تحضير البيانات

بعد جمع البيانات يجب على الباحث تحضير البيانات لتحليلها. يمكن أن يؤدي تنظيم البيانات بشكل صحيح إلى توفير الكثير من الوقت ومنع الأخطاء. يختار معظم الباحثين استخدام قاعدة بيانات أو برنامج تحليل إحصائي (مثل Microsoft Excel و SPSS) يمكنهم تنسيقه لتناسب احتياجاتهم وتنظيم بياناتهم بشكل فعال. بمجرد إدخال البيانات ، من الضروري أن يتحقق الباحث من البيانات للتأكد من دقتها. يمكن تحقيق ذلك عن طريق التحقق الفوري من مجموعة عشوائية من مجموعات بيانات المشاركين ، ولكن هذه الطريقة ليست فعالة مثل إعادة إدخال البيانات مرة ثانية والبحث عن التناقضات.

هذه الطريقة سهلة بشكل خاص عند استخدام البيانات الرقمية لأن الباحث يمكنه ببساطة استخدام برنامج قاعدة البيانات لتجميع أعمدة جدول البيانات ثم البحث عن الاختلافات في الإجماليات. تتمثل إحدى أفضل طرق التحقق من الدقة في استخدام برنامج كمبيوتر متخصص يقوم بالتحقق من البيانات التي تم إدخالها مرتين بحثًا عن التناقضات.

الإحصاء الوصفي 

الإحصاء الوصفي يصف البيانات ولكن لا يستخلصها. تلخص كل إحصائية وصفية عدة نقاط بيانات منفصلة باستخدام رقم واحد. يمكنهم إخبار الباحث بالاتجاه المركزي للمتغير ، مما يعني متوسط ​​درجة المشارك في مقياس دراسة معين. يمكن للباحث أيضًا تحديد توزيع الدرجات على مقياس دراسة معين ، أو غيره

علاقه مترابطه

الارتباط هو أحد أكثر أنواع الإحصاء الوصفي استخدامًا (وغالبًا ما يساء استخدامها). ربما يكون من الأفضل وصفه بأنه “رقم واحد يصف درجة العلاقة بين متغيرين.”  إذا كان هناك متغيرين يميلان إلى أن يكونا “مترابطين” ، فهذا يعني أن درجة المشارك في متغير واحد تميل إلى التباين مع درجة على الأخرى. على سبيل المثال ، يميل طول الأشخاص ومقاس حذائهم إلى الارتباط بشكل إيجابي. هذا يعني أنه بالنسبة للجزء الأكبر ، إذا كان الشخص طويل القامة ، فمن المحتمل أن يكون له مقاس حذاء كبير ، وعلى العكس ، إذا كان قصيرًا ، فمن المحتمل أن يكون مقاس حذاء أصغر. يمكن أن يكون الارتباط سلبيًا أيضًا. على سبيل المثال ، قد ترتبط درجات الحرارة الأكثر دفئًا بالخارج ارتباطًا سلبيًا بعدد الشوكولاتة الساخنة المباعة في مقهى محلي. هذا يعني أنه مع ارتفاع درجة الحرارة ، تميل مبيعات الشوكولاتة الساخنة إلى الانخفاض. على الرغم من أن العلاقة السببية قد تبدو ضمنية في هذه الحالة ، فمن المهم ملاحظة أنه على المستوى الإحصائي ، لا يعني الارتباط السببية. يعرف الباحث الجيد أنه لا توجد طريقة للتقييم من خلال الارتباط وحده أن هناك علاقة سببية بين متغيرين. من أجل التأكيد على أن “X تسبب Y” ، يجب أن تكون الدراسة تجريبية ، مع مجموعات تحكم وإجراءات أخذ عينات عشوائية. تحديد السببية هو أمر يصعب القيام به ، ومن الخطأ الشائع تأكيد علاقة السبب والنتيجة عندما لا تدعم منهجية الدراسة هذا التأكيد.
  

دلالة إحصائية 

لا يمكن للباحثين ببساطة أن يستنتجوا أن هناك فرقًا بين مجموعتين في دراسة جيدة البناء. يجب أن يكون هذا الاختلاف بسبب التلاعب بالمتغير المستقل. بغض النظر عن مدى جودة تصميم الباحث للدراسة ، هناك دائمًا درجة من الخطأ في النتائج. قد يكون هذا الخطأ بسبب الاختلافات الفردية داخل وبين المجموعات التجريبية ، أو قد يكون الخطأ بسبب الاختلافات المنهجية داخل عينة الباحث. بغض النظر عن مصدره ، يعمل هذا الخطأ “كضجيج” في البيانات ويؤثر على درجات المشاركين في مقاييس الدراسة على الرغم من أنه ليس متغير الاهتمام. تهدف الأهمية الإحصائية إلى تحديد احتمالية أن تكون النتيجة المرصودة للدراسة ناتجة عن تأثير شيء آخر غير الصدفة. تكون النتيجة “ذات دلالة إحصائية” عند مستوى معين. على سبيل المثال ، قد تكون النتيجة مهمة عند p <.05. يمثل “P” احتمال أن تكون النتيجة بسبب الصدفة ، ويمثل 0.05 احتمالًا بنسبة 5٪ أن النتيجة كانت بسبب الصدفة. لذلك ، في دراسة جيدة الإدارة ، تعني p <.05 أن التحليل الإحصائي الاستنتاجي قد أشار إلى أن النتائج المرصودة لها احتمالية تزيد عن 95٪ بسبب تأثير المتغير المستقل. يُعتقد عمومًا أن الحد الأقصى البالغ 5٪ هو المعيار لمعظم البحث العلمي. لاحظ أنه من المستحيل نظريًا أن تكون متأكدًا تمامًا من أن نتائج المرء ليست بسبب الصدفة ، لأن طبيعة العلم هي واحدة من مراقبة الاتجاهات واختبار الفرضيات ، وليست دليلًا ثابتًا.