6.2 Kvantitative metoder

Kvantitative metoder bruker tall og statistikk for å kartlegge og forklare sosiale mønstre. Der kvalitative metoder går i dybden på få tilfeller, søker kvantitative metoder å finne mønstre som gjelder for mange. Gjennom spørreundersøkelser, registerdata og statistisk analyse kan sosiologer avdekke sammenhenger og tendenser i samfunnet som ellers ville vært usynlige.

Spørreundersøkelsen er den mest brukte kvantitative metoden i sosiologien. Et strukturert spørreskjema sendes ut til et stort antall respondenter, og svarene kodes som tall som kan analyseres statistisk. Gode spørreskjemaer krever nøye utforming. Spørsmålene må være klare og entydige, svaralternativene må dekke alle rimelige muligheter, og rekkefølgen på spørsmålene kan påvirke svarene. Lukkede spørsmål med faste svaralternativer gir data som er lette å analysere statistisk. Åpne spørsmål kan gi mer nyansert informasjon, men er vanskeligere å kvantifisere.

En av de mest brukte teknikkene i sosiologiske spørreskjemaer er Likert-skalaen, utviklet av psykologen Rensis Likert i 1932. En Likert-skala ber respondenten angi grad av enighet med en påstand på en skala, typisk fra 1 (helt uenig) til 5 (helt enig). Eksempel: «Jeg opplever at skolen er et trygt sted» med svaralternativene «helt uenig», «delvis uenig», «verken enig eller uenig», «delvis enig» og «helt enig». Likert-skalaer er populære fordi de er enkle å forstå og svare på, de gir mer nyanserte data enn ja/nei-spørsmål, og de kan analyseres statistisk. Flere Likert-spørsmål om samme tema kan kombineres til en indeks som måler et underliggende begrep, for eksempel selvtillit eller politisk tillit. Utfordringer med Likert-skalaer inkluderer akviescensbias (tendensen til å si seg enig uansett), sentraltendens (tendensen til å velge midtkategorien), og sosial ønskverdighet (tendensen til å svare det som er sosialt akseptabelt). Forskere kan motvirke dette ved å inkludere noen påstander med motsatt retning, slik at respondenter som svarer uoppmerksomt, avsløres.

Å utforme et godt spørreskjema er en kunst som krever omhu. Flere prinsipper er viktige. For det første må hvert spørsmål måle det det er ment å måle (validitet). Spørsmålet «Trives du i klassen din?» kan bety ulike ting for ulike respondenter: noen tenker på det sosiale miljøet, andre på undervisningen. Mer presise formuleringer gir bedre data. For det andre bør spørsmålene være enkle og utvetydige. Dobbeltspørsmål som «Trives du på skolen og hjemme?» er problematiske fordi respondenten kan trives det ene stedet men ikke det andre. Ledende spørsmål som «Er du ikke enig i at mobbing er et alvorlig problem?» presser respondenten mot et bestemt svar. For det tredje er rekkefølgeeffekter viktige: tidlige spørsmål kan påvirke svar på senere spørsmål. Sensitive spørsmål bør komme sent i skjemaet, etter at respondenten har fått tillit til undersøkelsen. Demografiske spørsmål (alder, kjønn, utdanning) plasseres vanligvis til slutt. En pilotstudie – en testgjennomføring med en liten gruppe – er uvurderlig for å avdekke problemer med formuleringer, rekkefølge og lengde før den fullskala undersøkelsen gjennomføres.

I kvantitativ forskning er variabler de egenskapene som måles og varierer mellom enheter (personer, grupper, land). Variabler har ulike målenivåer som bestemmer hvilke statistiske analyser som er mulige. Nominalnivå er det laveste målenivået, der verdiene er kategorier uten innbyrdes rangering – for eksempel kjønn (mann/kvinne) eller bosted (by/bygd). Ordinalnivå innebærer at verdiene kan rangeres, men at avstanden mellom dem ikke er lik – for eksempel utdanningsnivå (grunnskole, videregående, høyere utdanning) eller en Likert-skala. Intervallnivå og forholdstallsnivå innebærer at avstanden mellom verdiene er lik og kan regnes med – for eksempel alder, inntekt eller antall timer brukt på lekser. Operasjonalisering er prosessen der abstrakte begreper gjøres målbare. For eksempel kan «sosioøkonomisk status» operasjonaliseres gjennom variablene utdanningsnivå, yrke og inntekt. Hvordan et begrep operasjonaliseres, påvirker resultatene: en studie som måler «fattigdom» ut fra absolutt inntektsgrense, kan gi andre resultater enn en studie som bruker relativ fattigdomsgrense.

Et sentralt begrepspar i kvantitativ forskning er korrelasjon og kausalitet. Korrelasjon betyr at to variabler samvarierer, altså at de endrer seg i takt. Kausalitet betyr at den ene variabelen er årsak til endring i den andre. Det er avgjørende å forstå at korrelasjon ikke automatisk innebærer kausalitet. To variabler kan samvariere uten at den ene forårsaker den andre. De kan for eksempel begge være påvirket av en tredje, bakenforliggende variabel. For eksempel korrelerer iskremforbruk og drukningsulykker positivt, men det betyr ikke at iskrem forårsaker drukning. Begge påvirkes av en tredje variabel: varmt vær.

Regresjonsanalyse er en statistisk teknikk som lar forskere undersøke sammenhengen mellom en avhengig variabel (det man ønsker å forklare) og en eller flere uavhengige variabler (det man tror påvirker). I sin enkleste form, lineær regresjon, undersøker man sammenhengen mellom to variabler – for eksempel sammenhengen mellom utdanningslengde (uavhengig variabel) og inntekt (avhengig variabel). Regresjonsanalysen gir et tall – regresjonskoeffisienten – som forteller hvor mye den avhengige variabelen endres for hver enhets økning i den uavhengige variabelen. For eksempel kan en analyse vise at hvert ekstra år med utdanning i gjennomsnitt er forbundet med 40 000 kroner høyere årsinntekt. Multippel regresjonsanalyse lar forskeren inkludere flere uavhengige variabler samtidig. Dette er avgjørende for å kontrollere for bakenforliggende variabler. Hvis man finner en sammenheng mellom utdanning og inntekt, kan dette delvis skyldes at folk med høyere utdanning oftere kommer fra velstående familier. Ved å inkludere foreldrenes inntekt som kontrollvariabel kan man undersøke om utdanning har en selvstendig effekt. Det er viktig å understreke at selv multippel regresjonsanalyse ikke beviser kausalitet – den viser sammenhenger når man kontrollerer for andre kjente faktorer, men det kan alltid finnes ukjente faktorer som ikke er inkludert i analysen.

I tillegg til spørreundersøkelser har sosiologer tilgang til registerdata og stordata (big data). Registerdata er opplysninger som offentlige myndigheter systematisk samler inn om befolkningen, for eksempel folkeregisteret, skatteregisteret, utdanningsregisteret og helseregisteret. I de nordiske landene er disse registrene særlig omfattende og kan kobles sammen gjennom personnummeret. Dette gir unike muligheter for sosiologisk forskning: man kan følge hele befolkningsgrupper over tid og studere sammenhenger mellom for eksempel utdanning, helse og inntekt uten de begrensningene som følger av spørreundersøkelser (frafall, skjeve utvalg, feilrapportering). Stordata refererer til enorme datamengder som genereres gjennom digital aktivitet: søk på internett, aktivitet i sosiale medier, mobilbruk, netthandel og lignende. Disse dataene gir sosiologer mulighet til å studere atferdsmønstre i sanntid og i en skala som tidligere var utenkelig. Samtidig reiser stordata viktige etiske og metodiske spørsmål om personvern, representativitet og tolkbarhet. At folk googler noe, betyr ikke nødvendigvis at de mener eller gjør det de søker etter.

For at kvantitative funn skal ha verdi utover det konkrete utvalget som er studert, må utvalget være representativt for populasjonen. Et utvalg er representativt når det gjenspeiler populasjonens sammensetning med hensyn til relevante kjennetegn som kjønn, alder, bosted og utdanning. Tilfeldig utvelgelse (randomisering) er den vanligste metoden for å sikre representativitet. Jo større utvalget er, desto mer presise blir estimatene. Men størrelse alene er ikke nok: et stort, men skjevt utvalg gir upålitelige resultater. Feilmarginer angir usikkerheten i resultatene og avhenger av utvalgsstørrelsen og variasjonen i svarene.

Eksperimenter er den sterkeste metoden for å fastslå kausalitet, men de brukes sjeldnere i sosiologien enn i for eksempel psykologien. I et klassisk eksperiment deles deltakerne tilfeldig inn i en eksperimentgruppe (som utsettes for en bestemt påvirkning) og en kontrollgruppe (som ikke utsettes for påvirkningen). Fordi inndelingen er tilfeldig, kan eventuelle forskjeller mellom gruppene tilskrives påvirkningen. Randomiserte kontrollerte forsøk (RCT) brukes i sosiologien blant annet til å evaluere politiske tiltak: for eksempel kan man tilfeldig velge ut noen skoler som innfører et nytt anti-mobbe-program, og sammenligne med kontrollskoler som fortsetter som før. Felteksperimenter gjennomføres i naturlige omgivelser og kan avdekke diskriminering. I korrespondansetester sender forskere ut identiske jobbsøknader der kun navnet varierer – for eksempel et typisk norsk navn og et typisk muslimsk navn – og registrerer forskjeller i innkallinger til intervju. Slike studier i Norge har vist at søkere med utenlandsklingende navn har lavere sannsynlighet for å bli innkalt til intervju, selv med identiske kvalifikasjoner. Naturlige eksperimenter oppstår når tilfeldige endringer i omgivelsene skaper en eksperimentlignende situasjon uten at forskeren har planlagt det. For eksempel kan en lovendring som bare rammer noen grupper, brukes til å studere effekten av lovgivning ved å sammenligne de berørte med de ikke-berørte.

Kvantitative metoder har flere styrker: de gir oversikt over store datamengder, resultatene kan generaliseres til en større befolkning, de gjør det mulig å avdekke statistiske sammenhenger, og forskningen er lettere å etterprøve. Svakheter inkluderer at kvantitative metoder gir lite dybdeforståelse av individers erfaringer, at spørreskjemaer låser respondentene til forhåndsdefinerte kategorier, at tallene kan gi et falskt inntrykk av presisjon, og at komplekse sosiale fenomener kan bli forenklet gjennom kvantifisering.

Mixed methods (blandede metoder) er en forskningsstrategi som systematisk kombinerer kvalitative og kvantitative metoder i samme studie. Tilnærmingen har vokst kraftig i popularitet de siste tiårene fordi den kan utnytte styrkene til begge metodetradisjoner. Det finnes flere designtyper: I sekvensielt forklarende design gjennomfører forskeren først en kvantitativ studie, deretter en kvalitativ studie for å forklare og utdype de kvantitative funnene. For eksempel kan en spørreundersøkelse avdekke at elever med innvandrerbakgrunn rapporterer lavere trivsel, og oppfølgende intervjuer kan utforske årsakene. I sekvensielt utforskende design starter man med kvalitative intervjuer for å identifisere relevante temaer, og utvikler deretter et spørreskjema basert på funnene for å undersøke om temaene gjelder for en større gruppe. I konvergent design gjennomføres kvalitative og kvantitative studier parallelt, og resultatene integreres i analysen. Mixed methods krever kompetanse i begge metodetradisjonene og er mer ressurskrevende, men kan gi en rikere og mer helhetlig forståelse av komplekse sosiale fenomener enn enkeltmetoder alene.

Et sentralt begrep i kvantitativ forskning er statistisk signifikans. Når en forsker finner en sammenheng mellom to variabler i et utvalg, må hun vurdere om denne sammenhengen er «ekte» eller bare skyldes tilfeldigheter i utvalget. Statistisk signifikans er et mål på sannsynligheten for at det observerte resultatet har oppstått tilfeldig dersom det i virkeligheten ikke finnes noen sammenheng. Denne sannsynligheten uttrykkes som en p-verdi. En p-verdi på 0,05 betyr at det er 5 prosent sannsynlighet for at resultatet skyldes tilfeldigheter. Vanligvis regnes resultater med p-verdi under 0,05 som statistisk signifikante. Det er imidlertid viktig å forstå begrensningene. Statistisk signifikans betyr ikke nødvendigvis praktisk betydning: med et stort nok utvalg kan selv trivielle forskjeller bli statistisk signifikante. Dessuten sier p-verdien ingenting om størrelsen på effekten – en statistisk signifikant sammenheng kan være svak og uten praktisk relevans. Det er også et kjent problem at forskere kan «jakte» på signifikante resultater ved å teste mange sammenhenger og bare rapportere de som gir signifikante funn (p-hacking). God forskning rapporterer også effektstørrelser og konfidensintervaller, ikke bare p-verdier.

Ikke all kvantitativ forskning krever at forskeren samler inn egne data. Sekundæranalyse innebærer å analysere data som allerede er samlet inn av andre, for eksempel SSBs undersøkelser, European Social Survey (ESS) eller World Values Survey (WVS). Disse datasettene er ofte store, representative og av høy kvalitet, og de er tilgjengelige for forskere gjennom dataarkiver. Sekundæranalyse er kostnadseffektivt og gir mulighet til å studere endringer over tid (tidsserieanalyse) og sammenligne på tvers av land (komparative studier). Komparative studier som sammenligner sosiale fenomener mellom land, er en viktig tradisjon i sosiologien. For eksempel kan man bruke ESS-data til å sammenligne tillit til institusjoner i ulike europeiske land, eller WVS-data til å studere hvordan verdier varierer mellom kulturer. Utfordringene med sekundæranalyse inkluderer at dataene er samlet inn for andre formål og kanskje ikke passer perfekt til din problemstilling, at spørsmålsformuleringer kan ha ulik betydning i ulike land, og at forskeren har begrenset kontroll over datakvaliteten.

Kvantitative metoder gir sosiologer verktøy for å kartlegge mønstre og sammenhenger i samfunnet gjennom tall og statistikk. Spørreundersøkelser er den mest brukte metoden, og god spørreskjemadesign med klare spørsmål og Likert-skalaer er avgjørende. Representativitet og tilfeldig utvelgelse sikrer at resultatene kan generaliseres. Det er viktig å skille mellom korrelasjon og kausalitet, og å forstå begreper som regresjonsanalyse, statistisk signifikans og p-verdier. Eksperimentelle metoder gir den sterkeste evidensen for kausalitet. Registerdata og stordata åpner nye muligheter, mens sekundæranalyse gir tilgang til store, eksisterende datasett. Mixed methods kombinerer styrkene til både kvalitative og kvantitative tilnærminger.

Kvantitativ forskning er utsatt for en rekke feilkilder og former for bias som kan true resultatenes gyldighet. Utvalgsbias oppstår når utvalget ikke er representativt for populasjonen – for eksempel dersom bare motiverte elever svarer på en trivselsundersøkelse. Responsbias innebærer at respondenter systematisk svarer unøyaktig, for eksempel på grunn av sosial ønskverdighet (å svare det som er sosialt akseptabelt), akviescensbias (tendensen til å si seg enig) eller hukommelsesbias (feil i å huske fortidige hendelser). Frafall (nonresponse bias) kan skjeve resultatene hvis de som ikke svarer, systematisk skiller seg fra de som svarer. Confirmation bias hos forskeren kan føre til selektiv tolkning av resultater – man ser det man forventer å finne. Publiseringsbias innebærer at studier med signifikante funn har lettere for å bli publisert enn studier som ikke finner sammenhenger, noe som gir et skjevt bilde av kunnskapsgrunnlaget. Bevissthet om disse feilkildene og aktive tiltak for å minimere dem er avgjørende for god kvantitativ forskning.

Oppsummering

I dette kapittelet har du lært:

- Kvantitative metoder: Kvantitative metoder er forskningsmetoder som samler inn data i form av tall og mengder.
- Likert-skala: En Likert-skala er en vurderingsskala brukt i spørreskjemaer der respondenten angir grad av enighet med en påstand, vanligvis på en skala fra 1 til 5 eller 1 til 7.
- Operasjonalisering: Operasjonalisering er prosessen der et abstrakt begrep gjøres målbart ved å definere konkrete indikatorer som kan observeres eller registreres.
- Korrelasjon og kausalitet: Korrelasjon er en statistisk sammenheng mellom to variabler som viser at de samvarierer.
- Regresjonsanalyse: Regresjonsanalyse er en statistisk metode som undersøker sammenhengen mellom en avhengig variabel og en eller flere uavhengige variabler.

Nøkkelbegreper