Föreläsning Kvantitativa Metoder II HT2023

INSTITUTIONEN FÖR SOCIALT ARBETE
KVANTITATIV FORSKNINGSMETOD II
KARIN STINESEN, PH.D

Universitetslektor
Institutionen för socialt arbete
KVANTITATIV FORSKNINGSMETOD II
KARIN STINESEN, PH.D

Universitetslektor
Institutionen för socialt arbete
INSTITUTION FÖR SOCIALT ARBETE
Upplägg
• Återkoppling på enkätfrågor
• Univariat statistik
– Frekvenser
– Centralmått och spridningsmått
• Bivariat statistik
– Korstabell
• Hypotestest
– Chi-2
– Phi, Kramers V
• Examination
Återkoppling enkätfrågeformulering
• Forskningsfråga/hypotes ska innehålla TVÅ variabler (en
oberoende, en beroende).
– Finns det en relation mellan kön och att extrajobba bland studenter på
socionomprogrammet?
– Äter studenter med hemmaboende barn hemma oftare frukost än
studenter utan hemmaboende barn?
• Det ska tydligt framgå vad man ska jämföra

– Studenter som bor utanför Göteborg har lägre närvaro än studenter som
bor i Göteborg.
– Studenter som äter frukost upplever mindre stress jmf med studenter
som inte äter frukost.
• Var uppmärksam på om dina undersökningsfrågor och
hypoteser är tydliga/konkreta.
– Är studenter med mindre stress bättre studenter?
– Studenter som upplever mindre stress närvarar på flera föreläsningar.
• Keep it simple – stanna vid 2 variabler.

– De som arbetar under utbildningen har vant sig vid en högre inkomst
än vad aktuellt studiestöd motsvarar och därför arbetar i högre
utsträckning
• Röstade du till vänster eller höger i föregående val?
– à Vad är vänster respektive höger? (tex Piratpartiet, Sjukvårdspartiet)
– Två frågor i en
Variabler och datanivåer
Nominaldata Intervalldata
Ordinaldata
Kvotdata

• Nominalvariabler (kvalitativa, kategorier)
– Kan inte ordnas: Kön (man) (kvinna)
– Kan inte ordnas: Transport (bus) (cykel) (bil) (promenerar) (annat)
– Medelvärdet har ingen betydelse
• Ordinalvariabler (kvalitativa, kategorier)
– Kan rangordnas: utbildningsnivå (ingen) (grundskola) (gymnasium)
(högskola)
– Den kvantitativa skillnaden mellan nivåer är ojämn (vet inte avståndet
mellan svarskategorierna)
– Medelvärdet har ingen betydelse
• Intervall och kvotvariabler (kvantitativa)
– Intervallvariabler: avståndet mellan mätpunkterna är jämnt, har ingen
meningsfull nollpunkt (noll grader är inte lika med brist på temperatur)
– Kvotvariabler har en nollpunkt som är meningsfull (vikt, ålder,
räknevariabler)
– Medelvärdet är ett meningsfullt mått
En variabels datanivå påverkar de analyser som

är möjliga
Univariatanalys Bivariatanalys
Vilka diagram Vilken statistik Relation Hypotestest,
kan man göra? kan man göra? mellan styrka
variabler,
skillnader
mellan
grupper
Nominal Stapeldiagram, Frekvenser: Korstabell Chi2, Phi
(kval) tårtdiagram antal, procent Cramer’s V
Ordinal Stapeldiagram, Frekvenser: Korstabell Chi2, Phi
Intervall/ Histogram Centralmått, Korrelations- Korrelations-
Kvot spridningsmått analys analys
(kvant)

är möjliga
Diagram Statistik Relation Hypotestest,
mellan styrka
variabler,
skillnader
mellan
grupper
Skala Histogram Centralmått, Korrelations- Korrelations-
(kvant) spridningsmått analys analys

är möjliga
mellan styrka
variabler,
skillnader
mellan
grupper

är möjliga
Vilka diagram Vilken statistik Relation Hypotestest,
kan man göra? kan man göra? mellan styrka
variabler,
skillnader
mellan
grupper
Intervall/ Histogram Centralmått, Korrelations- Korrelations-
Kvot spridningsmått analys analys
(kvant)
Variabel och datanivå – exempel med ålder

1) Hur gammal är du? ❏ Under 20
❏ Mellan 20 och 50
❏ 51 eller äldre
2) Gillar du katter? ❏ ja
❏ nej
3) Vilken färg har din bil? ❏ Blå ❏ Vit

❏ Grön ❏Svart
❏ Röd ❏ Orange
❏ Gul
4)Hur gammal är du?______________________.
• Man kan alltid omvandla en variabel som är mätt på ett mer

nyanserat sätt till en grövre indelning (dvs från kvotnivå till
ordinal- eller nominalnivå)
• Men! det går inte att göra en grovmätning mer precis (dvs
omvandla en nominalvariabel eller ordinalvariabel till en
kvotvariabel). Tex en ja / nej-fråga till något mer avancerat
• Tex om alla angett sin ålder så har man ålder i antal år som man
kan gruppera ihop och göra till flera kategorier (åldersgrupper)
eller man kan dikotomisera, tex ≥ 50 år och under 50år.

är möjliga
mellan styrka
variabler,
skillnader
mellan
grupper
Deskriptiv (beskrivande) statistik för kvalitativa

variabler - frekvenser
• Antal
– Beskriver hur många föremål av någon typ som under vissa villkor existerar.
– Betecknat med n
• Procent
– Synonymt med hundradel och uttrycket per hundra. En hundradel kan skrivas
1/100 eller 0,01 eller 1 %. Uttrycker alltså andelar.
!
– ∗ 100 (x = våra observationer i en kategori; n = alla observationer)
"
– Tex:
#$
– ∗ 100
#%&
– 0,08 *100
– 8%
Tabeller, diagram och deskriptiv statistik –

kvalitativa variabler
Tabeller och diagram:
• Ska vara tydliga och koncisa
• Ska snabbt kommunicera viktiga trender i data
Deskriptiv statistik:
• Används för att förstå fördelningar i data (ex antal av något i ett
stickprov)
• Används för att kommunicera huvudegenskaper i data –
effektivt!
Exempel på tabell
Ålder uttryckt som åldersgrupp

Åldersgrupp Antal (n)
0-9 år 19
10-19 33
20-29 17
30-39 22
40-49 17
50 år eller äldre 3
Exempel på stapeldiagram
35
30
25
20
15
10
0
0-9 år 10-19 år 20-29 år 30-39 år 40-49 år 50 år eller äldre
Antal
Exempel på stapeldiagram forts.

60
50
40
30
20
10
0
20 år eller yngre 20 - 39 år 40 år eller äldra
Antal
Exempel på tårtdiagram
Yrken
Admin Florist Polis Student Väkter Brevbärare

Kock Engenjör Psykolog Socionom Hemma fru Annat
Exempel på tårtdiagram
Yrken
Admin
21,25 21,25
Florist
3,75
Polis
25,00
28,75
Student
Annat
Tabeller och diagram
• Anta inte att dina tabeller eller diagram är tillräckligt bra på första
försöket.
• Glöm inte att tabeller och diagram är för att presentera
huvudmönster (eller brist på mönster) i data.
• Glöm inte rubriker – utan tydliga rubriker och benämning av olika
delar (kategorier, enheter tex antal/procent) i tabeller eller
diagram kommer ingen kunna tolka dem.
• För denna kursen: håll er till 2x2 eller 2x3 tabeller

är möjliga
mellan styrka
variabler,
skillnader
mellan
grupper

är möjliga
mellan styrka
variabler,
skillnader
mellan
grupper
Deskriptiv statistik Kvotvariabler –

Läges/Centralmått och spridningsmått
• Lägesmått/Centralmått (kvantitativa variabler)
– Medelvärde
– Typvärdet (det vanligaste värdet)
– Medianen (det mittersta värdet)
• Spridningsmått (kvantitativa variabler)
– Variationsvidd (spridning, range)
– Standardavvikelse
Hur många ggr i veckan köper du kaffe?

Individ Svar
1 1
2 1
3 2
4 3
5 3
6 5
7 5
8 5
9 6
10 7
11 7
12 7
13 7
14 9
15 9
Centralmått (kvantitativa variabler)

• Medelvärde = genomsnitt av alla observationer
'!
– 𝓃
– T ex. har vi 15 observationer (hur många ggr köpte du kaffe förra veckan)
– 1, 1, 2, 3, 3, 5, 5, 5, 6, 7, 7, 7, 7, 9, 9
– 1 + 1 + 2 + 3 + 3 + 5 + 5 + 5 + 6 + 7 + 7 + 7 +7 + 9 + 9
– 77 / 15 = 5,13
• Typvärdet (mode) = svaret som flest gav

– 2 individer svarade 1, 1 svarade 2, 2 svarade 3…
à7
• Medianen = när observationer placeras i rangordning är

mittpunkten
à5
Spridningsmått
• Variationsvidd (spridning, range) = maximivärdet – minimivärdet
– xmax – xmin
– 1, 1, 2, 3, 3, 5, 5, 5, 6, 7, 7, 7, 7, 9, 9
à9–1=8
• Standardavvikelse = mäter spridningens storlek

- förenklat: den genomsnittliga avvikelsen från medelvärdet
(endast för symmetriskt fördelade variabler)
Läges/Centralmått och Spridningsmått

• Hur många ggr köpte du kaffe förra veckan?
– Medelvärdet (𝑥) = 5,13
– Typvärdet = 7
– Medianen = 5
– Variationsvidd = 8 (1-9)
– Standardavvikelse (s) = 2,64
– n=15
Smakprov: SPSS Output


är möjliga
mellan styrka
variabler,
skillnader
mellan
grupper
Nominal Stapeldiagram, Frekvenser: Korstabell Chi2
(kval) tårtdiagram antal, procent Cramer’s V,
Phi
Ordinal Stapeldiagram, Frekvenser: Korstabell Chi2
(kval) tårtdiagram antal, procent Cramer’s V,
Phi
Bivariat statistik - data

Kön och om man har varit i en bilolycka (n =89)
Individ Kön Bilolycka
1 man ja
2 man nej
3 man nej
4 man ja
5 man nej
…
85 kvinna ja
86 kvinna ja
87 kvinna nej
88 kvinna nej
89 kvinna ja
Korstabeller – 2 x 2
Korstabell av kön och bilolyckor
Män Kvinnor
Tidigare bilolycka 30 14
Ingen tidigare bilolycka 20 25
Korstabell av kön och bilolyckor (n=89)

Män Kvinnor
n=50 n=39
Tidigare bilolycka (n=44) 30 14
Ingen tidigare bilolycka 20 25
(n=45)
Kvinnor är involverade i bilolyckor oftare än

män
Korstabell över kön och bilolyckor (n=89)
Män Kvinnor
Tidigare bilolycka 30 14
60% 35,9%
Ingen tidigare 20 25
bilolycka 40% 64,1%
Total 50 39
100% 100%
ORGANISATIONSNAMN (ÄNDRA SIDHUVUD
VIA FLIKEN INFOGA-SIDHUVUD/SIDFOT)
Exempel: 2x2 tabell i SPSS

Exempel: 2x3 tabell i SPSS

Population vs urval (stickprov)
• Population
– En population är en hel grupp som har minst en egenskap gemensamt
– En population går att definiera utifrån egenskaper
– En population är en grupp som man tar ett urval (stickprov) från
• Urval/Stickprov
– Ett urval är en del av en population
– Teoretiskt speglar urvalet de egenskaper som finns i populationen
– I statistik använder man sig av urvalsdata/stickprovsdata (data samples) för
att uttala sig om populationen
Population vs urval (stickprov)
Vi vill undvika så gott det går att vårt resultat blir påverkat av dolda
egenskaper i populationen eller i urvalet
• Definiera populationen väl i forskningsfrågan

• Beskriv urvalstypen väl och de individer som ingår i urvalet
– Fråga dig själv: Är det rimligt att urvalet speglar populationen?
– Ställ frågor om de egenskaper som utifrån teori kan påverka utfallet
(resultatet)!
– Vilka risker för bias finns? Försök vara objektiv! Ta hjälp!
Bias – ett systematiskt fel någonstans i
forskningsprocessen som kan orsaka ett
missvisande resultat
• Finns olika situationer som kan orsaka bias:
– Dolda/okända bakgrundsfaktorer/Förväxlingsfaktorer (tex att man tror det
är ett samband mellan Utbildningsnivå och Framtidstro men egentligen är
det Självförtroende som påverkar Framtidstro.
– Bortfall (tex om man vill studera deprimerade men endast icke-
deprimerade deltar/fullföljer studien)
– Felklassificering (Deltagarna kryssar i “fel” svar, tex pga dåligt utformad
fråga)
– Analysfel (Forskaren gör fel beräkningar/analyser och tolkningar)
Bortfall
• Bortfall påverkar urvalet och sker när individer faller bort från
studien.
• I studier med bara en mätpunkt sker det oftast när
– Utvalda individer väljer att inte delta i undersökningen
– Deltagarna väljer att inte svara på alla frågor på en enkät
• En viktig fråga när det gäller bortfall är om de som inte svarade

(avböjde medverkan) liknar de individer som svarade.
• I en kvantitativ studie ska man alltid rapportera bortfall.
Hypotestest – Chi2
Hypotestest – Chi2
• Chi-square (kaj-square), Chi2, 𝜲2
• Förenklat: Testar om det finns skillnader mellan grupperna (=testar
sannolikheten att antalet svar som man får i sina data kan förväntas
om det inte finns någon relation i populationen)
• Används med kvalitativa data (frekvenser) där antal kategorier är
små (2-3), chi-square är svår att tolka när korstabellerna blir för
stora.
• Skillnaden mellan insamlade data och frekvenser som skulle
förväntas om noll-hypotesen är sann är ”hjärtat” i analysen. Ju
större skillnaden mellan de förväntade frekvenserna och de
observerade frekvenserna är, desto större blir Chi-2-värdena.
• Känsligt test för små stickprov (få observationer).
INSTITUTION FÖR SOCIALT ARBETE)
Fel vid hypotesprövning
• Typ I-fel
– När vi drar slutsatsen att det finns en (statistiskt signifikant) relation
mellan variabler/skillnad mellan grupper när det inte finns någon skillnad i
populationen.
– ”alfa” (𝛂)
• Typ II-fel
– När vi drar slutsatsen att det inte finns en (statistiskt signifikant) relation
mellan variabler/skillnad mellan grupper när det finns en skillnad i
populationen.
– ”Beta” (β)
P-värde
P-värde Tolkning
<0,2 <20% sannolikhet att vi skulle få dessa

data/resultat om noll-hypotesen är
sann
< 0,05 <5% sannolikhet att vi skulle få dessa
sann
< 0,01 <1 % sannolikhet att vi skulle få dessa
sann
< 0,001 <0,1 % sannolikhet att vi skulle få
dessa data/resultat om noll-
hypotesen är sann
Chi-2 (Chi-square)
Antal/% Killar Tjejer Total

Vill arbeta som socialarbetare (n) 17 98 115
Vill arbeta som socialarbetare (%) 20,2% 73,7 % 53,0 %
Vill inte arbeta som socialarbetare (n) 67 35 102
Vill inte arbeta som socialarbetare (%) 79,8 % 26,3% 47,0 %
Total (n) 84 133 217
Total (%) 100 % 100 % 100 %
Chi-2 (Chi-square)
• Studie: Finns det en relation mellan kön och önskan att vara
socialarbetare?
• Hypotes: Tjejer vill i större utsträckning än killar arbeta som
socialarbetare.
• Chi-square: Liknar de observerade data det som vi skulle
förvänta oss om inte en relation finns mellan variablerna?
("#$%&'%&() *&%+'%,$ -.ö&'ä,1() *&%+'%,$))
• ∑
.ö&'ä,1() *&%+'%,$
Chi-2 (Chi-square), Phi, och Cramer’s V
Om resultatet är statistiskt
signifikant vid Ch-2-testet, då är
det intressant att i nästa steg
kolla relationens styrka. Det
görs med Phi & Cramer’s V-test.
Chi-2 (Chi-square) – tolkning av resultat
Chi-square värdet var 59,03 och var signifikant (p < 0,001).

Således finns det en relation mellan kön och önskan att vara
socialarbetare. Tolkningen av detta resultat är att jämfört med
pojkar önskade tjejer i större utsträckning arbeta som
socialarbetare.
Så här kan det också skrivas: Det finns en signifikant könsskillnad

i önskan att vara socialarbetare bland gymnasieelever (chi-square
= 59,03, p < 0,001). Jämfört med pojkar önskade tjejer i större
utsträckning arbeta som socialarbetare.
Viktigt om Chi-2 (Chi-square)
• Ska inte användas med data på intervall/kvotnivå (kvantitativa

data).
• Ska inte användas när förväntade frekvenser är mindre än 5
(men man kan göra vissa undantag i ca 20%).
• Varje individ (observation) får bidra bara en gång.
Till sist: ett exempel från frågeställning till

hypotestestning
• Du är en skolkurator och har insett att vissa barn har problem i

skolan. Dessa barn slåss medan andra barn inte gör det.
• Enligt priming-teori kan individer som exponeras för våld
utveckla våldsamt beteende.
• Skolan gör en undersökning då de vill se om spelandet av
våldsamma videospel påverkar barnens benägenhet att slåss.
Om undersökningen visar ett samband har skolan för avsikt att
hålla en informationskväll för föräldrarna kring relationen mellan
våldsamt beteende och våldsamma videospel.
Hypotes
H0: Det finns ingen relation mellan exponering för våldsamma
videospel hemma och benägenhet att slåss i skolan.
H1: Barn som exponeras för våldsamma videospel hemma är mer

benägna att slåss i skolan än barn som inte exponeras för
våldsamma videospel hemma.
Oberoende/beroende variabler?
Datanivå?
Relation mellan favoritvideospel och beteende i skola

Våldsamma videospel Ej våldsamma
videospel
Barn som slåss 40 (73 %) 30 (30 %)
Barn som ej slåss 15 (27 %) 70 (70 %)
Total 55 (100 %) 100 (100 %)
Hänger ni med?
• Oberoende och beroende variabler

• Hypotes och dess relation till oberoende/beroende variabler
samt enkätfrågor
• Frekvenser: antal, procent
• Läges/Centralmått och spridningsmått
• Korstabeller
• Hypotestest: p-värde, Chi-2
• Relationsstyrka: Cramer’s V, Phi
Examination
• Följ instruktionerna för tentamen

• 17 frågor om begrepp
• 5 frågor med beräkningar och tolkning av resultat I SPSS
Ex. SPSS - litet

dataset
Variable view
Ex. SPSS - litet

dataset – Data view
Ex. SPSS – lite större

dataset
Tack för idag!
• Frågor?
Normalfördelning
Medelvärdet INSTITUTIONEN FÖR SOCIALT ARBETE
(Tex 180cm)
Normalfördelning
(Tex 180cm)
Normalfördelning
(Tex 180cm)
Standardavvikelsen=10 cm
Normalfördelning
(Tex 180cm)
Normalfördelning
+1/-1 SD = 170-190cm
(Tex 180cm)
Normalfördelning
+1/-1 SD = 170-190cm
+2/-2 SD = 160-200cm
(Tex 180cm)
Normalfördelning
+1/-1 SD = 170-190cm
+4/-4 SD=140-220cm +2/-2 SD = 160-200cm

(Tex 180cm)
Normalfördelning
+1/-1 SD = 170-190cm (2/3 av alla svar finns här)
+4/-4 SD=140-220cm +2/-2 SD = 160-200cm (95% av alla svar finns här)

Föreläsning Kvantitativa Metoder II HT2023

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Föreläsning Kvantitativa Metoder II HT2023

Uploaded by

Copyright:

Available Formats

INSTITUTIONEN FÖR SOCIALT ARBETE

KARIN STINESEN, PH.D

KARIN STINESEN, PH.D

• Det ska tydligt framgå vad man ska jämföra

• Keep it simple – stanna vid 2 variabler.

Variabler och datanivåer

Variabler och datanivåer

Variabler och datanivåer

En variabels datanivå påverkar de analyser som

En variabels datanivå påverkar de analyser som

En variabels datanivå påverkar de analyser som

En variabels datanivå påverkar de analyser som

Variabel och datanivå – exempel med ålder

3) Vilken färg har din bil? ❏ Blå ❏ Vit

Variabler och datanivåer

• Man kan alltid omvandla en variabel som är mätt på ett mer

En variabels datanivå påverkar de analyser som

Deskriptiv (beskrivande) statistik för kvalitativa

Tabeller, diagram och deskriptiv statistik –

Ålder uttryckt som åldersgrupp

Exempel på stapeldiagram forts.

Admin Florist Polis Student Väkter Brevbärare

Tabeller och diagram

En variabels datanivå påverkar de analyser som

En variabels datanivå påverkar de analyser som

Deskriptiv statistik Kvotvariabler –

Hur många ggr i veckan köper du kaffe?

Centralmått (kvantitativa variabler)

• Typvärdet (mode) = svaret som flest gav

• Medianen = när observationer placeras i rangordning är

• Standardavvikelse = mäter spridningens storlek

Läges/Centralmått och Spridningsmått

Smakprov: SPSS Output

En variabels datanivå påverkar de analyser som

Bivariat statistik - data

Korstabell av kön och bilolyckor (n=89)

Kvinnor är involverade i bilolyckor oftare än

Exempel: 2x2 tabell i SPSS

Exempel: 2x3 tabell i SPSS

Population vs urval (stickprov)

Population vs urval (stickprov)

• Definiera populationen väl i forskningsfrågan

• En viktig fråga när det gäller bortfall är om de som inte svarade

Fel vid hypotesprövning

<0,2 <20% sannolikhet att vi skulle få dessa

Antal/% Killar Tjejer Total

Chi-2 (Chi-square), Phi, och Cramer’s V

Chi-2 (Chi-square) – tolkning av resultat

Chi-square värdet var 59,03 och var signifikant (p < 0,001).

Så här kan det också skrivas: Det finns en signifikant könsskillnad

Viktigt om Chi-2 (Chi-square)

• Ska inte användas med data på intervall/kvotnivå (kvantitativa

Till sist: ett exempel från frågeställning till

• Du är en skolkurator och har insett att vissa barn har problem i

H1: Barn som exponeras för våldsamma videospel hemma är mer

Relation mellan favoritvideospel och beteende i skola

• Oberoende och beroende variabler

• Följ instruktionerna för tentamen

Ex. SPSS - litet

Ex. SPSS - litet

Ex. SPSS – lite större

Tack för idag!

+4/-4 SD=140-220cm +2/-2 SD = 160-200cm