Vad är den viktigaste skillnaden mellan kvantitativa och kvalitativa data?
A: Kvantitativa data kommer från experiment; kvalitativa data kommer från observationer
B: Kvantitativa data består av tal (frekvenser, poäng, mätningar) som kan analyseras statistiskt; kvalitativa data består av icke-numerisk information (ord, beskrivningar, teman) som analyseras tolkande
C: Kvantitativa data samlas in från stora urval; kvalitativa data samlas in från små
D: Kvantitativa data mäter attityder; kvalitativa data mäter beteende
Kvantitativa data är numeriska — poäng på ett frågeformulär, reaktionstider, beteendefrekvenser, fysiologiska mätningar — och lämpar sig för statistisk analys och jämförelse. Kvalitativa data är icke-numeriska — intervjutranskript, svar på öppna enkätfrågor, fallstudier — och analyseras typiskt genom tematisk analys eller innehållsanalys. Kvantitativa data möjliggör objektiv jämförelse och generalisering; kvalitativa data ger djup och inblick i mening och erfarenhet.
Vad innebär en positiv korrelation mellan två variabler?
A: När en variabel ökar minskar den andra
B: Sambandet mellan de två variablerna är statistiskt signifikant
C: När en variabel ökar tenderar den andra också att öka
D: En variabel är orsaken till den andra
En positiv korrelation innebär att när värden på en variabel ökar, ökar värden på den andra också. Till exempel finns det typiskt en positiv korrelation mellan studietimmar och tentamensresultat. En negativ korrelation innebär att variablerna rör sig i motsatta riktningar. Nollkorrelation innebär att inget systematiskt linjärt samband finns. Notera att riktning (positiv/negativ) är logiskt separat från styrka och frågan om statistisk signifikans.
Vad berättar en korrelationskoefficient på −0,82?
A: Ett starkt negativt samband: när en variabel ökar tenderar den andra att minska, med poäng nära samlad kring trendlinjen
B: Ett svagt negativt samband: det finns en svag tendens, men mönstret är opålitligt
C: Ett starkt positivt samband: det negativa tecknet indikerar ett oväntat resultat
D: Inget meningsfullt samband: koefficienter under noll är inte tolkningsbara
En korrelationskoefficient (r) sträcker sig från −1,00 till +1,00. Tecknet indikerar riktning: negativt innebär att variablerna rör sig i motsatta riktningar. Det absoluta värdet indikerar styrka: närmare 1 innebär starkare. Ett r av −0,82 indikerar ett starkt negativt samband. Cohens riktmärken: |r| ≈ 0,1 = litet, |r| ≈ 0,3 = medelstort, |r| ≈ 0,5 = stort; −0,82 överstiger till och med "stort"-tröskeln.
Varför fastställer korrelation inte kausalitet?
A: Eftersom korrelationsstudier inte kan upprepas, kan resultatet vara en slump
B: Eftersom en korrelation bara visar att två variabler är statistiskt förknippade — det kan finnas omvänd kausalitet eller en tredje variabel som orsakar båda, och ingen manipulation sker för att isolera någon variabels effekt
C: Eftersom korrelationer bara kan beskriva linjära samband, inte icke-linjära orsaker
D: Eftersom kvalitativa metoder krävs för att förstå kausala mekanismer
Tre skäl förhindrar korrelationella bevis från att fastställa kausalitet. Omvänd kausalitet: A korrelerar med B berättar inte vilken som driver vilken. Tredje-variabel-problemet: en störfaktor C kan orsaka både A och B (t.ex. glassförsäljning och drunkningsolyckor korrelerar båda med sommartemperatur). Ingen manipulation: i ett sant experiment isolerar OV-manipulation kausalriktningen.
En studie rapporterar p = .03 för sitt huvudresultat, med ett signifikanströskel på p < .05. Vad innebär detta?
A: Det finns 3 % chans att experimenthypotesen är korrekt
B: Det finns 3 % sannolikhet att erhålla resultat minst lika extrema om nollhypotesen vore sann; eftersom p < .05 förkastas nollhypotesen
C: Fyndet är 97 % korrekt
D: Effekten är tre gånger starkare än vad som förväntas av en slump
P-värdet svarar på en specifik fråga: givet att nollhypotesen (ingen effekt) är sann, hur sannolikt är det att vi skulle observera ett resultat minst lika extremt som det vi erhöll? Ett p-värde på .03 innebär att denna sannolikhet är 3 %. Vanliga missuppfattningar: p-värdet är inte sannolikheten att nollhypotesen är sann, inte sannolikheten att resultatet är en falsk positiv, och säger inget om effektens storlek eller praktiska vikt.
Vad är ett typ I-fel och vad bestämmer dess maximalt acceptabla frekvens?
A: Att misslyckas med att detektera en verklig effekt; dess frekvens bestäms av statistisk styrka
B: Att förkasta nollhypotesen när den faktiskt är sann (en falsk positiv); dess maximalt acceptabla frekvens sätts av signifikanströskeln alfa (vanligtvis .05)
C: Att använda fel statistiskt test; dess frekvens kontrolleras av förregistrering
D: Ett mätfel orsakat av dåligt operationaliserade variabler; kontrolleras av pilottest
Ett typ I-fel är en falsk positiv: forskaren drar slutsatsen att det finns en effekt när det i verkligheten inte finns någon. Alfanivån sätter den maximala tolererbara typ I-felsfrekvensen. Med α = .05 accepterar forskaren att i 5 % av studierna där det verkligen inte finns någon effekt, kommer slumpmässig variation att producera ett signifikant resultat. Ett typ II-fel är det omvända: att misslyckas med att detektera en verklig effekt (falsk negativ). Statistisk styrka = 1 − β och ökar med större urvalsstorlekar.
En studie hittar en statistiskt signifikant skillnad (p = .004) men effektstorleken (Cohens d) är 0,15. Vad berättar denna kombination?
A: Resultatet är både statistiskt och praktiskt signifikant — p = .004 bekräftar en stor effekt
B: Resultatet är statistiskt signifikant (osannolikt att bero på slumpen) men praktiskt litet — grupperna skiljer sig knappt i verkliga termer, sannolikt för att urvalet var tillräckligt stort för att detektera även mycket liten effekter
C: Det måste finnas ett fel — signifikanta p-värden åtföljs alltid av stora effektstorlekar
D: Effektstorleken behöver konverteras innan tolkning
Statistisk signifikans och effektstorlek mäter olika saker. P-värdet berättar hur sannolikt resultatet är att bero på slumpen; med ett tillräckligt stort urval kommer till och med en liten, trivial skillnad att vara statistiskt signifikant. Cohens d-riktmärken: d = 0,2 (litet), d = 0,5 (medelstort), d = 0,8 (stort). Ett d på 0,15 är under till och med det "lilla" tröskelvärdet — grupperna skiljer sig med mindre än en femtedel av en standardavvikelse, vilket förmodligen är för litet för att spela roll i praktiken.
Vad är Cohens d och hur tolkas det?
A: Ett mått på sannolikheten att ett resultat beror på slumpen; d-värden under .05 indikerar signifikans
B: Ett standardiserat effektstorleksmått för skillnaden mellan två gruppmedeltal, uttryckt i poolade standardavvikelseenheter; d ≈ 0,2 = litet, d ≈ 0,5 = medelstort, d ≈ 0,8 = stort
C: Korrelationskoefficienten mellan två kontinuerliga variabler; d-värden närmare 1,0 indikerar ett starkare samband
D: Ett mått på intern konsistens hos en skala; d > 0,7 indikerar acceptabel reliabilitet
Cohens d beräknas som skillnaden mellan två gruppmedeltal dividerat med den poolade standardavvikelsen: d = (M₁ − M₂) / SD_poolad. Att uttrycka skillnaden i standardavvikelseenheter gör den jämförbar mellan studier med olika skalor. Cohens (1988) riktmärken — litet (0,2), medelstort (0,5), stort (0,8) — är avsedda som ungefärliga riktlinjer. Effektstorlekar är grunden för meta-analys, där studier kombineras genom att medelvärda deras standardiserade effekter.
Dataanalys och statistik
Vad är den viktigaste skillnaden mellan kvantitativa och kvalitativa data?
Om det här quizet
Att samla in data är bara halva arbetet. Att tolka den — veta hur tillförlitligt ett resultat är, vad en korrelation kan och inte kan berätta, och hur stor skillnad som är "tillräcklig" för att spela roll — är där de verkliga besluten fattas.
Det här quizet täcker distinktionen kvalitativ kontra kvantitativ data, korrelation och korrelationskoefficienten, varför korrelation inte innebär kausalitet, statistisk signifikans och p-värden, typ I- och typ II-fel, samt effektstorlekar inklusive Cohens d.