6.2 Kvantitative metoder

Kvantitative metodar bruker tal og statistikk for å kartleggje og forklare sosiale mønster. Der kvalitative metodar går i djupna på få tilfelle, søkjer kvantitative metodar å finne mønster som gjeld for mange. Gjennom spørjeundersøkingar, registerdata og statistisk analyse kan sosiologar avdekkje samanhengar og tendensar i samfunnet som elles ville vore usynlege.

Spørjeundersøkinga er den mest brukte kvantitative metoden i sosiologien. Eit strukturert spørjeskjema blir sendt ut til eit stort tal respondentar, og svara blir koda som tal som kan analyserast statistisk. Gode spørjeskjema krev nøye utforming. Spørsmåla må vere klare og eintydige, svaralternativa må dekkje alle rimelege moglegheiter, og rekkjefølgja på spørsmåla kan påverke svara. Lukka spørsmål med faste svaralternativ gir data som er lette å analysere statistisk. Opne spørsmål kan gi meir nyansert informasjon, men er vanskelegare å kvantifisere.

Ein av dei mest brukte teknikkane i sosiologiske spørjeskjema er Likert-skalaen, utvikla av psykologen Rensis Likert i 1932. Ein Likert-skala ber respondenten gi opp grad av semje med ein påstand på ein skala, typisk frå 1 (heilt ueinig) til 5 (heilt einig). Døme: «Eg opplever at skulen er ein trygg stad» med svaralternativa «heilt ueinig», «delvis ueinig», «verken einig eller ueinig», «delvis einig» og «heilt einig». Likert-skalaar er populære fordi dei er enkle å forstå og svare på, dei gir meir nyanserte data enn ja/nei-spørsmål, og dei kan analyserast statistisk. Fleire Likert-spørsmål om same tema kan kombinerast til ein indeks som måler eit underliggjande omgrep, til dømes sjølvtillit eller politisk tillit. Utfordringar med Likert-skalaar inkluderer akviescensbias (tendensen til å seie seg einig uansett), sentraltendens (tendensen til å velje midtkategorien), og sosial ønskverdigheit (tendensen til å svare det som er sosialt akseptabelt). Forskarar kan motverke dette ved å inkludere nokre påstandar med motsett retning, slik at respondentar som svarar uoppmerksamt, blir avslørte.

Å utforme eit godt spørjeskjema er ein kunst som krev omhug. Fleire prinsipp er viktige. For det fyrste må kvart spørsmål måle det det er meint å måle (validitet). Spørsmålet «Trivst du i klassen din?» kan bety ulike ting for ulike respondentar: nokre tenkjer på det sosiale miljøet, andre på undervisninga. Meir presise formuleringar gir betre data. For det andre bør spørsmåla vere enkle og utvitydige. Dobbeltspørsmål som «Trivst du på skulen og heime?» er problematiske fordi respondenten kan trivast den eine staden men ikkje den andre. Leiande spørsmål som «Er du ikkje einig i at mobbing er eit alvorleg problem?» pressar respondenten mot eit bestemt svar. For det tredje er rekkjefølgjeeffektar viktige: tidlege spørsmål kan påverke svar på seinare spørsmål. Sensitive spørsmål bør kome seint i skjemaet, etter at respondenten har fått tillit til undersøkinga. Demografiske spørsmål (alder, kjønn, utdanning) blir vanlegvis plasserte til slutt. Ein pilotstudie - ein testgjennomføring med ei lita gruppe - er uvurderleg for å avdekkje problem med formuleringar, rekkjefølgje og lengd før den fullskala undersøkinga blir gjennomført.

I kvantitativ forsking er variablar dei eigenskapane som blir målte og varierer mellom einingar (personar, grupper, land). Variablar har ulike målenivå som avgjer kva statistiske analysar som er moglege. Nominalnivå er det lågaste målenivået, der verdiane er kategoriar utan innbyrdes rangering - til dømes kjønn (mann/kvinne) eller busted (by/bygd). Ordinalnivå inneber at verdiane kan rangerast, men at avstanden mellom dei ikkje er lik - til dømes utdanningsnivå (grunnskule, vidaregåande, høgare utdanning) eller ein Likert-skala. Intervallnivå og forholdstalsnivå inneber at avstanden mellom verdiane er lik og kan reknast med - til dømes alder, inntekt eller tal på timar brukt på lekser. Operasjonalisering er prosessen der abstrakte omgrep blir gjorde målbare. Til dømes kan «sosioøkonomisk status» operasjonaliserast gjennom variablane utdanningsnivå, yrke og inntekt. Korleis eit omgrep blir operasjonalisert, påverkar resultata: ein studie som måler «fattigdom» ut frå absolutt inntektsgrense, kan gi andre resultat enn ein studie som bruker relativ fattigdomsgrense.

Eit sentralt omgrepspar i kvantitativ forsking er korrelasjon og kausalitet. Korrelasjon tyder at to variablar samvarierer, altså at dei endrar seg i takt. Kausalitet tyder at den eine variabelen er årsak til endring i den andre. Det er avgjerande å forstå at korrelasjon ikkje automatisk inneber kausalitet. To variablar kan samvariere utan at den eine forårsakar den andre. Dei kan til dømes begge vere påverka av ein tredje, bakanforliggjande variabel. Til dømes korrelerer iskremforbruk og drukningsulukker positivt, men det tyder ikkje at iskrem forårsakar drukning. Begge blir påverka av ein tredje variabel: varmt vêr.

Regresjonsanalyse er ein statistisk teknikk som lèt forskarar undersøkje samanhengen mellom ein avhengig variabel (det ein ønskjer å forklare) og ein eller fleire uavhengige variablar (det ein trur påverkar). I si enklaste form, lineær regresjon, undersøkjer ein samanhengen mellom to variablar - til dømes samanhengen mellom utdanningslengd (uavhengig variabel) og inntekt (avhengig variabel). Regresjonsanalysen gir eit tal - regresjonskoeffisienten - som fortel kor mykje den avhengige variabelen endrar seg for kvar eining auke i den uavhengige variabelen. Til dømes kan ein analyse vise at kvart ekstra år med utdanning i gjennomsnitt er forbunde med 40 000 kroner høgare årsinntekt. Multippel regresjonsanalyse lèt forskaren inkludere fleire uavhengige variablar samtidig. Dette er avgjerande for å kontrollere for bakanforliggjande variablar. Viss ein finn ein samanheng mellom utdanning og inntekt, kan dette delvis skuldast at folk med høgare utdanning oftare kjem frå velståande familiar. Ved å inkludere inntekta til foreldra som kontrollvariabel kan ein undersøkje om utdanning har ein sjølvstendig effekt. Det er viktig å understreke at sjølv multippel regresjonsanalyse ikkje beviser kausalitet - han viser samanhengar når ein kontrollerer for andre kjende faktorar, men det kan alltid finnast ukjende faktorar som ikkje er inkluderte i analysen.

I tillegg til spørjeundersøkingar har sosiologar tilgang til registerdata og stordata (big data). Registerdata er opplysningar som offentlege styresmakter systematisk samlar inn om folkesetnaden, til dømes folkeregisteret, skatteregisteret, utdanningsregisteret og helseregisteret. I dei nordiske landa er desse registra særleg omfattande og kan koplast saman gjennom personnummeret. Dette gir unike moglegheiter for sosiologisk forsking: ein kan følgje heile folkesetnadsgrupper over tid og studere samanhengar mellom til dømes utdanning, helse og inntekt utan dei avgrensingane som følgjer av spørjeundersøkingar (fråfall, skeive utval, feilrapportering). Stordata refererer til enorme datamengder som blir genererte gjennom digital aktivitet: søk på internett, aktivitet i sosiale medium, mobilbruk, netthandel og liknande. Desse dataa gir sosiologar høve til å studere åtferdsmønster i sanntid og i ein skala som tidlegare var utenkjeleg. Samtidig reiser stordata viktige etiske og metodiske spørsmål om personvern, representativitet og tolkbarheit. At folk googlar noko, tyder ikkje nødvendigvis at dei meiner eller gjer det dei søkjer etter.

For at kvantitative funn skal ha verdi utover det konkrete utvalet som er studert, må utvalet vere representativt for populasjonen. Eit utval er representativt når det speglar samansetninga i populasjonen med omsyn til relevante kjenneteikn som kjønn, alder, busted og utdanning. Tilfeldig utveljing (randomisering) er den vanlegaste metoden for å sikre representativitet. Jo større utvalet er, jo meir presise blir estimata. Men storleik åleine er ikkje nok: eit stort, men skeivt utval gir upålitelege resultat. Feilmarginar gir opp uvissa i resultata og avheng av utvalsstorleiken og variasjonen i svara.

Eksperiment er den sterkaste metoden for å fastslå kausalitet, men dei blir brukte sjeldnare i sosiologien enn i til dømes psykologien. I eit klassisk eksperiment blir deltakarane delte tilfeldig inn i ei eksperimentgruppe (som blir utsett for ei bestemt påverknad) og ei kontrollgruppe (som ikkje blir utsett for påverknaden). Fordi inndelinga er tilfeldig, kan eventuelle skilnader mellom gruppene tilskrivast påverknaden. Randomiserte kontrollerte forsøk (RCT) blir brukte i sosiologien mellom anna til å evaluere politiske tiltak: til dømes kan ein tilfeldig velje ut nokre skular som innfører eit nytt anti-mobbe-program, og samanlikne med kontrollskular som held fram som før. Felteksperiment blir gjennomførte i naturlege omgivnader og kan avdekkje diskriminering. I korrespondansetestar sender forskarar ut identiske jobbsøknader der berre namnet varierer - til dømes eit typisk norsk namn og eit typisk muslimsk namn - og registrerer skilnader i innkallingar til intervju. Slike studiar i Noreg har vist at søkjarar med utanlandsklingande namn har lågare sannsyn for å bli innkalla til intervju, sjølv med identiske kvalifikasjonar. Naturlege eksperiment oppstår når tilfeldige endringar i omgivnadene skaper ein eksperimentliknande situasjon utan at forskaren har planlagt det. Til dømes kan ei lovendring som berre råkar nokre grupper, brukast til å studere effekten av lovgjeving ved å samanlikne dei råka med dei ikkje-råka.

Kvantitative metodar har fleire styrkar: dei gir oversikt over store datamengder, resultata kan generaliserast til ein større folkesetnad, dei gjer det mogleg å avdekkje statistiske samanhengar, og forskinga er lettare å etterprøve. Veikskapar inkluderer at kvantitative metodar gir lite djupneforståing av erfaringane til individ, at spørjeskjema låser respondentane til førehandsdefinerte kategoriar, at tala kan gi eit falskt inntrykk av presisjon, og at komplekse sosiale fenomen kan bli forenkla gjennom kvantifisering.

Mixed methods (blanda metodar) er ein forskingsstrategi som systematisk kombinerer kvalitative og kvantitative metodar i same studie. Tilnærminga har vakse kraftig i popularitet dei siste tiåra fordi ho kan utnytte styrkane til begge metodetradisjonar. Det finst fleire designtypar: I sekvensielt forklarande design gjennomfører forskaren fyrst ein kvantitativ studie, deretter ein kvalitativ studie for å forklare og utdjupe dei kvantitative funna. Til dømes kan ei spørjeundersøking avdekkje at elevar med innvandrarbakgrunn rapporterer lågare trivsel, og oppfølgjande intervju kan utforske årsakene. I sekvensielt utforskande design startar ein med kvalitative intervju for å identifisere relevante tema, og utviklar deretter eit spørjeskjema basert på funna for å undersøkje om temaa gjeld for ei større gruppe. I konvergent design blir kvalitative og kvantitative studiar gjennomførte parallelt, og resultata blir integrerte i analysen. Mixed methods krev kompetanse i begge metodetradisjonane og er meir ressurskrevjande, men kan gi ei rikare og meir heilskapleg forståing av komplekse sosiale fenomen enn enkeltmetodar åleine.

Eit sentralt omgrep i kvantitativ forsking er statistisk signifikans. Når ein forskar finn ein samanheng mellom to variablar i eit utval, må ho vurdere om denne samanhengen er «ekte» eller berre skuldast tilfeldigheiter i utvalet. Statistisk signifikans er eit mål på sannsynet for at det observerte resultatet har oppstått tilfeldig dersom det i røynda ikkje finst nokon samanheng. Dette sannsynet blir uttrykt som ein p-verdi. Ein p-verdi på 0,05 tyder at det er 5 prosent sannsyn for at resultatet skuldast tilfeldigheiter. Vanlegvis blir resultat med p-verdi under 0,05 rekna som statistisk signifikante. Det er likevel viktig å forstå avgrensingane. Statistisk signifikans tyder ikkje nødvendigvis praktisk tyding: med eit stort nok utval kan sjølv trivielle skilnader bli statistisk signifikante. Dessutan seier p-verdien ingenting om storleiken på effekten - ein statistisk signifikant samanheng kan vere svak og utan praktisk relevans. Det er òg eit kjent problem at forskarar kan «jakte» på signifikante resultat ved å teste mange samanhengar og berre rapportere dei som gir signifikante funn (p-hacking). God forsking rapporterer òg effektstorleikar og konfidensintervall, ikkje berre p-verdiar.

Ikkje all kvantitativ forsking krev at forskaren samlar inn eigne data. Sekundæranalyse inneber å analysere data som allereie er samla inn av andre, til dømes undersøkingane til SSB, European Social Survey (ESS) eller World Values Survey (WVS). Desse datasetta er ofte store, representative og av høg kvalitet, og dei er tilgjengelege for forskarar gjennom dataarkiv. Sekundæranalyse er kostnadseffektivt og gir høve til å studere endringar over tid (tidsserieanalyse) og samanlikne på tvers av land (komparative studiar). Komparative studiar som samanliknar sosiale fenomen mellom land, er ein viktig tradisjon i sosiologien. Til dømes kan ein bruke ESS-data til å samanlikne tillit til institusjonar i ulike europeiske land, eller WVS-data til å studere korleis verdiar varierer mellom kulturar. Utfordringane med sekundæranalyse inkluderer at dataa er samla inn for andre føremål og kanskje ikkje passar perfekt til problemstillinga di, at spørsmålsformuleringar kan ha ulik tyding i ulike land, og at forskaren har avgrensa kontroll over datakvaliteten.

Kvantitative metodar gir sosiologar verktøy for å kartleggje mønster og samanhengar i samfunnet gjennom tal og statistikk. Spørjeundersøkingar er den mest brukte metoden, og god spørjeskjemadesign med klare spørsmål og Likert-skalaar er avgjerande. Representativitet og tilfeldig utveljing sikrar at resultata kan generaliserast. Det er viktig å skilje mellom korrelasjon og kausalitet, og å forstå omgrep som regresjonsanalyse, statistisk signifikans og p-verdiar. Eksperimentelle metodar gir den sterkaste evidensen for kausalitet. Registerdata og stordata opnar nye moglegheiter, medan sekundæranalyse gir tilgang til store, eksisterande datasett. Mixed methods kombinerer styrkane til både kvalitative og kvantitative tilnærmingar.

Kvantitativ forsking er utsett for ei rekkje feilkjelder og former for bias som kan true gyldigheita til resultata. Utvalsbias oppstår når utvalet ikkje er representativt for populasjonen - til dømes dersom berre motiverte elevar svarar på ei trivselsundersøking. Responsbias inneber at respondentar systematisk svarar unøyaktig, til dømes på grunn av sosial ønskverdigheit (å svare det som er sosialt akseptabelt), akviescensbias (tendensen til å seie seg einig) eller hukommelsesbias (feil i å hugse fortidige hendingar). Fråfall (nonresponse bias) kan gjere resultata skeive viss dei som ikkje svarar, systematisk skil seg frå dei som svarar. Confirmation bias hos forskaren kan føre til selektiv tolking av resultat - ein ser det ein ventar å finne. Publiseringsbias inneber at studiar med signifikante funn har lettare for å bli publiserte enn studiar som ikkje finn samanhengar, noko som gir eit skeivt bilete av kunnskapsgrunnlaget. Medvit om desse feilkjeldene og aktive tiltak for å minimere dei er avgjerande for god kvantitativ forsking.

Oppsummering

I dette kapittelet har du lært:

- Kvantitative metodar: Kvantitative metodar er forskingsmetodar som samlar inn data i form av tal og mengder.
- Likert-skala: Ein Likert-skala er ein vurderingsskala brukt i spørjeskjema der respondenten gir opp grad av semje med ein påstand, vanlegvis på ein skala frå 1 til 5 eller 1 til 7.
- Operasjonalisering: Operasjonalisering er prosessen der eit abstrakt omgrep blir gjort målbart ved å definere konkrete indikatorar som kan observerast eller registrerast.
- Korrelasjon og kausalitet: Korrelasjon er ein statistisk samanheng mellom to variablar som viser at dei samvarierer.
- Regresjonsanalyse: Regresjonsanalyse er ein statistisk metode som undersøkjer samanhengen mellom ein avhengig variabel og ein eller fleire uavhengige variablar.

Nøkkelomgrep