Raja analüüs - mis see on ja kuidas seda kasutada

Tee analüüs on mitmekordse regressiooni vorm Statistiline analüüs mida kasutatakse põhjuslike mudelite hindamiseks, uurides sõltuva muutuja ja kahe või enama sõltumatu muutuja vahelisi seoseid. Selle meetodi abil saab hinnata nii muutujate vaheliste põhjuslike seoste suurust kui ka olulisust.

Peamised võtmed: tee analüüs

Tee analüüs on teoreetiliselt kasulik, kuna erinevalt teistest tehnikatest sunnib see meid täpsustama seoseid kõigi sõltumatute muutujate vahel. Selle tulemuseks on põhjuslikke mehhanisme näitav mudel, mille kaudu sõltumatud muutujad avaldavad sõltuvale muutujale nii otsest kui ka kaudset mõju.

Raja analüüsi töötas välja geneetik Sewall Wright 1918. aastal. Aja jooksul on meetod kasutusele võetud teistes füüsika- ja sotsiaalteadustes, sealhulgas sotsioloogias. Täna saab teede analüüsi läbi viia statistiliste programmidega, mille hulgas on muu hulgas SPSS ja STATA. Meetodit tuntakse ka põhjusliku modelleerimise, kovariatsioonistruktuuride analüüsi ja varjatud muutuva mudeli nime all.

Tee analüüsil on kaks peamist nõuet:

1. Kõik muutujate vahelised põhjuslikud seosed peavad minema ainult ühes suunas (üksteist põhjustavaid muutujaid ei saa olla)
2. Muutujatel peab olema selge ajaline järjekord, kuna ühe muutuja põhjustamiseks ei saa öelda muud, kui see eelneb õigel ajal.

Tavaliselt hõlmab teekonna analüüs rajaskeemi koostamist, milles on konkreetselt välja toodud seosed kõigi muutujate vahel ja nendevaheline põhjuslik suund. Teekonnaanalüüsi läbiviimisel võiks kõigepealt konstrueerida sisestustee diagramm, mis illustreerib hüpoteesitud seosed. Sees teeskeem, kasutavad teadlased nooli, et näidata, kuidas erinevad muutujad on üksteisega seotud. Nool, mis näitab näiteks muutujat A muutujani B, näitab, et muutuja A hüpoteesiks on muutuja B mõjutamine.

Kui statistiline analüüs on lõpule viidud, konstrueerib teadlane analüüsi väljundite diagramm, mis illustreerib tehtud analüüsi kohaselt suhteid sellisena, nagu need tegelikult on. Kui teadlase hüpotees on õige, näitavad sisend- ja väljunddiagrammid muutujate vahel samu suhteid.

Vaatleme näidet, kus tee analüüs võiks olla kasulik. Ütle, et hüpotees on, et vanusel on otsene mõju tööga rahulolule, ja hüpotees, et sellel on positiivne mõju, näiteks mida vanem on, seda rahulolevam on tema töö. Hea teadlane mõistab, et kindlasti on ka teisi sõltumatuid muutujaid, mis mõjutavad ka meie sõltuvat töörahulolu muutujat: näiteks autonoomia ja sissetulek.

Teekonna analüüsi abil saab teadlane luua diagrammi, mis kaardistab muutujate vahelisi suhteid. Diagramm näitab seost vanuse ja autonoomia vahel (kuna tavaliselt on vanem, seda suurem on - autonoomia) ning vanuse ja sissetuleku vahel (jällegi kipub positiivne suhe olema kaks). Seejärel peaks diagramm näitama ka nende kahe muutujate komplekti ja sõltuva muutuja vahelisi seoseid: tööga rahulolu.

Pärast kasutades statistilist programmi Nende suhete hindamiseks saab seejärel diagrammi uuesti joonistada, et näidata suhete ulatust ja olulisust. Näiteks võib teadlane leida, et nii autonoomia kui ka sissetulek on seotud tööga rahulolu, et üks neist kahest muutujatel on tööga rahulolu palju tugevam seos kui teisel või kui kummalgi muutujal puudub oluline seos töökohaga rahulolu.

Ehkki teede analüüs on kasulik põhjuslike hüpoteeside hindamiseks, ei saa see meetod kindlaks teha suund põhjuslikkuse seos. See täpsustab korrelatsiooni ja näitab põhjusliku hüpoteesi tugevust, kuid ei tõenda põhjusliku seose suunda. Põhjuslikkuse suuna täielikuks mõistmiseks võivad teadlased kaaluda dirigeerimist eksperimentaalsed uuringud milles osalejad jaotatakse juhuslikult ravi- ja kontrollrühma.

Õpilased, kes soovivad saada rohkem teavet teede analüüsi ja selle läbiviimise kohta, saavad tutvuda Exeteri ülikooli ülevaatega Tee analüüs ja Sotsiaalteadlaste kvantitatiivne andmete analüüs autorid Bryman ja Cramer.

Uuendatud autor Nicki Lisa Cole, Ph.