Kvantitativ Metode PDF

FORMÅLET MED KVANTITATIV METODE Formålet med kvantitativ metode er at indsamle numeriske data for at analysere og identificere mønstre, sammenhænge og trends i data. Disse data kan bruges til at besvare forskningsspørgsmål og forstå specifikke populationers holdninger, vaner eller adfærd. Kvantitat...

FORMÅLET MED KVANTITATIV METODE Formålet med kvantitativ metode er at indsamle numeriske data for at analysere og identificere mønstre, sammenhænge og trends i data. Disse data kan bruges til at besvare forskningsspørgsmål og forstå specifikke populationers holdninger, vaner eller adfærd. Kvantitativ metode kan også bruges til at generalisere resultaterne til en større population ud fra stikprøven, der er undersøgt. Så det handler ikke kun om at oplyse befolkningen, men også om at generere viden og informere beslutningstagere. Godt forsøg! Skal vi gå videre til det næste spørgsmål? Konfidensinterval Definition: Et konfidensinterval er et interval, der estimerer, hvor en populationsparameter (f.eks. gennemsnit eller proportion) sandsynligvis ligger. Eksempel: Et 95% konfidensinterval for en stikprøve kan være [168,04 cm, 171,96 cm]. Det betyder, at vi med 95% sikkerhed mener, at den sande gennemsnitlige højde i populationen ligger mellem 168,04 cm og 171,96 cm. Konfidensniveau Definition: Konfidensniveauet er den sandsynlighed, der angiver, hvor sikker vi er på, at konfidensintervallet indeholder den sande populationsparameter. Eksempel: Et konfidensniveau på 95% betyder, at hvis vi gentager undersøgelsen mange gange, vil 95% af konfidensintervallerne indeholde den sande populationsparameter. Sammenhæng Højere konfidensniveau (f.eks. 99%) giver bredere konfidensinterval. Lavere konfidensniveau (f.eks. 90%) giver smallere konfidensinterval. Signifikansniveau Man vælger typisk på forhånd et signifikansniveau på 5%, dvs. 0,05. Det er dog et arbitrært valg. Der er intet magisk eller tvingende ved tallet 0,05. I nogle sammenhænge stiller man da også langt højere krav til signifikans og vælger fx et niveau på 0,001, altså en promille Jo højere konfidensniveau, jo bredere konfidensinterval: Når vi øger konfidensniveauet, bliver konfidensintervallet bredere, fordi vi ønsker at være mere sikre på, at intervallet indeholder den sande parameter. For eksempel, et 99% konfidensinterval vil være bredere end et 95% konfidensinterval.  Jo lavere konfidensniveau, jo smallere konfidensinterval: Hvis vi sænker konfidensniveauet, bliver konfidensintervallet smallere, men vi er mindre sikre på, at intervallet indeholder den sande parameter. Nulhypotesen Man starter altid med at formulere en nulhypotese(H0). Nulhypotesen siger altid, at der IKKE er afhængighed mellem de to variable. Det er denne hypotese, vi tester. Hver gan Under p-værdien = Statistisk sammenhæng, og vi forkaster vores 0hypotese om, at der IKKE er et sammenhæng. Betyder IKKE at der er et årsagssamenhæng. Over P-værdien = Vi kan bekræfte H0-hypotesen Lad os sige, at vi ønsker at undersøge, om der er en sammenhæng mellem køn og stemmeafgivning på en bestemt politisk kandidat. Vi indsamler data fra en stikprøve af 500 vælgere og registrerer deres køn (mand eller kvinde) samt deres stemmeafgivning (for eller imod den politiske kandidat). Vi opstiller følgende nulhypotese og alternativhypotese: Nulhypotese (H0): Der er ingen sammenhæng mellem køn og stemmeafgivning. Alternativhypotese (H1): Der er en sammenhæng mellem køn og stemmeafgivning. Vi udfører en chi-square test for at teste denne hypotese. Efter at have udført testen beregner vi en teststatistik (χ²) og sammenligner den med en kritisk værdi baseret på vores signifikansniveau (f.eks. 0,05). Antag, at den beregnede teststatistik er større end den kritiske værdi ved et signifikansniveau på 0,05. Dette betyder, at den observerede forskel i stemmeafgivning mellem mænd og kvinder er statistisk signifikant, og vi afviser derfor nulhypotesen. Konklusionen kunne være, at der er en statistisk signifikant sammenhæng mellem køn og stemmeafgivning på den politiske kandidat. Vi kan derfor hævde, at kønnet har en indflydelse på, hvordan folk stemmer. Dette er et eksempel på, hvordan statistisk signifikans anvendes i praksis til at drage konklusioner baseret på dataanalyse og statistiske tests. Det hjælper os med at identificere reelle sammenhænge og forskelle i populationen, som stikprøven repræsenterer. STATISTISK USIKKERHED Statistisk usikkerhed refererer til den naturlige variation og usikkerhed, der opstår, når man drager konklusioner om en hel population baseret på en stikprøve. Det er en målestok for, hvor meget de opnåede resultater kan variere fra de sande værdier i populationen. Usikkerhed på 2.5 gør at hvis vi har 5% kan det være mellem 2,5 og 7,5 Kort og præcis forklaring af statistisk usikkerhed: Statistisk usikkerhed kvantificerer hvor præcise eller upålidelige resultaterne fra en stikprøve er, når de bruges til at estimere egenskaber for en større population. Den angives ofte ved hjælp af konfidensintervaller og standardfejl. Nøglepunkter: Konfidensinterval: Et interval, der med en bestemt sandsynlighed (f.eks. 95%) indeholder den sande populationsparameter. Standardfejl: En målestok for, hvor meget en stikprøveestimat vil variere fra stikprøve til stikprøve. Eksempel: Hvis en meningsmåling viser, at 60% af respondenterne støtter en bestemt politisk kandidat, med en konfidensinterval på ±4%, betyder det, at vi med 95% sikkerhed kan sige, at mellem 56% og 64% af hele populationen støtter kandidaten. 1. Usikkerheden afhænger af antal svar: - Usikkerheden falder kun lidt, hvis antallet falder fra 2000 til 1500, men det falder meget hvis det går fra 500 til 50. Det skyldes, at man skal firedoble svargruppens størrelse for at halvere usikkerheden. 2. Usikkerheden afhænger IKKE! Af antal svar. Det er fordi, at for at halvere usikkerheden, skal du firedoble antallet. 500 til 50, er et problem, men det er 2000 til 1500 ikke. 3. Den tredje forudsætning er lavt frafrald. Undgå at folk undlader at svare. STATISTISK SIGNIFIKANS Statistisk signifikans i forhold til en chi-square test (χ²-test) betyder, at resultaterne af testen viser, at der er en signifikant forskel mellem de observerede og forventede frekvenser af kategorierne i en stikprøve. Chi-square testen bruges typisk til at undersøge, om der er en sammenhæng mellem to kategoriske variabler. Når man udfører en chi-square test, opstiller man en nulhypotese, der siger, at der ikke er nogen forskel mellem de observerede og forventede frekvenser. Alternativhypotesen er, at der er en forskel mellem disse frekvenser. Når chi-square testen udføres, beregnes en teststatistik (χ²) baseret på forskellen mellem de observerede og forventede frekvenser samt deres forhold. Denne teststatistik sammenlignes derefter med en kritisk værdi fra en chi-square fordeling med en bestemt grad af frihed og et valgt signifikansniveau (f.eks. 0,05). Hvis den beregnede teststatistik er større end den kritiske værdi, er resultatet statistisk signifikant, og man afviser nulhypotesen til fordel for alternativhypotesen. Det indikerer, at der er en signifikant forskel mellem de observerede og forventede frekvenser, og dermed er der sandsynligvis en sammenhæng mellem de to kategoriske variabler. Hvis den beregnede teststatistik er mindre end den kritiske værdi, accepterer man nulhypotesen, hvilket betyder, at der ikke er tilstrækkelig evidens for at påstå, at der er en forskel mellem de observerede og forventede frekvenser. Dermed er der ingen statistisk signifikant sammenhæng mellem de to kategoriske variabler. UDVÆLGELSE FRA UNDERSØGELSER Simpel Udvælgelse (Simple Random Sampling) Simpel udvælgelse er en metode, hvor hver enkelt medlem af populationen har en lige stor chance for at blive udvalgt. Dette gøres typisk ved hjælp af en tilfældighedsgenerator eller lodtrækning. Eksempel: En forsker ønsker at undersøge kundetilfredsheden i en butikskæde med 1000 kunder. Ved simpel udvælgelse kan forskeren bruge en tilfældighedsgenerator til at vælge 100 kunder fra en liste over alle 1000 kunder. Stratificeret Udvælgelse (Stratified Sampling) Stratificeret udvælgelse opdeler populationen i undergrupper (strata) baseret på en bestemt karakteristika (f.eks. alder, køn, indkomstniveau), og der trækkes stikprøver fra hver undergruppe. Dette sikrer, at alle relevante grupper er repræsenteret. Eksempel: En forsker ønsker at undersøge tilfredsheden blandt studerende på en skole med 1000 elever. Skolen har 600 piger og 400 drenge. Ved stratificeret udvælgelse opdeler forskeren populationen i to strata (piger og drenge) og vælger derefter tilfældigt 60 piger og 40 drenge for at sikre, at stikprøven afspejler den kønsfordeling, der findes i hele populationen. Selvudvælgelse (Self-Selection) Selvudvælgelse er en metode, hvor deltagerne selv vælger at deltage i undersøgelsen. Dette sker typisk, når forskeren beder om frivillige eller når deltagelse er baseret på interesse. Eksempel: En online spørgeskemaundersøgelse om kundetilfredshed på en virksomheds hjemmeside, hvor besøgende selv vælger at deltage ved at klikke på et link og udfylde spørgeskemaet. Fordele: Let og billig at gennemføre. Hurtig dataindsamling. Ulemper: Stor risiko for bias, da de, der vælger at deltage, kan have stærkere meninger eller interesser end dem, der ikke deltager. Resultaterne er ofte ikke repræsentative for hele populationen. Bekvemmelighedsudvælgelse (Convenience Sampling) Bekvemmelighedsudvælgelse er en metode, hvor stikprøven udvælges ud fra den del af populationen, der er nemmest tilgængelig for forskeren. Dette gøres ofte for at spare tid og ressourcer. Eksempel: En forsker står ved indgangen til et supermarked og spørger de første 50 kunder, der går ind, om deres indkøbsvaner. Fordele: Hurtig og billig at gennemføre. Let at få adgang til deltagere. Ulemper:  Høj risiko for bias, da stikprøven måske ikke er repræsentativ for hele populationen. Resultaterne kan ikke nødvendigvis generaliseres til en bredere population. Sammenfatning Selvudvælgelse: Deltagerne vælger selv at deltage i undersøgelsen. Bekvemmelighedsudvælgelse: Stikprøven udvælges ud fra den del af populationen, der er lettest tilgængelig for forskeren. Reliabilitet og Validitet i Kvantitativ Metode: En Kort Uddybning Reliabilitet: Reliabilitet handler om konsistensen af vores målinger. En måling er pålidelig, hvis den giver ens resultater under gentagne forsøg. Der er forskellige former for reliabilitet, herunder test-retest (ens resultater over tid), interbedømmer (ens resultater mellem forskellige bedømmere) og intern konsistens (ens resultater på tværs af forskellige dele af målingen). Eksempel: Når vi måler blodtrykket på samme person flere gange, forventer vi at få nogenlunde ens resultater hver gang. Validitet: Validitet handler om, hvor godt vores målinger rent faktisk måler det, de er designet til at måle. En måling er gyldig, hvis den måler det, den skal måle. Der er forskellige former for validitet, herunder indholdsvaliditet (målingens dækning af alle relevante aspekter), kriterievaliditet (sammenligning med eksterne kriterier) og begrebsvaliditet (målingens overensstemmelse med det teoretiske begreb). Eksempel: Når vi udvikler en test for at måle intelligens, ønsker vi, at testen skal korrelere med andre eksisterende tests for intelligens (kriterievaliditet) og dække alle de aspekter af intelligens, som vi mener er vigtige (indholdsvaliditet). Sammenhæng: Reliabilitet er afgørende for validitet. Hvis vores målinger ikke er pålidelige, kan vi ikke være sikre på, om de rent faktisk måler det, de skal måle. Det er dog vigtigt at bemærke, at selvom en måling er pålidelig, betyder det ikke nødvendigvis, at den er gyldig. Vi skal stadig sikre os, at vores målinger måler det rigtige. Derfor er både reliabilitet og validitet vigtige for at sikre, at vores forskningsresultater er troværdige og repræsentative. STIKPRØVE En stikprøve er faktisk en delmængde af en større population, der udvælges til at deltage i en undersøgelse eller studie. Formålet med at bruge en stikprøve er at generalisere resultaterne fra stikprøven til hele populationen. En stikprøve kan være repræsentativ, hvis den udvælges på en måde, der sikrer, at den afspejler de relevante karakteristika i den samlede population. Dog kan en stikprøve også være ikke- repræsentativ, hvis udvælgelsesmetoden er biased eller ikke tilfældig. Det er vigtigt at sikre, at stikprøven er repræsentativ, hvis man ønsker at generalisere resultaterne til hele populationen. Skal vi gå videre til det næste spørgsmål? SKALAER!!!! NOMINALSKALA En nominalskala er den enkleste form for måleskala inden for statistik og forskning. På en nominalskala kategoriseres dataene i navngivne kategorier eller grupper, hvor hver kategori repræsenterer en forskellig egenskab eller karakteristika. Disse kategorier har ingen intrinsisk rækkefølge eller numerisk værdi, og de bruges ofte til at klassificere eller gruppere data efter forskellige egenskaber. På en nominalskala er svarmulighederne gensidigt udelukkende, hvilket betyder, at et givet datapunkt kun kan tilhøre én kategori eller gruppe. For eksempel kan en person kun have én kønsidentitet (mand eller kvinde) eller tilhøre én etnisk gruppe (hvid, sort, asiatisk osv.). Der er ingen overlappende eller delvise svarmuligheder på en nominalskala. Dette princip er vigtigt for at sikre, at dataene er klare og konsistente, når de bliver analyseret. Ordinalskala: Dette er en skala, hvor værdierne har en rækkefølge eller rangordning, men forskellene mellem værdierne er ikke nødvendigvis ens. Med andre ord kan vi sige, at en værdi er større end en anden, men vi kan ikke sige, hvor meget større den er. Et eksempel på en ordinalskala er rangeringen af elever i en klasse efter deres præstation i en test. Vi ved, hvilken elev der er bedst, hvilken der er næstbedst osv., men vi kan ikke sige, hvor meget bedre den bedste elev er end den næstbedste. Intervalskala: Dette er en skala, hvor forskellene mellem værdierne er ens, men der er ikke noget sandt nulpunkt. Med andre ord angiver et interval på 5 enheder det samme forhold til størrelsen af det målte fænomen uanset, hvor på skalaen det er placeret. Et typisk eksempel på en intervalskala er Celsius-temperaturskalaen. Forskellen mellem 10 og 15 grader Celsius er den samme som forskellen mellem 20 og 25 grader Celsius, men en temperatur på 0 grader Celsius betyder ikke, at der slet ingen varme er. Hvis spørgsmålet kommer omkring hvorvidt man kan bruge ordinalskalaen i beregneren eller ej så er svaret nej, fordi vi ikke kender den procentmæssige forskel på de forskellige svar, som vi vil kunne udregne ud fra intervalskalaen. For at kunne bruge beregneren skal vi kendes andelens størrelse i % SPØRGSMÅL SOCIALT FØLSOMME SPØRGSMÅL Socialt følsomme spørgsmål er spørgsmål, der berører emner, som kan være personlige, intime eller kontroversielle. Disse spørgsmål kan omhandle emner som seksuel orientering, politiske holdninger, religiøs overbevisning, økonomisk status, sundhedsforhold, diskrimination, og lignende. De kræver særlig omhu i formuleringen og administrationen for at sikre respondenternes komfort og tillid, samt for at minimere risikoen for uærlige eller undvigende svar. Karakteristika ved socialt følsomme spørgsmål 4. Personlig eller intim natur: Emner, der vedrører individets personlige liv, identitet eller værdier. 5. Kontroversielle eller stigmatiserede emner: Emner, der kan medføre sociale sanktioner eller stigmatisering. 6. Potentielt ubehagelige spørgsmål: Spørgsmål, der kan skabe ubehag, angst eller følelsesmæssig stress. Eksempler på socialt følsomme spørgsmål Seksuel orientering: "Hvad er din seksuelle orientering?" Politisk holdning: "Hvilket politisk parti stemte du på ved sidste valg?" Religiøs overbevisning: "Hvad er din religiøse overbevisning?" Økonomisk status: "Hvad er din årlige indkomst?" Sundhedsforhold: "Har du nogensinde fået diagnosticeret en psykisk sygdom?" Diskrimination: "Har du nogensinde oplevet diskrimination på arbejdspladsen på grund af din etnicitet?" Tips til håndtering af socialt følsomme spørgsmål 1. Anonymitet og fortrolighed: Sørg for, at respondenterne ved, at deres svar er anonyme og fortrolige. Dette kan øge villigheden til at besvare spørgsmålene ærligt. 2. Indledende information: Giv klare oplysninger om, hvorfor spørgsmålene stilles, og hvordan informationen vil blive brugt. Dette kan skabe tillid og reducere respondenternes bekymringer. 3. Frivillighed: Gør det klart, at besvarelse af følsomme spørgsmål er frivillig, og at respondenterne kan springe spørgsmål over, hvis de føler sig ubehagelige ved at svare. 4. Empati og respekt: Formulér spørgsmålene med empati og respekt for respondenternes følelser og privatliv. 5. Pilottest: Test spørgsmålene på en lille gruppe mennesker for at sikre, at de ikke opfattes som stødende eller for invasive. Eksempel på et følsomt spørgsmål formuleret respektfuldt Direkte og potentielt følsomt: "Hvad er din seksuelle orientering?" Formuleret med omhu: "Hvilken af følgende kategorier beskriver bedst din seksuelle orientering? (Dette spørgsmål er frivilligt og vil blive behandlet anonymt og fortroligt)." Ved at tage disse hensyn kan man sikre, at socialt følsomme spørgsmål bliver besvaret så ærligt og præcist som muligt, samtidig med at respondenternes komfort og tillid opretholdes. Hypotetiske spørgsmål Hypotetiske spørgsmål er spørgsmål, der beder respondenten om at forestille sig en situation eller scenario, der ikke nødvendigvis er reel, og derefter svare baseret på, hvad de ville gøre eller tænke i den situation. Disse spørgsmål bruges ofte til at forstå respondenternes holdninger, værdier, beslutningstagning og problemløsningsevner i forskellige kontekster. Karakteristika ved hypotetiske spørgsmål 6. Ikke-reelle scenarier: Beder respondenten om at forestille sig en situation, der ikke nødvendigvis er virkelig. 7. Fremtidige eller alternative virkeligheder: Ofte fokuseret på, hvad respondenten ville gøre i en fremtidig eller anderledes kontekst. 8. Beslutningstagning og reaktioner: Bruges til at forstå, hvordan respondenten ville reagere, hvilke beslutninger de ville tage, eller hvad de ville prioritere. Eksempler på hypotetiske spørgsmål 1. Karrierevalg: "Hvis du kunne vælge et hvilket som helst job uden at tage hensyn til uddannelse eller erfaring, hvad ville du så vælge at arbejde med?" 9. Indsigt i værdier og prioriteringer: Hypotetiske spørgsmål kan afsløre, hvad der er vigtigst for respondenten, og hvad de værdsætter højt. 10. Forståelse af beslutningstagning: De kan hjælpe med at forstå, hvordan respondenter træffer beslutninger under forskellige omstændigheder. 11. Kreativ tænkning: Disse spørgsmål kan fremme kreativ og kritisk tænkning ved at få respondenterne til at overveje forskellige scenarier og muligheder. Tips til brug af hypotetiske spørgsmål 12. Klar kontekst: Sørg for, at det hypotetiske scenario er klart beskrevet, så respondenterne forstår, hvad de bliver bedt om at overveje. 13. Relevans: Vælg scenarier, der er relevante for undersøgelsens formål og for respondenternes liv eller interesser. 14. Neutral formulering: Undgå at lede respondenterne til bestemte svar ved at holde spørgsmålene så neutrale som muligt. Eksempel på et hypotetisk spørgsmål formuleret omhyggeligt "Forestil dig, at du er borgmester i din by, og du har en stor budgetoverskud til rådighed. Hvilke tre områder ville du prioritere for investering, og hvorfor?" Ved at inkludere hypotetiske spørgsmål i en spørgeundersøgelse kan man få værdifuld indsigt i, hvordan respondenterne tænker og hvad der driver deres beslutningstagning i forskellige situationer. FACTFULNESS Factfulness er en tilgang til at forstå verden baseret på data og fakta frem for forudindtagede holdninger eller følelser. Den blev udviklet af Hans Rosling, en svensk læge og statistiker, og hans team. Factfulness understreger betydningen af at se verden gennem et nuanceret og empirisk perspektiv, der er baseret på objektive data. Hovedpunkterne i factfulness inkluderer: 7. Tilstedeværelsen af fremskridt: Factfulness fremhæver de store fremskridt, der er sket i verden, herunder reduceret fattigdom, bedre sundhedspleje og uddannelse samt faldende dødelighed på verdensplan.  8. Behovet for at forstå kompleksitet: Verden er ikke sort-hvid, og factfulness opfordrer til at anerkende nuancer og kompleksiteten i sociale, økonomiske og politiske forhold. 9. Bekæmpelse af fordomme og stereotype opfattelser: Factfulness opfordrer til at undgå fordomme og stereotyper og i stedet stole på data og fakta for at danne et mere objektivt syn på verden. 10. Værdien af fakta og data: Ved at anvende data og fakta kan man få en mere præcis forståelse af verden og dermed træffe mere informerede beslutninger. Factfulness tilbyder en optimistisk tilgang til at forstå verden og opfordrer til at se verden gennem et realistisk, men alligevel positivt perspektiv baseret på objektive data og fakta. Reliabilitet og Validitet Reliabilitet: Reliabilitet handler om konsistensen af vores målinger. En måling er pålidelig, hvis den giver ens resultater under gentagne forsøg. Der er forskellige former for reliabilitet, herunder test-retest (ens resultater over tid), interbedømmer (ens resultater mellem forskellige bedømmere) og intern konsistens (ens resultater på tværs af forskellige dele af målingen). Eksempel: Når vi måler blodtrykket på samme person flere gange, forventer vi at få nogenlunde ens resultater hver gang. Validitet: Validitet handler om, hvor godt vores målinger rent faktisk måler det, de er designet til at måle. En måling er gyldig, hvis den måler det, den skal måle. Der er forskellige former for validitet, herunder indholdsvaliditet (målingens dækning af alle relevante aspekter), kriterievaliditet (sammenligning med eksterne kriterier) og begrebsvaliditet (målingens overensstemmelse med det teoretiske begreb). Eksempel: Når vi udvikler en test for at måle intelligens, ønsker vi, at testen skal korrelere med andre eksisterende tests for intelligens (kriterievaliditet) og dække alle de aspekter af intelligens, som vi mener er vigtige (indholdsvaliditet). Sammenhæng:  Reliabilitet er afgørende for validitet. Hvis vores målinger ikke er pålidelige, kan vi ikke være sikre på, om de rent faktisk måler det, de skal måle. Det er dog vigtigt at bemærke, at selvom en måling er pålidelig, betyder det ikke nødvendigvis, at den er gyldig. Vi skal stadig sikre os, at vores målinger måler det rigtige. Derfor er både reliabilitet og validitet vigtige for at sikre, at vores forskningsresultater er troværdige og repræsentative. Kausalitet: Kausalitet refererer til et årsagssammenhæng mellem to fænomener, hvor ændringer i et fænomen direkte forårsager ændringer i det andet fænomen. Med andre ord antyder kausalitet, at der er en årsag-virkningssammenhæng mellem to variabler, hvor ændringer i den uafhængige variabel medfører ændringer i den afhængige variabel. Eksempel på Kausalitet: Når temperaturen stiger, smelter isen. Her forårsager stigningen i temperaturen (den uafhængige variabel) smeltningen af isen (den afhængige variabel). Korrelation: Korrelation beskriver en statistisk sammenhæng mellem to variabler, hvor ændringer i den ene variabel er forbundet med ændringer i den anden variabel. Korrelation indikerer, at der er en relation mellem variablerne, men det fortæller os ikke noget om årsagen til denne relation. Med andre ord kan en korrelation være til stede, uden at der er nogen årsagssammenhæng mellem variablerne. Eksempel på Korrelation: Der er en positiv korrelation mellem antallet af solbriller solgt og temperaturen. Når temperaturen stiger, øges salget af solbriller. Dette viser en sammenhæng mellem variablerne, men det betyder ikke nødvendigvis, at solbrillerne forårsager temperaturen til at stige eller omvendt. Forskel mellem Kausalitet og Korrelation: Kausalitet: Handler om en årsag-virkningssammenhæng, hvor ændringer i den ene variabel direkte forårsager ændringer i den anden variabel. Korrelation: Beskriver en statistisk sammenhæng mellem variablerne, hvor ændringer i den ene variabel er forbundet med ændringer i den anden variabel, men uden nødvendigvis at indikere en årsagssammenhæng. Det er vigtigt at være opmærksom på forskellen mellem kausalitet og korrelation, da en korrelation mellem to variabler ikke nødvendigvis betyder, at der er en årsag- virkningssammenhæng mellem dem. Ekstern validitet henviser til i hvilken grad resultaterne af en undersøgelse eller et eksperiment kan generaliseres til andre populationer, indstillinger og tidsperioder ud over dem, der blev undersøgt i den oprindelige undersøgelse. Når vi taler om ekstern validitet, ønsker vi at vide, om de fundne resultater er gyldige og relevante uden for den specifikke kontekst eller population, hvor undersøgelsen blev udført. Det handler om at vurdere, hvor godt resultaterne kan overføres og anvendes i andre situationer eller befolkningsgrupper. Der er flere faktorer, der kan påvirke ekstern validitet: 11. Repræsentativitet af stikprøven: Hvor godt stikprøven repræsenterer den bredere population af interesse. En stikprøve, der er meget selektiv, kan have begrænset ekstern validitet. 12. Studiedesign: Designet af undersøgelsen kan påvirke, hvor godt resultaterne kan generaliseres. For eksempel kan en undersøgelse med et eksperimentelt design have stærkere ekstern validitet end en korrelationsundersøgelse. 13. Tidsfaktorer: Ændringer over tid kan påvirke resultaternes gyldighed. Det er vigtigt at overveje, om resultaterne fra en undersøgelse stadig vil være relevante i fremtiden eller i andre historiske perioder. 14. Kontekstuelle faktorer: Forskellige indstillinger eller kontekster kan have forskellige forhold og variabler, der kan påvirke resultaternes generaliserbarhed. For at styrke den eksterne validitet af en undersøgelse kan forskere anvende forskellige metoder, såsom at anvende en tilfældig stikprøve, variere konteksten for undersøgelsen eller gentage undersøgelsen i forskellige populationer eller indstillinger. I bund og grund handler ekstern validitet om at undersøge, om resultaterne af en undersøgelse er relevante og nyttige uden for den specifikke situation, hvor undersøgelsen blev udført. Det er vigtigt at vurdere og diskutere ekstern validitet som en del af enhver videnskabelig undersøgelse for at forstå begrænsningerne og anvendeligheden af resultaterne. 15. Klinisk forsøg på medicin: Et klinisk forsøg på effekten af en ny medicin udføres på en specifik gruppe af patienter på et bestemt hospital. For at vurdere den eksterne validitet af resultaterne, skal forskerne overveje, om resultaterne  kan generaliseres til andre patientpopulationer på forskellige hospitaler eller i forskellige regioner. 16. Undersøgelse af uddannelsesprogram: En undersøgelse evaluerer effekten af et uddannelsesprogram på en bestemt skole i en bestemt by. For at sikre ekstern validitet bør forskerne undersøge, om resultaterne kan overføres til andre skoler med forskellige socioøkonomiske baggrunde eller i andre geografiske områder. 17. Social- og adfærdsvidenskabelig forskning: En undersøgelse af sammenhængen mellem sociale medier og ensomhed blandt unge voksne gennemføres på et universitet i en storby. For at vurdere den eksterne validitet bør forskerne overveje, om resultaterne også gælder for unge voksne i mindre byer, landdistrikter eller andre kulturelle kontekster. 18. Markedsundersøgelse: En markedsundersøgelse undersøger forbrugernes præferencer for et nyt produkt i en bestemt aldersgruppe og geografisk område. For at vurdere ekstern validitet skal forskerne undersøge, om resultaterne kan generaliseres til andre aldersgrupper eller geografiske områder med forskellige kulturelle normer og præferencer. I alle disse eksempler er det vigtigt for forskerne at overveje, hvordan resultaterne kan generaliseres ud over den specifikke population eller situation, hvor undersøgelsen blev udført. Dette hjælper med at sikre, at resultaterne er relevante og nyttige i forskellige kontekster og for forskellige grupper af mennesker. STORE TALS LOV Store tals lov: "Store tals lov er et princip inden for statistik og sandsynlighedsteori, som siger, at hvis en tilfældig variabel gentages mange gange uafhængigt af hinanden, vil det gennemsnitlige resultat nærme sig den forventede værdi eller det sande middelværdi, når antallet af gentagelser stiger." Eksempel: "Forestil dig, at du kaster en fair mønt gentagne gange. Vi forventer, at mønten er retfærdig, hvilket betyder, at vi har lige stor chance for at få krone eller plat. Hvis vi kaster mønten 10 gange og får 6 gange krone, kan det afvige fra det forventede resultat på 5 gange krone. Men hvis vi gentager eksperimentet 100 gange eller mere, vil det gennemsnitlige antal kronekast nærme sig 5, hvilket passer til forventningen om en retfærdig mønt." Jeg håber, dette er en hjælpsom ressource til dine eksamensnoter! Lad mig vide, hvis der er mere, jeg kan hjælpe med.