İstatistiksel Analizler
Veriler toplandıktan sonra istatistiksel analizler yapılabilir, böylece araştırmacı tarafından öne sürülen hipotezler objektif olarak test edilebilir. Çoğu araştırma araştırmasında iki tür istatistik kullanılır:
1. Tanımlayıcı istatistikler
2. Çıkarımsal istatistikler
Tanımlayıcı istatistikler, veri setinin özelliklerini tanımlar veya özetler. Örneğin, üniversite sporcularında üç farklı antrenman tekniğinin aerobik dayanıklılık üzerindeki etkileriyle ilgilendiğimizi varsayalım. Her koşul altındaki her katılımcı eğitiminin puanlarını tanımlamak yerine, ortalamayı bildirerek her koşuldaki katılımcıların ortalama puanlarını tanımlayabiliriz.
Ardından, standart sapmayı bildirerek her bir puan kümesinde ortalama etrafında ne kadar değişkenlik bulunduğunu tanımlayabiliriz. Tanımlayıcı istatistikler, çok fazla hipotezi test etmemize izin vermez, ancak araştırmacıya yararlı tanımlayıcı bilgiler sağlar ve her zaman herhangi bir araştırma makalesinde rapor edilmelidir.
Çıkarımsal istatistikler çok daha karmaşıktır ve bu konunun kapsamı başlar. Hipotezleri test etmek ve daha büyük bir popülasyon için bir örneklem hakkında çıkarımlarda bulunmak için kullanılırlar. Önceki örneği kullanarak, varyans analizi testi olarak bilinen bir test kullanarak bir kolej sporcusu örneğinde aerobik dayanıklılığı geliştirmek için en etkili antrenman tekniğinin hangisi olduğunu belirleyebilirim.
Atlet örneğinin daha büyük bir popülasyonu temsil ettiği varsayıldığından, bu testin sonuçları daha sonra tüm kolej sporcularını içeren daha büyük bir popülasyona genelleştirilebilir.
Çıkarımsal istatistiksel testlerin uygulanmasından elde edilen sonuçlar, araştırma hipotezlerini ya destekleyecek ya da çürütecektir. Öğrenciler hipotezlerini test etmek için istatistiksel analizleri ilk kez kullandıklarında, analiz sonuçlarının hipotezlerinin doğru olduğunu kanıtladığını önermek genellikle onlara cazip gelir. Ancak, bilimsel açıklamalar her zaman geçicidir. Sık sık değiştirilirler ve güncellenirler. Nitekim bilimin güzelliklerinden biri de kendi kendini düzeltmeye açık olmasıdır.
Bu nitelik nedeniyle, dikkatli olunması ve sonuçlar beklenen yönde ise yalnızca bir hipotez için destek önermek tavsiye edilir. Benzer şekilde, sonuçlar beklenen yönde değilse, sonuçlar kanıt oluşturmak için yeterli olmasa da bir hipotez reddedilebilir. Farklı türde çıkarımsal istatistiklerin kapsamı başlar ve çalışmanın geri kalanında çeşitli testler tartışılır.
Çizim Sonuçları
Araştırma sürecinin son aşaması, sonuçların, sorunun üretildiği literatürle ilişkilendirilmesini ve soruşturmada ne olduğuna dair net bir açıklama sunmaya çalışmayı içerir. Bir hipotezi destekleyen araştırma bulgularını açıklamak nispeten basit bir görev olsa da, beklenmedik sonuçları açıklamak biraz daha zordur.
Sonuçların bir araştırma hipotezini destekleyip desteklemediğine bakılmaksızın, sonuçları açıklamak konu hakkında sağlam bir bilgi birikimi gerektirir. Bunun nedeni, araştırmacıların bulgular için sıklıkla alternatif açıklamalar düşünmeleri gerektiği ve bu nedenle açıklamalarının tek olasılık olmadığı konusunda dikkatli olmaları gerektiğidir. Bu aşama ve soru üretme aşaması, araştırmacının detaylı bilgisinin ve yaratıcılığının en çok talep edildiği aşamadır.
Bu kitabın içeriğine geçmeden önce, ilgi alanınızdaki istatistiğin rolü hakkında bilgi sahibi olmanız yararlı olabilir. Bu konuda size yardımcı olması için aşağıdaki alıştırmayı tamamlamanız önerilir.
Tanımlayıcı İstatistikler
Çoğu araştırma sorusunu yanıtlamaya çalışırken, genellikle bireysel katılımcının ilgilenilen değişkenler üzerindeki puanlarını temsil eden büyük miktarda veri toplamak yaygındır. Örneğin, kalp ameliyatı geçirmiş hastaların iyileşmesine yardımcı olabilmek için egzersiz araştırmacıları, yaş, önceki egzersiz alışkanlıkları ve bir kardiyak rehabilitasyon programına bağlılık konusunda özgüven gibi faktörlerin ne kadar önemli olduğunu bilmekle ilgilenebilirler.
Bu değişkenlerin uyum üzerindeki etkisini incelemek için öncelikle her bir katılımcının yaşı, önceki egzersiz alışkanlıkları ve özgüveninin yanı sıra rehabilitasyon programına bağlılık ölçümlerini elde etmemiz gerekir.
Ancak, ilgilenilen değişkenler üzerindeki her bir bireysel puanla uğraşmak yerine, verileri iyileştirmek ve yönetilebilir bir forma indirgemek için veri indirgeme teknikleri kullanılacaktır. Bu, her bir katılımcının puanlarına atıfta bulunmak yerine, bir bütün olarak örneklem hakkında özet ifadeler yapmamızı sağlar. Bu nedenle, tanımlayıcı istatistiklerin büyük miktarda verinin kısa bir tanımını sağlamayı amaçladığını görebiliriz.
Bunun ne anlama geldiğini göstermek için, egzersizle ilgili daha az karmaşık bir örneği ele alalım. Yerel bir üniversitedeki öğrencilerin egzersiz davranışlarıyla ilgilenen bir araştırmacı, kullanım alışkanlıklarını belirlemek için üniversite sağlık kulübünü düzenli olarak kullanan bir öğrenci örneğine bir anket dağıttı.
Veriler, araştırmacı tarafından toplanan bilgilerin bir bölümünü temsil eder ve bir öğrenci örneğinin öğrenci sağlık kulübünde aerobik egzersiz derslerine ayda kaç kez katıldığını gösterir. 19 öğrenciden oluşan bir örneklem, araştırmacıya egzersiz davranışları hakkında bilgi verdi. İstatistikte gözlem sayısı n harfi ile gösterilir.
Bu ham formda gösterildiği için, verilerin herhangi bir özelliğini anlamak ve insanların ne sıklıkla aerobik egzersiz yaptığına dair soruları yanıtlamak zordur. Yararlı bir süreç, gözlemleri en küçüğünden en büyüğüne doğru sıralamaktır. Bu işlem dizi denilen şeyi üretecektir.
Bu düzenlemeden, bu veri setindeki puanların 1 ile 13 arasında değiştiği kolayca görülebilir. Dolayısıyla, bir öğrencinin yaptığı minimum egzersiz miktarının ayda bir aerobik seansı olduğu ve maksimum egzersiz sayısının bir aerobik seansı olduğu sonucuna varılabilir. üstlenilen oturumlar 13’tür. Bu aralık, en yüksek puan eksi en düşük puan artı bire eşittir. Artı birin nedeni, bu aralığın hem en yüksek hem de en düşük puanları içermesidir.
Gözlem sayısını bilmek (n = 19) ve bu puanların dağılımının kaba bir ölçüsüne sahip olmak (aralık = 13) faydalıdır, ancak verilerin doğru bir kısa tanımını sağlamak için yeterli değildir. Örneğin, 19 puanın bu 13 aralığına nasıl dağıldığına dair herhangi bir gösterge sağlamazlar.
Ayrıca, çoğu öğrencinin ayda bir veya iki kez, ayda 12 veya 13 kez sadece birkaç egzersizle mi yoksa çoğu ayda bir veya iki kez sadece tembel birkaç egzersizle ayda 12 veya 13 kez mi egzersiz yaptığı bilinmiyor. Egzersiz sıklığının bu 13 aralığına nasıl dağıldığını bulmak için verilerin frekans dağılımı olarak bilinen şekilde sınıflandırılması gerekir.
Bu görevi üstlenmek için puan aralığı, düşük katılımdan yüksek katılıma kadar değişen bir dizi farklı sınıfa bölünmelidir. Daha sonra, bir sıklık dağılımı üretmek için her belirli katılım düzeyine düşen puanların sıklığı sayılabilir.
Frekans dağılımı
Eğer veri birkaç sınıfa bölünecekse, yapılacak ilk şey kaç tane sınıf olması gerektiğine karar vermektir. Aslında bu sürece yön verecek bir kural yoktur. Ancak, ne kadar çok sınıf varsa, her sınıfın genişliğinin o kadar dar olduğu açık olmalıdır. Bu örnekte sınıf sayısının 7 olmasına karar verdik. Sınıf sayısı k harfi ile gösterilir.
Ortaya çıkan 1.86 sınıf genişliği, frekans dağılımı elle yapılacaksa, başa çıkmak için garip bir sayıdır. Neyse ki, sınıf sayısı keyfi olduğu gibi, en alt sınıfa başlanacağı ve son sınıfın biteceği nokta da keyfidir. Örneğin, en düşük puan olan 1’den başlayıp en büyük puan olan 13’te bitirmek yerine, bunu başlangıç noktası 1 ve bitiş noktası 14 olacak şekilde değiştirebiliriz. Bu, sınıf genişliğinin bir tam sayı olmasını sağlayacaktır.