PEDAGÓGIAI KUTATÁS KVANTITATÍV MÓDSZEREI. T. Parázsó Lenke



Hasonló dokumentumok
Microsoft Excel Gyakoriság

PEDAGÓGIAI KUTATÁS KVANTITATÍV MÓDSZEREI. T. Parázsó Lenke

A mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015

Biomatematika 2 Orvosi biometria

STATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.

[Biomatematika 2] Orvosi biometria

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

[Biomatematika 2] Orvosi biometria

Az értékelés során következtetést fogalmazhatunk meg a

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók

Mintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

A leíró statisztikák

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás

Hipotézis vizsgálatok

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

Statisztika I. 11. előadás. Előadó: Dr. Ertsey Imre

Kutatásmódszertan és prezentációkészítés

y ij = µ + α i + e ij

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

Gyakorlat 8 1xANOVA. Dr. Nyéki Lajos 2016

Korrelációs kapcsolatok elemzése

Segítség az outputok értelmezéséhez

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Adatok statisztikai értékelésének főbb lehetőségei

Bevezető Mi a statisztika? Mérés Csoportosítás

Matematikai geodéziai számítások 6.

Biostatisztika Összefoglalás

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

TARTALOMJEGYZÉK. 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

Bevezető Adatok rendezése Adatok jellemzése Időbeli elemzés

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

[Biomatematika 2] Orvosi biometria

Bevezető Adatok rendezése Adatok jellemzése Időbeli elemzés. Gazdaságstatisztika KGK VMI

A KUTATÁSMÓDSZERTAN MATEMATIKAI ALAPJAI MA. T.P.Lenke

SZÁMÍTÓGÉPES ADATFELDOLGOZÁS

Matematikai geodéziai számítások 6.

STATISZTIKA I. A változók mérési szintjei. Nominális változók. Alacsony és magas mérési szint. Nominális változó ábrázolása

Varianciaanalízis 4/24/12

Kettőnél több csoport vizsgálata. Makara B. Gábor

Elemi statisztika fizikusoknak

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Bevezetés a hipotézisvizsgálatokba

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Statisztikai alapok. Leíró statisztika Lineáris módszerek a statisztikában

[GVMGS11MNC] Gazdaságstatisztika

3/29/12. Biomatematika 2. előadás. Biostatisztika = Biometria = Orvosi statisztika. Néhány egyszerű definíció:

Matematikai statisztika c. tárgy oktatásának célja és tematikája

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

Hipotézis vizsgálatok

Biomatematika 2 Orvosi biometria

Biostatisztika VIII. Mátyus László. 19 October

18. modul: STATISZTIKA

Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus

KÖZPONTI STATISZTIKAI HIVATAL. Szóbeli vizsgatevékenység

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

S atisztika 2. előadás

Nemparametrikus tesztek december 3.

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre

Kettőnél több csoport vizsgálata. Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet

[Biomatematika 2] Orvosi biometria

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Biomatematika 13. Varianciaanaĺızis (ANOVA)

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

Statisztika 2. Dr Gősi Zsuzsanna Egyetemi adjunktus

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis

Hipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58

Pedagógiai értékelés tervezése. T. Parázsó Lenke Eszterházy Károly Főiskola

STATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai

Iskolai jelentés. 10. évfolyam szövegértés

BIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis

Többváltozós lineáris regressziós modell feltételeinek

Biostatisztika Összefoglalás

Többváltozós lineáris regressziós modell feltételeinek tesztelése I.

Matematika feladatbank I. Statisztika. és feladatgyűjtemény középiskolásoknak

Statisztika I. 10. előadás. Előadó: Dr. Ertsey Imre

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás

SPSS ALAPISMERETEK. T. Parázsó Lenke

Biomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!

A valószínűségszámítás elemei

Dr. Nagy Zita Barbara igazgatóhelyettes KÖVET Egyesület a Fenntartható Gazdaságért november 15.

A pedagógiai kutatás metodológiai alapjai. Dr. Nyéki Lajos 2015

Tartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE

Statisztika elméleti összefoglaló

6. Előadás. Vereb György, DE OEC BSI, október 12.

1/8. Iskolai jelentés. 10.évfolyam matematika

Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév

Populációbecslések és monitoring

A Statisztika alapjai

[Biomatematika 2] Orvosi biometria. Visegrády Balázs

Több valószínűségi változó együttes eloszlása, korreláció

A sokaság elemei közül a leggyakrabban előforduló érték. diszkrét folytonos

Matematikai alapok és valószínőségszámítás. Statisztikai változók Adatok megtekintése

Átírás:

PEDAGÓGIAI KUTATÁS KVANTITATÍV MÓDSZEREI T. Parázsó Lenke

Kutatás fogalma A kutatás alatt értendő valamilyen tudatosult igény, probléma megoldására irányuló megoldási folyamat, melynek során a jelenséget komplex módon előre átgondolt hipotézis alapján kell tanulmányozni. Kutatási stratégiák Deduktív (analitikus) kutatási stratégia: a forrásokat, dokumentumokat és eddigi tapasztalatokat elemezve fogalmazza meg az elveket, törvényszerűségeket. Induktív (empirikus) kutatási stratégia: a következtetéseket a tapasztalati mérésekre és azok elemzésére alapozva kell levonni. 2

Kutatási terv 3

Mérés A mérés - megadott szabályok szerinti hozzárendelést jelent adott dolgokhoz, tulajdonságokhoz. A megadott szabályok alapján kell a mérési skálákat definiálni. A statisztikai mérések során a váltózókat a valós számok jellemzőihez viszonyítva osztályozzuk A mérési skálák típusai: Nominális skála Ordinális skála Intervallumskála Arányskála 4

A minta és populáció Populáció (alapsokaság): azon személyek összessége, akikre a kutatás eredményeit vonatkoztatni szándékozunk. Reprezentatív populáció: pontosan körülhatárolt, a reprezentatív egységeket képviselő, megfelelő nagyságú minta. A minta nagyságát meghatározó tényezők: az eredmények megbízhatósága, a vizsgált tényezők erőssége, populáció sajátossága homogén, heterogén, - elemzett változók száma (növeli), kutatási módszerek (gazdasági szempontok). 5

A változó Az egyed vagy a rendszer mérhető tulajdonságai, jellemzői. A változók logikai kapcsolatban álló attribútumokból (kategóriák, értékek) épülnek fel. Megkülönböztetünk függő és független változókat. A függő változót minden esetben a független változó határozza meg, ok és okozat kapcsolat áll fenn közöttük. 6

A változók típusai_1 Nominális skála: olyan szimbólumok, számok, melyek csak az azonosítást szolgálják. A valós számok egy tulajdonsága sem jellemzi, vagyis még sorba sem rendezhetőek (pl. nemek, beosztás, lakóhely, vallás ) Szabály a számozások során, hogy nem kaphatnak azonos számot különböző objektumok, de különböző számot azonos objektumok sem. A statisztikai eljárás során számítható: Az objektum darabszáma Az osztályokban lévő dolgok száma (gyakoriságok) Rangsorban való állítás (médián, kvantilisek, rangkorrelációs együttható). Pl. a tanulók teljesítményéhez pontszám rendelhető. 7

A változók típusai_2 Ordinális skála: olyan szimbólumok, számok, amelyek alkalmassá teszik a vizsgált egyedek közötti sorrendiség felállítását, mely lehet az egynemű adatok rendezésének alapja is. A változó értékeinek különbsége nem értelmezhető. (pl. iskolai végzettség, attitűd skála értéke, a termékek minősítés értékei, osztályzatok ) 8

A változók típusai_3 Intervallumskála: az objektum kvantitatív mérése során a mérhető adatokat vizsgálva az egyedeket jellemző un. méréssel kapott adaitaikat kapjunk. Az intervallum nagyságát a két adat közötti eltérés adja, definiált mértékegységgel rendelkezik, tehát különbségük értelmezhető (születési dátum, életkor ). Jellemzői: Bármelyik két skálaérték különbsége független a skála nullpontjától. A skálaérték különbségek hányadosa független a mértékegységtől. A hányadosuk objektív összehasonlításra alkalmas, mivel nem tartalmazzák a mértékegység választás és nullpontválasztás önkényét. 9

A változók típusai_4 Arányskála: az egyedek ismérveit numerikusan kifejező számérték. A változó értékei sorba rendezhetőek, különbségük és arányuk is értelmezhető (pl. testmagasság, súly ) A felsorolt skálatípusok növekvő mennyiségű információt hordoznak az alábbi sorrendben: Nominális ordinális intervallum arány Megjegyzés: A különböző skálatípusok feldolgozása más statisztikai módszerrel történik. A magasabb szintű skálatípusok adatai alacsonyabb szintűbe konvertálható, de adatveszteséggel 10

Változó típusok Típus Változó Attribútumok Mennyiségi Településnagyság (fő) 18...1385...1725243 (egyedi) Mennyiségi (összevont) Településnagyság (kategória) 1-0-500 között 2-501-5000 között Minőségi Település jogállása 1-község 2-város 3-megyei jogú város Eloszlás Régió 1- NyD 2-KD 3-KM Attitűd Mennyire ért egyet az alábbi állítással...? Eldöntendő Van-e autója? 1-van 2-nincs 1-teljes mértékben 2-bizonyos mértékben 3-inkább nem 4-egyáltalán nem 11

Skálák Mérési szint Jellemzők Példák Nominális Ordinális Teljesség Kölcsönös kizárás Teljesség Kölcsönös kizárás Rangsorolhatóság Nem Területi elhelyezkedés (megye, régió) Attitűdkérdések (elégedettség, önbesorolás) Arányskála Teljesség Kölcsönös kizárás Rangsorolhatóság Azonos távolságok az attribútumok között Létező nullpont (intervallumskálánál nem) Jövedelem Fogyasztás (érték és mennyiség) 12

Kutatási hipotézisek 1. A kísérlet, felmérés, vagyis a kutatómunka megkezdése előtt a kutató kialakít egy feltételezést arról, hogy mit vár el a kutatástól. Nélküle a kutatás ösztönös, próbálkozás jellegűvé válhat. A hipotézisben a vizsgálat eredményével kapcsolatos következtetések elfogadhatóságát illetve tarthatatlanságát fogalmazzuk meg. Hipotézis - a kutatási problémára adott feltételezett válasz, azaz a kutató feltételezéseit kifejező kijelentés, a problémában szereplő változókra, azok kapcsolatára vonatkozóan. (A jól megfogalmazott hipotézisek a kutatás vezérfonalát alkotják). 13

Hipotézisek csoportosítása a megfogalmazásuk alapján Null-hipotézis: - azt feltételezzük, hogy nincs összefüggés a változók között. (pl. a családi, szakmai kapcsolatok nem hatnak a frissdiplomás elhelyezkedésére). Alternatív irány nélküli hipotézis: az összefüggést feltételezzük, de annak irányát nem adjuk meg. Alternatív irányt is kifejező hipotézis: megjelöljük a változók feltételezett kapcsolatának irányát. (pl. a családi, szakmai kapcsolatok döntő módon befolyásolják a frissdiplomás elhelyezkedését). 14

A hipotézissel szembeni követelmények Rendelkezzen magyarázó erővel, legyen világos, egyértelmű. A változók kapcsolatát pontosan írja le. A hipotézis legyen igazolható vagy elvethető. Igényeljen megvalósítható módszereket eljárásokat. Támaszkodjon a már meglévő ismeretekre. Adjon választ a kiinduló problémára 15

A kutatás tudományosságának feltételei, etikai kérdései 1. a. A kutatás résztvevőivel szembe: A résztvevők minimális kockázata. résztvevő személyeket érintő előnyök haladják meg a hátrányokat. A résztvevő személyek biztonságának óvása (anonimitás, személyiség óvása, rejtett kamera kérdése ). Előzetesen egyeztetett egyetértés alapján történhet a felmérés. A résztvevő személyekkel való jó kapcsolat kialakítása és a felmérés idejének optimalizálása. 16

A kutatás tudományosságának feltételei, etikai kérdései 2. b) A tudóstársadalommal szembe: Szellemi termékek eltulajdonítása pl. idézet hivatkozás nélkül. Kutatási adatok torzítása szándékosan vagy nem megfelelő szakmai ismeret miatt. Hipotézisek utólagos megfogalmazása. Káros adatok elhallgatása. (az egyén negatív befolyásolása). A felmérési adatok tudatos félremagyarázása előre megfontolt céllal. 17

Kutatási stratégiák 1.) Deduktív (analitikus) kutatási stratégia 2.) Induktív (empirizmus) kutatási stratégia 18

Kutatási stratégiák _deduktív 1.) Deduktív (analitikus) kutatási stratégia: A tudományos eredményekre támaszkodva oldjuk meg a problémát. Ezáltal a következtetéseinket az általános elv, törvényszerűség stb. alapján fogalmazzuk meg. A következtetések forrása: a) Forráskutatás b) Dokumentumelemzés c) Tartalomelemzés 19 19

Kutatási stratégiák_induktív a. Induktív: az empirizmusból kiindulva fogalmazzuk meg a tapasztalatokat. Típusai: Leíró kutatási stratégia ( meglévő helyzet leírása milyen tanulási nehézséget tapasztalunk ) Feltáró kutatási stratégia ( különböző változók egymáshoz való viszonyának elemzése, az eltérő típusú információhordozók hogyan hatnak az a pályaorientációra ) Kísérleti kutatási stratégia: a független változókat a kísérlet céljának megfelelően tudatosan változtatják.uk. 20 20

Vizsgálati módszerek A vizsgálat többféle kutatási módszert jelent, melyek közös vonása, hogy valakiknek a megkérdezésével kíván ismereteket szerezni. Fajtái: A kérdőív (összegyűjthető információk rendszere, a kérdőív készítésének folyamata, adatok feldolgozása) Az interjú (fajtái, alkalmazott kérdéstípusok. Az interjú előkészítése, lebonyolítása) Attitűdvizsgálat ( szerepe, attitűdök feltárásának módszerei, érdeklődésvizsgálat) Szociometria (közvetlen megfigyelés, szociometriai kérdőívek, szociometriai tesztek) 21 21

Kérdőív Az összegyűjthető információk rendszere, a kérdőív készítésének folyamata, adatok feldolgozása. 1. A kutatás különböző szakaszaiban használható, de fő területe az adatgyűjtés 2. Használható önállóan vagy más kutatási módszerrel együtt 3. Segítségével nagy számú populációt vizsgálhatunk 4. A kitöltés önkéntes, tehát előfordul, hogy nem mindenki fogja visszaküldeni, vagy nem válaszolnak minden kérdésre (50 %). 22 22

Kérdéstípusok 1. Nyílt kérdések Projektív kérdések 2. Zárt kérdések Anekdotikus kérdések 3. Félig zárt kérdések 4. Skálába sorolt válaszokat tartalmazó kérdések 23 23

Tudás tesztelése A tesztek az oktatás különböző szakaszaiban jelennek meg. Teszt: egy sajátos dolgozat, amely célszerűen válogatott feladatokat tartalmaz. A feladatokat gyorsan, egyszerűen, megbízhatóan lehet értékelni. Jellemzői: 1. Nagy létszám 2. Térben és időben távol eső teljesítmény mérése 3. Oktatási eljárások hatékonyság vizsgálata 24

Tesztek osztályozása -1 Teljesítménytesztek, írásos és szóbeli tesztek Objektív és szubjektív tesztek Objektív, javítókulcsot vagy válaszmodelleket ad. Szubjektív, tág lehetőséget ad az érdeklődőnek (pl. személyiségvizsgáló teszt) Standardizált: a teszt anyaga és a kérdések nehézsége is szigorúan ellenőrzött. Az eredmények értékelését az elővizsgálatok során kialakított normákhoz viszonyítottak (reprezentatív populáció). Nem standardizált : a teszteket a kutató állítja össze anélkül, hogy statisztikai kontrollt végezne el (csak tág értelemben). 25 25

Tesztek osztályozása_2 Egyéni és kollektív tesztek Egyéni: egyszerre csak egy ember vehet részt a vizsgálaton (a vezető általában a választandó viselkedését is feljegyzi). Kollektív: időtakarékosabb és azonos feltételeket ad a kitöltőnek. Normatív és kritérium alapú tesztek: Normatív teszt: megmutatja az egyén teljesítményét egy előzetesen megadott külső cél elérésében. Kritérium teszt: elhelyezi az egyén teljesítményét mások teljesítményéhez képest. Tesztek tárgya szerinti osztályozás Intelligencia szerinti teszt Ismeretteszt személyiségteszt 26 26

A teszt jóságmutatói Objektivitás: a teszt tárgyilagos, nem szubjektív. Független attól ki végzi a teszttel a mérést. Validitás: érvényesség, a teszttel valóban azt mérjük, amire készítettük Reliabilitás: megbízhatóság. Mérése a reliabilitás mutatókkal. 27

A kutatás eredményeinek összefoglalása tanulmányban A kutatás célja és rövid áttekintése A szakirodalom áttekintése Ne plagizáljunk! Ha nyomtatásban megjelent műre hivatkozunk: A szövegben valamely hivatkozási módszer használata (Harvard vagy számozásos) Bibliográfiában a részletesen az adatok 28 28

A tanulmány felépítése A kutatás terve és végrehajtása Ha pl. kérdőíves felvételt alkalmaztunk, szerepeltessük a következőket: A vizsgált populáció A mintavételi módszer A minta nagysága Az adatgyűjtés módszere A válaszolási arány Az adatfeldolgozás és az adatelemzés módszerei Bármely kutatási módszert is hasonló részletességgel kell leírni. 29 29

A tanulmány felépítése Elemzés és értelmezés Legyen logikus és áttekinthető Utalás az adott elemzés értelmére céljaira. Az adatok ismertetése. Tekintsük át a legfontosabb eredményeket.. Mutassunk rá ezek jelentőségére Az eredmények értelmezése. Kitekintés, gondolatok a jövő feladataira, kutatási irányaira. 30 30

Az adatelemzés leírása oa szövegesen elemezni kell az összefüggéseket, adatokkal alátámasztva. (részletes adatok a függelékben) o Biztosítani kell, hogy a tanulmányt elemző kutatók az eredményeket kontrollálhassák. o A vizsgálat, kísérlet során alkalmazott módszer ismertetése, mely a megismételhetőség biztosítéka. o A táblázatok elhelyezése (szövegben vagy függelékben) Általános szabály: 1. Megmondjuk mi célból mutatjuk be a táblázatot 2. Közöljük a táblázatot 3. Bemutatjuk és értelmezzük oaz olvasó tisztelete, ne vezessük félre kozmetikázott magyarázattal! minden befolyásolt körülmény bemutatása kutató rámutat a levont következtetések hiányosságaira és bizonytalanságaira ofontos a stílus, de a legfontosabb a logika, tisztaság és őszinteség. 31 31

Függelék A függelék, olyan adatokat tartalmaz, melyek: o Konkrét információkkal támasztják alá a szövegben leírtakat. o Adatokat közlő, vagy az összegyűjtött adatok elemzését összefoglaló, nyomtatásban meg nem jelent dokumentumok. Bibliográfia Hivatkozások jegyzéke: (közvetlen kapcsolat a szövegben idézett gondolat és a mű bibliográfiai adatai között) o név-év (Harvard) módszer esetén a hivatkozás jegyzék a dolgozat végén, és a bibliográfia tételei szerzői betűrendben o Számozásos módszer esetén a hivatkozások jegyzéke a lábjegyzetbe vagy a végjegyzetbe kerül, a tételek növekvő számsorrendben. 32 32

Bibliográfia_2 Felhasznált irodalom bibliográfiája (nincs közvetlen kapcsolat) lehet: o Felhasznált irodalom jegyzéke: Olvasott művek adatai o Irodalomjegyzék vagy bibliográfia Vagy a téma teljes szakirodalmát mutatja be Vagy csak az olvasott művekről tájékoztat o Ajánlott irodalom Azon irodalmak adatai, melyek a téma bővebb tanulmányozásához szükségesek. 33 33

A statisztikai módszerek típusai A kutatásokban alkalmazott tipikus módszerek: 1. Leíró statisztika: Ez a módszer a numerikus (számszerű) információk összegyűjtését, az információk összegzését, jellemzését szolgáló módszereket szolgálja. Területei: Adatgyűjtés Adatok ábrázolása Adatok csoportosítása, osztályozása Az adatokkal végett egyszerűbb aritmetikai műveletek Eredmények megjelenítése 34 34

A statisztikai módszerek típusai_2 2. A következtetéses statisztika: a jelenségekre, folyamatokra levont következtetések nem csak a közvetlen vizsgálatokon alapulnak. Ezeket a következtetéseket a matematikai statisztika és a valószínűség számítás alapján kapjuk. A következtetéseket a reprezentatív mintán végzett vizsgálatok alapján a populációra vonjuk le. 35 35

Elemzés 36

Statisztikai adatok A statisztikai adat, mérés vagy számlálás útján keletkező tapasztalati, vagy empirikus szám. Típusai: Alapadatok: közvetlenül számlálás vagy mérés eredményeként kapjuk. Leszármaztatott adatok: számolás eredményeként kapjuk (viszonyszámok, átlagok, mutatószámok) Viszonyszámok: két tényező elemeinek egymáshoz viszonyított aránya (fő és részsokaságok; részsokaságok) Átlagok Mutatószámok: statisztikai adatkategóriák, melyekkel rendszeresen ismétlődő jelenségeket jellemezhetünk; pl. demográfiai mutatók. 37 37

A kérdések két nagy csoportja Becslések A populáció (sokaság) tulajdonságai iránt érdeklődünk Mintavétel után a mintából megbecsüljük a populáció tulajdonságait (eloszlás, elhelyezkedés, szórás) Meghatározzuk becslésünk megbízhatóságát. Hipotézis vizsgálatok Mintát hasonlítunk egy elméleti értékhez Mintákat hasonlítunk egymáshoz Hipotéziseket állítunk fel (H0, H1, azaz 2 vagy több hipotézis) Meghatározzuk, mekkora kockázattal vállalunk hibás döntést Döntünk, hogy melyik hipotézist támasztják alá az adatok. 2012.03.02. 38 38

Becslések Átlag, medián (elhelyezkedés, ) Szórás, átlag hibája, terjedelem (szóródás, ) Konfidencia intervallum: A konfidencia intervallum értelmezése: Ismételt mintavétel esetén az esetek átlagosan (1 ) 100 százalékában igaz az, hogy az így számított intervallum lefedi a keresett sokasági jellemzőt. Példa: az átlag és annak 95% konfidencia intervalluma a. eset: ha ismert a populáció szórása b. eset: a szórást is becsüljük 2012.03.02. 39 39

Hipotézis vizsgálat (statisztikai) Módszer arra, hogy meghatározzuk, hogy adatok mennyiben konzisztensek egy adott, vizsgált statisztikai hipotézissel Szakmai vita tárgya a statisztikát kutatók körében, hogyan érdemes vizsgálni a véletlen szerepét, hatását Több iskola van: klasszikus hipotézis vizsgálatok Bayesianus vizsgálatok, feltételes valószínűségeken alapulnak. 2012.03.02. 40 40

A módszer választáshoz útmutatás Függ: A kutatási kérdéstől Kísérleti elrendezéstől A mérés skálájától (nominális, intervallum stb.) Az elemszámtól Van-e különbség? 1 csoport 2 csoport 3, vagy több csoport Van-e összefüggés? Mennyi a független változók száma. 2012.03.02. 41 41

Kiinduló feltételezések A változó mérhető nominális skálán ordinális skálán Intevallum skálán numerikus skálákon A null hipotézis vonatkozhat az eloszlások azonosságára a mediánok azonosságára a szóródás azonosságára A minták száma Lehet 1, 2, >2 2012.03.02. 42 42

Döntési szabályok Döntési hiba valószínűsége α, és általában α=0,05 1. Az alternatív hipotézis mellett döntve, elvetjük a nullhipotézist, a különbség szignifikáns (1- α)x100%-os szinten 2. Ha a nullhipotézis mellett döntünk, vagyis nem tudjuk elvetni a nullhipotézist, a különbség nem szignifikáns (1- α)x100%-os szinten. 2012.03.02. 43 43

Megállapítás Annak bizonyítása, hogy a vizsgálat során megfigyelt különbség egy általunk meghatározott valószínűségi szinten is kimutatható-e. Amennyiben ez a különbség igazolhatóan nem a véletlen műve, lényeges szignifikáns különbségnek nevezzük. 2012.03.02. 44 44

Statisztikai hibák_1 Első fajta hiba - α : ha szignifikáns különbséget állapítunk meg, de valójában nincs különbség. Az első fajta hiba valószínűsége annak esélye, hogy a tapasztalt különbséget a véletlen okozta, ezért a szignifikancia-szinttel egyenlő az α értéke. 2012.03.02. 45 45

Statisztikai hibák_2 Második fajta hiba - β : ha szignifikáns különbséget nem állapítunk meg, de valójában van különbség. Értéke függ a szignifikancia-szittől, az elemszámtól, a populáció szórásától, stb. a megközelítő értékének kiszámításához a minták átlagai alapján becsült különbséget alkalmazzák A meghatározása nehezebb oka, hogy sok (esetleg végtelen sok) alternatív hipotézis létezhet Ha az alternatív hipotézis igaz, akkor annak a null hipotézistől való távolságától függ a teszt ereje, és a nagysága. 2012.03.02. 46 46

A hipotézisvizsgálat kimenetele Döntés H 0 igaz H 1 igaz H 0 -t elvetjük, és H 1 -et elfogadjuk Nem vetjük el H 0 -t, (azaz elfogadjuk H 0 -t) és nem fogadjuk el H1-et Elsőfajú hiba ( ) Helyes döntés Helyes döntés Másodfajú hiba ( ) 2012.03.02. 47 47

Valószínűségi változók Az adatok eloszlásáról statisztika kiszámításával kapunk pontos képet: Számtani közép vagy átlag Médián Módusz Variancia Szórás ( a variancia négyzetgyöke) (Ezt nem csupán a grafikon alapján szemlélhetjük, hanem ellenőrizhető az egymintás Kolmogorov-Smirnov teszt vagy a Shapiro-Wilk (n 50) teszt alapján) 48

Középérték számítások Számtani átlag Az átlag egy adott diszkrét adatsor jellemző adata, mely az adathalmaz közepén helyezkedik el. Minta átlaga: a számhalmaz átlaga, más szóval - számtani közepe, az a szám, amelytől az adatok eltéréseinek összege zérus. Az n elemű minta - x1, x2, xn átlaga: x1 x2... x n x n n n 1 n x n 49

Középérték számítások_2 Módusz: Az adatsorok osztályokba való sorolása esetén a legnagyobb gyakoriságú osztály közepét értjük alatta. Alkalmazása: az ordinális és a nominális változókból álló minta esetén is lehetséges. Jellemzői: leíró, jósló szerepe van, mivel a tipikus értékre (tipikus eredmény, vélemény) mutat rá. alkalmas az eloszlás gyors jellemzésére is, abban az esetben, ha a mintának egy módusza van 50

Középérték számítások_3 Médián Médián: a nagyság szerint rendezett, vagyis rangsorba állított számhalmaz középső értéke. páratlan számsorok esetén, vagy a két középső érték számtani adatokra nem értelmezhető, de az ordinális adatok esetén igen átlaga, páros számsorok esetén (a nominális ) A vizsgált mintát két azonos részre bontja, rámutat a minta közepére. A szimmetrikus görbék esetén az átlag és a módusz egybeesnek, míg a balra illetve jobbra ferdülő görbék esetén a médián, az átlag és a módusz között veszi fel az értéket. Alkalmazása a nominális skála kivételével minden esetben lehetséges. A vizsgált minta középmezőnyének jellemzésére alkalmas. 51

Középérték számítások_4 skála átlag médián módusz Nominális nem nem igen ordinális nem igen igen intervallum nem igen igen arányskála igen igen igen 52

Gyakorisági sorok Az adatok értéktartományát intervallumokra osztva, az adatokat be kell sorolni. Ügyelni kell arra, hogy az intervallumok alsó és felső határa ne fedje egymást. Az intervallum: a minta legnagyobb és legkisebb eleme által határolt tartománya. A gyakorisági eloszlást az adott csoportok és a hozzájuk rendelhető gyakoriságok alkotják 53

Gyakorisági sorok_2 Az eljárás menete: 1. Első lépésként az értéktartományt egyenlő intervallumú csoportokra kell osztani. 2. A csoportok száma a minta nagyságától függően min10 és max.20 legyen (az adatok maximális és minimális értékeinek intervalluma határozza meg). Ha túl nagy intervallum számot választunk, pontatlan értékmeghatározást okozhat. 3. A csoport intervallumok általában, a minta függvényében 2, 3, 5, 10.. 54

Gyakorisági sorok_3 Gyakoriság A gyakoriság egy olyan mutató, amely jellemzi, hogy egy-egy csoportba hány adat tartozik. A gyakorisági eloszlás egy olyan statisztikai mutató, mely arra mutat, hogy a minta elemei hogyan oszlanak meg a különböző csoportok között. A mintára vonatkozóeredményt abszolút gyakorisági elosztásnak nevezzük. Jele: f a 55

Gyakorisági sorok_4 Relatív gyakoriság A relatív gyakoriság a csoport abszolút gyakoriság értékének a minta elemszámához százalékosan viszonyított értéke. f 100 f a % n A relatív gyakoriság alapján válik lehetővé, hogy különböző, akár eltérő elemszámú mintát vessünk össze. 56

Gyakorisági poligon Intervallum vagy arányváltozók esetén használjuk. Az osztályközepek függvényében kapott pontokat vonalakkal összekötve kapjuk a gyakorisági poligont. Jellemzői: Szimmetrikus: ezen belül megkülönböztetünk o lapított (platykurtic) az eloszlás értékei viszonylag gyakoriak o csúcsos (leptokurtic) - az eloszlás közepe túlzottan kiemelkedik Aszimetrikus (skewed), amely esetében lehet az adatok eloszlása jobb vagy bal irányba eltolódott. 57

Kumulatív gyakorisági eloszlás A kumulatív gyakoriság egy olyan statisztikai mutató, mely arra mutat, hogy a mintából mennyi azon elemek száma, amely egy előre meghatározott szintet ér el. Jele: c f Alkalmazására arra keressünk választ, hogy. egy adott mintában mennyi azon tanulók száma, akik egy adott teljesítményt elértek, és mennyi azon tanulók száma akik ezt a határt túlteljesítették. 58

Szóródás mértékei Terjedelem Egy számhalmaz terjedelme alatt értjük a legnagyobb és a legkisebb szám közötti különbséget. Jele: R i Felmerül a kérdés: mi értelme van e paraméter meghatározásának? Abban az esetben, ha a szélső értékek fontosak a mérés szempontjából. 59

Szóródás mértékei_4 Átlagos eltérés A minta számtani átlagától (közepétől) való távolsága n AE j 1 x x i n 60

Változók közötti kapcsolat - kereszttáblák Kereszttábla két nominális vagy ordinális változó együttes eloszlásának ábrázolása egy közös táblán. Kérdések: Van-e kapcsolat? Milyen erős? Milyen irányú Pl. Anyagi helyzet és mentális problémák kapcsolata. 61

Kereszttáblák- Chi-négyzet A kereszttáblákat két változó összefüggésének vizsgálatához használjuk. Alkalmazása során azt a hipotézist ellenőrizzük, hogy a sor és oszlopváltozók függetlenek-e. Nem jól használható, ha bármelyik cellában a peremeloszlások alapján várható érték (expected value) kisebb 1-nél, vagy a cellák több mint 20%-ban ez az érték kisebb mint 5. 2012.03.02. 62 62

Kovarancia Két adathalmaz adatpárjai közötti eltérések szorzatának átlagát számolja megadja két egymástól különböző változó együttmozgását. n számú x, y értékpár esetében a minta kovarianciája az alábbi képlettel határozható meg: n ( x i i x) ( yi y) n 63 63

Korrelációs együttható A korrelációszámítást többdimenziós minták vizsgálatakor, a minta elemeihez rendelt adatok közötti összefüggés feltárását szolgálja. A korrelációs együttes szignifikancia vizsgálata megmutatja, hogy egy adott, többdimenziós minta esetén a változók között talált összefüggés mekkora valószínűséggel valódi és nem a véletlen műve. r xy r táblázat r xy r táblázat a két minta korrelációs összefüggése az oszlopnak megfelelő valószínűséggel nem a véletlen műve, vagyis általánosítható a korrelációs összefüggés mértékét nem lehet általánosítani, vagyis a mintában észlelt kapcsolat a véletlen műve 64 64

A korrelációs együttható jellemzői Független változók esetében a korrelációs együttható értéke 0, A függvénykapcsolatban lévő (nem sztochasztikus) változók esetében a korrelációs együttható értéke 1. 65

Korrelációs együttható Korrelációs együttható értéke és a változók közötti kapcsolat 0,9 1 rendkívül szoros 0,75 0,9 szoros 0,5 0,75 érzékelhető 0,25 0,5 laza 0,0 0,25 nincs kapcsolat 66

Megállapítás Annak bizonyítása, hogy a vizsgálat során megfigyelt különbség egy általunk meghatározott valószínűségi szinten is kimutatható-e. Amennyiben ez a különbség igazolhatóan nem a véletlen műve, lényeges szignifikáns különbségnek nevezzük. 2012.03.02. 67 67

Egymintás T-próba Az egymintás t-próbát akkor kell alkalmazni, ha a mérési eredmények ugyanazon személyek különböző felméréséből származnak, vagyis önkontrolos felmérések során. Ahol: z t ' - számtani középértékét z s s - különbségértékek szórása n 2012.03.02. 68 68

Egymintás T-próba_2 A vizsgálat során a számított t-értéket össze kell hasonlítani a t táblázat értékével: Ha t > t táblázat a különbség nem a véletlen műve, Ha t < t táblázat a különbség a véletlen műve 2012.03.02. 69 69

T-próba értelmezése A szoftverek többsége tartalmazza a t értékét, azonban nem a t kritikus értéket adja, hanem a mintából számolt t értéktől jobbra eső, t-eloszlás alatti területet, melyet p-nek nevezünk. p - elnevezései lehetnek: Prob-value, Signif of t, Sig.Level, stb. p - annak valószínűsége, hogy egy másik kiszámolt t legalább olyan messze van 0-tól, mint a most megfigyelt t, ha H0 igaz. 2012.03.02. 70 70

Döntés a p alapján Döntés a p és az α összehasonlítása alapján: Ha p < α, akkor H 0 -t elvetjük és azt mondjuk, hogy a különbség szignifikáns (1- α)x100%-os szinten Ha p > α, akkor H 0 -t elfogadjuk 2012.03.02. 71 71

Döntés a p alapján_2 p < 0,01 nagyon erős a Ho elleni bizonyíték 0,01 p < 0,05 mérsékelt a Ho elleni bizonyíték 0,05 p < 0,10 szuggesztív a Ho elleni bizonyíték 0,10 p kicsi, vagy nem reális a Ho elleni bizonyíték 2012.03.02. 72 72

A kétmintás t-próba A kétmintás t-próbát akkor alkalmazzuk, ha arra keresünk választ, hogy a két egymástól függetlenül vett minta származhat-e azonos átlagú populációból. A kétmintás t-próba azonban csak akkor végezhető el, ha a két csoport variancia értékei között nincs nagy különbség, melyre az F- próba vizsgálat ad választ a variancianégyzetek hányadosának elemzésével. Ha F számolt <F táblázat akkor a vizsgálatban résztvevő minták varianciája nem különbözik egymástól lényegesen és a vizsgálatot a kétmintás t-próbával kell folytatni 2012.03.02. 73 73

A kétmintás t-próba A kétmintás t-próba számolás menetének számszerűsítése a következő összefüggés alapján történik: t i n 1 ( x x i ) 2 x n m i m 1 2 y ( y y) 2 n n m m A szignifikanciavizsgálat szabadságfoka sz f = n+m-2. A kapott eredmény alapján értékelhetjük a vizsgált minták által elért teljesítményt 2012.03.02. 74 74

A kétmintás t-próba_2 A kétmintás t-próba azonban csak akkor végezhető el, ha a két csoport variancia értékei között nincs nagy különbség Erre az F-próba vizsgálat ad választ a variancianégyzetek hányadosának elemzésével. 2012.03.02. 75 75

Az F-próba Az F-próba a variancia négyzetek hányadosa. Képlete: F s s 2 1 2 2 A fenti képlettel kontrollcsoportos vizsgálat során egy n 1 és n 2 elemű minta esetében alkalmazható a hipotézis igazolására, melynek szórásértékei s 1 és s 2 ahol, s 1 > s 2. 2012.03.02. 76 76

Az F-próba_2 A számított F értéket a táblázat értékeivel összevetve, a következő lehetőségekkel kell számolnunk: Ha F számolt >F táblázat, akkor a vizsgálatban résztvevő minták varianciája lényegesen különbözik egymástól, a kétmintás t- próba elvégzésére nincs lehetőség. Ebben az esetben más módszert kell keresni, pl. a Welch-próbát. (hasonló mint a kétmintás t-próba, de nem követeli meg a varianciák egyenlőségét) Ha F számolt <F táblázat, akkor a vizsgálatban résztvevő minták varianciája nem különbözik egymástól lényegesen és a vizsgálatot a kétmintás t-próbával kell folytatni. 2012.03.02. 77 77

Az eredmény általánosíthatósága a populációra A feltételezett összefüggés általánosításához az szükséges, hogy a korrelációs együttható abszolút értéke nagyobb legyen, mint a 95%-os valószínűségi szinthez (adott szabadságfokon) tartozó érték. Abban az estben, ha 99% vagy 99,9%-os értéken végezzük az összevetést, a elemzett kapcsolat még nagyobb valószínűséggel általánosítható. 78

Jellemző esetek Két változó között minél szorosabb az összefüggés, annál inkább megközelíti a korrelációs együttható értéke az 1-t. Ha a minta két változója azonos irányban változik, abban az esetben pozitív, ha ellentétes irányban, akkor negatív a korrelációs összefüggés. Lineáris függvénykapcsolatban lévő (nem sztochasztikus) változók esetében a korrelációs együttható értéke 1. 79

Jellemző esetek_2 Minél lazább az összefüggés két változó között, annál közelebb van a korrelációs együttható értéke a 0-hoz. Független változók esetében a korrelációs együttható értéke = 0 A két változó látszólag egymástól függetlenül változik, ebben az esetben korrelálatlanságról beszélünk A korrelációs együttható az egyszerű, közel lineáris stochasztikus kapcsolat esetében használható statisztika Egy bonyolultabb függvénygörbe mentén elhelyezkedő értékek kapcsolatának leírására nem alkalmas. 80

Varianciaalízis A kétmintás t-próba általánosításának tekinthető. Variancia-analízisnek nevezzük azt a statisztikai eljárást, mely több egydimenziós minta ugyanazon változója közötti különbség szignifikancia szintjének összehasonlítását teszi lehetővé. 81 81

Többváltozós populációk statisztikai elemzései A fejezet a többváltozós populációk statisztikai elemzési módszerével ismerteti meg három alfejezetben az olvasót, az alábbiakban felsoroltak alapján: faktoranalízis diszkiminancia analízis főkomponens analízis klaszteranalízis 82 82

Különbözőségvizsgálat Jelentős-e a különbség Adatfajták, minták száma Intervallum skála Ordinális skála Nominális skála Egy Egymintás t-próba Wilcoxon-próba Kereszttábla elemzés ϰ2 - próba Kettő Kétmintás t próba F próba Mann-Whitney próba Kereszttábla elemzés ϰ2 - próba több Variaanalízis (ANOVA) Kruskal-Wallispróba Kereszttábla elemzés ϰ2 - próba 83

Frequency Frequency Az eredmények ábrázolása Histogram REL Egyéni eredmény 6 5 6 5 9 12 15 18 24 Missing 4 4 3 3 2 2 1 0 0 5 10 15 20 25 30 REL Mean = 12,9 Std. Dev. = 5,515 N = 20 1 0 0 5 10 15 20 25 30 REL Mean = 12,9 Std. Dev. = 5,515 N = 20 Cél: az eredmények áttekinthetőbbé és szemléletesebbé tétele 84

Gyakorisági poligon (görbe) A gyakorisági sor osztályközepek alapján szerkesztett vonaldiagramja 85

Hisztogram_1 A hisztogram a rendezett minta intervallumaiba eső elemek számát ábrázolja. a hasábok szélessége a változó tartománya A hasábok magassága gyakoriság Az oszlopok száma, ha: Túl sok túlrészletezett Túl kevés elnagyolt 86

Hisztogram_2 Szimmetrikus, normál Szimmetrikus, csúcsos 87

Hisztogram_3 bimodális 88

Hisztogram_4 Balra ferdülő hisztogram 89

Hisztogram_5 Jobbra ferdülő hisztogram 90

Boxplot grafikon A boxplot: mennyiségi ismérv szerinti eloszlást a kvartiliseken keresztül érzékelteti. A x min és x max értéket összekötő szakaszra épül az alsó és a felső kvartilisek által közbezárt doboz. A középső vonal a medián. A boxplot rámutat: mennyire sűrűsödnek a megfigyelések a középső 50%-os intervellumban Mennyire ferde az eloszlás 91

A középértékek elhelyezkedése a különböző gyakorisági eloszlásokban Az eloszlás szimmetriájának mérésére szolgál az un. ferdeség vagy eltoltság skewness, értékei: egy mérőszám, mely arra ad választ, hogy a szóródás a centrumtól jobbra vagy balra lapul-e, ill. sűrűségfüggvényt jelez. A ferdeség - Skewness o Ha (-), balra ferdül a kiugrás o (+), jobbra o (0), szimetrikus Lapultság - Kurtois o csúcsos, leptokurtic o lapos, platykurtic 0 0 92

Középértékek elhelyezkedése a különböző eloszlási gyakoriságokban_1 Szimmetrikus eloszlás Skewness = 0 93

Középértékek elhelyezkedése a különböző eloszlási gyakoriságokban_2 Szimmetrikus kétpúpú eloszlás Bimodális eloszlás (két módusza van) 94

Középértékek elhelyezkedése a különböző eloszlási gyakoriságokban_3 Balra ferde (negatív irányban eltolt eloszlás) Skewness = (-) 95

Középértékek elhelyezkedése a különböző eloszlási gyakoriságokban_4 Jobbra ferde pozitív irányban eltolt eloszlás Skewness = (+) 96

Különböző csúcsossági értéket - kurtois - mutató normális eloszlások Mezokurtikus eloszlás Skewness = 0 97

Csúcsossági értékek A csúcsossági értékek arra mutatnak, hogy az eloszlás közepe mennyire emelkedik ki. Platikurtikus lapos : 0 Leptokurtikus eloszlás csúcsos: > 0 98

Különböző szórású normális eloszlások (szórások átlaga = 0) Csúcsosság: az értékek milyen mértékben tömörülnek az átlag körül 99

Klaszteranalízis A klaszteranalízis a megfigyelések (vagy a változók) osztályozásának dimenziócsökkentő módszere. A diszkriminancia analízissel szemben itt nincsenek előre megadott osztályok, a feladatunk éppen ezeknek a létrehozása. A klasztertendencia vizsgálat célja annak eldöntése, hogy az adatok mutatnak-e hajlamosságot a természetes csoportosulásra. Ha az adataink hasonlóságot mérő mátrix elemei ordinális skálán mért értékek, akkor a véletlen gráfelmélet nyújt matematikai eszközt a csoportosulási tendenciák megállapítására. A klaszterezés az objektumok osztályba sorolását jelenti, vagyis az objektumok halmazának (X) részhalmazokra való felbontását. 100

Irodalom 1. Varga Lajos (2002): Kvantitatív módszerek a pedagógiai kutatásban. BMF BGK kari jegyzet. 2. Varga Lajos (szerk., 2006): Kutatás-módszertan I. Bevezetés a pedagógiai induktív kutatás módszereibe és útmutató a szakdolgozat elkészítéséhez. BME, Bp. 3. Schmercz István - Varga Lajos (2008): Kutatás-módszertan II. Bevezetés a pedagógiai deduktív és szociálpszichológiai kutatás módszereibe. BME, Bp. 4. Falus Iván - Ollé János (2000): Statisztikai módszerek pedagógusok számára. Okker K., Bp. 5. Falus Iván - Ollé János (2008): Az empirikus kutatások gyakorlata. Nemzeti Tankönyvkiadó, Budapest 6. Falus Iván (szerk., 2002): Bevezetés a pedagógiai kutatás módszereibe. Műszaki K., Bp. 7. Fercsik János (1982): Pedagometria. OOK, Veszprém 8. Horváth György (2004): A kérdőíves módszer. Műszaki K. Bp. 9. Babbie, Earl (2003; 6. átd. kiad.): A társadalomtudományi kutatás gyakorlata. Balassi K., Bp. 2003 10. Lengyelné Molnár Tünde, Tóvári Judit: Kutatásmódszertan. Eger: Líceum kiadó, 2001. 101