5.6 Statistisk prosjektarbeid

Fra nysgjerrighet til undersøkelse

En gruppe S2-elever sitter i kantina og krangler om noe alle har en mening om: bruker VG3-elever egentlig mer tid på lekser enn VG1-elever? Meninger er gratis — men nå har de verktøyene til å finne det ut ordentlig. Det de skal gjennomføre, er et statistisk prosjekt, og slike følger alltid den samme statistiske syklusen i fem faser: $$\text{Problem} \rightarrow \text{Plan} \rightarrow \text{Data} \rightarrow \text{Analyse} \rightarrow \text{Konklusjon}$$

Problemfasen handler om å formulere en klar, avgrenset problemstilling. En god problemstilling er spesifikk og målbar, gjennomførbar med ressursene man har, og statistisk interessant — det må finnes genuin usikkerhet. «Er gjennomsnittlig ukentlig leksetid forskjellig for VG1- og VG3-elever ved vår skole?» oppfyller alle tre.

Deretter oversettes problemstillingen til hypoteser. Nullhypotesen $H_0$ er «ingen effekt»-påstanden vi tester mot; alternativhypotesen $H_1$ er det vi ønsker å påvise, gjerne med faglig begrunnelse. For leksetiden: $H_0: \mu_1 = \mu_3$ mot $H_1: \mu_1 \neq \mu_3$ (tosidig). Andre problemstillinger gir andre par: «Sover VG2-elever mindre enn 8 timer?» gir $H_0: \mu = 8$ mot $H_1: \mu < 8$ (ensidig); «Er det sammenheng mellom øvingstimer og karakter?» gir $H_0: \rho = 0$ mot $H_1: \rho \neq 0$. Signifikansnivået — typisk $\alpha = 0{,}05$ — velges også nå, før noen har sett et eneste datapunkt.

Resten av fortellingen følger elevene gjennom de fire neste fasene — inkludert det mange glemmer: jussen og etikken i å samle inn data om mennesker.

Planen: hvordan skaffe data — og lov til å ha dem

Valg av datainnsamlingsmetode avgjør hva konklusjonene kan bære. En spørreundersøkelse når mange og koster lite, og kan enkelt anonymiseres — men sliter med lav svarprosent, unøyaktige svar (respons-bias) og ledende spørsmålsformuleringer; utvalget bør være tilfeldig (gullstandarden), ikke et bekvemmelighetsutvalg av de som tilfeldigvis var i nærheten. Et eksperiment kan etablere kausalitet — årsak og virkning — fordi randomisering til behandlings- og kontrollgruppe eliminerer systematiske skjevheter, men det er dyrt, tidkrevende og kan støte på etiske grenser. En observasjonsstudie studerer virkeligheten uten inngrep, men kan bare påvise korrelasjon, aldri kausalitet — konfunderende variabler lurer alltid. Og sekundærdata fra SSB, WHO eller Folkehelseinstituttet er ferdig innsamlet og omfattende, men sjelden skreddersydd til problemstillingen.

Samler man inn persondata, gjelder GDPR, EUs personvernforordning (i Norge via EØS). Grunnkravene: et lovlig grunnlag — vanligvis informert samtykke; formålsbegrensning — dataene brukes bare til det oppgitte formålet; dataminimering — samle bare det nødvendige; begrenset lagringstid — slett når analysen er ferdig; og informasjonsplikt om hvem som behandler dataene. For skoleprosjekter er rådene konkrete: bruk anonyme spørreskjemaer der det er mulig (ingen navn, e-post eller personnummer), hent skriftlig samtykke hvis navn må brukes, vurder om aggregerte offentlige data kan erstatte egen innsamling, og vær ekstra varsom med sårbare grupper og sensitive kategorier som helse, etnisitet og religion.

Elevene velger et anonymt elektronisk spørreskjema til et tilfeldig utvalg på 40 elever fra hvert trinn — 80 totalt — der bare trinn og ukentlige leksetimer registreres. Ingen personopplysninger, ingen GDPR-hodepine, og en plan som matcher problemstillingen: numeriske data i to grupper peker mot en to-utvalgs t-test.

Analyse, kritikk og rapport

Etter en ukes innsamling har elevene dataene, og metodevalget følger datatypen. En huskeliste: numeriske data i én gruppe → konfidensintervall for $\mu$ og t-test; numeriske data i to grupper → to-utvalgs t-test; kategoriske data → konfidensintervall for andel og z-test; sammenheng mellom to numeriske variabler → korrelasjonskoeffisient $r$ og regresjon; spørsmål om en fordeling → kjikvadrattest.

Deskriptiv statistikk først: VG1-utvalget gir $\bar{x}_1 = 4{,}2$ timer med $s_1 = 1{,}8$; VG3 gir $\bar{x}_3 = 5{,}7$ timer med $s_3 = 2{,}1$. Så testen: $$t = \frac{4{,}2 - 5{,}7}{\sqrt{\frac{1{,}8^2}{40} + \frac{2{,}1^2}{40}}} \approx -3{,}6$$ med p-verdi under 0,001. Konklusjonen: $H_0$ forkastes — VG3-elever bruker signifikant mer tid på lekser enn VG1-elever ved denne skolen.

Men en god rapport stopper ikke ved p-verdien; den tolker kritisk. Statistisk signifikans er ikke praktisk betydning — en stor studie kan gi signifikante, men ubetydelige effekter. Korrelasjon er ikke kausalitet — en sterk sammenheng mellom $X$ og $Y$ kan skyldes en konfunderende variabel $Z$; for leksetiden er fagsammensetningen på trinnene en åpenbar kandidat. Konfidensintervaller sier mer enn p-verdier, for de viser også presisjonen. Og bortfallet må vurderes: hvem svarte ikke, og skiller de seg systematisk fra de som svarte?

Selve rapporten følger en fast struktur: innledning med problemstilling og bakgrunn, metode med datainnsamling, utvalg og analysemetoder, resultater med tabeller, figurer og beregninger, diskusjon av begrensninger, konfunderende variabler og generaliserbarhet, og konklusjon som svarer på problemstillingen. Elevenes siste avsnitt viser formen: «Studien gjelder kun vår skole og kan ikke generaliseres til alle norske skoler. En mulig konfunderende variabel er ulik fagsammensetning på trinnene.» Ærlighet om begrensninger er ikke en svakhet ved rapporten — det er det som gjør den troverdig.

Oppsummering: håndverket bak tallene

Kantinekrangelen ble til kunnskap fordi elevene fulgte den statistiske syklusen: Problem → Plan → Data → Analyse → Konklusjon. En god problemstilling er spesifikk, målbar og statistisk interessant, og den oversettes til hypoteser — $H_0$ som «ingen effekt»-påstand mot en faglig begrunnet $H_1$, med signifikansnivå valgt på forhånd.

Planen bestemmer hva konklusjonene kan bære: spørreundersøkelser er billige men bias-utsatte, eksperimenter med randomisering kan påvise kausalitet, observasjonsstudier gir bare korrelasjon, og sekundærdata fra SSB og lignende sparer arbeid men passer sjelden perfekt. Persondata utløser GDPR: samtykke, formålsbegrensning, dataminimering, sletting og informasjonsplikt — eller aller helst full anonymisering, slik elevene valgte.

Analysen følger datatypen: t-test og KI for numeriske data (to-utvalgs t-test for to grupper), z-test og KI for andeler, korrelasjon og regresjon for sammenhenger, kjikvadrat for fordelinger. Og tolkningen krever de kritiske refleksene: statistisk signifikans er ikke praktisk betydning, korrelasjon er ikke kausalitet (let alltid etter konfunderende variabler), konfidensintervaller sier mer enn p-verdier, og bortfallet kan skjevvri alt. Rapporten — innledning, metode, resultater, diskusjon, konklusjon — skal være ærlig om begrensninger og generaliserbarhet.

På eksamen møter du dette som vurdering av undersøkelsesopplegg, tolkning av resultater eller jakt på feilkilder. Øv særlig på å skille korrelasjon fra kausalitet og på å foreslå konfunderende variabler — det er der statistisk håndverk skiller seg fra tallmagi. Og det er kanskje kursets viktigste budskap: tall overbeviser ikke i kraft av å være tall, men i kraft av håndverket bak dem.