Stieanalyse er en form for multiple regresjon Statistisk analyse som brukes til å evaluere årsaksmodeller ved å undersøke sammenhengene mellom en avhengig variabel og to eller flere uavhengige variabler. Ved å bruke denne metoden kan man estimere både størrelsen og betydningen av årsakssammenhenger mellom variabler.
Key Takeaways: Sti-analyse
- Ved å utføre en sti-analyse, kan forskere bedre forstå årsakssammenhengen mellom forskjellige variabler.
- For å begynne tegner forskere et diagram som fungerer som en visuell fremstilling av forholdet mellom variabler.
- Deretter bruker forskere et statistisk program (for eksempel SPSS eller STATA) for å sammenligne spådommene sine med det faktiske forholdet mellom variablene.
Oversikt
Stieanalyse er teoretisk nyttig fordi den, i motsetning til andre teknikker, tvinger oss til å spesifisere sammenhenger mellom alle de uavhengige variablene. Dette resulterer i en modell som viser årsaksmekanismer som uavhengige variabler gir både direkte og indirekte effekter på en avhengig variabel.
Stieanalyse ble utviklet av Sewall Wright, en genetiker, i 1918. Over tid har metoden blitt benyttet i andre fysiske og naturvitenskapelige fag, inkludert sosiologi. I dag kan man gjennomføre baneanalyse med statistiske programmer inkludert SPSS og STATA, blant andre. Metoden er også kjent som kausal modellering, analyse av samvariasjonsstrukturer og latente variable modeller.
Forutsetninger for å gjennomføre en sti-analyse
Det er to hovedkrav for baneanalyse:
- Alle årsakssammenhenger mellom variabler må bare gå i en retning (du kan ikke ha et par variabler som forårsaker hverandre)
- Variablene må ha en klar tidsbestilling siden en variabel ikke kan sies å forårsake en annen med mindre den går foran den i tide.
Slik bruker du baneanalyse
Typisk innebærer baneanalyse konstruksjonen av et banediagram der forholdene mellom alle variabler og årsaksretningen mellom dem er spesifikt lagt ut. Når du utfører en baneanalyse, kan man først konstruere en inngangsdiagram, som illustrerer de hypotetiske forholdene. I en stiagrambruker forskere piler for å vise hvordan forskjellige variabler forholder seg til hverandre. En pil som peker fra for eksempel Variabel A til Variabel B, viser at Variabel A antas å påvirke Variabel B.
Etter at den statistiske analysen er fullført, vil en forsker deretter konstruere en utgangsdiagram, som illustrerer forholdene slik de faktisk eksisterer, ifølge analysen som er utført. Hvis forskerens hypotese er riktig, vil inngangsbanediagrammet og utgangsbanediagrammet vise de samme sammenhengene mellom variabler.
Eksempler på sti-analyse i forskning
La oss vurdere et eksempel der baneanalyse kan være nyttig. Si at du antar at alderen har en direkte effekt på arbeidsglede, og du antar at det har en positiv effekt, slik at jo eldre man er, desto mer fornøyd vil man være med jobben sin. En god forsker vil innse at det absolutt er andre uavhengige variabler som også påvirker vår avhengige variabel av arbeidsglede: for eksempel autonomi og inntekt, blant andre.
Ved hjelp av baneanalyse kan en forsker lage et diagram som kartlegger sammenhengene mellom variablene. Diagrammet viser en kobling mellom alder og autonomi (fordi den eldre typisk er, jo større er graden av autonomi de vil ha), og mellom alder og inntekt (igjen, det har en tendens til å være et positivt forhold mellom to). Deretter skal diagrammet også vise sammenhengene mellom disse to settene med variabler og den avhengige variabelen: arbeidsglede.
Etter ved hjelp av et statistisk program For å evaluere disse forholdene kan man deretter tegne diagrammet for å indikere størrelsen og betydningen av forholdene. For eksempel kan forskeren oppleve at både autonomi og inntekt er relatert til arbeidsglede, at en av disse to variabler har en mye sterkere kobling til jobbtilfredshet enn den andre, eller at ingen av variablene har en betydelig kobling til jobb tilfredshet.
Styrker og begrensninger i baneanalyse
Selv om baneanalyse er nyttig for å evaluere årsakshypoteser, kan ikke denne metoden bestemme retning av årsakssammenheng. Det tydeliggjør korrelasjon og indikerer styrken til en kausal hypotese, men beviser ikke årsakssammenheng. For å forstå forståelsen av årsakssammenheng fullt ut, kan forskere vurdere å lede eksperimentelle studier der deltakerne tilfeldig blir tildelt en behandlings- og kontrollgruppe.
Tilleggsressurser
Studenter som ønsker å lære mer om baneanalyse og hvordan de kan utføre den, kan henvise til University of Exeters oversikt over Stieanalyse og Kvantitativ dataanalyse for samfunnsvitere av Bryman og Cramer.
oppdatert av Nicki Lisa Cole, Ph. D.