Cognitive Connie
Förstå dataanalys och statistik
Att samla in data är bara halva arbetet. De siffror och berättelser som forskare samlar in har ingen mening förrän de analyseras, tolkas och sätts i sammanhang — och de konceptuella verktyg som används för den analysen avgör vilka slutsatser som kan och inte kan dras.
Nyckelpersoner
Karl Pearson
1857–1936Brittisk statistiker som utvecklade Pearsons produktmomentkorrelationskoefficient (r) 1896 — fortfarande det mest använda måttet på linjärt samband i psykologi. Pearson utvecklade också chi-två och principalkomponentanalys och lade grunden för den kvantitativa statistiska ansatsen som dominerar 1900- och 2000-talspsykologin.
Ronald Fisher
1890–1962Introducerade nollhypotessignifikanstestning (NHST) och p < .05-tröskeln som blev de facto-standard för psykologi. Fisher utvecklade ANOVA, F-testet och det konceptuella ramverket för nollhypotesen. Hans Statistical Methods for Research Workers (1925) och The Design of Experiments (1935) var driftsmanualerna för 1900-talets empiriska vetenskap — och källan till p-värdesramverket som nu är allestädes närvarande och kraftigt ifrågasatt.
Jacob Cohen
1923–1998Statistiker som i en banbrytande undersökning 1962 visade att de flesta publicerade psykologistudier var drastiskt underutrustade — typiskt under 50 % styrka för medelstora effekter. Cohens Statistical Power Analysis for the Behavioral Sciences (1969/1988) formaliserade effektstorlekskonventioner och gav matematiska verktyg för styrkeanalys. Hans artikel "The earth is round (p < .05)" från 1994 pläderade för effektstorlekar och konfidensintervall framför p-värden.
Nyckelbegrepp
Kvantitativa data
Data bestående av tal — frekvenser, poäng, mätningar, betyg — som kan analyseras statistiskt. Möjliggör objektiv jämförelse mellan grupper, hypotestestning och generalisering via inferensstatistik. Genereras av slutna enkätitems, reaktionstidsuppgifter, fysiologiska mätningar, strukturerade observationer med frekvensräkning och standardiserade test.
Kvalitativa data
Data bestående av icke-numerisk information — ord, beskrivningar, teman, berättelser — typiskt analyserade genom tematisk analys, innehållsanalys, grundad teori eller tolkande fenomenologisk analys (IPA). Ger djup, nyans och inblick i mening och erfarenhet som kvantitativa data inte kan fånga. Genereras av öppna intervjuer, öppna enkätfrågor, fallstudier och naturalistiska observationer.
Korrelation
Ett statistiskt samband mellan två variabler: när en förändras tenderar den andra att förändras i en konsekvent riktning. Positiv korrelation: båda ökar tillsammans. Negativ korrelation: när en ökar minskar den andra. Nollkorrelation: inget systematiskt linjärt samband. Korrelationer beskriver associationer men fastställer inte orsak — påverkningsriktningen är okänd, och båda variablerna kan drivas av en tredje.
Korrelationskoefficient (r)
Ett standardiserat mått på styrkan och riktningen hos ett linjärt samband mellan två variabler, sträckande sig från −1,00 till +1,00. Tecknet indikerar riktning; det absoluta värdet indikerar styrka (närmare 1 = starkare; närmare 0 = svagare). Cohens riktmärken: |r| ≈ 0,1 litet, |r| ≈ 0,3 medelstort, |r| ≈ 0,5 stort.
Korrelation ≠ kausalitet
Tre skäl förhindrar en korrelation från att fastställa kausalitet. Omvänd kausalitet: påverkningsriktningen är okänd (orsakar A B, eller B orsakar A?). Tredje-variabel-problemet: en störfaktor C kan orsaka både A och B, vilket producerar en association utan direkt kausal länk. Ingen manipulation: i korrelationsstudier ändrar inte forskaren någon variabel — bara sanna experiment (med OV-manipulation och slumpmässig fördelning) fastställer kausalriktning.
Statistisk signifikans och p-värden
Ett p-värde svarar: givet att nollhypotesen är sann, hur sannolikt är det att vi skulle observera resultat minst lika extrema som dessa? Ett p < .05-tröskel innebär att forskare accepterar 5 % risk att falskt förkasta nollen när den faktiskt är sann (typ I-felsfrekvens). Statistisk signifikans innebär inte att effekten är stor, viktig eller replikerbar — bara att den osannolikt beror på en slump vid den valda alfanivån.
Typ I-fel (falsk positiv)
Att förkasta nollhypotesen när den faktiskt är sann — att dra slutsatsen att det finns en effekt när det inte finns någon. Sannolikheten för ett typ I-fel sätts av alfanivån (typiskt .05). Att minska alfa (t.ex. till .01) minskar typ I-fel men ökar typ II-fel. Multipla jämförelser blåser upp typ I-felsfrekvenser.
Typ II-fel (falsk negativ)
Att misslyckas med att förkasta nollhypotesen när den faktiskt är falsk — att missa en verklig effekt. Sannolikheten för ett typ II-fel är β; statistisk styrka = 1 − β. Styrka ökar med: större urvalsstorlekar, större sanna effektstorlekar, känsligare mätning och högre alfa (på bekostnad av typ I-fel).
Effektstorlek och Cohens d
Effektstorlek kvantifierar hur stor en skillnad eller ett samband är, oberoende av urvalsstorlek. Cohens d är den standardiserade skillnaden mellan två gruppmedeltal: d = (M₁ − M₂) / SD_poolad. Riktmärken: d ≈ 0,2 litet, d ≈ 0,5 medelstort, d ≈ 0,8 stort. En studie kan vara statistiskt signifikant men ha en trivial effektstorlek — vanligt i storurvalsstudier. Effektstorlekar är jämförbara mellan studier med olika skalor och är grunden för meta-analys.
Testa dina kunskaper
Vanliga frågor
Vad innebär ett p-värde på .03 egentligen?+
Ett p-värde på .03 innebär: om nollhypotesen (ingen effekt) vore sann, skulle det finnas 3 % sannolikhet att erhålla resultat minst lika extrema som de observerade av en slump. Eftersom 3 % < 5 % (det konventionella alfatröskelvärdet) förkastas nollhypotesen och resultatet förklaras statistiskt signifikant. Vanliga missuppfattningar: p-värdet är inte sannolikheten att nollhypotesen är sann, inte sannolikheten att resultatet är en falsk positiv, och säger inget om hur stor effekten är. Ett p-värde på .03 är förenligt med en försumbar liten effektstorlek i ett stort urval.
Varför är "korrelation innebär inte kausalitet" så viktigt?+
För att vår intuition fungerar tvärtom — när vi observerar att två saker rör sig tillsammans, slutleder vi instinktivt att en orsakar den andra. Detta leder till systematiska fel i vardagstänkande och i tidig forskning. Klassiska exempel: länder med fler TV-apparater per capita tenderar att ha lägre spädbarnsdödlighet — förhindrar TV spädbarnsdöd? Nej: båda orsakas av ekonomisk utveckling. Glassförsäljning korrelerar med drunkningshastigheter — orsakar glass drunkning? Nej: båda korrelerar med sommartemperatur. Att fastställa kausalitet kräver att utesluta alla trovärdiga alternativa förklaringar — omvänd kausalitet, tredjepartsvariabler, störfaktorer.
Vad är skillnaden mellan statistisk signifikans och praktisk signifikans?+
Statistisk signifikans svarar: är detta resultat osannolikt att bero på en slump? Praktisk (klinisk) signifikans frågar: är denna effekt tillräckligt stor för att spela roll i den verkliga världen? Ett läkemedel som minskar blodtrycket med 0,5 mmHg i genomsnitt kan vara högt statistiskt signifikant (p < .0001) i en prövning med 100 000 patienter, men effekten är för liten för att ha klinisk relevans. Omvänt kan en terapi som minskar depressionpoäng med 40 % misslyckas med att nå signifikans i en underutrustade studie med 20 patienter. Effektstorlekar — Cohens d, r, η² — kvantifierar praktisk signifikans oberoende av urvalsstorlek.
Källor
Senast granskad juli 2025- 1.
Cohen J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
+Om den här källan
Foundational text introducing power analysis and effect size conventions (small, medium, large) that remain standard in psychology.
- 2.
Field A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). Sage.
+Om den här källan
Widely used statistics textbook covering statistical significance, effect sizes, and data analysis procedures.