Řízení a supervize v sociálních a zdravotnických organizacích

Prezentace na téma: "Řízení a supervize v sociálních a zdravotnických organizacích"— Transkript prezentace:

1 Řízení a supervize v sociálních a zdravotnických organizacích
UK FHS Řízení a supervize v sociálních a zdravotnických organizacích (ZS 2014) Kvantitativní metody výzkumu v praxi Příklad postupu ověření platnosti hypotézy Základní postupy pomocí třídění dat 2. stupně „Čím více jsou klienti chráněného bydlení samostatní, tím větší bude jejich zájem o službu osobní asistence“ Poslední aktualizace 20/1/2014

2 Hypotéza a její formulace v závislosti na úrovni měření (typu znaku)
„Samostatní klienti chráněného bydlení, mají větší zájem o službu osobní asistence než klienti s nízkou samostatností.“ → oba znaky jsou kategoriální (zde dichotomické Samostatnost/Nesamostatnost a Zájem/Nezájem; mohli by ale být i ordinální dle míry samostatnosti resp. zájmu) „Klienti chráněného bydlení se zájem o službu osobní asistence mají vyšší míru samostatnosti, než klienti kteří zájem nemají.“ → 1. znak je kategoriální (dichotomicky zájem/nezájem) a 2. je kardinální-číselný (míra samostatnosti měřená indexem) „Čím více jsou klienti chráněného bydlení samostatní, tím větší je jejich zájem o službu osobní asistence.“ → oba znaky jsou kardinální-číselné (indexy)

3 Postup při ověřování hypotézy
1. Konceptuálně vymezit indikátory proměnných: Samostatnost klienta a Zájem o službu osobní asistence 2. Tyto proměnné operacionalizovat (→ jak konkrétně je budeme měřit?) 3. Naměřit jejich hodnoty (na sobě nezávisle) a vytvořit datovou matici (případy-respondenti x proměnné). 4. Tyto hodnoty vzájemně provázat v třídění dat druhého stupně. Zde nastávají tři hlavní možnosti, v závislosti na úrovni měření (typu) znaků (viz následující tři ukázky). (5.) Ideálně pokračovat tříděním třetího/vyššího stupně, kdybychom vyloučili možný vliv dalších znaků.

4 NEZÁVISLÁ – vysvětlující proměnná
Pomocí kontingenční tabulky (pro kategoriální znaky). Hyp.: „Samostatní klienti chráněného bydlení, mají větší zájem o službu osobní asistence než klienti s nízkou samostatností“. Princip: v kategoriích nezávislé proměnné ukazujeme kompletní (100 %) distribuci závislé proměnné, zde máme sloupcová procenta NEZÁVISLÁ – vysvětlující proměnná ZÁVISLÁ – vysvětlovaná proměnná Samostatnost Zájem o službu os. asistence Nízká Vysoká Celkem (absolutní četnost) Zájem 41 % 66 % xx Nezájem 59 % 34 % Celkový součet 100 % Výsledek (hypotetický) ukazuje, že z těch co mají vysokou samostatnost má dvě třetiny zájem o službu OA (66 %), zatímco u těch, co mají nízkou samostatnost je to pouze dvě pětiny (41 %). Zdá se tedy, že hypotézu můžeme přijmout (Ale je 66 vs. 41 % opravdu dostatečný rozdíl?). 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). Uvádíme krom procent vždy také absolutní četnosti, alespoň u celku. Vždy tak aby, v kategoriích nezávislé proměnné byla kompletní (100 %) distribuce závislé proměnné.

5 Pomocí průměrů v podskupinách (kategoriální a kardinální znak)
Průměrná míra samostatnosti podle zájmu o službu osobní asistence Samostatnost (hodnota indexu 1-10) Zájem o službu os. asistence Průměr Směrodatná odchylka (rozptyl) Celkem (absolutní četnost) Zájem 6,6 xx Nezájem 4,2 Celkový průměr 5,1 Hypotéza „Klienti chráněného bydlení se zájem o službu osobní asistence mají vyšší míru samostatnosti, než klienti kteří zájem nemají, “ platí. Pozor ale na velikost rozdílu, zde je to pouze o 24 % (= (6,6-4,2)/10)) .

6 Bodový X-Y graf (scatter plot) pro dva kardinální (spojité-číselné) znaky
Kupení bodů kolem přímky a její sklon odpovídá korelačnímu koeficientu (a regresní analýze) Zde je silná korelace r = 0,64 (jde o mocninu koeficientu spolehlivosti Rsq = 0,08023). Hypotéza „Čím více jsou klienti chráněného bydlení samostatní, tím větší je jejich zájem o službu osobní asistence“ platí.

7 Poznámky Nejprve je třeba zkontrolovat rozložení hodnot jednotlivých znaků (pomocí třídění 1. stupně), zda jsou dodrženy podmínky, za kterých tyto analýzy můžeme provádět (Musí být dostatečný počet případů u jednotlivých hodnot, ty nesmí být extrémně vychýlené jedním směrem). Jde pouze o základní varianty typů znaků. Možností přístupu k analýze existuje mnohem více; vše lze vizualizovat v grafech. Zde používáme pouze třídění 2. stupně. Pro podrobnější test platnosti hypotézy (vyloučení vlivu dalších proměnných) bychom potřebovali třídění třetího (vyššího) stupně. Pokud by se jednalo o výběrový soubor (nikoliv celou populaci klientů, jak předpokládáme zde), tak je navíc třeba ověření pomocí inferenční statistiky (statistické testy). Jak na to „prakticky“ se dozvíte v kurzu Praktikum - elementární zpracování dat z kvantitativního výzkumu.