Výběry z populace, příprava dat, popisné statistiky

Transkript

1 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 )

2 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 2

3 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 3

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

5 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 5

6 Typy výběrů Pravděpodobnostní - náhodné Prostý náhodný Vícestupňový náhodný Stratifikovaný náhodný Nepravděpodobnostní Kvótní výběr Systematický Úsudkem Nabalováním [Jeřábek 1993: 44] KMVP část 4a 6

7 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 7

8 Prostý náhodný výběr vyžaduje nějakou oporu výběru seznam reprezentující základní soubor, ze kterého budeme vybírat (losovat). KMVP část 4a 8

9 KMVP část 4a 9 [Babbie 1995]

10 Vícestupňový náhodný výběr kroky: 1. Základní soubor rozdělíme do podsouborů (přirozená seskupení). 2. z nich vybereme skupiny (můžeme více kroků) 3. 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 10

11 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 11

12 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 12

13 Nepravděpodobnostní výběry

14 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 14

15 Kvótní výběr Výhody: levnější než náhodný výběr rychlejší, operativnější není třeba pořizovat seznamy (oporu) základního souboru KMVP část 4a 15

16 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 16

17 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 17

18 KMVP část 4a 18 [Babbie 1995]

19 Výběr nabalováním (snowball sampling) pro speciální, hůře dostupné populace jakmile se osoby opakují, výběr ukončíme KMVP část 4a 19

20 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 20

21 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 21

22 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 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 22

23 Tabulka na určování doporučené velikosti vzorku s 5% chybou vzorku pro 95% významnost (předpokládaná úroveň vzorku 50 %) [Hague 2003: 95] KMVP část 4a 23

24 Soubor dat

25 Případy (respondenti) Datová matice Proměnná Hodnoty KMVP část 4a 25

26 Vytváření souboru dat

27 Převod dotazníků na elektronický soubor dat 1. vytvoření kódovacího klíče (codebook) 2. kódování (dle kódovacího klíče) 3. nahrávání (datová matice - děrování ) 4. čištění dat 5. rekódování KMVP část 4a 27

28 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 28

29 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 29

30 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 30

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

32 Tabulky aneb jak ověřovat hypotézy (u kategorizovaných znaků)

33 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 33

34 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, KMVP část 4a 34

35 Pravidla pro tvorbu tabulek Samotná procenta říkají málo nebo nic. nezamlčovat absolutníčetnosti (stačí marginální = řádkové, sloupcové a celkový počet případů). V prvnířádce či sloupci uvést znak pro %, aby bylo jasné, že se jedná tabulku pro procenta. KMVP část 4a 35

36 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.). Celáčísla v % v tabulkách většinou bohatě stačí. 23,48 % 23 % [Kreidl 2000] KMVP část 4a 36

37 Třídění prvního stupně frekvence jedné proměnné VZD4 Vzdelani na 4 kategorie Valid Missin Total FrequencyPercent Percent Valid Percent 1 Zaklad 334 7,0 7,0 7,0 2 Vyuc,S ,1 33,1 40,2 3 Maturi ,8 40,8 81,0 4 VS ,0 19,0 100,0 Total ,9 100,0 0 4, ,0 [Zdroj: Deset let transformace, 1999] KMVP část 4a 37

38 PRIJR6 * VZD4 Vzdelani na 4 kategorie Crosstabulation Count PRIJR61,00 2,00 3,00 4,00 5,00 6,00 Total Třídění druhého stupně absolutníčetnosti frekvence jedné vs. druhé proměnné (kategorie příjmu podle vzdělání) VZD4 Vzdelani na 4 kategorie 1 Zakladni2 Vyuc,SO3 Maturita 4 VS Total [Zdroj: Deset let transformace, 1999] KMVP část 4a 38

39 Třídění druhého stupně kontingenční tabulka relativníčetnosti PRIJR6 * VZD4 Vzdelani na 4 kategorie Crosstabulation % within VZD4 Vzdelani na 4 kategorie VZD4 Vzdelani na 4 kategorie 1 Zakladni2 Vyuc,SO3 Maturita 4 VS Total PRIJR61,00 42,5% 23,5% 15,5% 13,6% 19,6% 2,00 47,7% 38,3% 33,0% 17,7% 32,9% 3,00 5,6% 18,7% 21,1% 18,0% 18,7% 4,00 3,8% 14,1% 19,0% 24,6% 17,4% 5,00,4% 3,7% 6,6% 14,1% 6,6% 6,00 1,7% 4,8% 12,0% 4,8% Total 100,0% 100,0% 100,0% 100,0% 100,0% [Zdroj: Deset let transformace, 1999] KMVP část 4a 39

40 Nejprve příklad: Procenta v tabulce. Porovnání subpopulací KMVP část 4a 40

41 [Babbie 1995: ] KMVP část 4a 41

42 KMVP část 4a 42

43 Marginálníčetnosti Relativní sloupcovéčetnosti = součet v každém sloupci reprezentuje 100% Relativnířádkovéčetnosti = součet v každém řádku reprezentuje 100% KMVP část 4a 43

44 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 44

45 Uspořádání kontingenční tabulky sloupcová procenta: V kategoriích nezávislé proměnné ukazujeme kompletní (100 %) distribuci závislé proměnné. ZÁVISLÁ vysvětlovaná proměnná NEZÁVISLÁ vysvětlující proměnná Pohlaví Spokojenost Muž Žena Celkový součet 1 (nespokojen) 41 % (5) 22 % (2) % (5) 11 % (1) 6 3 (spokojen) 16 % (2) 66 % (6) 8 Celkový součet 100 % (12) 100 % (9) 21 Nejčastěji bývá závislá proměnná nalevo vřádcích 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 45

46 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 %) Celkový součet (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 KMVP nezávislé část 4aproměnné ukazujeme kompletní 46 (100 %) distribuci závislé proměnné.

47 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 47

48 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 48

49 Porovnání podskupin 1. rozdělte případy do adekvátních podskupin (dle hypotéz, např. podle vzdělání) 2. popište proměnnou pro podskupiny pomocí zvolených statistik (např. medián, průměr, procenta) 3. srovnejte tyto údaje pro skupiny KMVP část 4a 49

50 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. [Kreidl 2000] KMVP část 4a 50

51 Jednoduché popisné statistiky

52 Střední hodnoty: nominální znaky modus ordinální znaky medián (aritmetický průměr) intervalové znaky aritmetický průměr KMVP část 4a 52

53 Modus = kategorie s největšíčetností Medián = hodnota, která je ve prostředku všech pozorování seřazených podle hodnoty Aritmetický průměr = součet hodnot dělený počtem pozorování KMVP část 4a 53

54 Modus KMVP část 4a 54 [Babbie 1995]

55 Medián KMVP část 4a [Babbie 1995] 55

56 Průměr KMVP část 4a [Babbie 1995] 56

57 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 57

58 Výpočet směrodatné odchylky Příklad. Máme pozorování: Součet řady = 40; n = 10; průměr = 40/10 = 4 Odchylky: součet odchylek je 9 9 = 0 čtverce odchylek: 9; 4; 1; 1; 0; 1; 9; 1; 6; 4; 4; 4 součet čtverců odchylek = 52 průměrnáčtvercová odchylka tj. rozptyl = 5,2 směrodatná odchylka (odmocnina z rozptylu) = 2,28 KMVP část 4a 58

59 Další popisné statistiky Minimum / maximum Rozpětí Kvantily: dolní a horní kvartil Koeficienty šikmosti KMVP část 4a 59

60 Vlastnosti rozdělení kardinálních (spojitých) znaků

61 Symetrie, variabilita [Hanousek, Charamza 1992: 21] KMVP část 4a 61

62 Šikmost a špičatost [Hanousek, Charamza 1992: 21] KMVP část 4a 62

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

64 Při čtení statistik pozor na: přesná čísla ve statistických zprávách procenta versus absolutníčísla srovnatelné údaje nezaměňovat ukazatele je porovnání vhodné? na výběry (nebyly-li provedeny profesionály) podobu otázek (znění) vlastní příprava zjišťování (experimentu) v nemocnici umírají lidéčastěji než doma [Hanousek, Charamza 1993: 34-35] celé viz soubor Pozor_statistika.pdf KMVP část 4a 64

65 Základní typy grafů Pro třídění 1. a 2. stupně

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

67 Histogram pro kardinální (spojité) proměnné 1400 PRIJEM Frequency PRIJEM89 KMVP část 4a 67

68 Barchart četnosti kategorií kategorizovaného znaku (zde nominální znak Kraj) KMVP část 4a 68

69 Alternativně: Koláčový graf (Pie chart), v % KMVP část 4a 69

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

71 Barchart: pro třídění 2.stupně Kategoriální (nominální, ordinální) znaky Zájem o politiku podle pohlaví Odpovídá kontingenční tabulce KMVP část 4a 71

72 Barchart pro třídění 2.stupně Příklad: Zájem o politiku podle pohlaví Nezávislá proměnná Součet v kategoriích = 100 % Závislá proměnná KMVP část 4a 72 Zdroj: ISSP 2007

73 Bodový X-Y graf (scatter plot) Kardinální (spojité-číselné) znaky Sledování TV a věk 4,5 4 Odpovídá korelačnímu koeficientu (a regresní analýze) Sledování TV (počet hodin) 3,5 3 2,5 2 1,5 1 0, Věk KMVP část 4a 73

74 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 74

75 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 Jeřábek, H. (1993): Úvod do sociologického výzkumu. Praha: Karolinum Poděkování za cenné konzultace RNDr. L. Gatnarovi. KMVP část 4a 75