Indholdsfortegnelse

Statistiske overvejelser

I vores analyse anvender vi en af de mest almindelige statistiske test indenfor social forskning – en parametrisk statistik (Field & Hole 2003, p. 159). For at kunne anvende parametriske tests kræver det, at data måles i intervaller eller ratio niveauer. Dermed er det nødvendigt, at vi tager subjektiv stilling til dataet, og måden vi har målt det på (Ibid.). Det antages, at den indsamlede data kommer fra en deltagerpopulation, der har en normal fordeling – dette kan vi imidlertid ikke sige med sikkerhed. Derfor anvendes et statistisk redskab, som kan illustrere, hvorvidt resultaterne er signifikant anderledes fra en normal fordeling. Hvis fordelingens signifikans er (p>,05) så er fordelingen signifikant forskellig fra en normal fordeling, og resultatet vil dermed ikke være statistisk signifikant (ibid., p. 160). P-værdien strækker sig mellem 0 og 1, og indenfor psykologisk forskning sættes kriteriet for et statistisk signifikant resultat normalvis ved (p<,05) (Brace, N., Kemp, R. & Snelgar, R., 2009, p. 8). Det bør dog påpeges, at disse tests reelle styrke samtidig afhænger af undersøgelsens størrelse (Field & Hole, 2003, p. 160).

Deskriptiv statistik

I vores analyse anvender vi frekvens tabeller i forbindelse med dikotomiseringer. Frekvens tabeller anvendes til at danne overblik over fordelingen af deltageres placering for hver enkelt variabel. Denne funktion viser deltagernes fordeling i procent og kumuleret procent (Brace, Kemp & Snelgar, 2009, p. 72).

ANOVA

Vi anvender desuden MEANS med ANOVA. ANOVA anvendes i de tilfælde, hvor den afhængige variabel er en kontinuer skala, og tester nul hypotesen, hvilket dermed angiver resultatets statistiske signifikans (p<.050). ANOVA er en effektiv statistisk procedure, som ofte anvendes i den psykologiske forskning (Brace, Kemp & Snelgar, 2009, p. 201) ANOVA tabellen angiver derudover ”Mean Square” (MS), som er værdien af den eksperimentelle effekt, ”F-ratio” (F), som sammenligner størrelsen på den systematiske varians (”MS” for ”between group”) og størrelsen på den usystematiske varians (”MS” for ”within-group”). Det er dermed en sammenligning mellem størrelsen på den eksperimentelle effekt og størrelsen af fejl (Field & Hole, 2003, p. 177-178). I ANOVA tabellerne har vi i øvrigt valgt at tilføje Eta-squared (²), som er et mål for effect size. Eta-squared angiver den procentdel af den afhængige variabel, som kontrolleres af den uafhængige variabel (Levine & Hullett, 2002). Cohen (1969) foreslår, at ²= .2, bør betragtes som lille, ²= .5 kan betragtes som middel, og ²= .8 som høj (Brace, Kemp & Snelgar, 2009). Det er disse anbefalinger, vi retter os efter i analysen.

General Linear Model - GLM

Derudover anvendes general linear model (GLM). GLM er en statistisk lineær model, og er en samlet betegnelse for flere lineære regressions-modeller, hvor der arbejdes med mere end én uafhængig variabel. Fordelen ved denne metode er, at det kun er det særligt effektive i forhold til den almene effekt, som træder frem. Ved anvendelse af GLM sikres dermed en særligt robust analyse af det samlede data, hvilket antageligt kan medvirke til at eliminere en vis grad af støj (McNeil, K. et al, 1996). I analysen af GLM, har vi anvendt analysemetoden univariate. I denne analyse har vi valgt at forvandle nogle af vores parametriske vaiable til kategoriske variable i form af en dikotomisering. Når vi foretager univariate analyser af GLM, kan vi desuden med fordel inddrage Observed Power. Observed Power henviser til sandsynligheden for korrekt at kunne afvise nul-hypotesen⁴⁹. Hvis effekten af interaktionens styrke eksempelvis er .800, så betyder det, at hvis studiet blev replikeret 100 gange, så ville nul-hypotesen kunne afvises i 80 % af tilfældene (Becker, 1999). Dermed er det ønskværdigt med så høj observed power som muligt (e.g. Lakens & Evers, in press, p. 28). Af tabellerne fremgår yderligere effect size ved r-squared (r²). Ved r-squared gælder det, at 0.25 kan betragtes som moderat effekt og 0.64 som stærk effekt (Ferguson, 2009, p. 533)

Faktoranalyse

Faktoranalyse gør det muligt at undersøge hvorvidt der findes en underlæggende struktur i det mønstrer af korrelationer et antal variable giver. Dermed kan vi undersøge hvorvidt flere variable repræsenterer nogle mindre dimensioner, og disse dimensioner kaldes indenfor psykologien psykologiske konstruktioner eller faktorer. En faktoranalyse kan identificere antallet af faktorer og hvilke variable som udgør disse faktorer. Dernæst kan en faktoranalyse også tjene som en data reduktion i og med at faktoranalysens inddeling tillader os at reducere antallet af variable i form af at eliminere en eller flere faktorer (Brace, N., Kemp, R. & Snelgar, R., 2009, p. 339; Cattell, R. B., 1965). Vi har udelukkende anvendt faktoranalyse i forbindelse med dissonansemotionsskalaen. Vi kunne have foretaget faktoranalyse på andre inddragede skalaer – eventuelt for at undersøge, om vi ser samme inddeling i faktorer, som tidligere studier har påvist. Dette er imidlertid udenfor dette projekts fokus.

Overvejelser vedrørende anvendelse af moderatorer

Den statistiske analyse af efterårets (2014) eksperimenter pegede på at selvkontrol, kunne fungere som moderator (se bilag 11). En moderator er en kvalitativ (eksempelvis køn) eller kvantitativ (eksempelvis høj eller lav) kategorisk variabel som påvirker retningen og/eller styrken af forholdet mellem uafhængige og afhængige variable (Baron & Kenny, 1986, p. 1174). Moderatorer anvendes ofte i tilfælde hvor der kun er en svag antydning af signifikante resultater mellem variable (ibid. p. 1178). For at der kan være tale om en moderator, bør det ifølge Baron & Kenny (1986) gøre sig gældende, at det kausale forhold mellem to variable ændrer sig som funktion af moderatoren (ibid. 1174) Vi har foretaget en dikotomisering af fem skalaer (EMS, RSE, RRQ, SCS samt SE), hvor vi via en frekvenstabel for forsøgsdeltagernes fordeling på den samlede skala har trukket et skel i midten⁵⁰og derefter betragtet forsøgsdeltagerne som to grupper på hhv. over og under middel. Vores moderatorer er dermed kvantitative variable. I den psykologiske forskning vedtages det ofte at sammenligning mellem eksempelvis højt og lavt selvværd foretages på baggrund af sammenligning mellem øverst ¼ og nederste ¼ af besvarelserne, dvs. mellem ultimativ top og bund (e.g. de Jong, 2002, Brown, 1986; Swann et al, 1989). Baron & Kenny (1986) skriver om socialpsykologien at:

“Unfortunately, theories in social psychology are usually not precise enough to specify the exact point at which the step in the function occurs” (ibid. p. 1175)

Argumentationen for at trække et skel i top og bund vs. argumentationen for at trække skellet i midten er dermed ikke så let og ligetil. Vi er imidlertid ikke interesseret i at se forskelle mellem top og bund – ej heller er vi interesserede i at udelukke store dele af vores datasæt. Baron & Kenny (1986) argumenterer for, at i tilfælde, hvor forskerne antager, at moderatoren kan dikotomiseres ved et bestemt punkt med udgangpunkt i, at der sker en ændring i forholdet mellem afhængig og uafhængig variabel ved dette punkt, da kan forskeren træffe et valg om at sætte et skel og foretage en dikotomisering (ibid. p. 1176).