabelle
− Beispiele aus Masterarbeiten:
29Sie können auch lesen
