Hvad er det første, vi kommer til at tænke på, når vi ser data? Det første instinkt er at finde mønstre, forbindelser og relationer. Vi ser på dataene for at finde mening i dem.
Sådan er det også i forskning, at når data er indsamlet, er det næste skridt at få indsigt fra dem. Hvis et tøjmærke f.eks. forsøger at finde frem til de nyeste tendenser blandt unge kvinder, vil mærket først kontakte unge kvinder og stille dem spørgsmål, der er relevante for forskningsformålet. Efter at have indsamlet disse oplysninger vil mærket analysere disse data for at identificere mønstre – f.eks. kan det opdage, at de fleste unge kvinder gerne vil se flere forskellige jeans.
Dataanalyse er den måde, hvorpå forskere går fra en masse data til meningsfuld indsigt. Der findes mange forskellige dataanalysemetoder, alt efter hvilken type forskning der er tale om. Her er et par metoder, du kan bruge til at analysere kvantitative og kvalitative data.
Det er svært at analysere dårlige data. Sørg for, at du indsamler data af høj kvalitet med vores blog “4 dataindsamlingsteknikker”: Hvilken er den rigtige for dig?”.
Analyse af kvantitative data
Datapræparation
Den første fase i analysen af data er datapræparation, hvor målet er at omdanne rådata til noget meningsfuldt og læsbart. Det omfatter fire trin:
Trin 1: Datavalidering
Formålet med datavalidering er så vidt muligt at finde ud af, om dataindsamlingen blev foretaget i overensstemmelse med de forud fastsatte standarder og uden nogen form for skævhed. Det er en proces i fire trin, som omfatter…
- Bedrageri, for at udlede, om hver respondent faktisk blev interviewet eller ej.
- Screening, for at sikre, at respondenterne blev udvalgt i overensstemmelse med forskningskriterierne.
- Procedure, for at kontrollere, om dataindsamlingsproceduren blev behørigt fulgt.
- Fuldstændighed, for at sikre, at intervieweren stillede respondenten alle spørgsmålene og ikke kun nogle få nødvendige spørgsmål.
For at gøre dette skal forskerne udtage en tilfældig stikprøve af de gennemførte undersøgelser og validere de indsamlede data. (Bemærk, at dette kan være tidskrævende for undersøgelser med mange besvarelser.) Forestil dig f.eks. en undersøgelse med 200 respondenter fordelt på 2 byer. Forskeren kan udtage en stikprøve på 20 tilfældige respondenter fra hver by. Herefter kan forskeren kontakte dem via e-mail eller telefon og kontrollere deres svar på et bestemt sæt spørgsmål.
Se 18 datavalideringer, der forhindrer, at dårlige data overhovedet slipper ind i dit datasæt.
Trin 2: Dataredigering
Typisk set indeholder store datasæt fejl. Respondenterne kan f.eks. udfylde felter forkert eller springe dem over ved et uheld. For at sikre, at der ikke er sådanne fejl, bør forskeren foretage grundlæggende datakontrol, kontrollere for outliers og redigere de rå forskningsdata for at identificere og fjerne alle datapunkter, der kan hæmme resultaternes nøjagtighed.
En fejl kan f.eks. være felter, som respondenterne har efterladt tomme felter. Når du redigerer dataene, er det vigtigt at sørge for at fjerne eller udfylde alle de tomme felter. (Her er 4 metoder til håndtering af manglende data.)
Trin 3: Datakodning
Dette er et af de vigtigste trin i datapræparationen. Det henviser til gruppering og tildeling af værdier til svarene fra undersøgelsen.
Hvis en forsker f.eks. har interviewet 1.000 personer og nu ønsker at finde respondenternes gennemsnitsalder, vil forskeren oprette aldersspande og kategorisere alderen for hver af respondenterne i henhold til disse koder. (F.eks. vil respondenter mellem 13-15 år få deres alder kodet som 0, 16-18 år som 1, 18-20 år som 2 osv.)
Så kan forskeren under analysen håndtere forenklede aldersintervaller i stedet for en massiv række individuelle aldre.
Kvantitative dataanalysemetoder
Efter disse trin er dataene klar til analyse. De to mest almindeligt anvendte kvantitative dataanalysemetoder er deskriptiv statistik og inferentialstatistik.
Deskriptiv statistik
Typisk er deskriptiv statistik (også kendt som beskrivende analyse) det første analyseniveau. Den hjælper forskerne med at opsummere dataene og finde mønstre. Et par almindeligt anvendte beskrivende statistikker er:
- Middelværdi: numerisk gennemsnit af et sæt værdier.
- Median: midtpunkt af et sæt numeriske værdier.
- Mode: den mest almindelige værdi blandt et sæt værdier.
- Procentdel: bruges til at udtrykke, hvordan en værdi eller gruppe af respondenter inden for dataene relaterer sig til en større gruppe af respondenter.
- Hyppighed: det antal gange, en værdi forekommer.
- Interval: den højeste og laveste værdi i et sæt af værdier.
Deskriktiv statistik giver absolutte tal. De forklarer dog ikke rationalet eller ræsonnementet bag disse tal. Før du anvender beskrivende statistik, er det vigtigt at overveje, hvilken statistik der passer bedst til dit forskningsspørgsmål, og hvad du ønsker at vise. F.eks. er en procentdel en god måde at vise kønsfordelingen af respondenterne på.
Deskriktiv statistik er mest nyttig, når undersøgelsen er begrænset til stikprøven og ikke skal generaliseres til en større population. Hvis du f.eks. sammenligner procentdelen af vaccinerede børn i to forskellige landsbyer, er beskrivende statistik nok.
Da beskrivende analyse mest bruges til at analysere en enkelt variabel, kaldes den ofte for univariat analyse.
Analyse af kvalitative data
Analyse af kvalitative data fungerer lidt anderledes end kvantitative data, primært fordi kvalitative data består af ord, observationer, billeder og endda symboler. Det er næsten umuligt at udlede absolutte betydninger af sådanne data; derfor bruges de mest til eksplorativ forskning. Mens der i kvantitativ forskning er en klar sondring mellem dataforberedelses- og dataanalysestadiet, begynder analysen af kvalitativ forskning ofte, så snart dataene er tilgængelige.
Dataforberedelse og grundlæggende dataanalyse
Analyse og forberedelse foregår parallelt og omfatter følgende trin:
- At gøre sig bekendt med dataene: Da de fleste kvalitative data kun er ord, bør forskeren starte med at læse dataene flere gange for at blive fortrolig med dem og begynde at lede efter grundlæggende observationer eller mønstre. Dette omfatter også transskription af dataene.
- Genovervejelse af forskningsmål: Her genovervejer forskeren forskningsmålet og identificerer de spørgsmål, der kan besvares gennem de indsamlede data.
- Udarbejdelse af en ramme: Her identificerer forskeren brede ideer, begreber, adfærd eller sætninger og tildeler dem koder. F.eks. kodning af alder, køn, socioøkonomisk status og endda begreber som f.eks. det positive eller negative svar på et spørgsmål. Kodning er en hjælp til at strukturere og mærke dataene.
- Identificering af mønstre og sammenhænge: Når dataene er kodet, kan man begynde at identificere temaer, lede efter de mest almindelige svar på spørgsmål, identificere data eller mønstre, der kan besvare forskningsspørgsmål, og finde områder, der kan udforskes yderligere.
Kvalitative dataanalysemetoder
Der findes flere metoder til analyse af kvalitative data. De mest almindeligt anvendte dataanalysemetoder er:
- Indholdsanalyse: Dette er en af de mest almindelige metoder til analyse af kvalitative data. Den bruges til at analysere dokumenterede oplysninger i form af tekster, medier eller endda fysiske genstande. Hvornår denne metode skal anvendes, afhænger af forskningsspørgsmålene. Indholdsanalyse bruges normalt til at analysere svar fra interviewpersoner.
- Narrativ analyse: Narrativ analyse: Denne metode bruges til at analysere indhold fra forskellige kilder, f.eks. interviews med respondenter, observationer fra marken eller undersøgelser. Den fokuserer på at bruge de historier og erfaringer, som folk deler, til at besvare forskningsspørgsmålene.
- Diskursanalyse: Ligesom narrativ analyse bruges diskursanalyse til at analysere interaktioner med mennesker. Den fokuserer dog på at analysere den sociale kontekst, hvori kommunikationen mellem forskeren og respondenten fandt sted. Diskursanalyse ser også på respondentens daglige omgivelser og bruger denne information under analysen.
- Grounded theory: Dette henviser til at bruge kvalitative data til at forklare, hvorfor et bestemt fænomen er sket. Det gør den ved at studere en række lignende tilfælde i forskellige omgivelser og bruge dataene til at udlede kausale forklaringer. Forskerne kan ændre forklaringerne eller skabe nye forklaringer, efterhånden som de studerer flere tilfælde, indtil de når frem til en forklaring, der passer til alle tilfælde.
Disse metoder er de mest almindeligt anvendte. Der findes dog også andre dataanalysemetoder, f.eks. konversationsanalyse.
Dataanalyse er måske den vigtigste komponent i forskningen. En svag analyse giver upræcise resultater, der ikke blot hæmmer forskningens autenticitet, men også gør resultaterne uanvendelige. Det er bydende nødvendigt at vælge dine dataanalysemetoder med omhu for at sikre, at dine resultater er indsigtsfulde og brugbare.
Header photo by Brittany Colette on Unsplash