Kvantitativ metode er ein forskingsmetode der ein samlar inntalmateriale av ulik karakter ved hjelp avmåleinstrument og meiningsmålingar (gallupar). Innhenting av data gjer ein som regel ved teljing, måling ogkalkulasjonar som vert nytta til å lagastatistikkar med ulikevariablar som vidare vert framstilt i form avtabellar oggrafar. Ved hjelp avdeskriptiv statistikk ogsannsynsteori kan ein analysera dataa sine og gjera greie for omfanget av eit fenomen,årsakssamanhengar eller testa ut ulikehypotesar. Desse metodane vert i hovudsak brukt innannaturvitskap ogsamfunnsvitskap.
Vanlege former for kvantitative forskningsdesign ertverrsnittstudie,longitudinell studie,tidsseriestudie ogeksperimentelle studiar.[1] Alle metodane har sine fordelar og ulemper, men eksperiment vert rekna som best egna til å gjeva sikre resultat, då andreforskarar kan gjentaka og verifisera resultata frå eins eiga forsking. I tillegg er eksperiment best egna til å avklara årsaksrelasjonar mellom variablar.[2] Innan naturvitskap er det ein utstrakt bruk av eksperiment, medan dette av praktiske, økonomiske og etiske årsaker ofte ikkje er mogeleg å gjennomføra innan samfunnsvitskaplege emne.
Ved kvantitative studiar er hovudprinsippet grannsemd. Ein ynskjer presise problemstillingar som kanoperasjonaliserast, det vil seia å gjera dei målbare. Problemstillinga peiker mot kven og kva ein ynskjer å måla.[3]Målenivået viser kva for ein informasjon ein kan lesa ut av dataa og kva for nokre statistiske analysar det er meiningsfylt å utføra på dei.[4] Ein må difor passa på at ein måler eller hentar inn data som gjev mogleiken til å svara på forskingsspørsmålet. Omgrepsvaliditet handlar om kvar godt ein har klart å operasjonalisera det ein ynskjer å finna ut av.[2]
For å utføra eit kvantitativ forskingsprosjekt kan ein anten samla inn eigne data eller nytta sekundærdata.
Om ein skal produsera eigne data igjennom til dømes ei spørjeundersøking eller eit eksperiment er opplegget i det store og heile fastlagt før datainnsamlinga har byrja. Forskaren har på førehand avgjord kva for nokre aspekt ein har valt ut å undersøkja, gjerne med omsyn på å stadfesta eller avsanna hypotesar eller påstandar. Forskingsdesignet for å henta inn kvantitativ data vert ofte meir rigid enn ved bruk av kvalitativ metode.[5] Ved bruk av stordata – der store mengder data kan samlast inn automatisk – stiller saka seg annleis då forskingsspørsmålet like godt kan dukka opp i etterkant av datainnsamlinga etterkvart som ein får oversikt over strukturen idatasettet.
Reabilitet handlar om datainnsamlinga er gjennomført på ein god måte.[6]
Ein ynskjer gjerne å kunnageneralisera resultata frå undersøkinga si, altså gjeva detekstern validitet. For å gjera dette må ein ha data frå heilepopulasjonen (altså gruppa ein ynskjer å studera), eller ein må ha data frå eittilfeldig utval der det er like stor sjanse for at alle i populasjonen kan verta ein observasjonseining i studiet. Eventuelt kan ein føretaka eit strategisk utval der ein fyrst delar populasjonen inn i undergrupper ein ynskjer å sikra at er representert for så å trekkja tilfeldig frå undergruppene. Dess større utvalet er, dess mindre erfeilmarginane, og dimed dess sikrare kan ein vera på at resultatet kan generaliserast, likevel kan ein aldri vera heilt sikker på at eit utval er representativt.[7] Om ein gjennomfører eit eksperiment kan også resultata ha avgrensa ekstern validitet, då ein har testa under ein konstruert situasjon som kanskje ikkje er overførbar til naturlege situasjonar.[8]
Det er hovudsakleg to former for analyse av kvantitativ data: analyse av einskildvariablar og samanhengen mellom variablane.[3]
Ein bør undersøkja fråfallet sitt; altså observasjonseiningar som ein ikkje fekk henta inn data frå eller observasjonseiningar som gav ufullstendige opplysningar frå. Om variablane i dataa ein har samla inn skil seg mykje frå variablar ein allereie kjenner til i populasjonen (som kjønn eller alder) kan det tyda på at utvalet ikkje er representativt.[9] Om fråfallet er systematisk må ein vera svært varsam med å konkludera på bakgrunn av resultata ein har fått.
Når ein skal analysera eit datamateriale som er henta inn frå eitsannsynsutval må ein undersøkjafeilmarginane, altså kvar stor usikkerheit det er knytt til resultatet. Dess større utvalet er, dess mindre vert feilmarginane: om ein fordoblar utvalet vil feilmarginane halverast.[10] Om utvalet er svært lite kan det då vera at resultatet kjem av reine tilfeldigheiter, resultatet har då med andre ord låg konklusjonsvaliditet.
Ein kan rekna seg fram til feilmarginane ved å finnastandardfeilen, eventuelt kan ein nytta ein test som heiterkji-kvadrat og rekna eitkonfidensintervall for resultatet. Ved utval under 50 personar må ein rekna medfridomsgradar.[11]
For å få oversikt overspreiinga av ein variabel vil ein typisk utarbeida eifrekvensfordeling med ulikekvantilar som dinest kan fremstillast i ein tabell eller eithistogram. Når ein kan sjå fordelinga grafisk kan ein få eit inntrykk av om fordelinga ernormalfordelt ellerskeivfordelt. Om verdiane er normalfordelt (fordelt symetrisk) vilgjennomsnittet ogmedianen vera omtrent det same.Sentralgrenseteoremet fortel at variablar som er skapt igjennom uavhengige og sjanselike hendingar (til dømes terningskast) vil tendera mot ei normalfordeling.
Det mest brukte målet på spreiing erstandardavvik.[12] Standardavviket erkvadratroten avvariansen og er einmatematisk modell av fordelinga. Ved bruk av standardavvik og gjennomsnitt kan ein rekna om resultatet til einormalfordeling. Fordelen med dette er at ein kan bryta ned fordelinga til berre 2 tall som gjer den vidare analysen enklare. Ulempa er at standardavvik ikkje gjev inntrykk av forma til fordelinga (skeivskapen) og er følsam forekstremverdiar.
Når ein veit standardavviket og gjennomsnittet kan ein nyttaz-skår til å rekna seg fram til kvar stor del av populasjonen som ligg innanfor eit vist intervall i fordelinga, til dømes over eller under ein viss verdi.[13]
Når ein undersøkjer samanhengar mellom to variablar leiter ein ofte etterkorrelasjonar. Det er viktig å hugsa at korrelasjon kan oppstå som eit resultat avspuriøse samanhengar eller reine tilfeldigheiter og difor ikkje treng å tydaårsakssamanhengar. På same måte tyder ikkje fråvær av korrelasjon at det ikkje er ein samanheng, då tilfeldigheiter eller bakanforliggande variablar kan gjera at resultatet ikkje korrelerer sjølv om det finst ein årsakssamanheng.[15]
For å avklara om ein står ovanfor spuriøse samanhengar kan ein gjennomføra ymse multivariate analysar, som er eit samleomgrep for ei rekkje analyseteknikkar.[16] Ein vil då nytta eliminasjonsmetoden og kontrollera for variablar ein mistenkjer kan påverka eins resultat, men ettersom ein ikkje kan vera sikker på at ein har oversikt over alle desse variablane, kan ein aldri vera sikker på at ein har gjord alle naudsynte kontrollar. Oppdaginga av spuriøse samanhengar og bakanforliggande variablar er ein av dei største utfordringane ved bruk av kvantitative metodar.[17] Difor er det viktig med ei god teoretisk forståing av dei fenomena ein ynskjer å nytta kvantitative metodar på.[18]
Dersom begge variablane har høgtmålenivå (altsåintervall- ellerforholdstalnivå) kan ein reknakorrelasjonskoeffisienten for å studera retninga og styrken på samanhengen.[19] Korrelasjonskoeffisienten fortel i kvar sterk grad variablane samvarierer, men ikkje noko om retninga til årsakssamanhengen.
Ein skil mellomavhengige oguavhengigevariablar; den avhengig variabelen er det fenomenet ein ynskjer å vita noko om, medan den uavhengige variabelen er det fenomenet som eventuelt kan påverka den avhengige variabelen.[20]Intern validitet seier noko om ein klarer å fortolka årsaksrelasjonar frå data på ein korrekt måte.[21]
Ein kan undersøkja korleis desse variablane samvarierer ved bruk av einkrysstabell. For å seia noko om årsakssamanhengar bør ein ha data over tid som kan visa korleis data samvarierer over eit tidsrom. Ein kan då undersøkja trender eller sesongmønster.
Ved høgt målenivå (altsåintervall- ellerforholdstalnivå) kan ein gjennomføra einregresjonsanalyse som kan fortelja i kvar stor grad den avhengige variabelen vert endra når den uavhengige variabelen vert endra.[14][22]
Andre multivariate modellar erlineær regresjon oglogistisk regresjon, menregresjonsanalyse er den mest bruke.[22]
Når ein skal analysera samanhengar må ein gjennomføra eihypotesetesting der ein både testar einnullhypotese (at det ikkje finst nokon samanheng) og einalternativ hypotese (at det finst ein samanheng).[23] Ein kan testa og forkasta hypotesar ved å gjennomføra einsignifikanstest. Då må ein kjosa eit signifikansnivå, altså grad av sikkerheit for at resultatet er korrekt, ofte vert grensa lagd til 95% eller 99%. Dess meir alvorleg eit rangt resultat vil vera, dess høgare signifikansnivå bør ein kjosa. Det finst dimed to ulike mistak ein kan gjera; At ein forkastar nullhypotesen og held på den alternative hypotesen, medan nullhypotesen er korrekt. Eller at ein held på nullypotesen, medan den alternative hypotesen er korrekt. Begge mistaka er alvorlege, men det alvorlegaste vil vera at ein påstår at det finst ein samanheng der det faktisk ikkje finst ein.[24]
