Analyse og tolkning av kvantitative data

Kvantitative data er for eksempel spørreskjemaer og eksisterende statistikk, eller kvantitativ dokumentanalyse. Dersom dere har gjennomført en kvantitativ undersøkelse, må datamaterialet systematiseres i en matrise.

Kvantitative analyseteknikker

Datamatriser

En datamatrise er en tabell som inneholder informasjon om verdiene på variablene for hver enkelt enhet.

Dersom dere gjennomfører en undersøkelse basert på eksisterende statistikk, er ofte datamatrisen utgangspunktet for prosjektet. Har dere imidlertid selv gjennomført en spørreundersøkelse, så må de utfylte spørreskjemaene først bearbeides til en datamatrise.

Eksempel

Dette er et eksempel fra en spørreundersøkelse deltidsarbeid blant skoleelever. Svarene i spørreskjemaet som har blitt brukt, plottes inn på følgende måte i datamatrisen:

• Nummerer spørreskjemaene, og skriv inn nummet til det spørreskjemaet (enheten) du behandler.
• Skriv et 1-tall for menn og 2-tall for kvinner.
• Skriv 1-tall for lønnet deltidsarbeid og 2-tall for ikke lønnet deltidsarbeid.
• Skriv beløp i kroner for gjennomsnittelig brutto månedslønn (det informanten får utbetalt).
• Skriv et tall for det skoletrinnet informanten går på (8 for åttende klasse, 9 for niende klasse osv.)

Når du er ferdig, plotter du inn neste spørreskjema (enhet).

Tabell 1: Datamatrise – variabler

Enhet	Kjønn	Deltidsarbeid	Månedslønn	Skoletrinn
1	2	2	0	10
2	1	1	1200	9
3	1	1	900	8
4	osv	osv	osv	osv

Alt skal bli tall

Når vi lager en datamatrise, legger vi inn tallverdiene som personene har oppgitt i spørreskjemaet, som for eksempel månedslønn og klassetrinn i matrisen ovenfor. Også alle svaralternativene som ikke er tall i utgangspunktet (ja/nei, mann/kvinne), blir definert om til tall.

Ved å legge inn de besvarte spørreskjemaene i en matrise slik illustrasjonen viser, blir det for eksempel enkelt å regne ut hva som er gjennomsnittlig månedslønn for alle som har deltidsarbeid, og hva som er gjennomsnittet for de ulike skoletrinnene.

Tallene kan også komme fra andre kilder, som intervjuer eller dokumenter. I en kvantitativ dokumentanalyse vil man f.eks. kunne telle forekomsten av enkelte ord, eller et grammatisk bøyningsform. Ved hjelp av Nasjonalbibliotekets søkebase N-gram kan man f.eks. søke opp bruket av et ord gjennom tid.

Omkoding

Det er vanlig at en må kode om enkelte av variablene i datasettet for å få svar på bestemte spørsmål. Dette gjelder analyser av både egenproduserte og eksisterende datasett. Å kode om en variabel betyr at en endrer verdiene som er mulig å ha på den.

Variabelen “brutto månedslønn” i eksempelmatrisen vår består i utgangspunktet av det kronebeløpet respondentene har oppgitt i spørreskjemaet. Dersom analysen eller problemstillingen krever det, kan vi imidlertid definere alle beløp over for eksempel 2000 kroner til verdien “høy lønn”. Alle beløp mellom 1000 og 1999 kroner kan defineres som “middels lønn”, og alle beløp under 1000 kroner som “lav lønn”. På denne måten får variabelen maksimalt tre ulike verdier. Ved å kode om variabelen på denne måten kan vi også bruke den i krysstabeller.

Frekvenstabeller

I en analyse av kvantitativt datamateriale som er ferdig bearbeidet til en datamatrise, kan det være fornuftig å starte analysearbeidet med å lage frekvenstabeller for variablene i undersøkelsen. I dette arbeidet kan dere enten bruke statistikkprogram, eller et regneark som Microsoft Excel.

Dersom dere har et lite antall enheter (personer), kan dere selvsagt også gjøre dette arbeidet manuelt. Det blir imidlertid for tungvint dersom dere har informasjon om flere enn ca. 20 enheter. I tabellen nedenfor ser vi en slik frekvenstabell for variabelen kjønn (datamaterialet er fiktivt).

Tabell 2: Frekvenstabell for variabelen kjønn (råtall og relativ fordeling)

Variabel	Frekvens (rådata)	Prosent
Mann	66	59
Kvinne	46	41
Totalt	112	100

Vi ser at det er 112 enheter i denne fiktive undersøkelsen. Av disse er det 66 menn og 46 kvinner. Disse tallene kalles gjerne råtall. Omregnet i prosent ser vi at 59 % av respondentene er menn, mens 41 % er kvinner. Alle tabeller skal ha en topptekst som beskriver hvilke variabler som er tatt med, og om tallene viser antall enheter eller den prosentvise fordelingen av enheter.

Krysstabeller

Et mulig neste analysesteg er å analysere sammenhenger mellom variablene ved hjelp av krysstabeller. En krysstabell er bygd opp av minst to variabler. Vanligvis viser vi den prosentvise fordelingen i krysstabeller, dermed kan vi sammenlikne fordelingen på tvers av hver celle. Den fiktive tabellen nedenfor gir et enkelt eksempel hvor variabelen “kjønn” er kombinert med variabelen “Holdning til skolearbeid”:

Tabell 3: Holdning til skolearbeid etter kjønn, prosentuert (Bokstaven “N” viser råtallene i undersøkelsen).

Holdning til skolearbeid	Menn	Kvinner
Positiv	38%	54%
Negativ	62%	46%
	100%	100%
N=112	N=66	N=46

I tabellen ser vi at det er en høyere andel kvinnelige enn mannlige skoleelever som er positive til skolearbeid. To ting er viktig å merke seg når dere arbeider med å lage krysstabeller. Tabellene bør være prosentuert, og vi bør sammenligne celler på tvers av prosentueringsretningen. I tabell 2 er prosentueringsretningen vertikal. Vi kan gjøre horisontale sammenlikninger, det vil si sammenlikne andelen menn og kvinner som har den samme holdningen til skolearbeid.

Analyse

Når dere har gått igjennom og sortert dataene, kan dere begynne å drøfte hva resultatene forteller oss. Da er det ofte lurt å først vurdere det empiriske materialet ved å stille noen spørsmål til gjennomføringen:

• Hvor representativt er utvalget? Er det bredt nok eller mangler du noen grupper? Er utvalget tilfeldig nok?
• Validitet: Hvor relevant er materialet ditt? Er det egnet til å svare på problemstillingen? Er det andre metoder som ville gitt et bedre datamateriale?
• Reliabilitet: Hvor pålitelige er resultatene? Hvor nøyaktig har registreringen vært? Kan du ha telt eller ført feil? Hvor troverdige er informantene dine?

Generalisering

Når man velger en kvantitativ metode, er det ofte et mål å kunne generalisere når vi skal tolke resultatene. I hvilken grad er ditt materiale egnet til å si noe om en større gruppe? Det er viktig å reflektere over mulige feilmarginer. For å vurdere sannsynligheten for at dine funn er signifikante og ikke et resultat av tilfeldigheter, bør du se på det som kalles konfidensintervall. Her kan det være lurt å bruke mattelæreren sin for å hente litt hjelp.

Drøfting

Tolkningen din må begrunnes med funnene du har gjort, og drøftes i sammenheng med vurderingen av hvor valide og reliable disse er. Drøftingen skal knyttes til problemstillingen. Hvilke svar finner du på forskningsspørsmålene dine?

Drøftingen bør vise at du ser at funnene kan tolkes på flere måter. De statistiske sammenhengene du finner, betyr ikke alltid at det fins en klar årsakssammenheng. For å argumentere for tolkningen din bør du også støtte deg på tidligere forskning og teori. Hvis andre har gjort lignende funn, kan det styrke din egen tolkning.