Oftest kvantitativ forskning = målbart via tal To overordnede metoder til dette: 1. Gennem eksperimenter 2. Gennem observationer  NY VIDEN.

Præsentationer af emnet: "Oftest kvantitativ forskning = målbart via tal To overordnede metoder til dette: 1. Gennem eksperimenter 2. Gennem observationer  NY VIDEN."— Præsentationens transcript:

1 Oftest kvantitativ forskning = målbart via tal To overordnede metoder til dette: 1. Gennem eksperimenter 2. Gennem observationer  NY VIDEN

2 Eksperimenter Aktiv manipulering (man designer) Alt kan principielt undersøges – men forsøgspersoner kan ikke udsættes for alt (fx kræftfremkaldende stoffer) Observationer Passive observationer af større grupper/befolkning Erstatter eksperimenter pga. etiske overvejelser

3

4 (0. Observation, undren, mistanke…) 1. Hypotese fremsættes 2. Dataindsamling 3. Test af data via statistik (4. Eventuelt ny hypotese)

5 Falcifikationsprincippet benyttes: Det er principielt umuligt at bevise (verificere) en hypotese, da der altid vil kunne tænkes undtagelser, hvor den ikke gælder. Det er derimod lettere at forkaste (falcificere) en hypotese, hvis man finder undtagelser/afvigelser. Øvelsen er altså at forsøge at forkaste sin egen hypotese. Jo mere den kan ”holde til”, desto bedre er den!

6 Fx. En præparat der muligvis sænker blodtrykket ønskes undersøgt. Der opstilles to modsatrettede hypoteser: H0-hypotese: præparatet sænker ikke blodtrykket H1-hypotese: præparatet sænker blodtrykket Det er oftest forskel mellem datasæt, man gerne vil påvise. H1-hypotesen er derfor den, vi i virkeligheden er interesseret i, men vi kan ikke bevise hypoteser, men derimod afvise dem. Derfor koncentrerer vi os om H0-hypotesen. Hvis den kan afvises (falcificeres), må vi acceptere den modsatte hypotese (H1), hvilket netop er meningen! Antagelsen bliver altså, at det kan være lige meget rent blodtryksmæssigt, om man tager præparatet eller ej (H 0 ). Hvis det viser sig ikke at være tilfældet, må præparatet jo netop have en blodtrykssænkende effekt (H 1 ).

7 For at indsamlede data kan antages at være pålidelige, må visse kriterier være opfyldt: - Kontrollerede undersøgelser med parameterkontrol - Randomisering - Placebo-kontrol - Blindet (engelsk) procedure

8 Der skal sikres parameterkontrol, så man kun varierer det, der ønskes undersøgt (fx et medicinpræparat). Hvis alt andet holdes konstant, må en eventuel effekt skyldes den pågældende variable parameter – medicinpræparatet. Mulige fejlkilder skal altså elimineres/minimeres. Målingerne skal være objektive, således at personlige skøn minimeres. Man opererer ofte med en kontrolgruppe, der skal sikre, at der er et sammenligningsgrundlag. Altså mindst to grupper – den gruppe der udsættes for præparatet, og en gruppe der tjener som sammenligningsgrundlag (kontrol). Af bl.a. etiske årsager er det ikke altid muligt at lave en kontrolleret undersøgelse (man kan fx ikke forlange at den ene gruppe skal udsættes for potentielt skadelige faktorer såsom rygning og alkohol).

9 Forsøgspersonerne skal udvælges tilfældigt og grupperes tilfældigt i fx en kontrolgruppe og en behandlingsgruppe. Fordelingen kan foregå ved simpel lodtrækning, men det skal efterfølgende sikres, at der fx ikke udelukkende er mænd i den ene gruppe og kvinder i den anden. Med andre ord skal det sikres, at de to grupper ligner hinanden mht. fx køn, aldersfordeling, helbred osv. De behøver ikke være helt ens (umuligt), men må ikke være afgørende forskellige fra hinanden. Hvis de var det, kunne en ellers tilsyneladende forskel mellem de to grupper blot skyldes gruppernes forskellige sammensætning og ikke det testede præparat. Der findes mange forskellige måder at randomisere på. Det er ikke altid muligt at overholde randomiserings-princippet.

10 Placebo-effekt = hvis man tror, man får medicin, kan det rent faktisk ske, at man får det bedre på trods af, at man ikke har fået noget medicin! Tro – og hele forsøgssituationen - kan med andre ord ”flytte bjerge”. Det skal således sikres, at en eventuel effekt af et præparat ikke blot skyldes troen på præparatet, men rent faktisk skyldes en reel fysiologisk effekt af præparatet. Man benytter derfor ofte hele tre grupper: behandlingsgruppen, kontrolgruppen og placebo-gruppen. Sidstnævnte får noget, der ligner medicinen, men som har en neutral (ingen) effekt. Kontrolgruppen får slet ikke præparatet, mens behandlingsgruppen får det virksomme præparat. Placebo-effekten og præparatets reelle effekt kan nu illustreres således: Forbedring KontrolPlaceboMedicin reel effekt placebo-effekt

11 De deltagende forsøgspersoner må ikke vide, hvilken gruppe de tilhører. Herved undgås, at forsøgspersonerne ubevidst kan påvirke resultaterne. Dette kaldes ”Rosenthal-effekten”. En person med negative forventninger til behandlingen kan sløre effekten af behandlingen (og omvendt). Allerhelst foretages dobbelt blindet procedure – her ved hverken forsøgspersonerne eller de personer, der skal forestå eksperimentet, hvad der gives og til hvem. Det kan nemlig ofte være svært som behandler/læge ikke ubevidst at røbe, om man giver medicin eller placebo. Selv dem der analyserer data, bør principielt ikke vide, hvilken gruppe de analyserer (kontrol eller behandling?) – tridobbelt blinded!

12 Dataindsamlingen skal altså helst være: blindet, randomiseret og placebo-kontrolleret. Herved opnås størst mulig pålidelighed (validitet)

13 Der findes mange statistiske testmetoder afhængigt af data og det underliggende eksperiment. H0-hypotesen skal i alle tilfælde testes. (man kan kun teste ensartethed, ikke forskellighed) Verificering af H 0 -hypotesen: Hvis testværdien for hypotesen er >5 %, kan den ikke afvises ud fra data H0-hypotesen må accepteres, og H1-hypotesen forkastes Der er hermed ikke påvist forskel mellem datasæt, hvilket ellers var hensigten (fx blodtrykspræparatet påvirker ikke blodtrykket) Falcificering af H0-hypotesen: Hvis testværdien for hypotesen er <5 %, er den for usandsynlig H0-hypotesen forkastes, og H1-hypotesen accepteres Der er hermed påvist en forskel mellem datasæt, hvilket var hensigten (fx blodtrykspræparatet sænker blodtrykket)

14 Bruges til at undersøge, om to middelværdier er ens eller forskellige. Det kan fx være middelværdier fra en kontrolgruppe og en behandlings- gruppe ved testning af ny medicin. Det kunne også være middelværdier fra to grupper, der er udsat for forskellige forhold – fx præstationsevnen før og efter opvarmning. T-testen kan enten være parret eller uparret. Parret t-test = her testes personerne parvis (fx før og efter). Uparret t-test = her testes personerne ikke parvist. T-test forudsætter, at data er normalfordelt. Dette kan enten testes eller blot antages. T-testen forudsætter desuden, at data er målinger (reelle tal) og ikke fx subjektive oplevelser, der grupperes på en fiktiv tal-skala (fx fra 1-10).

15 EKSEMPEL: 10 elever foretager længdespring før og efter opvarmning H 0 -hypotesen = der er ikke forskel på præstationen før og efter opvarmning H 1 -hypotensen = der er forskel på præstationen før og efter opvarmning Det er H 0, der testes (men H 1 -hypotesen, vi egentlig gerne vil vise, gælder) Person Uden opvarmningMed opvarmning 1 3,864,02 24,174,43 33,453,60 44,895,12 54,604,64 64,084,46 73,033,01 85,45 5,79 94,985,23 104,78 5,01 9 elever oplever fremgang, en enkelt tilbagegang. Der er en gennemsnitlig fremgang på 4,67 %, hvilket svarer til 20,2 cm. Spørgsmål: Er det en statistisk signifikant forbedring eller blot en tilfældighed?

16 Signifikant kan oversættes til ”stor nok”. Hvis forskellen mellem resultaterne før opvarmning og efter opvarmning er statistisk signifikant, så er forskellen ikke blot en tilfældighed, men derimod et resultat af opvarmningen (her forudsættes det, at metoden til dataopsamling er i orden – konkret er det svært at overholde alle formalia her, fx randomiseringen). Kan der påvises en forskel mellem de to situationer, må H0-hypotesen altså forkastes. Hermed står vi tilbage med H1-hypotesen – nemlig at der er en forskel mellem datasættene – opvarmning kan altså betale sig. Testværdien for H0-hypotesen kan findes via Excel. Vælg ”statistik” og ”TTEST” og marker de to datasæt (vektor 1 og 2). Vælg ”2” ved ”Haler”, hvilket angiver at testen skal være tosidet. Vælg ”1” ved ”Type”, hvilket betyder en parret t-test. Testværdien (p-værdien) for H0 bliver nu = 0,06 % (0,0006) H0 er dermed falcificeret (under 5 %). Hermed er H1-hypotesen verificeret. Testværdien for H1-hypotesen er dermed 99,94 % (100-0,06). RESULTAT: opvarmningen har en gavnlig effekt på præstationen.

17 Bruges til at sammenligne hyppigheder. Man opstiller nogle forventede hyppigheder, som man så sammenholder med de i eksperimentet opnåede hyppigheder. Er der tale om sammenfald, eller er der statistisk signifikant forskel? Testen finder fx anvendelse inden for genetik med udspaltningsforhold mellem fænotyper. Her kan man teste, om det eksperimentelle udfald af fænotyper stemmer overens med et forventet udfald (er der fx tale om 3:1-udspaltningsforholdet eller ej?). Testen kan også anvendes til at vurdere, om en mønt eller en terning er skæv/asymmetrisk – altså om de ikke leverer de forventede udfald på hhv. fifty-fifty og 1/6 af hver.

18 EKSEMPEL: Der slås 100 gange med en terning. Resultaterne bliver: 1: 22 stk. 2: 15 stk. 3: 19 stk. 4: 11 stk. 5: 21 stk. 6: 12stk. H0-hypotesen er, at terningen er symmetrisk, og at der derfor skal være 1/6 af hvert udfald (dvs. 16,7 stk. af hver). De observerede værdier afviger tydeligt fra 16,7 - men er det statistisk signifikant, eller er det bare en tilfældighed? Chi-i-anden-værdien beregnes via Excel. Vælg ”Statistik” og ”CHITEST” og marker hhv. de observerede værdier og de teoretiske. Testværdien for H0-hypotesen bliver nu = 25,7 % (0,257) H0 kan altså ikke falcificeres (forkastes ) – den er foreløbigt verificeret. Testværdien for H 1 -hypotesen er dermed 74,3 %, hvilket ikke er nok (skal være over 95 %) – den er falcificeret. RESULTAT: Terningen er symmetrisk. Variationen skyldes altså tilfældigheder. Hvis du kaster flere kast, vil de observerede værdier nærme sig de teoretiske.

19 Man udsætter ikke forsøgspersonerne for noget uetisk (hvis man vil undersøge om børn af alkoholikere har dårligere immunforsvar, kan man ikke designe et eksperiment, hvor den ene gruppe skal være alkoholikere og få børn…) Man følger bare to befolkningsgrupper passivt, og ser hvad der sker (og sammenligner børn af alkoholikere med børn af ikke-alkoholikere – forudsat at de på andre parametre ikke varierer, hvorved de er sammenlignelige)

20 Kohorte-studier (gruppe-studier i årevis) Udgangspunktet er fx en population, der er sygdomsfri ved starten (baseline) Inddeling i grupper, der varierer med en parameter (den man undersøger) Herefter observeres, hvor mange der bliver syge i de to grupper Fx inddeling af nyfødte i 2 grupper – mavesovende og rygsovende Efter et år optælles antallet af vuggedød Rygsovende: 0,3 % er døde Mavesovende: 1,1 % er døde SPG.: Betyder sovestillingen noget for udvikling af vuggedød? SVAR: Ja, flere, der sover på maven, dør (statistisk set) Hvis der er historiske optegnelser, kan baseline lægges i fortiden Man skal dog passe på med data baseret på menneskers hukommelse Pas på med konklusioner – der er fx en tydelig sammenhæng mellem antal børnefødsler og antal storke i DK….(tilfældig sammenhæng)

21 Inden for AT-emnet skal naturvidenskabelig metode inddrages. Tænk ikke kun teoretisk særfagligt, men også metodisk mht. eksp./obs. Kommenter allerede udførte eksperimenter. Find selv på et eksperiment, der kan belyse emnet. Design dit eksperiment el. kommenter det allerede udførte eksperiment mht. objektivitet(kontrolleret, randomiseret, placebo-effekt, blindet)? Hvad kunne evt. forbedres? Forklar hypotese-teorien med konkrete eksempler. Test eventuelt data. Vis, at du kan tolke hypotesernes testværdi (p-værdien) – signifikant forskel? Bør man i stedet inddrage observationsstudier? Hvorfor? Hvordan kunne et sådan designes? Eller eksisterer der et studium allerede, du kan kommentere?