Linköpings universitet 2017-04-06 Föreläsning 6 Kvantitativ metod: Från frågeställning till analys 722A35 Examensarbete i företagsekonomi Docent Martin Klinthäll Linköpings universitet Linköpings universitet

Att lägga upp en studie med kvantitativa frågeställningar 2017-04-06 Att lägga upp en studie med kvantitativa frågeställningar Innehåll: Problemformulering Operationalisering Kvantitativa datamaterial Insamling och urval Analys och tolkning Linköpings universitet

Typisk disposition INLEDNING TEORI MATERIAL METOD ANALYS DISKUSSION SLUTSATSER Bakgrund, syfte, problemställning Presentera teori och hypoteser Databeskrivning, urval, variabler Val av statistiska analysmetoder Presentation av analysresultaten Resultat  Teori, Hypoteser Återkoppla till syfte och problem, ev. sammanfattning, implikationer, policyrekommendationer

Problemformulering Forskningsproblemet ska: - kunna gå att besvara 2017-04-06 Problemformulering Forskningsproblemet ska: - kunna gå att besvara - anknyta till tidigare forskning kunna bidra till ny kunskap Forskningsproblemet kan behöva delas upp i specifika delfrågeställningar 4 Linköpings universitet 4

2017-04-06 Frågeställning Exempel Deskriptivt: ’Hur många personer utvandrar från Sverige varje år?’ Explorativt: ’Hur samvarierar ålder med utvandringsbenägenhet?’ Explanativt: ’Vilka faktorer kan förklara ökad benägenhet för utvandring?’ 5 Linköpings universitet 5

Teorival Välj bland teorier som är relevanta för frågeställningen 2017-04-06 Teorival Välj bland teorier som är relevanta för frågeställningen Teorier som passar ihop kan kombineras till ”teoribygge” Motsatta teorier kan testas mot varandra Teori kan användas för att formulera testbara hypoteser 6 Linköpings universitet 6

Teorival Klassisk migrationsteori Teorier om ofullständig information 2017-04-06 Exempel: Grundantagande: ’Människor flyttar för att få det bättre’ Observation: Migration ofta temporär Forskningsproblem: Varför återvandring? Klassisk migrationsteori Teorier om ofullständig information Livscykelteorier 7 Linköpings universitet 7

Operationalisering Frågeställning  teori  operationalisering VARIABLER Kausalsamband: om A så B Oberoende och beroende variabler

2017-04-06 Operationalisering Att definiera teoretiska begrepp i relation till problemformuleringen Teoretiska definitioner - klargör de teoretiska begreppen 2) Operationella definitioner - visar hur begreppen kommer att mätas 9 Linköpings universitet 9

2017-04-06 Operationalisering Ur operationaliseringen framträder undersökningens variabler Relevans –mäter variablerna relevanta begrepp på ett bra sätt? Täckning –täcker variablerna frågeställningen? Jämförbarhet –mäter man på samma sätt som i tidigare undersökningar? Om inte, hur påverkas jämförbarheten? 10 Linköpings universitet 10

Operationalisering VARIABELTYPER: 2017-04-06 VARIABELTYPER: Nominalvariabler (kategori, tex. kön, bostadsort) Ordinalvariabler (rangordning, tex. utbildningsnivå) Intervallvariabler (mäter intervall, tex. födelseår, temperatur) Kvotvariabler (mäter storleksförhållanden, tex. inkomst) 11 Linköpings universitet 11

Operationalisering ”välfärd”, ”välstånd”? 2017-04-06 Ekonomisk standard ARBETSINKOMST +kapitalinkomst -skatt +bidrag =DISPONIBEL INKOMST + förmögenhet + offentliga tjänster -försörjningsbörda =EKONOMISK STANDARD(?) Lycka Personligt välbefinnande Socialt välbefinnande Trivsel i arbetet …. http://www.nationalaccountsofwellbeing.org/explore/indicators/zwbi Linköpings universitet

Kvantitativa datamaterial Primärdata Data som samlas in för projektets eget syfte - intervjuundersökningar - enkätundersökningar - strukturerad observation - innehållsanalys

Kvantitativa datamaterial Sekundärdata Data som samlats in av andra (myndigheter, forskare, företag, organisationer…) -officiell statistik (SOS) -annan offentlig statistik (t.ex SCB, Eurostat) -Svensk Nationell Datatjänst (SND) -kundundersökningar, börsstatistik, företagsarkiv, etc.

Kvantitativa datamaterial Ta reda på om lämplig sekundärdata finns tillgänglig för undersökningen. Fördelar: Billigare/mindre resurskrävande än primärdata Rik tillgång på data hos exempelvis SCB Nackdelar: Validitet. Skapade för andra syften än den undersökning de används till Reliabilitet. Sämre kontroll över datakvalitet

Kvantitativa datamaterial Exempel på lättillgängliga databaser: SCB: http://www.ssd.scb.se/databaser/makro/start.asp Svensk Nationell Datatjänst: http://snd.gu.se/ Eurostat: http://epp.eurostat.ec.europa.eu/portal/page/portal/statistics/search_database Världsbanken: http://data.worldbank.org/ IMF: http://www.imf.org/external/data.htm 16

Kvantitativa intervjuundersökningar Resurskrävande Reliabilitet ofta högre än enkäter - högre svarsfrekvens - mindre risk för missförstånd - låg risk för felaktig inmatning

Kvantitativa enkätundersökningar Mindre resurskrävande Reliabilitet oftast lägre än intervjuer - i vissa kontexter (skolor, arbetsplatser) kan deltagandet bli högt. - dock: urvalets representativitet! Vilka skolor, företag, etc. samarbetar?

Datainsamling Konstruera frågeformulär: Öppna frågor: heltäckande, men måste kategoriseras Slutna frågor: ger användbara svar, men kan utesluta relevanta alternativ

Datainsamling exakt formulerade frågor vardagligt språk korta frågor ett svar per fråga undvik negationer undvik ledande frågor enklare frågor före kontroversiella eller komplexa frågor

Urval Population: Den grupp du vill undersöka Urvalsram: Förteckning över populationen Stickprov: De individer som representerar populationen i undersökningen

Population Stickprov, urval population Data, observationer INFERENS = Dra slutsatser från data om hela populationen utifrån ett stickprov

Urval SANNOLIKHETSURVAL OSU: obundet slumpmässigt urval Stratifierat urval Systematiskt urval Klusterurval

Urval ICKE-SANNOLIKHETSURVAL -bygger inte på en urvalsram Bekvämlighetsurval Kvoturval (tex. lika antal män som kvinnor) Subjektivt urval (tex. ”snöbollsurval”)

Urval –minska bortfall Väcka intresse Påminna Förenkla Locka Introduktionsbrev Uppmärksamhet i media Forskarens auktoritet Frågeställningens angelägenhet Påminnelsebrev E-enkät Telefonuppföljning Tydliga frågor Flera språk Betalning Lotteri 25

Bortfall Övertäckning Undertäckning Externt bortfall 2017-04-06 Bortfall Övertäckning Undertäckning Externt bortfall a) går ej att få tag på b) vägrar svara c) kan inte svara av annan anledning Internt bortfall – ”fel” eller ”ej svar” på frågor Panel attrition 26 Linköpings universitet 26

Analysteknik Frågeställning -vad är det intressanta utfallet? 2017-04-06 Valet av analysteknik styrs av Frågeställning -vad är det intressanta utfallet? Operationalisering -vilka egenskaper har variablerna? Typ av data -tvärsnitt -tidsserier -paneldata, händelsedata, etc. 27 Linköpings universitet 27

Exempel på analystekniker 2017-04-06 Exempel på analystekniker Faktoranalys Linjär regression Logistisk regression Tidsserieanalys Paneldataanalys Durationsanalys 28 Linköpings universitet 28

Faktoranalys Mönster i samvariation mellan variabler Explorativt Lämpligt när man vill reducera antalet variabler som mäter samma bakom-liggande ’faktor’.

Linjär regression Beroende variabeln y är kontinuerlig Enkel (bivariat): Yi = a + bXi + ei Multipel: Yi = a + bX1i + bX2i + bX3i+ … + ei

Logistisk regression Nominalvariabel som beroende utfall ln(Pi/(1-Pi) = a + b1X1i + b2X2i + … + bkXki Binära eller multinomiala modeller

Ordered logistic eller probit regression Lämpligt om du har en ordinalvariabel som beroende utfall Rangordning, tex. Likertskalor Kategorisering i nivågrupper (inkomst, ålder) Exempel på regressionsmodell: Utbidningsnivå = f(föräldrars utbildning, yrke, inkomst, grundskola, grannskap,…)

Tidsserieanalys Skatta eller analysera egenskaper hos tidsserier. Tekniker för icke-stationäritet, prognoser, …

Paneldataanalys Analys av förändring och dynamiska processer Kausalitetsförhållanden Tekniker för att hantera icke-observerad heterogenitet (fixed effects) gruppspecifika effekter (random effects)

Analys av händelsedata Överlevnadsanalys, livsförloppsanalys När tiden fram till en händelse är av intresse Vanligt inom medicin, men även inom arbetsmarknadsforskning. Tidsstruktur i data: ’diskret’ vs. ’kontinuerlig’

Tolkning av analysresultat 2017-04-06 Tolkning av analysresultat Signifikans: datamängd, frihetsgrader, etc. Magnitud kontra statistisk signifikans Orsakssamband – bakomliggande faktorer Urval, validitet och reliabilitet Kontext: faktorer som är socialt, rumsligt eller tidsbundet specifika Longitudinella studier –inverkan av institutionell eller strukturell förändring, dynamiska processer 36 Linköpings universitet 36

Reliabilitet - tillförlitlighet 2017-04-06 Reliabilitet - tillförlitlighet Undersökningens pålitlighet: Upprepade undersökningar ska ge samma resultat Standardiserad mätning Tolkning av uppgifter Tydliga rutiner och instruktioner Dokumentation, metadata 37 Linköpings universitet 37

Validitet - giltighet 2017-04-06 Giltighet –att mäta just det som undersökningen avser att mäta tydlig frågeställning koppling syfte - teori teori  operationalisering datainsamling  analys resultat  slutsatser 38 Linköpings universitet 38

Validitet - Reliabilitet .

Bortfallsanalys Bortfallet är ofta systematiskt av olika skäl 2017-04-06 Bortfallsanalys Bortfallet är ofta systematiskt av olika skäl Ålder, utbildning, bostadsort, språk, etc. Viktigt att analysera hur bortfallet påverkar resultaten! Tillgång till rik information om urvalsramen underlättar bortfallsanalysen. 40 Linköpings universitet 40

Etiska överväganden Forskningsetik: Informationskravet Samtyckeskravet Konfidentialitetskravet Nyttjandekravet Forskaretik: Hederlighet (förfalskning, plagiat, etc.) Uppförande

Implikationer Att se bortom sina resultat Vilka nya frågor väcks? Vilka intressenter berörs? Vilka är de praktiska implikationerna? Policyrekommendationer på olika nivåer