Kvantitativní metody výzkumu v praxi UK FHS Řízení a supervize v sociálních a zdravotnických organizacích (ZS 2013) Kvantitativní metody výzkumu v praxi Výběry z populace, příprava dat, popisné statistiky Jiří Šafr jiri.safr(at)seznam.cz (poslední aktualizace 15.1.2014)

Obsah části 4a Sběr dat Typy sběru dotazníku Výběry z populací Příprava dat a základní analýza Vytváření souboru dat Tabulky Kontingenční tabulka Vlastnosti rozdělení znaků Jednoduché popisné statistiky Několik rad jak číst statistiky Základní typy grafů KMVP část 4a

Typy sběru dotazníku (opakovaní) vyplňovaný tazatelem osobní počítačové dotazování CAPI (Computer Assited Personal Interviewing) telefonní počítačové dotazováníCATI (Computer Assited Telephone Interviewing) dotazování elektronickou poštou CAMI (Computer Assited Mailing Interviewing) hromadně vyplňovaný dotazník v jedné místnosti poštou distribuovaný dotazník (tam i zpět / zpět) anketa v tisku - není výběrem! KMVP část 4a

Výběry z populace Princip zobecnění na populaci: Populace (základní soubor) → výběr/vzorek → populace (zobecnění)

Kvalita výběru Chyba klesá s rostoucí velikostí vzorku a vzrůstající homogennosti populace → získáme užší interval spolehlivosti. Velikost směrodatné chyby a intervalu spolehlivosti nezávisí na velikosti populace. KMVP část 4a

Typy výběrů Pravděpodobnostní - náhodné Prostý náhodný Vícestupňový náhodný Stratifikovaný náhodný Nepravděpodobnostní Kvótní výběr Systematický Úsudkem Nabalováním [Jeřábek 1993: 44] KMVP část 4a

Pravděpodobnostní náhodný výběr každý z populace má stejnou pravděpodobnost, že bude vybrán reprezentuje všechny známé i neznámé vlastnosti populace Při zkoumání vzácného jevu řídce vyskytujícího se v populaci nemusí náhodný výběr být tím nejlepším. [Babbie 1995: 207] KMVP část 4a

Prostý náhodný výběr vyžaduje nějakou oporu výběru – seznam reprezentující základní soubor, ze kterého budeme vybírat (losovat). KMVP část 4a

KMVP část 4a [Babbie 1995]

Vícestupňový náhodný výběr kroky: Základní soubor rozdělíme do podsouborů (přirozená seskupení). z nich vybereme skupiny (můžeme více kroků) a v nich teprve jedince Příklad. Vybíráme postupně: 1. okresy → 2. obce → 3. volební okrsky → 4. respondenty Respondent v domácnosti je také vybrán náhodně! Na rozdíl od stratifikovaného výběru jsou skupinky vzájemně zastupitelné. KMVP část 4a

Výhody vícestupňového náhodného výběru nepotřebujeme seznam celé populace (ten málokdy existuje) kompaktnější výběr (koncentrace do určitých regionů) šetří náklady na organizaci tazatelé „neběhají“ po celé zemi. KMVP část 4a

Stratifikovaný (oblastní) náhodný výběr [Babbie 1995: 211] Populaci rozdělíme do homogenních skupin podle nějakého společného kritéria (např. školní třídy). V těchto skupinách provedeme náhodný výběr strata (oblasti): uvnitř homogenní, mezi sebou odlišné Výhodou je SNV je, že snižuje velikost směrodatné odchylky. Vhodný pro odhad rozdílů mezi skupinami KMVP část 4a

Nepravděpodobnostní výběry

Kvótní výběr výběr na základě splnění kritérií daných kvótou počet kvót max. 3-5 kvóty: nezávislé nebo vzájemných vazbách musí být viditelné lze použít jen na populaci, kterou dobře známe (kvantitativní statistická opora o populaci) obtížně dostupné skupiny lze nadhodnotit KMVP část 4a

Kvótní výběr Výhody: levnější než náhodný výběr rychlejší, operativnější není třeba pořizovat seznamy (oporu) základního souboru KMVP část 4a

Kvótní výběr Nevýhody: nelze stanovit výběrovou chybu a určit přesnost ukazatelů předpokladem je znalost základních informací o základním souboru je reprezentativní jen z hlediska znaků použitých v kvótách. KMVP část 4a

Systematický výběr částečně náhodný → s náhodným počátkem založen na pevně zvoleném kroku výběru ze základního seznamu jednotek není zaručeno náhodné pořadí jednotek v souboru (může existovat skrytá pravidelnost v seznamu). KMVP část 4a

KMVP část 4a [Babbie 1995]

Výběr nabalováním (snowball sampling) pro speciální, hůře dostupné populace jakmile se osoby opakují, výběr ukončíme KMVP část 4a

„NEvýběry“ nereprezentují celou populaci! Živelný výběr „street corner sampling“ Výběr toho, na koho narazíme jako první. Výběr úsudkem Záměrný výběr často znalcem jako „průměrné jednotky“→ nejednoznačnost → nepřípustné! Anketa Dotazník v tisku / na internetu KMVP část 4a

Velikost výběrového vzorku Záleží na homogennosti populace a úrovni třídění, tj. kolik proměnných (a jaké - kolik mají kategorií) chceme v analýze postavit proti sobě. Princip „dostatečného“ výběru pro adekvátní statistické zpracování: relevantní kategorie zastoupena v poli tabulky alespoň 5 případy. Pro tabulku 5 x 4 tedy nestačí celkem 20 případů, to by znak v populaci musel být homogenní. Pozor, respondenti musí být skutečně náhodně vybraní. Tedy ne jen ti, kdo byli ochotní odpovídat! KMVP část 4a

Velikost výběrového vzorku U „velmi malých populací“ (do cca 50) neexistuje univerzální pravidlo velikosti výběrového vzorku. Neboť v každém případě je vzorek pro běžné statistické metody příliš malý. Proto je korektní šetřit celý základní soubor, nebo aplikovat kvalitativní metody výzkumu. Výběrový soubor z „malé populace“ např. zaměstnanců nějakého podniku nebo obyvatel obce (nad cca 50 do cca 200-300 lidí), by velmi orientačně měl představovat cca 20 %, minimálně ale 30 případů. Nicméně, nejedná se o žádné pravidlo! Viz tabulku určování doporučené velikosti vzorku . [Gatnar, L.] KMVP část 4a

Tabulka na určování doporučené velikosti vzorku s 5% chybou vzorku pro 95% významnost (předpokládaná úroveň vzorku 50 %) [Hague 2003: 95] KMVP část 4a

Soubor dat

Případy (respondenti) Datová matice Případy (respondenti) Proměnná Hodnoty KMVP část 4a

Vytváření souboru dat

Převod dotazníků na elektronický soubor dat vytvoření kódovacího klíče (codebook) kódování (dle kódovacího klíče) nahrávání (datová matice - „děrování“) čištění dat rekódování KMVP část 4a

Souhrnný index – škála Nová proměnná, která vznikne z více otázek (proměnných). Je reliabilnější (přesněji měří zvolený koncept) a validnější (měří právě jen zvolený koncept). KMVP část 4a

Chybějící hodnoty – označování a překódování Typy chybějících hodnot a jejich nejčastější kódování: neví (8 / 88) neodpověděl (9 / 99) netýká se Chybějící hodnoty (missing values) jsou nejčastěji vyloučeny z analýzy. KMVP část 4a

Varianty řešení pro „neví“ vyloučit z analýzy kódovat jako missing value, např. hodnota 9 listwise deletion – plošné vylučování případů tj. u všech znaků, pokud se u jednoho objevila chybějící hodnota V odůvodněných případech lze i překódovat např. na střední hodnotu. Př. Hodnocení prospěšnosti zavedení zimního času: 1 - uškodilo, 2 - uškodilo trochu, 3 - prospělo trochu, 4 - prospělo. Překódováno na: 1 - uškodilo, 2 - uškodilo trochu, 3 – neví, 4 - prospělo trochu, 5 - prospělo. KMVP část 4a

Zmínit se o všech manipulacích (překódování apod.) s daty je nezbytné!

aneb jak „ověřovat“ hypotézy (u kategorizovaných znaků) Tabulky aneb jak „ověřovat“ hypotézy (u kategorizovaných znaků)

Pravidla pro tvorbu tabulek [Kreidl 2000] Tabulka musí mít název a popsané proměnné (řádky a sloupce). Vždy uvést zdroj dat. Uvést celkový počet případů (marginální distribuce absolutních četností). KMVP část 4a

V názvu tabulky uvést: typ tabulky např. Procentní distribuce ... nebo ... (%) proměnné zahrnuté v tabulce, např. Religiozita a Úroveň vzdělání z jakého vzorku pocházejí data rok sběru dat Př. Procento uživatelů marihuany podle dosaženého vzdělání, středoškoláci, 1997. KMVP část 4a

Pravidla pro tvorbu tabulek Samotná procenta říkají málo nebo nic. → nezamlčovat absolutní četnosti (stačí marginální = řádkové, sloupcové a celkový počet případů). V první řádce či sloupci uvést znak pro %, aby bylo jasné, že se jedná tabulku pro procenta. KMVP část 4a

Pravidla pro tvorbu tabulek Kontrolovat sama sebe tím, že vždy sečtete čísla v jednotlivých řádcích a sloupcích a porovnáte je se skutečnými marginálními četnostmi (z tabulek tř. 1st.). Celá čísla v % v tabulkách většinou bohatě stačí. 23,48 % → 23 % [Kreidl 2000] KMVP část 4a

Třídění prvního stupně frekvence jedné proměnné KMVP část 4a [Zdroj: Deset let transformace, 1999]

Třídění druhého stupně absolutní četnosti frekvence jedné vs. druhé proměnné (kategorie příjmu podle vzdělání) [Zdroj: Deset let transformace, 1999] KMVP část 4a

Třídění druhého stupně – kontingenční tabulka relativní četnosti [Zdroj: Deset let transformace, 1999] KMVP část 4a

Nejprve příklad: Procenta v tabulce. Porovnání subpopulací KMVP část 4a

[Babbie 1995: 386-387] KMVP část 4a

KMVP část 4a

Marginální četnosti Relativní sloupcové četnosti = součet v každém sloupci reprezentuje 100% Relativní řádkové četnosti = součet v každém řádku reprezentuje 100% KMVP část 4a

Interpretace a uspořádání tabulek závislá proměnná = je v hypotéze ovlivňována, způsobována (nejčastěji je v řádcích) nezávislá(é) proměnná = vysvětluje, ovlivňuje závislou V kategoriích nezávislé proměnné ukazujeme kompletní (100 %) distribuci závislé proměnné. Pozor! Směr kauzality je vždy věcí teorie, nelze ji určit z dat samotných. [Kreidl 2000] KMVP část 4a

NEZÁVISLÁ – vysvětlující proměnná Uspořádání kontingenční tabulky sloupcová procenta: V kategoriích nezávislé proměnné ukazujeme kompletní (100 %) distribuci závislé proměnné. NEZÁVISLÁ – vysvětlující proměnná ZÁVISLÁ – vysvětlovaná proměnná Pohlaví Spokojenost Muž Žena Celkový součet 1 (nespokojen) 41 % (5) 22 % (2) 7 2 11 % (1) 6 3 (spokojen) 16 % (2) 66 % (6) 8 100 % (12) 100 % (9) 21 Nejčastěji bývá závislá proměnná nalevo v řádcích a nezávislá (vysvětlující) ve sloupcích (není to ale podmínkou, záleží na počtu kategorií, a jak se nám to vejde na stránku; lze o 90st. otočit). Vždy tak aby, v kategoriích nezávislé proměnné byla kompletní (100 %) distribuce závislé proměnné. KMVP část 4a

Nelogické uspořádání tabulky → řádková procenta pro závislou (vysvětlovanou) proměnnou, která je v řádcích pohlaví spokojenost muž žena Celkový součet 1 (nespokojen) 5 (71 %) 2 (29 %) 7 (100 %) 2 5 (83 %) 1 (27 %) 6 (100 %) 3 (spokojen) 2 (25 %) 6 (75 %) 8 (100 %) 12 9 21 (100 %) Názory nemohou ovlivňovat pohlaví ! Nicméně, tabulku lze mít s řádkovými procenty, pak ale musí být závislá proměnná (zde Spokojenost) ve sloupcích (jde tedy o předchozí tabulku ale otočenou o 90 st.) Vždy musí platit, že v kategoriích nezávislé proměnné ukazujeme kompletní (100 %) distribuci závislé proměnné. KMVP část 4a

Interpretace tabulek Tabulky skoro vždy dělejte tak, aby vyjadřovaly podmíněnou pravděpodobnost, že respondent (věc) bude patřit do jednotlivých kategorií závislé proměnné, za předpokladu, že patří do dané kategorie nezávislé proměnné(ných). Procento je stým násobkem pravděpodobnosti. [Kreidl 2000] KMVP část 4a

Souvislost znaků v tabulce Kupení vysokých hodnot na diagonále tabulky naznačuje, že existuje souvislost mezi proměnnými. Souvislost ale může mít i jinou formu, např. v každém sloupci jsou pozorování nahromaděna do jediného pole, jehož pozice je pro každý sloupec jiná. KMVP část 4a

Porovnání podskupin rozdělte případy do adekvátních podskupin (dle hypotéz, např. podle vzdělání) popište proměnnou pro podskupiny pomocí zvolených statistik (např. medián, průměr, procenta) srovnejte tyto údaje pro skupiny KMVP část 4a

Interpretace tabulek Při interpretaci procent obvykle stačí porovnávat extrémní hodnoty a ignorovat střední kategorie. Pokud jde o ordinální proměnné pak není dobré činit obsáhlé závěry na základě % uvnitř jednotlivých kategorií nezávislé proměnné. Smysluplné je dělat porovnání distribucí napříč kategoriemi nezávislé proměnné. Buďte opatrní a neberte názvy kategorií zas tak doslova. KMVP část 4a [Kreidl 2000]

Jednoduché popisné statistiky

Střední hodnoty: nominální znaky → modus ordinální znaky → medián (aritmetický průměr) intervalové znaky → aritmetický průměr KMVP část 4a

Modus = kategorie s největší četností Medián = hodnota, která je ve prostředku všech pozorování seřazených podle hodnoty Aritmetický průměr = součet hodnot dělený počtem pozorování KMVP část 4a

Modus KMVP část 4a [Babbie 1995]

Medián KMVP část 4a [Babbie 1995]

Průměr KMVP část 4a [Babbie 1995]

Charakteristiky variability Udávají koncentraci nebo rozptýlení kolem střední hodnoty. Rozptyl = součet kvadratických odchylek od průměru dělený rozsahem výběr zmenšeným o 1. Směrodatná odchylka = odmocnina z rozptylu. Ukazují na „kvalitu“ průměru. KMVP část 4a

Výpočet směrodatné odchylky Příklad. Máme pozorování: 7 2 5 4 3 1 8 2 6 2 Součet řady = 40; n = 10; průměr = 40/10 = 4 Odchylky: 3 -2 1 0 -1 -3 4 -2 2 -2 součet odchylek je 9 – 9 = 0 čtverce odchylek: 9; 4; 1; 1; 0; 1; 9; 1; 6; 4; 4; 4 součet čtverců odchylek = 52 průměrná čtvercová odchylka tj. rozptyl = 5,2 směrodatná odchylka (odmocnina z rozptylu) = 2,28 KMVP část 4a

Další popisné statistiky Minimum / maximum Rozpětí Kvantily: dolní a horní kvartil Koeficienty šikmosti KMVP část 4a

Vlastnosti rozdělení kardinálních (spojitých) znaků

Symetrie, variabilita KMVP část 4a [Hanousek, Charamza 1992: 21]

Šikmost a špičatost KMVP část 4a [Hanousek, Charamza 1992: 21]

Několik rad jak číst statistiky [Hanousek, Charamza 1993: 34-35]

Při čtení statistik pozor na: „přesná“ čísla ve statistických zprávách procenta versus absolutní čísla srovnatelné údaje nezaměňovat ukazatele je porovnání vhodné? na výběry (nebyly-li provedeny profesionály) podobu otázek (znění) vlastní příprava zjišťování (experimentu) „v nemocnici umírají lidé častěji než doma“ [Hanousek, Charamza 1993: 34-35] celé viz soubor Pozor_statistika.pdf KMVP část 4a

Základní typy grafů Pro třídění 1. a 2. stupně

rozložení hodnot jednoho znaku (popisné statistiky a hypotéza 1.řádu) Třídění 1. stupně rozložení hodnot jednoho znaku (popisné statistiky a hypotéza 1.řádu)

Histogram – pro kardinální (spojité) proměnné KMVP část 4a

Barchart → četnosti kategorií kategorizovaného znaku (zde nominální znak Kraj) KMVP část 4a

Alternativně: Koláčový graf (Pie chart), v % KMVP část 4a

Třídění 2. stupně a tedy i test hypotéz druhého řádu (hodnoty 1. proměnné podle hodnot 2. proměnné)

Barchart: pro třídění 2.stupně Kategoriální (nominální, ordinální) znaky Zájem o politiku podle pohlaví Odpovídá kontingenční tabulce KMVP část 4a

Barchart pro třídění 2.stupně Příklad: Zájem o politiku podle pohlaví Nezávislá proměnná Součet v kategoriích = 100 % Závislá proměnná KMVP část 4a Zdroj: ISSP 2007

Bodový X-Y graf (scatter plot) Kardinální (spojité-číselné) znaky Odpovídá korelačnímu koeficientu (a regresní analýze) KMVP část 4a

Spojitá (závislá) × kategoriální (nezávislá) V principu porovnáváme průměry závislé – spojité v kategoriích nezávislé proměnné proměnné (+ lze i kontrola rozptylu/směrodatné odchylky nebo interval spolehlivosti ve skupinách) Odpovídá analýze rozptylu (koeficientu EtaSq) KMVP část 4a

Literatura Babbie, E. (1995). The Practice of social Research. 7th Edition. Belmont: Wadsworth Disman, M. (1993): Jak se vyrábí sociologická znalost. Praha: Karolinum Hanousek J., Charamza P. (1992). Moderní metody zpracování dat – Matematická statistika pro každého. Praha: Grada. Kreidl, M. (2000). Podklady ke kurzu Analýza kvantitativních dat. FSV UK, LS 2000-2001. Jeřábek, H. (1993): Úvod do sociologického výzkumu. Praha: Karolinum Poděkování za cenné konzultace RNDr. L. Gatnarovi. KMVP část 4a