Jak mohu provést analýzu dat disertační práce?

přehled plánu analýzy dat

metodiky Disertační práce vyžadují plán analýzy dat. Váš disertační plán analýzy dat by měl jasně uvádět statistické testy a předpoklady těchto testů, aby prozkoumal každou z výzkumných otázek, jak jsou skóre vyčištěna a vytvořena, a požadovanou velikost vzorku pro tento test. Výběr statistických testů závisí na dvou faktorech: (1) Jak jsou formulovány výzkumné otázky a hypotézy a (2) úroveň měření proměnných. Například, pokud otázka zkoumá dopad proměnné x na proměnnou y, mluvíme o regresích, pokud otázka hledá asociace nebo vztahy, jsme v korelačních a chí-kvadrát testech, pokud jsou zkoumány rozdíly, pak t-testy a ANOVA jsou pravděpodobně správný test.

Objevte, jak pomáháme upravovat kapitoly Disertační práce

sladění teoretického rámce, shromažďování článků, syntéza mezer, formulování jasné metodiky a datového plánu a psaní o teoretických a praktických důsledcích vašeho výzkumu jsou součástí našich komplexních služeb pro editaci disertační práce.

• Přineste odbornost editace disertační práce do kapitol 1-5 včas.
• Sledujte všechny změny a poté s vámi spolupracujte na vědeckém psaní.
• pokračující podpora při řešení zpětné vazby výboru, snížení revizí.

úroveň měření

úroveň měření je druhým faktorem použitým při výběru správného statistického testu. Pokud výzkumná otázka prozkoumá dopad x na proměnnou Y a tato výsledná proměnná Y je měřítko, lineární regrese je správný test. Například, Jaký je dopad příjmů na úspory (jako proměnná měřítka), lineární regrese je test. Pokud je tato výsledná proměnná Y ordinální, pak je řádová regrese správným testem (e.g., jaký je dopad příjmů na úspory (s úsporami jako ordinální $0-$100, $101-$1000, $1001-$10,000, proměnná), pak je řádová regrese správným testem. Pokud výzkumná otázka zkoumá vztahy a proměnná X a Y jsou kategorické, pak je vhodným testem chí-kvadrát. Hlavním bodem je, že jak fázování výzkumné otázky, tak úroveň měření proměnných diktují výběr testu. Toto video o rozhodovacích stromech může být užitečné.

statistické předpoklady v plánu analýzy dat

součástí plánu analýzy dat je zdokumentování předpokladů konkrétního statistického testu. Většina předpokladů spadá do normality, homogenita rozptylu, a odlehlejší kbelík předpokladů. Další testy mají další předpoklady. Například v lineární regresi s několika prediktory je třeba posoudit faktor rozptylu inflace, aby se zjistilo, že prediktory nejsou příliš vysoce korelovány. Toto video plánu analýzy dat může být užitečné.

kompozitní skóre a čištění dat

plány analýzy dat by měly diskutovat o jakémkoli zpětném kódování proměnných a vytvoření kompozitních nebo subscale skóre. Před vytvořením kompozitních skóre by měla být naplánována kontrola spolehlivosti alfa. Postup čištění dat by měl být zdokumentován. Například odstranění odlehlých hodnot, transformace proměnných pro splnění předpokladu normality atd.

analýza velikosti vzorku a výkonu

po výběru vhodných statistických testů by plány analýzy dat měly následovat analýzu výkonu. Analýza výkonu určuje velikost vzorku pro statistický test, vzhledem k alfa .05, daná velikost účinku (malá, střední nebo velká) při síle .80 (tj. 80% šance na zjištění rozdílů nebo vztahů, pokud jsou ve skutečnosti v datech přítomny rozdíly. Toto video analýzy výkonu může být užitečné.