Kvantitativ metode

Kvantitativ metode er ein forskingsmetode der ein samlar inn talmateriale av ulik karakter ved hjelp av måleinstrument og meiningsmålingar (gallupar). Innhenting av data gjer ein som regel ved teljing, måling og kalkulasjonar som vert nytta til å laga statistikkar med ulike variablar som vidare vert framstilt i form av tabellar og grafar. Ved hjelp av deskriptiv statistikk og sannsynsteori kan ein analysera dataa sine og gjera greie for omfanget av eit fenomen, årsakssamanhengar eller testa ut ulike hypotesar. Desse metodane vert i hovudsak brukt innan naturvitskap og samfunnsvitskap.

Ved kvantitative metodar ynskjer ein gjerne å finna statistiske samanhengar (sjå dei raude pilane)

Forskingsdesign

Vanlege former for kvantitative forskningsdesign er tverrsnittstudie, longitudinell studie, tidsseriestudie og eksperimentelle studiar. Alle metodane har sine fordelar og ulemper, men eksperiment vert rekna som best egna til å gjeva sikre resultat, då andre forskarar kan gjentaka og verifisera resultata frå eins eiga forsking. I tillegg er eksperiment best egna til å avklara årsaksrelasjonar mellom variablar. Innan naturvitskap er det ein utstrakt bruk av eksperiment, medan dette av praktiske, økonomiske og etiske årsaker ofte ikkje er mogeleg å gjennomføra innan samfunnsvitskaplege emne.

Operasjonalisering

Ved kvantitative studiar er hovudprinsippet grannsemd. Ein ynskjer presise problemstillingar som kan operasjonaliserast, det vil seia å gjera dei målbare. Problemstillinga peiker mot kven og kva ein ynskjer å måla. Målenivået viser kva for ein informasjon ein kan lesa ut av dataa og kva for nokre statistiske analysar det er meiningsfylt å utføra på dei. Ein må difor passa på at ein måler eller hentar inn data som gjev mogleiken til å svara på forskingsspørsmålet. Omgrepsvaliditet handlar om kvar godt ein har klart å operasjonalisera det ein ynskjer å finna ut av.

Innhenting av data

For å utføra eit kvantitativ forskingsprosjekt kan ein anten samla inn eigne data eller nytta sekundærdata.

Om ein skal produsera eigne data igjennom til dømes ei spørjeundersøking eller eit eksperiment er opplegget i det store og heile fastlagt før datainnsamlinga har byrja. Forskaren har på førehand avgjord kva for nokre aspekt ein har valt ut å undersøkja, gjerne med omsyn på å stadfesta eller avsanna hypotesar eller påstandar. Forskingsdesignet for å henta inn kvantitativ data vert ofte meir rigid enn ved bruk av kvalitativ metode. Ved bruk av stordata – der store mengder data kan samlast inn automatisk – stiller saka seg annleis då forskingsspørsmålet like godt kan dukka opp i etterkant av datainnsamlinga etterkvart som ein får oversikt over strukturen i datasettet.

Reabilitet handlar om datainnsamlinga er gjennomført på ein god måte.

Ein ynskjer gjerne å kunna generalisera resultata frå undersøkinga si, altså gjeva det ekstern validitet. For å gjera dette må ein ha data frå heile populasjonen (altså gruppa ein ynskjer å studera), eller ein må ha data frå eit tilfeldig utval der det er like stor sjanse for at alle i populasjonen kan verta ein observasjonseining i studiet. Eventuelt kan ein føretaka eit strategisk utval der ein fyrst delar populasjonen inn i undergrupper ein ynskjer å sikra at er representert for så å trekkja tilfeldig frå undergruppene. Dess større utvalet er, dess mindre er feilmarginane, og dimed dess sikrare kan ein vera på at resultatet kan generaliserast, likevel kan ein aldri vera heilt sikker på at eit utval er representativt. Om ein gjennomfører eit eksperiment kan også resultata ha avgrensa ekstern validitet, då ein har testa under ein konstruert situasjon som kanskje ikkje er overførbar til naturlege situasjonar.

Analysering av data

Det er hovudsakleg to former for analyse av kvantitativ data: analyse av einskildvariablar og samanhengen mellom variablane.

Fråfall

Ein bør undersøkja fråfallet sitt; altså observasjonseiningar som ein ikkje fekk henta inn data frå eller observasjonseiningar som gav ufullstendige opplysningar frå. Om variablane i dataa ein har samla inn skil seg mykje frå variablar ein allereie kjenner til i populasjonen (som kjønn eller alder) kan det tyda på at utvalet ikkje er representativt. Om fråfallet er systematisk må ein vera svært varsam med å konkludera på bakgrunn av resultata ein har fått.

Statistisk usikkerheit

Når ein skal analysera eit datamateriale som er henta inn frå eit sannsynsutval må ein undersøkja feilmarginane, altså kvar stor usikkerheit det er knytt til resultatet. Dess større utvalet er, dess mindre vert feilmarginane: om ein fordoblar utvalet vil feilmarginane halverast. Om utvalet er svært lite kan det då vera at resultatet kjem av reine tilfeldigheiter, resultatet har då med andre ord låg konklusjonsvaliditet.

Ein kan rekna seg fram til feilmarginane ved å finna standardfeilen, eventuelt kan ein nytta ein test som heiter kji-kvadrat og rekna eit konfidensintervall for resultatet. Ved utval under 50 personar må ein rekna med fridomsgradar.

Analyse av einskildvariablar

Eit histogram.

For å få oversikt over spreiinga av ein variabel vil ein typisk utarbeida ei frekvensfordeling med ulike kvantilar som dinest kan fremstillast i ein tabell eller eit histogram. Når ein kan sjå fordelinga grafisk kan ein få eit inntrykk av om fordelinga er normalfordelt eller skeivfordelt. Om verdiane er normalfordelt (fordelt symetrisk) vil gjennomsnittet og medianen vera omtrent det same. Sentralgrenseteoremet fortel at variablar som er skapt igjennom uavhengige og sjanselike hendingar (til dømes terningskast) vil tendera mot ei normalfordeling.

Det mest brukte målet på spreiing er standardavvik. Standardavviket er kvadratroten av variansen og er ein matematisk modell av fordelinga. Ved bruk av standardavvik og gjennomsnitt kan ein rekna om resultatet til ei normalfordeling. Fordelen med dette er at ein kan bryta ned fordelinga til berre 2 tall som gjer den vidare analysen enklare. Ulempa er at standardavvik ikkje gjev inntrykk av forma til fordelinga (skeivskapen) og er følsam for ekstremverdiar.

Når ein veit standardavviket og gjennomsnittet kan ein nytta z-skår til å rekna seg fram til kvar stor del av populasjonen som ligg innanfor eit vist intervall i fordelinga, til dømes over eller under ein viss verdi.

Analyse av to eller fleire variablar

Korrelasjonskoeffisient vert ofte framstilt i ein kombinasjon av ein funksjonsgraf og eit spreiingsplott. Den rette linja fangar opp hovudtendensen, og dess tettare rundt linja observasjonspunkta ligg, dess sterkare er tendensen.

Når ein undersøkjer samanhengar mellom to variablar leiter ein ofte etter korrelasjonar. Det er viktig å hugsa at korrelasjon kan oppstå som eit resultat av spuriøse samanhengar eller reine tilfeldigheiter og difor ikkje treng å tyda årsakssamanhengar. På same måte tyder ikkje fråvær av korrelasjon at det ikkje er ein samanheng, då tilfeldigheiter eller bakanforliggande variablar kan gjera at resultatet ikkje korrelerer sjølv om det finst ein årsakssamanheng.

For å avklara om ein står ovanfor spuriøse samanhengar kan ein gjennomføra ymse multivariate analysar, som er eit samleomgrep for ei rekkje analyseteknikkar. Ein vil då nytta eliminasjonsmetoden og kontrollera for variablar ein mistenkjer kan påverka eins resultat, men ettersom ein ikkje kan vera sikker på at ein har oversikt over alle desse variablane, kan ein aldri vera sikker på at ein har gjord alle naudsynte kontrollar. Oppdaginga av spuriøse samanhengar og bakanforliggande variablar er ein av dei største utfordringane ved bruk av kvantitative metodar. Difor er det viktig med ei god teoretisk forståing av dei fenomena ein ynskjer å nytta kvantitative metodar på.

Dersom begge variablane har høgt målenivå (altså intervall- eller forholdstalnivå) kan ein rekna korrelasjonskoeffisienten for å studera retninga og styrken på samanhengen. Korrelasjonskoeffisienten fortel i kvar sterk grad variablane samvarierer, men ikkje noko om retninga til årsakssamanhengen.

Ein skil mellom avhengige og uavhengige variablar; den avhengig variabelen er det fenomenet ein ynskjer å vita noko om, medan den uavhengige variabelen er det fenomenet som eventuelt kan påverka den avhengige variabelen. Intern validitet seier noko om ein klarer å fortolka årsaksrelasjonar frå data på ein korrekt måte.

Ein kan undersøkja korleis desse variablane samvarierer ved bruk av ein krysstabell. For å seia noko om årsakssamanhengar bør ein ha data over tid som kan visa korleis data samvarierer over eit tidsrom. Ein kan då undersøkja trender eller sesongmønster.

Ved høgt målenivå (altså intervall- eller forholdstalnivå) kan ein gjennomføra ein regresjonsanalyse som kan fortelja i kvar stor grad den avhengige variabelen vert endra når den uavhengige variabelen vert endra.

Andre multivariate modellar er lineær regresjon og logistisk regresjon, men regresjonsanalyse er den mest bruke.

Når ein skal analysera samanhengar må ein gjennomføra ei hypotesetesting der ein både testar ein nullhypotese (at det ikkje finst nokon samanheng) og ein alternativ hypotese (at det finst ein samanheng). Ein kan testa og forkasta hypotesar ved å gjennomføra ein signifikanstest. Då må ein kjosa eit signifikansnivå, altså grad av sikkerheit for at resultatet er korrekt, ofte vert grensa lagd til 95% eller 99%. Dess meir alvorleg eit rangt resultat vil vera, dess høgare signifikansnivå bør ein kjosa. Det finst dimed to ulike mistak ein kan gjera; At ein forkastar nullhypotesen og held på den alternative hypotesen, medan nullhypotesen er korrekt. Eller at ein held på nullypotesen, medan den alternative hypotesen er korrekt. Begge mistaka er alvorlege, men det alvorlegaste vil vera at ein påstår at det finst ein samanheng der det faktisk ikkje finst ein.

Ulemper

• Kvantitative metodar kan som regel svara betre på spørsmål som byrjar med kva og kvar mange enn spørsmål som byrjar med korleis og kvifor. Ein kan få mykje overflateinformasjon, men må ofte ty til kvalitative metodar for ei djupare forståing og meir detaljerte skildringar av eit felt/fenomen.
• Kvantitative metodar vil gjeva blindsonar for dei delane av røyndomen ein ikkje har utarbeidd variablar for.
• Ein kan aldri vita heilt sikkert om ein har kontrollert for alle moglege alternative hypotesar som kan påverka resultatet.
• Kvantitative metodar kan forenkla kompleksiteten av røyndomen i for stor grad.
• Fleire fenomen kan vera vanskelege å operasjonalisera, altså å gjera noko målbart, til dømes; korleis skal ein måla solidaritet eller engasjement?
• Kvantitative metodar tek mogelegvis i for stor grad eit deterministisk menneskesyn.
• Resultat frå eksperiment gjennomført i kontrolerte omgjevnader kan visa seg å ikkje vera overførbare til naturlege omgjevnader. Det vil seia at konklusjonane kan vera for snevre i høve til den komplekse verda vi lever i.
• Deltakarane i ei spørjeundersøking kan gjeva feilaktige svar, til dømes ved å fremstilla seg sjølv på ein fordelaktig måte (Dunning-Kruger-effekten). Eller dei kan verta bedne om å svara på retrospektiv informasjon som dei kanskje ikkje hugsar godt.
• Måling av sosiale kategoriar kan vera problematisk då sosiale kategoriar ofte ikkje berre er skildrande, men også preformative; kategorisering av folk på bakgrunn av etnisitet kan styrkja etniske kjensler, diagnostisering kan gjera friske folk sjuke, kategorisering av profitt er avhengig av dei prosessane som måler og regulerer økonomiske aktivitetar. Måling av sosiale storleikar kan altså påverka det ein freistar å måla. Valmålingar er eit døme på dette, den såkalla Hawthorne-effekten er eit anna.

Sjå òg

• Kvalitativ metode
• Operasjonalisering

Kjelder

• Skog, Ole-Jørgen. Å forklare sosiale fenomener: en regresjonsbasert tilnærming. Gylendal Akademiske, 2004. ISBN 9788205327955
• Tufte, Per Arne. «Kvantitativ metode» i Mange ulike metoder. Katrine Fangen & Ann-Mari Sellerberg (red.). Gylendal, 2011. ISBN 9788205413917

• Denne artikkelen bygger på «Kvantitativ metode» frå Wikipedia på bokmål, den 24. august 2023.

Bakgrunnsstoff

Commons har multimedium som gjeld: Kvantitativ metode

• «Quantitative Methods» (på engelsk). University of Southern California.