design kvantitativn ho v zkumu n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Design kvantitativního výzkumu PowerPoint Presentation
Download Presentation
Design kvantitativního výzkumu

Loading in 2 Seconds...

play fullscreen
1 / 59

Design kvantitativního výzkumu - PowerPoint PPT Presentation


  • 118 Views
  • Uploaded on

UK FHS Historická sociologie, (LS 2010+). Design kvantitativního výzkumu. 2. Část Kauzalita, model vztahů; proměnné; problémy dotazování, konstrukce dotazníku (poslední aktualizace 9.9.2011 ) Jiří Šafr jiri.safr(at)seznam.cz. Struktura. Kauzalita Proměnné

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Design kvantitativního výzkumu' - okalani


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
design kvantitativn ho v zkumu

UK FHS

Historická sociologie,

(LS 2010+)

Design kvantitativního výzkumu

2. Část

Kauzalita, model vztahů; proměnné; problémy dotazování, konstrukce dotazníku

(poslední aktualizace 9.9.2011)

Jiří Šafr

jiri.safr(at)seznam.cz

struktura
Struktura
  • Kauzalita
  • Proměnné
  • Model vztahů, úrovně analýzy, ecological fallacy
  • Dotazník: konstrukce a uspořádání
  • Problémy dotazování
  • Chybně formulované otázky
  • Terénní výzkum
  • Etika výzkumu

DKV část 2

kauzalita

Kauzalita

Hledání příčin v sociálních vědách

soci ln v dy
Sociální vědy

Příčina → následek ?

DKV část 2

korelace a kauzalita
Korelace a kauzalita

Kauzalita = příčinnost, vzájemná příčinná souvislosti mezi jevy

Korelace = vzájemný vztah, souvislost, statistická závislost

Pozor, sama o sobě nevyjadřuje směr vztahů! (příklad: marihuana a škola)

DKV část 2

3 krit ria kauzality p f lazarsfeld
3 kritéria kauzality (P. F. Lazarsfeld)

Většina sociálních vědců považuje dvě proměnné za kauzálně související, tj. jedna způsobuje druhou pokud:

DKV část 2

3 krit ria kauzality
3 kritéria kauzality
  • příčina časově předchází následek,
  • existuje mezi nimi empirická korelace (souběžné změny u obou proměnných),
  • tento vztah není výsledkem působení jiné třetí proměnné na obě původně pozorované proměnné.

Pouze pokud jsou všechny tyto kriteria splněna platí kauzální vztah, jiná kritéria neexistují. [Babbie 1995: 71]

DKV část 2

neadekv tn kriteria kauzality
Neadekvátní kriteria kauzality
  • Dokonalá korelace není kritériem kauzality.

„Výjimky sice nepotvrzují pravidlo, ale ani ho bezpodmínečně nepopírají.“

  • V pravděpodobnostních modelech existují v podstatě vždy výjimky z předpokládaného modelu.

DKV část 2

dva typy p in v pravd podobnostn ch modelech
Dva typy příčin v pravděpodobnostních modelech
  • bezpodmínečně nutná příčina podmínka, která musí být přítomna pro následek, který přijde.
  • dostatečná příčina

podmínka která, pokud je přítomna, bude dostatečně zajišťovat vliv, který uvažujeme.

DKV část 2

korelace neprav p ina
Korelace – nepravá příčina
  • Unique Prediction and Partial Correlation.
  • One would probably find a significant negative correlation between hair length and height in the population (i.e., short people have longer hair). At first this may seem odd; however, if we were to add the variable Gender into the multiple regression equation, this correlation would probably disappear. This is because women, on the average, have longer hair than men; they also are shorter on the average than men. Thus, after we remove this gender difference by entering Gender into the equation, the relationship between hair length and height disappearsbecause hair length does not make any unique contribution to the prediction of height, above and beyond what it shares in the prediction with variable Gender. Put another way, after controlling for the variable Gender, the partial correlation between hair length and height is zero.

DKV část 2

n strahy v dedukci kauzality
Nástrahy v dedukci kauzality
  • Provincionalismus
  • Ukvapené závěry
  • Potlačený důkaz
  • Falešné dilema

DKV část 2

k logice z v r pomoc empirick ho v zkumu reprezentativn ho v b rov ho et en
K logice závěrů pomocí empirického výzkumu – reprezentativního výběrového šetření

V kvantitativním výzkumu (a nejen sociologickém):

  • Nesledujeme jevy přímo ale pomocí zástupného indikátoru - „proměnné (znak)“.V nashromážděných datech popisujeme naměřené hodnoty znaku a nebo hledáme/ověřujeme vztahy mezi více proměnnými
  • To, že pracujeme s proměnnými nám přináší problémy a omezení:1. měření bývá „nepřesné“ z hlediska stavu skutečného jevu (problém validity), mimořádný problém to pak je u zjišťování názorů a postojů → pečlivá operacionalizace(postup jak budeme znaky měřit, zde navíc limitováni pouze na odpovědi zjistitelné skrze dotazník)
  • 2. nemůžeme podchytit a změřit všechny jevy mající potenciální vliv (komplexnost sociální reality) → redukovanýmodel vztahů.
  • Vždy jde o hromadné jevy („vysoká“ četnost ve „velké populaci“), tedy nikoliv o jednotlivé případy.
  • Pravděpodobnostní charakter našich empirických závěrů pak znamená, že s výjimkou kdy máme informace o celé populaci (cenzus), naše závěry učiněné na výběru-vzorku z populace platí s nějakou přijatelnou chybou pro celou populaci, tj. pouze pro tu, ze které jsme prováděli náš výběr (čas, teritorium, sociální skladba).

DKV část 2

z v ry t kaj c se kauz ln ho p soben na z klad v b rov ho dotazn kov ho et en
Závěry týkající se kauzálního působení na základě výběrového „dotazníkového“ šetření

Pokud chceme sledovat kauzální vliv A → B, pak:

- Měříme A a B nezávisle na sobě (v případě dotazníku minimálně dvěma samostatnými otázkami).

- V analýze sledujeme, jak se mění hodnoty znaku A podél hodnot znaku B.

- Chceme-li více než konstatovat souslednost (korelaci) musíme si být jisti, že hodnoty A časově předcházely hodnotám B. Správně bychom tedy měli nejprve měřit hodnoty A v čase T1, a pak v čase T2 hodnoty B (nebo v sub-populacích, které byly a nebyly vystaveny vlivu A). Proto potřebujeme měřit (pozorovat či se dotazovat) v čase. Jistým řešením je sice „retrospektivní“ dotazování, ale to má své limity (značně nereliabilní a nevalidní).

- Statistickými postupy pak odhalujeme či kontrolujeme vliv možných dalších proměnných (ty mohou vztah A → B zprostředkovávat/ potlačovat či jinak modifikovat).

K tomu ovšem potřebujeme tyto další proměnné mít naměřeny v datech → již ve fázi přípravy výzkumu je musíme znát! → napomůže dobrý model vztahů na základě teorie.

  • Průřezový, tzv.Cross-sectional design výzkumusleduje populaci pouze v jednom časovém bodě. V principu tak můžeme zkoumat pouze rozdíly mezi případy/skupinami bez ohledu na jejich proměnu v čase.
  • Pro adekvátní posouzení kauzality je proto vhodný longitudinální panelový design, v němž sledujeme stejné respondenty/případy v čase (→ longitudinální data, časové řady).
  • Retrospektivní dotazování na situaci v minulosti (v rámci cross-sectional) je většinou nespolehlivé či zcela irelevantní (u názorů, postojů, hodnocení).

DKV část 2

slide16
Možnosti a omezení kauzálního usuzování na základě výběrového „dotazníkového“ šetření průřezového (cross-sectional) typu

Nikdy se tedy neptáme v dotazníku v duchu „příčina-následek“jako např.: „Ovlivnilo vzdělání Vašeho otce stupeň vzdělání, kterého jste dosáhl/a?“

Například se ale můžeme v dotazníkovém šetření cross-sectional typu retrospektivně zeptat, jaké bylo vzdělání otce respondenta (čas T1) a sledovat, zda a jak souvisí s dosaženým vzděláním respondenta-potomka (čas T2).

Vyloučíme-li ostatní vlivy, tj. kontrolujeme-li jejich vliv v analýze či v samotném designu výběrového vzorku, (např. ve městech byla úroveň vzdělání otců vyšší a proto tam pravděpodobně bude i více vzdělaných synů/dcer; zde lze mj. uplatnit stratifikovaný výběr: strata rozdělující populaci na 1.-města, 2- vesnice) můžeme usuzovat do jaké míry v dané populaci ovlivnilo vzdělání otců vzdělání jejich potomků.

Ale i tak jsme nevyloučili další zprostředkující vlivy úzce spjaté se vzděláním rodiče jako např. hodnoty, výchovné přístupy, výběr základní školy atd.

A navíc se musíme spolehnout na to, že údaj získaný z výpovědi syna/dcery v době jejich dospělosti o vzdělání otce je pravdivý a přesný (čemuž překvapivě ani v případě vzdělání tak být nemusí). A to si představte, že by nás zajímal vliv ekonomického kapitálu rodiny původu = příjmu rodičů!

Závěry týkající se kauzálního působení učiněné na základě průřezových dat (cross-sectional) jsou vždy jen nepřímé.

DKV část 2

princip ov ov n hypot z

Krátká vsuvka, pro ty kdo to zatím nepochopili

Princip ověřování hypotéz

aneb Co je vlastně ta „korelace“ a proč se nesmím ptát respondentů „přímo na hypotézu“.

princip ov ov n hypot z druh ho du o vztahu prom nn ch a a b
Princip ověřování hypotéz druhého řádu (o vztahu proměnných A a B)

1. naměřím odděleně znak A a znak B, například pomocí dvou otázek v dotazníku

  • Pozor. Tyto znaky musí být provázány, tj. u každého případu (respondenta) musím mít v datovém souboru jedinečnou hodnotu A a B.

2. sleduji zda a jak spolu hodnoty A a B souvisí. Což mohu buď v grafu, tabulce nebo pomocí korelačního koeficientu (obecně koeficientu měřícího asociaci).

A teď si to ukážeme na následujícím příkladu:

DKV část 2

data a ov en vztahu 2 prom nn ch sledov n televize a v k hypotetick p klad
Data a ověření vztahu 2 proměnných: „Sledování televize a věk“ (hypotetický příklad)
  • Výzkumná otázka: Souvisí sledování televize s věkem?
  • Hypotéza: S věkem roste doba strávená před televizní obrazovkou.Nebo také Častěji sledují televizi starší lidé.
  • Operacionalizace (znaků):

A: Sledování televize = počet hodin u televize za běžný den v pracovním týdnu. Měřené pomocí otázky v dotazníkovém šetření (Peoplemetry nemáme  ):

Kolik času celkově strávíte během průměrného všedního dne sledováním televize?

B: Věk= (rok narození – rok výzkumu)

Měřené pomocí otázky v dotazníkovém šetření: V kterém roce jste se narodil/a ?

Pochopitelně bychom se mohli zeptat „Kolik je vám let?“, ale na tomto přístupu lépe vidíte princip operacionalizace.

DKV část 2

data a ov en vztahu 2 prom nn ch hypotetick p klad
Naše data (datový soubor) kde máme proměnné:

A – Věk

B – Sledování TV (v hodinách za den)

Obě naměřené pro každého respondenta zvlášť

Vztah ověříme pomocí bodového X-Y grafu

V něm zakreslíme hodnoty A a B pro každého respondenta

Pouhým pohledem vidíme vzájemný vztah mezi hodnotami A a B.

A to je ta korelace vyjádřená sklonem přímky mezi body (zde r =0,89). Platí, že čím starší je člověk, tím více se dívá na televizi.

Našli jsme tedy poměrně silnou evidenci pro naši hypotézu. (ale pozor, takto jednoduché to v realitě není! O tom více v AKD I. a II.)

Data a ověření vztahu 2 proměnných(hypotetický příklad)

A jak se dozvíme v další části jde o znaky „kardinální“ tedy vyjádřitelné čísly. Existují také znaky povýtce kvalitativní, říkáme jim „nominální“, zde např. pohlaví)

DKV část 2

m en jev a kauzalita
Měření jevů a kauzalita

KATASTROFOU je

„přímé ptaní se“ respondenta na příčinu a následek!

Otázka proč (zejména u motivace) do dotazníku nepatří.

Odpověď musí badatel hledat sám (ve svém modelu vztahů) a ne ptát se na ní rovnou respondenta. → Naměřit hodnoty znaků odděleně a pak hledat vztahy mezi nimi.(viz předchozí příklad Sledování TV a věk)

DKV část 2

m en jev a kauzalita pro to nen v soci ln ch v d ch jednoduch
Měření jevů a kauzalita – proč to není v sociálních vědách jednoduché

Problém příčiny a následku:

  • Temporalita některých jevů a vliv diskurzu v médiích (např. volební preference, „nálada na pracovišti“ po pracovním úraze)
  • Výjimku tvoří „logické“ příčiny (znalost mimo naše data), např. vzdělání → příjem, pohlaví → používání rtěnky, ale důvěra v druhé lidi ↔ důvěra v instituce?

Řešením je ideálně experimentální design, a nebo částečně:

  • Opakování měření (longitudinální design), pokud byl vliv nezávislé proměnné.
  • Retrospektivní dotazování je problematické. Lze pouze u objektivních a pamatovatelných indikátorů (např. vzdělání rodičů)
  • Silná teorie, podpořená předešlými empirickými důkazy

DKV část 2

znak prom nn
Znak – proměnná
  • měřitelný pojem se dvěma nebo více hodnotami
  • symbolické vyjádření vlastností

DKV část 2

znaky mus spl ovat podm nky
Znaky musí splňovat podmínky:
  • Rozlišitelnost - min. 2 hodnoty,
  • Úplnost - ke každému stavu existuje hodnota
  • Jednoznačnost - dvě hodnoty nemohou odpovídat jednomu stavu vlastnosti

DKV část 2

typy znak prom nn ch
Typy znaků – proměnných
  • Nominální
  • Pořadové (ordinální)
  • Intervalové

DKV část 2

nomin ln znak
Nominální znak
  • Kategorie jsou rovnocenné

(na úrovni jmen)

př.: pohlaví, jména, typ rodiny, barva vlasů, profese

DKV část 2

po adov ordin ln znak
Pořadový (ordinální) znak
  • Kategorie lze seřadit do hierarchie
  • Lze se ptát: vyšší/nižší apod., ale ne o kolik

př.: spokojenost, stupeň souhlasu

DKV část 2

intervalov znak
Intervalový znak
  • číselné proměnné

lze se ptát větší/ menší a o kolik

př.: věk, příjem, počet dětí

DKV část 2

dotazn k

Dotazník

konstrukce a uspořádání

dotazn k1
Dotazník?

„Dotazník se v podmínkách postindustriální společnosti stává pomalu ale jistě nepoužitelným monstrem“. [Disman 1993: 87]

  • Co s tím? Vždy než začnete vymýšlet dotazník, ptejte se:
  • Nejsou již data k úloze co chci zkoumat pořízena někým jiným?
  • Je metoda dotazníku jedinou možnou technikou?
  • Obsahuje dotazník vše co potřebuji k zodpovězení RQ (hypotéz) a nic navíc, co by prodlužovalo dotazování?
  • Jak to udělat, aby dotazník respondenty „neobtěžoval“?

DKV část 2

typy ot zek
Typy otázek
  • uzavřené (volba z nabízených odpovědí)
  • otevřené otázky (vlastní formulace)
  • polouzavřené (volba z nabízených odpovědí + možnost odpovědět volně)

DKV část 2

p prava dotazn ku
Příprava dotazníku

1. sestavíme seznam toho, co chceme vědět (dle přípravné fáze výzkumu)

2. první formulace otázek

3. otázky uspořádáme do bloků podle tématických okruhů

DKV část 2

p prava dotazn ku1
Příprava dotazníku

4. upravíme hladké přechody mezi bloky otázek

5. doplníme identifikační otázky a úvodní oslovení

6. pilotáž dotazníku – ověření formulace otázek, srozumitelnost, kategorie odpovědí.

DKV část 2

pravidla uspo d n dotazn ku dramaturgie sledu ot zek
Pravidla uspořádání dotazníku (dramaturgie sledu otázek)

1. záhlaví resp. první stránka: administrativní záležitosti (identifikační číslo)

2. úvodní část:

nejprve širší snadné otázky, které musí respondenta zaujmout a získat jeho důvěru (otázky prolamující ledy)

nezačínat demografickými charakteristikami

DKV část 2

uspo d n dotazn ku
Uspořádání dotazníku

3. střední část:

méně zajímavé otázky

4. pozdější fáze dotazníku – únava respondenta: zajímavé otázky, změna formy dotazování (projektivní otázky, vizuální forma, sémantický diferenciál

DKV část 2

uspo d n dotazn ku1
Uspořádání dotazníku

5. závěrečná fáze: může obsahovat citlivé nebo osobní dotazy, otevřené otázky

6. zcela na závěr: dotazy typu „zeptej se a uteč“

[Jeřábek 1993: 76]

DKV část 2

pravidla pro uzav en ot zky
Pravidla pro uzavřené otázky

1. kategorie musí reprezentovat vyčerpávajícím způsobem všechny možné varianty odpovědí

2. všechny kategorie se musí vzájemně vylučovat, nesmí být možné zařadit se do více kategorií.

DKV část 2

p klad
Příklad

Kolik kategorií bude mít otázka na respondentovo pohlaví?

DKV část 2

slide42
při větším výčtu redukujeme redundantní kategorie do „jiná odpověď“, nejlépe s žádostí o uvedení – vypsání možností

DKV část 2

slide43
Předběžné zavedení širokých kategorií je nebezpečné. Vždy lze redukovat sebraná data, ale obráceně to nejde.
  • rovnoměrnost pozitivních a negativních kategorií

DKV část 2

chybn formulovan ot zky je bek 1993 77 78 orig podle kaneov 1985
Chybně formulované otázky[Jeřábek 1993: 77-78; orig. podle Kaneová 1985]

1. Dvojitá „dvouhlavňová“ otázka (double-barrel question) – otázka vyžadující jednu odpověď o dvou nebo více věcech najednou.

Jste šťasten ve svém manželství a práci?

DKV část 2

chybn formulovan ot zky
Chybně formulované otázky

2. Chybná nabídka odpovědí

Vaše vlasy jsou žluté, purpurové, zelené nebo modré?

DKV část 2

chybn formulovan ot zky1
Chybně formulované otázky

3. Zjišťuje všechno najednou

Vyjmenujte prosím všechny místa, kde jste v posledních pěti letech pracoval, zastávané profese a funkce, váš plat a proč jste odešel/a.

DKV část 2

chybn formulovan ot zky2
Chybně formulované otázky

4. Mlhavá otázka

Chodíte často tančit?

DKV část 2

chybn formulovan ot zky3
Chybně formulované otázky

5. Všeobjímající otázka

Co si myslíte o Středním Východě?

DKV část 2

chybn formulovan ot zky4
Chybně formulované otázky

6. Otázkav žargónu (hantýrce)

Zdá se vám, že váš manžel má sebe-aktualizovanou autonomní strukturu osobnosti?

DKV část 2

chybn formulovan ot zky5
Chybně formulované otázky

7. Hypotetická otázka

Jaký druh vzdělání byste chtěl/a, aby mělo vaše dítě?

DKV část 2

chybn formulovan ot zky6
Chybně formulované otázky

8. Zavádějící otázka

Proč jste Šťastný jako voják základní služby?

DKV část 2

chybn formulovan ot zky7
Chybně formulované otázky

9. Otázka o názoru někoho jiného

Myslíte si, že vaše rodiče potěšila výstavba nové školy?

DKV část 2

chybn formulovan ot zky8
Chybně formulované otázky

10. Otázka výpadkem (předpokládá skutečnost, která však není universální)

1. Kterému investičnímu fondu jste svěřil své kupóny?

2. využijete možnosti odprodeje svých podílů fondu po roce za desetinásobek?

DKV část 2

kategorie odpov d
Kategorie odpovědí
  • kontrolovat rovnoměrnost pozitivních a negativních kategorií

DKV část 2

ter nn v zkum
Terénní výzkum

Přímé pozorování jevu, nejčastěji kvalitativními přístupy v:

  • Zúčastněné pozorování
  • Nezúčastněné (přímé) pozorování
  • Případové studie

[Babbie 1995: 280]

DKV část 2

ter nn v zkum1
Terénní výzkum

DKV část 2

ter nn v zkum anal za
Terénní výzkum - analýza
  • Hledáme:

podobnosti a rozdíly, normy chování, univerzálie.

  • Analýza - vzorce podobností a rozdílů interpolace těchto vzorců
  • V porovnání s experimentem či reprezentativním šetřením:

více validity, méně reliability, nelze zobecňovat

DKV část 2

etika v zkumu
Etika výzkumu

Etická dilemata:

  • Dobrovolná účast
  • Ochrana subjektů před poškozením
  • Anonymita a důvěrnost
  • Identita výzkumníka - podvádění subjektů
  • Poctivost v analýze dat a prezentaci výsledků

[Babbie 1995: 448]

DKV část 2

literatura
Literatura
  • Babbie, E. (1995). The Practice of social Research. 7th Edition. Belmont: Wadsworth
  • Disman, M. (1993): Jak se vyrábí sociologická znalost. Praha: Karolinum
  • Jeřábek, H. (1993): Úvod do sociologického výzkumu. Praha: Karolinum

DKV část 2