Aðferðir við vinnslu gagna í könnunum með grunntölfræði
Kannanir eru ein algengasta aðferðin til að safna gögnum frá svarendum, hvort sem það er til fræðilegra rannsókna, þjónustumats, markaðsrannsókna eða ákvarðanatöku innan fyrirtækja. Hins vegar eru kannanagögn merkingarlaus ef þau eru ekki unnin kerfisbundið. Þetta er þar sem grunntölfræði kemur við sögu: hún hjálpar rannsakendum að draga saman gögn, bera kennsl á mynstur, meta þróun og draga bráðabirgða, mælanlegar ályktanir. Þessi grein fjallar um aðferðir við vinnslu kannanagagna með grunntölfræði, allt frá undirbúningi gagna til túlkunar niðurstaðna.
1. Að skilja gagnatýpur kannana
Fyrsta skrefið áður en gögn eru unnin er að skilja hvers konar gögn eru söfnuð. Almennt geta könnunargögn innihaldið:
1. Flokkunargögn (eigindlegt)
Dæmi: kyn, vörumerkjaval, atvinnustaða. Þessi gögn eru yfirleitt greind með tíðni og prósentum.
2. Raðtölur
Dæmi: ánægjukvarði (mjög óánægður–mjög ánægður), sammálastig (mjög ósammála–mjög sammála). Raðgögn hafa röðun en fjarlægðin milli flokka er ekki endilega sú sama.
3. Töluleg (magnbundin) gögn
Dæmi: aldur, tekjur, fjöldi kaupa. Hægt er að greina þessi gögn með því að nota mælikvarða á miðlæga tilhneigingu, dreifingu og ýmsar aðrar aðferðir.
Það er mikilvægt að skilja mælikvarða (nafnmælikvarða, raðmælikvarða, bilmælikvarða, hlutfallsmælikvarða) því hann ákvarðar viðeigandi tölfræðilegar aðferðir og hvernig á að kynna niðurstöður.
2. Undirbúningsstig: Að breyta og hreinsa gögn
Könnunargögn innihalda oft villur, tvítekningar eða ósamræmi í svörum. Þess vegna eru tvö mikilvæg skref nauðsynleg:
a. Ritstjórn
Athugið hvort svör svaranda séu tæmandi og samkvæm. Til dæmis, ef svarandi er 8 ára en starfsstaða hans er „starfsmaður“, þarf að fara yfir þetta.
b. Þrif
Hreinsa gögn frá:
– Gögn vantar (gildi vantar): svarendur svöruðu ekki sumum spurningum.
– Útlægur: öfgafullt gildi sem er ekki rökrétt, til dæmis tekjur upp á 1 milljarð á mánuði fyrir almenning.
– Tvöföld svör: svarendur svara könnuninni oftar en einu sinni.
Hægt er að meðhöndla gildi sem vantar með því að eyða færslum, skipta þeim út fyrir meðaltal/miðgildi (fyrir töluleg gögn) eða nota flokkinn „svaraði ekki“ fyrir flokkunargögn — allt eftir tilgangi greiningarinnar og hlutfalli gagna sem vantar.
3. Forritun og gagnasláttur
Þegar gögnin eru hrein, kóðaðu þau, sem þýðir að breyta svörunum í snið sem auðvelt er að vinna úr. Til dæmis:
– Kyn: Karlkyns=1, Kona=2
– Likert-kvarði: Mjög ósammála=1 til Mjög sammála=5
Forritun auðveldar að slá inn gögn í hugbúnað eins og Excel, SPSS, R eða Python. Gakktu úr skugga um að búa til kóðabók (skjal sem inniheldur breytur, skilgreiningar og kóða) svo að aðrir geti endurtekið og skilið greininguna þína.
4. Lýsandi tölfræði: Samantekt á könnunargögnum
Lýsandi tölfræði er kjarninn í upphaflegri gagnavinnslu. Tilgangur hennar er ekki að prófa kenningar, heldur að veita almenna yfirsýn yfir eiginleika gagnanna.
a. Tíðnidreifing og prósenta
Fyrir flokkunar- og raðtölugögn skal reikna út:
– Tíðni (fjöldi svara)
– Hlutfall (hlutfall af heildarfjölda svara)
Dæmi um niðurstöður:
„Allt að 60% svarenda völdu þjónustu A, 40% völdu þjónustu B.“
Tíðnidreifingar eru venjulega kynntar í töflum og súluritum/skífuritum til að auðvelda skilning.
b. Mælikvarði á miðlægri tilhneigingu
Fyrir töluleg gögn skal nota:
– Meðaltal: summa allra gilda deilt með fjölda svarenda.
– Miðgildi: miðgildið eftir að gögnunum hefur verið raðað.
– Stilling: gildið sem birtist oftast.
Meðaltalið hentar fyrir gögn með tiltölulega samhverfa dreifingu, en miðgildið er stöðugra þegar útlægir gildi eða skekkt dreifing eru til staðar. Stillingin er oft gagnleg fyrir flokkunargögn eða þegar þú vilt sjá algengasta valið.
c. Stærð dreifingar (breytileiki)
Mælingar á dreifingu hjálpa til við að ákvarða hversu mikill munur er á svörum svarenda:
– Svið: mismunurinn á hámarks- og lágmarksgildum.
– Dreifni: Meðaltal ferningsins af mismuninum á milli gilda og meðaltals.
– Staðalfrávik: kvaðratrót dreifnisins, auðveldara að túlka þar sem einingarnar eru þær sömu og í upprunalegu gögnunum.
Til dæmis gætu tveir hópar haft sömu meðalánægju en mismunandi staðalfrávik — hópur með stærra staðalfrávik þýðir að svör svarenda eru fjölbreyttari.
5. Gagnasýni
Línurit hjálpa til við að miðla niðurstöðum fljótt og skýrt. Nokkrar algengar gerðir af sjónrænum framsetningum fyrir kannanagögn:
– Súlurit: fyrir flokkunar-/raðtölugögn.
– Súlurit: fyrir dreifingu tölulegra gagna.
– Kassamynd: sýnir miðgildi, fjórðunga og útlæga gildi.
– Línurit: ef könnunin er framkvæmd reglulega (tímaröð).
Góðri sjónrænni framsetningu ætti að gefa titil, ásmerki og gagnaheimildir til að forðast misskilning.
6. Krosstöflugreining
Krosstöflun er notuð til að sjá tengslin milli tveggja flokkabreyta eða raðbreyta. Dæmi:
– Ánægja (ánægð/óánægð) byggð á kyni
– Vöruval eftir aldurshópi
Niðurstöður krosstöflu eru venjulega birtar sem prósentur í hverri röð eða dálki. Þetta er gagnlegt til að bera kennsl á mynsturmun milli hópa.
Misalnya:
„Hlutfall ánægðra svarenda var hærra í aldurshópnum 26–35 ára samanborið við 18–25 ára.“
Þó að krosstöflur séu enn lýsandi að eðlisfari, þá þjóna niðurstöðurnar oft sem grundvöllur fyrir frekari greiningu.
7. Úrvinnsla Likert-kvarða: Einkunnagjöf og túlkun
Margar kannanir nota Likert-kvarða frá 1–5 eða 1–7. Úrvinnsluaðferðir fela í sér:
1. Reiknaðu meðaleinkunn fyrir hvert atriði
Til dæmis er meðaleinkunn fyrir „Gæði þjónustu“ 4,2 af 5.
2. Búa til vísitölu/samsetta
Ef margir þættir eru notaðir til að mæla eitt hugtak (t.d. „ánægja“ samanstendur af 5 spurningum) er hægt að leggja saman stigin eða reikna meðaltal þeirra til að mynda eina vísitölu.
3. Flokkun stiga
Hægt er að breyta einkunnum í flokka eins og lágt-miðlungs-hátt með ákveðnum takmörkunum.
Í Likert-túlkun er mikilvægt að nefna kvarðann sem notaður er og útskýra merkingu stiganna svo að lesandinn skilji samhengið.
8. Einföld áreiðanleikaprófun (valfrjálst)
Ef þú ert að búa til vísitölu úr mörgum spurningum er góð hugmynd að athuga innra samræmi hennar. Algeng mælikvarði er Cronbachs Alpha. Þó að þetta fari aðeins lengra en hrein „grunntölfræði“ er hugtakið enn oft notað í könnunarvinnslu. Hærra alfa gildi (t.d. ≥ 0,7) gefur almennt til kynna að atriðin mæli nokkuð stöðugt sama hugtakið.
9. Túlkun niðurstaðna og skýrslugjöf
Góð gagnavinnsla ætti að leiða til skýrrar skýrslugerðar. Í skýrslunni skaltu gæta þess að taka með:
– Svarendaupplýsingar (mikilvægar lýðfræðilegar upplýsingar)
– Yfirlit yfir niðurstöður eftir aðalbreytu
– Viðeigandi töflur/línurit
– Óýkt túlkun
Forðist að álykta um „orsök og afleiðingu“ ef könnunin er aðeins lýsandi. Til að koma á sterkari tengslum þarf viðeigandi rannsóknarhönnun og ályktunartölfræðilegar prófanir.
10. Algeng mistök sem ber að forðast
Nokkur villur sem oft koma upp við vinnslu kannanagagna:
– Ekki þrífa svo niðurstöðurnar eru skekktar
– Notkun meðaltals á óröðuðum flokkunargögnum
– Útskýrir ekki mælikvarðann
– Að hunsa vantar gildi án skýrrar stefnu
– Að birta gröf án merkimiða eða samhengis
Með því að forðast þessi mistök verða niðurstöður greiningarinnar réttmætari og áreiðanlegri.
Lokun
Aðferðir til að vinna úr gögnum úr könnunum með grunntölfræði fela í sér nokkur nauðsynleg skref: að skilja gagnategundirnar, hreinsa og kóða svör, draga saman gögnin með lýsandi tölfræði, sjá upplýsingarnar fyrir sér og túlka niðurstöðurnar nákvæmlega. Grunntölfræði hjálpar ekki aðeins til við að gera gögnin „læsilegri“ heldur eykur einnig gæði ákvarðana sem byggjast á könnunum. Með hreinu og gagnsæju ferli geta könnunargögn orðið verðmæt og nákvæm uppspretta innsýnar fyrir ýmsar rannsóknarþarfir og skipulagslegar starfshætti.
Ef þú vilt get ég einnig aðstoðað þig við að búa til sýnishornstöflur, snið fyrir skýrslur um niðurstöður kannana eða úrvinnsluskref fyrir gögn kannana í Excel/SPSS ásamt formúlum og sniðmátum.
