Docent Martin Klinthäll Linköpings universitet

1. Föreläsning6Kvantitativmetod:Frånfrågeställning till analys722A35Examensarbete i företagsekonomi Docent Martin Klinthäll Linköpingsuniversitet

2. Att lägga upp en studie med kvantitativa frågeställningar Innehåll: • Problemformulering • Operationalisering • Kvantitativa datamaterial • Insamling och urval • Analys och tolkning

3. 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

4. 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

5. 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

6. 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

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

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

9. 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

10. 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

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

12. Operationalisering”välfärd”, ”välstånd”? 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

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

14. 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.

15. 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

16. 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

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

18. 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?

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

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

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

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

23. Urval SANNOLIKHETSURVAL • OSU: obundet slumpmässigt urval • Stratifierat urval • Systematiskt urval • Klusterurval

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

25. 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

26. 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

27. Analysteknik 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

28. Exempel på analystekniker Faktoranalys Linjär regression Logistisk regression Tidsserieanalys Paneldataanalys Durationsanalys 28

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

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

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

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

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

34. Paneldataanalys • Analys av förändring och dynamiska processer Kausalitetsförhållanden Tekniker för att hantera • icke-observerad heterogenitet (fixedeffects) • gruppspecifika effekter (randomeffects)

35. 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’

36. 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

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

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

39. Validitet - Reliabilitet .

40. 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

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

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