Data Analysis is the process of sys

Data Analysis is the process of systematically applying statistical and/or logical techniques to describe and illustrate, condense and recap, and evaluate data. According to Shamoo and Resnik (2003) various analytic procedures “provide a way of drawing inductive inferences from data and distinguishing the signal (the phenomenon of interest) from the noise (statistical fluctuations) present in the data”..

While data analysis in qualitative research can include statistical procedures, many times analysis becomes an ongoing iterative process where data is continuously collected and analyzed almost simultaneously. Indeed, researchers generally analyze for patterns in observations through the entire data collection phase (Savenye, Robinson, 2004). The form of the analysis is determined by the specific qualitative approach taken (field study, ethnography content analysis, oral history, biography, unobtrusive research) and the form of the data (field notes, documents, audiotape, videotape).

An essential component of ensuring data integrity is the accurate and appropriate analysis of research findings. Improper statistical analyses distort scientific findings, mislead casual readers (Shepard, 2002), and may negatively influence the public perception of research. Integrity issues are just as relevant to analysis of non-statistical data as well.

Considerations/issues in data analysis

There are a number of issues that researchers should be cognizant of with respect to data analysis. These include:

Having the necessary skills to analyze
Concurrently selecting data collection methods and appropriate analysis
Drawing unbiased inference
Inappropriate subgroup analysis
Following acceptable norms for disciplines
Determining statistical significance
Lack of clearly defined and objective outcome measurements
Providing honest and accurate analysis
Manner of presenting data
Environmental/contextual issues
Data recording method
Partitioning ‘text’ when analyzing qualitative data
Training of staff conducting analyses
Reliability and Validity
Extent of analysis
Having necessary skills to analyze

A tacit assumption of investigators is that they have received training sufficient to demonstrate a high standard of research practice. Unintentional ‘scientific misconduct' is likely the result of poor instruction and follow-up. A number of studies suggest this may be the case more often than believed (Nowak, 1994; Silverman, Manson, 2003). For example, Sica found that adequate training of physicians in medical schools in the proper design, implementation and evaluation of clinical trials is “abysmally small” (Sica, cited in Nowak, 1994). Indeed, a single course in biostatistics is the most that is usually offered (Christopher Williams, cited in Nowak, 1994).

A common practice of investigators is to defer the selection of analytic procedure to a research team ‘statistician’. Ideally, investigators should have substantially more than a basic understanding of the rationale for selecting one method of analysis over another. This can allow investigators to better supervise staff who conduct the data analyses process and make informed decisions

Concurrently selecting data collection methods and appropriate analysis

While methods of analysis may differ by scientific discipline, the optimal stage for determining appropriate analytic procedures occurs early in the research process and should not be an afterthought. According to Smeeton and Goda (2003), “Statistical advice should be obtained at the stage of initial planning of an investigation so that, for example, the method of sampling and design of questionnaire are appropriate”.

Drawing unbiased inference

The chief aim of analysis is to distinguish between an event occurring as either reflecting a true effect versus a false one. Any bias occurring in the collection of the data, or selection of method of analysis, will increase the likelihood of drawing a biased inference. Bias can occur when recruitment of study participants falls below minimum number required to demonstrate statistical power or failure to maintain a sufficient follow-up period needed to demonstrate an effect (Altman, 2001).

Inappropriate subgroup analysis

When failing to demonstrate statistically different levels between treatment groups, investigators may resort to breaking down the analysis to smaller and smaller subgroups in order to find a difference. Although this practice may not inherently be unethical, these analyses should be proposed before beginning the study even if the intent is exploratory in nature. If it the study is exploratory in nature, the investigator should make this explicit so that readers understand that the research is more of a hunting expedition rather than being primarily theory driven. Although a researcher may not have a theory-based hypothesis for testing relationships between previously untested variables, a theory will have to be developed to explain an unanticipated finding. Indeed, in exploratory science, there are no a priori hypotheses therefore there are no hypothetical tests. Although theories can often drive the processes used in the investigation of qualitative studies, many times patterns of behavior or occurrences derived from analyzed data can result in developing new theoretical frameworks rather than determined a priori (Savenye, Robinson, 2004).

It is conceivable that multiple statistical tests could yield a significant finding by chance alone rather than reflecting a true effect. Integrity is compromised if the investigator only reports tests with significant findings, and neglects to mention a large number of tests failing to reach significance. While access to computer-based statistical packages can facilitate application of increasingly complex analytic procedures, inappropriate uses of these packages can result in abuses as well.

Following acceptable norms for disciplines

Every field of study has developed its accepted practices for data analysis. Resnik (2000) states that it is prudent for investigators to follow these accepted norms. Resnik further states that the norms are ‘…based on two factors:

(1) the nature of the variables used (i.e., quantitative, comparative, or qualitative),

(2) assumptions about the population from which the data are drawn (i.e., random distribution, independence, sample size, etc.). If one uses unconventional norms, it is crucial to clearly state this is being done, and to show how this new and possibly unaccepted method of analysis is being used, as well as how it differs from other more traditional methods. For example, Schroder, Carey, and Vanable (2003) juxtapose their identification of new and powerful data analytic solutions developed to count data in the area of HIV contraction risk with a discussion of the limitations of commonly applied methods.

If one uses unconventional norms, it is crucial to clearly state this is being done, and to show how this new and possibly unaccepted method of analysis is being used, as well as how it differs from other more traditional methods. For example, Schroder, Carey, and Vanable (2003) juxtapose their identification of new and powerful data analytic solutions developed to count data in the area of HIV contraction risk with a discussion of the limitations of commonly applied methods.

Determining significance

While the conventional practice is to establish a standard of acceptability for statistical significance, with certain disciplines, it may also be appropriate to discuss whether attaining statistical significance has a true practical meaning, i.e., ‘clinical significance’. Jeans (1992) defines ‘clinical significance’ as “the potential for research findings to make a real and important difference to clients or clinical practice, to health status or to any other problem identified as a relevant priority for the discipline”.

Kendall and Grove (1988) define clinical significance in terms of what happens when “… troubled and disordered clients are now, after treatment, not distinguishable from a meaningful and representative non-disturbed reference group”. Thompson and Noferi (2002) suggest that readers of counseling literature should expect authors to report either practical or clinical significance indices, or both, within their research reports. Shepard (2003) questions why some authors fail to point out that the magnitude of observed changes may too small to have any clinical or practical significance, “sometimes, a supposed change may be described in some detail, but the investigator fails to disclose that the trend is not statistically significant ”.

Lack of clearly defined and objective outcome measurements

No amount of statistical analysis, regardless of the level of the sophistication, will correct poorly defined objective outcome measurements. Whether done unintentionally or by design, this practice increases the likelihood of clouding the interpretation of findings, thus potentially misleading readers.

Provide honest and accurate analysis

The basis for this issue is the urgency of reducing the likelihood of statistical error. Common challenges include the exclusion of outliers, filling in missing data, altering or otherwise changing data, data mining, and developing graphical representations of the data (Shamoo, Resnik, 2003).

Manner of presenting data

At times investigators may enhance the impression of a significant finding by determining how to present derived data (as opposed to data in its raw form), which portion of the data is shown, why, how and to whom (Shamoo, Resnik, 2003). Nowak (1994) notes that even experts do not agree in distinguishing between analyzing and massaging data. Shamoo (1989) recommends that investigators maintain a sufficient and accurate paper trail of how data was manipulated for future review.

Environmental/contextual issues

The integrity of data analysis can be compromised by the environment or c

ผลลัพธ์ (ไทย) 1:

วิเคราะห์ข้อมูลเป็นกระบวนการใช้เทคนิคทางสถิติ และ/หรือตรรกะอธิบายแสดง บีบ และปะยางรถ และประเมินข้อมูลอย่างเป็นระบบ ตาม Shamoo และ Resnik (2003) ตอนต่าง ๆ ที่สำคัญคือ "มีวิธีวาด inferences เหนี่ยวจากข้อมูล และการแยกสัญญาณ (ปรากฏการณ์น่าสนใจ) จากเสียง (สถิติความผันผวน) นำเสนอข้อมูล" ...ในขณะที่การวิเคราะห์ข้อมูลในการวิจัยเชิงคุณภาพมีวิธีการทางสถิติ การวิเคราะห์หลายครั้งจะ เป็นซ้ำขั้นตอนที่ข้อมูลอย่างต่อเนื่องเก็บรวบรวม และวิเคราะห์เกือบพร้อมกัน แน่นอน นักวิจัยทั่วไปวิเคราะห์หารูปแบบในการสังเกตการณ์ผ่านขั้นตอนการเก็บรวบรวมข้อมูลทั้งหมด (Savenye โรบินสัน 2004) รูปแบบของการวิเคราะห์จะถูกกำหนด โดยเฉพาะคุณภาพวิธีที่ดำเนินการ (พื้นที่เก็บข้อมูล วิเคราะห์เนื้อหาชาติพันธุ์วรรณนา ปาก ชีวประวัติ วิจัยแต่ั) และรูปแบบของข้อมูล (ฟิลด์บันทึก เอกสาร audiotape เทป)ส่วนประกอบสำคัญของใจความสมบูรณ์ของข้อมูลเป็นการวิเคราะห์ที่ถูกต้อง และเหมาะสมของพบ วิเคราะห์ทางสถิติไม่เหมาะสมทำให้ผลการวิจัยทางวิทยาศาสตร์ เข้าใจผู้อ่านสบาย ๆ (เพิร์ 2002), และอาจส่งผลเสียมีอิทธิพลต่อการรับรู้สาธารณะวิจัย ปัญหาความเพียงเกี่ยวข้องกับการวิเคราะห์ข้อมูลทางสถิติไม่ใช่เช่นนั้นข้อพิจารณา/ปัญหาในการวิเคราะห์ข้อมูลมีหลายประเด็นที่นักวิจัยควรซึ่งรู้ถึงกับวิเคราะห์ข้อมูล เหล่านี้รวมถึง:Having the necessary skills to analyzeConcurrently selecting data collection methods and appropriate analysisDrawing unbiased inferenceInappropriate subgroup analysisFollowing acceptable norms for disciplinesDetermining statistical significanceLack of clearly defined and objective outcome measurementsProviding honest and accurate analysisManner of presenting dataEnvironmental/contextual issuesData recording methodPartitioning ‘text’ when analyzing qualitative dataTraining of staff conducting analysesReliability and ValidityExtent of analysisHaving necessary skills to analyzeA tacit assumption of investigators is that they have received training sufficient to demonstrate a high standard of research practice. Unintentional ‘scientific misconduct' is likely the result of poor instruction and follow-up. A number of studies suggest this may be the case more often than believed (Nowak, 1994; Silverman, Manson, 2003). For example, Sica found that adequate training of physicians in medical schools in the proper design, implementation and evaluation of clinical trials is “abysmally small” (Sica, cited in Nowak, 1994). Indeed, a single course in biostatistics is the most that is usually offered (Christopher Williams, cited in Nowak, 1994).A common practice of investigators is to defer the selection of analytic procedure to a research team ‘statistician’. Ideally, investigators should have substantially more than a basic understanding of the rationale for selecting one method of analysis over another. This can allow investigators to better supervise staff who conduct the data analyses process and make informed decisions Concurrently selecting data collection methods and appropriate analysisWhile methods of analysis may differ by scientific discipline, the optimal stage for determining appropriate analytic procedures occurs early in the research process and should not be an afterthought. According to Smeeton and Goda (2003), “Statistical advice should be obtained at the stage of initial planning of an investigation so that, for example, the method of sampling and design of questionnaire are appropriate”.Drawing unbiased inferenceThe chief aim of analysis is to distinguish between an event occurring as either reflecting a true effect versus a false one. Any bias occurring in the collection of the data, or selection of method of analysis, will increase the likelihood of drawing a biased inference. Bias can occur when recruitment of study participants falls below minimum number required to demonstrate statistical power or failure to maintain a sufficient follow-up period needed to demonstrate an effect (Altman, 2001). Inappropriate subgroup analysis When failing to demonstrate statistically different levels between treatment groups, investigators may resort to breaking down the analysis to smaller and smaller subgroups in order to find a difference. Although this practice may not inherently be unethical, these analyses should be proposed before beginning the study even if the intent is exploratory in nature. If it the study is exploratory in nature, the investigator should make this explicit so that readers understand that the research is more of a hunting expedition rather than being primarily theory driven. Although a researcher may not have a theory-based hypothesis for testing relationships between previously untested variables, a theory will have to be developed to explain an unanticipated finding. Indeed, in exploratory science, there are no a priori hypotheses therefore there are no hypothetical tests. Although theories can often drive the processes used in the investigation of qualitative studies, many times patterns of behavior or occurrences derived from analyzed data can result in developing new theoretical frameworks rather than determined a priori (Savenye, Robinson, 2004). It is conceivable that multiple statistical tests could yield a significant finding by chance alone rather than reflecting a true effect. Integrity is compromised if the investigator only reports tests with significant findings, and neglects to mention a large number of tests failing to reach significance. While access to computer-based statistical packages can facilitate application of increasingly complex analytic procedures, inappropriate uses of these packages can result in abuses as well. Following acceptable norms for disciplines Every field of study has developed its accepted practices for data analysis. Resnik (2000) states that it is prudent for investigators to follow these accepted norms. Resnik further states that the norms are ‘…based on two factors:(1) the nature of the variables used (i.e., quantitative, comparative, or qualitative),(2) assumptions about the population from which the data are drawn (i.e., random distribution, independence, sample size, etc.). If one uses unconventional norms, it is crucial to clearly state this is being done, and to show how this new and possibly unaccepted method of analysis is being used, as well as how it differs from other more traditional methods. For example, Schroder, Carey, and Vanable (2003) juxtapose their identification of new and powerful data analytic solutions developed to count data in the area of HIV contraction risk with a discussion of the limitations of commonly applied methods.
If one uses unconventional norms, it is crucial to clearly state this is being done, and to show how this new and possibly unaccepted method of analysis is being used, as well as how it differs from other more traditional methods. For example, Schroder, Carey, and Vanable (2003) juxtapose their identification of new and powerful data analytic solutions developed to count data in the area of HIV contraction risk with a discussion of the limitations of commonly applied methods.

Determining significance

While the conventional practice is to establish a standard of acceptability for statistical significance, with certain disciplines, it may also be appropriate to discuss whether attaining statistical significance has a true practical meaning, i.e., ‘clinical significance’. Jeans (1992) defines ‘clinical significance’ as “the potential for research findings to make a real and important difference to clients or clinical practice, to health status or to any other problem identified as a relevant priority for the discipline”.

Kendall and Grove (1988) define clinical significance in terms of what happens when “… troubled and disordered clients are now, after treatment, not distinguishable from a meaningful and representative non-disturbed reference group”. Thompson and Noferi (2002) suggest that readers of counseling literature should expect authors to report either practical or clinical significance indices, or both, within their research reports. Shepard (2003) questions why some authors fail to point out that the magnitude of observed changes may too small to have any clinical or practical significance, “sometimes, a supposed change may be described in some detail, but the investigator fails to disclose that the trend is not statistically significant ”.

Lack of clearly defined and objective outcome measurements

No amount of statistical analysis, regardless of the level of the sophistication, will correct poorly defined objective outcome measurements. Whether done unintentionally or by design, this practice increases the likelihood of clouding the interpretation of findings, thus potentially misleading readers.

Provide honest and accurate analysis

The basis for this issue is the urgency of reducing the likelihood of statistical error. Common challenges include the exclusion of outliers, filling in missing data, altering or otherwise changing data, data mining, and developing graphical representations of the data (Shamoo, Resnik, 2003).

Manner of presenting data

At times investigators may enhance the impression of a significant finding by determining how to present derived data (as opposed to data in its raw form), which portion of the data is shown, why, how and to whom (Shamoo, Resnik, 2003). Nowak (1994) notes that even experts do not agree in distinguishing between analyzing and massaging data. Shamoo (1989) recommends that investigators maintain a sufficient and accurate paper trail of how data was manipulated for future review.

Environmental/contextual issues

The integrity of data analysis can be compromised by the environment or c

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ข้อมูลเป็นกระบวนการของการใช้ระบบสถิติและ / หรือเทคนิคเหตุผลที่จะอธิบายและแสดงให้เห็นรวมตัวและการสรุปและประเมินข้อมูล ตามที่ Shamoo และ Resnik (2003) ขั้นตอนการวิเคราะห์ต่างๆ "ให้วิธีการวาดภาพการหาข้อสรุปจากการเหนี่ยวนำข้อมูลและความแตกต่างสัญญาณ (ปรากฏการณ์ที่น่าสนใจ) จากเสียง (ความผันผวนของสถิติ) อยู่ในข้อมูล" .. ในขณะที่การวิเคราะห์ข้อมูลในเชิงคุณภาพ การวิจัยอาจรวมถึงวิธีการทางสถิติและการวิเคราะห์หลายครั้งจะกลายเป็นกระบวนการซ้ำอย่างต่อเนื่องที่มีการเก็บรวบรวมข้อมูลและวิเคราะห์อย่างต่อเนื่องเกือบจะพร้อมกัน อันที่จริงนักวิจัยโดยทั่วไปวิเคราะห์หารูปแบบในการสังเกตผ่านขั้นตอนการเก็บรวบรวมข้อมูลทั้งหมด (Savenye โรบินสัน, 2004) รูปแบบของการวิเคราะห์จะถูกกำหนดโดยวิธีการเชิงคุณภาพโดยเฉพาะการดำเนินการ (การศึกษาด้านการวิเคราะห์เนื้อหาวรรณนาประวัติศาสตร์บอกเล่าชีวประวัติการวิจัยสร้างความรำคาญ) และรูปแบบของข้อมูล (บันทึกสนาม, เอกสาร, เทป, เทป). องค์ประกอบที่สำคัญของ สร้างความมั่นใจในความสมบูรณ์ของข้อมูลคือการวิเคราะห์ที่ถูกต้องและเหมาะสมของผลการวิจัย การวิเคราะห์ทางสถิติที่ไม่เหมาะสมบิดเบือนผลการวิจัยทางวิทยาศาสตร์เข้าใจผิดผู้อ่านสบาย ๆ (Shepard, 2002) และในเชิงลบอาจมีผลต่อการรับรู้ของประชาชนในการวิจัย ปัญหาความสมบูรณ์เป็นเพียงที่เกี่ยวข้องกับการวิเคราะห์ข้อมูลที่ไม่ใช่ทางสถิติเช่นกัน. พิจารณา / ปัญหาในการวิเคราะห์ข้อมูลมีหลายประเด็นที่จะว่านักวิจัยควรจะรู้ทันที่เกี่ยวกับการวิเคราะห์ข้อมูล เหล่านี้รวมถึงมีทักษะที่จำเป็นในการวิเคราะห์ในขณะเดียวกันการเลือกวิธีการเก็บรวบรวมข้อมูลและการวิเคราะห์ที่เหมาะสมวาดข้อสรุปที่เป็นกลางวิเคราะห์กลุ่มย่อยที่ไม่เหมาะสมต่อไปบรรทัดฐานที่ยอมรับได้สำหรับสาขาวิชาที่กำหนดอย่างมีนัยสำคัญทางสถิติที่ขาดการกำหนดไว้อย่างชัดเจนและการวัดผลลัพธ์วัตถุประสงค์ให้การวิเคราะห์ความซื่อสัตย์สุจริตและถูกต้องลักษณะของการนำเสนอข้อมูลด้านสิ่งแวดล้อม/ ปัญหาบริบทข้อมูลบันทึกวิธีการ'ข้อความ' พาร์ทิชันเมื่อวิเคราะห์ข้อมูลเชิงคุณภาพการฝึกอบรมพนักงานของการดำเนินการวิเคราะห์ความน่าเชื่อถือและความถูกต้องขอบเขตของการวิเคราะห์มีทักษะที่จำเป็นในการวิเคราะห์สมมติฐานโดยปริยายของผู้ตรวจสอบคือการที่พวกเขาได้รับการฝึกอบรมเพียงพอที่จะแสดงให้เห็นถึงมาตรฐานระดับสูงของการปฏิบัติงานวิจัย 'การกระทำผิดทางวิทยาศาสตร์' โดยไม่ได้ตั้งใจมีแนวโน้มผลการเรียนการสอนที่ไม่ดีและการติดตาม จากการศึกษาแนะนำนี้อาจเป็นกรณีบ่อยกว่าที่เชื่อกัน (โนวัก, 1994; ซิลเวอร์แมนสัน, 2003) ยกตัวอย่างเช่นสิก้าพบว่าการฝึกอบรมที่เพียงพอของแพทย์ในโรงเรียนแพทย์ในการออกแบบที่เหมาะสมการดำเนินงานและการประเมินผลการทดลองทางคลินิกเป็น "เล็ก abysmally" (สิก้า, อ้างในโนวัก, 1994) อันที่จริงเป็นหลักสูตรเดียวในชีวสถิติเป็นส่วนใหญ่ที่มักจะนำเสนอ (คริสวิลเลียมส์ที่อ้างถึงในโนวัก, 1994). ปฏิบัติร่วมกันของผู้ตรวจสอบคือการเลื่อนการเลือกของขั้นตอนการวิเคราะห์ให้กับทีมงานวิจัย 'สถิติ' จะเป็นการดีที่นักวิจัยควรจะมีมากขึ้นกว่าความเข้าใจพื้นฐานของเหตุผลในการเลือกวิธีการหนึ่งของการวิเคราะห์มากกว่าอีก นี้สามารถช่วยให้นักวิจัยที่ดีกว่าการควบคุมดูแลพนักงานที่ดำเนินการข้อมูลการวิเคราะห์กระบวนการและการให้ข้อมูลในการตัดสินใจในขณะเดียวกันการเลือกวิธีการเก็บรวบรวมข้อมูลและการวิเคราะห์ที่เหมาะสมในขณะที่วิธีการวิเคราะห์อาจจะแตกต่างกันโดยมีระเบียบวินัยทางวิทยาศาสตร์ขั้นตอนที่ดีที่สุดสำหรับการกำหนดขั้นตอนการวิเคราะห์ที่เหมาะสมเกิดขึ้นในช่วงต้นกระบวนการวิจัยและไม่ควรจะเป็นภายหลัง ตามที่ Smeeton และ Goda (2003), "คำแนะนำทางสถิติควรจะได้รับในขั้นตอนของการวางแผนเริ่มต้นของการสืบสวนเพื่อที่ยกตัวอย่างเช่นวิธีการสุ่มตัวอย่างและการออกแบบของแบบสอบถามมีความเหมาะสม". วาดข้อสรุปที่เป็นกลางจุดมุ่งหมายหัวหน้าของการวิเคราะห์คือการแยกแยะระหว่างเหตุการณ์ที่เกิดขึ้นเป็นทั้งสะท้อนให้เห็นถึงผลกระทบที่แท้จริงเมื่อเทียบกับเท็จอย่างใดอย่างหนึ่ง อคติใด ๆ ที่เกิดขึ้นในการเก็บรวบรวมข้อมูลหรือการเลือกวิธีการของการวิเคราะห์จะเพิ่มโอกาสในการวาดข้อสรุปลำเอียง อคติจะเกิดขึ้นเมื่อการรับสมัครเข้าร่วมการศึกษาต่ำกว่าจำนวนขั้นต่ำที่จำเป็นในการแสดงพลังทางสถิติหรือความล้มเหลวในการรักษาเป็นระยะเวลาติดตามเพียงพอที่จำเป็นในการแสดงให้เห็นถึงผลกระทบ (อัลท์แมน, 2001). การวิเคราะห์กลุ่มย่อยที่ไม่เหมาะสมเมื่อล้มเหลวที่จะแสดงให้เห็นถึงระดับที่แตกต่างกันทางสถิติระหว่างการรักษากลุ่มนักวิจัยอาจรีสอร์ทที่จะทำลายลงในการวิเคราะห์กลุ่มย่อยที่มีขนาดเล็กและขนาดเล็กเพื่อหาสิ่งที่แตกต่าง แม้ว่าวิธีนี้อาจจะไม่โดยเนื้อแท้จะผิดจรรยาบรรณการวิเคราะห์เหล่านี้ควรจะนำเสนอก่อนที่จะเริ่มการศึกษาแม้ว่าเจตนาคือการสำรวจในธรรมชาติ ถ้ามันคือการศึกษาสำรวจในธรรมชาติตรวจสอบควรทำให้ชัดเจนเพื่อให้ผู้อ่านเข้าใจว่าการวิจัยมากขึ้นของการเดินทางล่าสัตว์มากกว่าการขับเคลื่อนหลักทฤษฎี ถึงแม้ว่านักวิจัยไม่อาจมีสมมติฐานทฤษฎีที่ใช้สำหรับการทดสอบความสัมพันธ์ระหว่างตัวแปรยังไม่ทดลองก่อนหน้านี้ทฤษฎีจะต้องได้รับการพัฒนาขึ้นเพื่ออธิบายการค้นพบที่ไม่คาดคิด อันที่จริงในทางวิทยาศาสตร์สอบสวนไม่มีสมมติฐานเบื้องต้นจึงไม่มีการทดสอบสมมติฐาน แม้ว่าทฤษฎีมักจะสามารถผลักดันให้กระบวนการที่ใช้ในการตรวจสอบของการศึกษาเชิงคุณภาพรูปแบบหลายต่อหลายครั้งของพฤติกรรมหรือเหตุการณ์ที่เกิดขึ้นมาจากการวิเคราะห์ข้อมูลที่จะส่งผลในการพัฒนากรอบทฤษฎีใหม่แทนที่จะมุ่งมั่นเบื้องต้น (Savenye โรบินสัน, 2004). มันเป็นไปได้ว่า การทดสอบทางสถิติหลายได้ผลการค้นพบที่สำคัญโดยมีโอกาสอยู่คนเดียวมากกว่าที่จะสะท้อนให้เห็นถึงผลกระทบที่แท้จริง ความซื่อสัตย์เป็นอันตรายหากตรวจสอบรายงานการทดสอบเฉพาะกับการค้นพบที่สำคัญและละเลยที่จะพูดถึงจำนวนมากของการทดสอบความล้มเหลวในการเข้าถึงอย่างมีนัยสำคัญ ในขณะที่การเข้าถึงคอมพิวเตอร์ที่ใช้โปรแกรมสำเร็จรูปทางสถิติสามารถอำนวยความสะดวกในการประยุกต์ใช้วิธีการวิเคราะห์ที่ซับซ้อนมากขึ้น, การใช้งานที่ไม่เหมาะสมของแพคเกจเหล่านี้สามารถส่งผลในการละเมิดสิทธิมนุษยชนเช่นกัน. หลังจากบรรทัดฐานที่ยอมรับได้สำหรับสาขาวิชาด้านการศึกษาได้มีการพัฒนาวิธีปฏิบัติที่ได้รับการยอมรับสำหรับการวิเคราะห์ข้อมูลทุก Resnik (2000) กล่าวว่าจะระมัดระวังในการตรวจสอบการปฏิบัติตามบรรทัดฐานเหล่านี้ได้รับการยอมรับ Resnik กล่าวต่อไปว่าบรรทัดฐานที่มี ... ขึ้นอยู่กับสองปัจจัย(1) ลักษณะของตัวแปรที่ใช้ (เช่นปริมาณเปรียบเทียบหรือเชิงคุณภาพ) (2) สมมติฐานเกี่ยวกับประชากรจากการที่ข้อมูลจะถูกดึงออกมา (เช่น กระจายสุ่มอิสระขนาดตัวอย่างและอื่น ๆ ) หากใช้บรรทัดฐานที่ไม่เป็นทางการก็เป็นสิ่งสำคัญอย่างชัดเจนรัฐนี้จะถูกทำและแสดงให้เห็นว่าวิธีนี้ใหม่และไม่ยอมรับอาจจะเป็นของการวิเคราะห์จะถูกนำมาใช้เช่นเดียวกับวิธีการที่แตกต่างจากวิธีการแบบดั้งเดิมอื่น ๆ เพิ่มเติม ยกตัวอย่างเช่น Schroder แครี่และ Vanable (2003) แนบบัตรประจำตัวของพวกเขาในการแก้ปัญหาการวิเคราะห์ข้อมูลใหม่และมีประสิทธิภาพการพัฒนาเพื่อนับข้อมูลในพื้นที่ของความเสี่ยงการหดตัวของเอชไอวีที่มีการอภิปรายของข้อ จำกัด ของวิธีการที่ใช้กันทั่วไปที่. หากใช้บรรทัดฐานทางการ มันเป็นสิ่งสำคัญที่ชัดเจนของรัฐนี้จะถูกทำและแสดงให้เห็นว่าวิธีนี้ใหม่และไม่ยอมรับอาจจะเป็นของการวิเคราะห์จะถูกนำมาใช้เช่นเดียวกับวิธีการที่แตกต่างจากวิธีการแบบดั้งเดิมอื่น ๆ เพิ่มเติม ยกตัวอย่างเช่น Schroder แครี่และ Vanable (2003) แนบบัตรประจำตัวของพวกเขาในการแก้ปัญหาการวิเคราะห์ข้อมูลใหม่และมีประสิทธิภาพการพัฒนาเพื่อนับข้อมูลในพื้นที่ของความเสี่ยงการหดตัวของเอชไอวีที่มีการอภิปรายของข้อ จำกัด ของวิธีการที่ใช้กันทั่วไปที่. กำหนดอย่างมีนัยสำคัญในขณะที่การปฏิบัติแบบเดิมคือการสร้างมาตรฐานการยอมรับสำหรับนัยสำคัญทางสถิติกับสาขาวิชาบางอย่างก็อาจจะเหมาะสมที่จะหารือว่าการบรรลุนัยสำคัญทางสถิติมีความหมายในทางปฏิบัติจริงคือ 'ความสำคัญทางคลินิก' กางเกงยีนส์ (1992) กำหนด 'ความสำคัญทางคลินิก' เป็น "ที่มีศักยภาพสำหรับผลการวิจัยที่จะสร้างความแตกต่างที่แท้จริงและที่สำคัญให้กับลูกค้าหรือการปฏิบัติทางคลินิกสถานะสุขภาพหรือปัญหาอื่น ๆ ที่ระบุว่าเป็นความสำคัญที่เกี่ยวข้องกับวินัย". เคนดอลและโกรฟ (1988) กำหนดความสำคัญทางคลินิกในแง่ของสิ่งที่เกิดขึ้นเมื่อ "... ลูกค้าที่มีปัญหาและเป็นระเบียบอยู่ในขณะนี้หลังการรักษาไม่แตกต่างจากความหมายและตัวแทนกลุ่มอ้างอิงที่ไม่ถูกรบกวน" ธ อมป์สันและ Noferi (2002) แสดงให้เห็นว่าผู้อ่านวรรณกรรมการให้คำปรึกษาควรคาดหวังว่าผู้เขียนจะรายงานดัชนีความสำคัญทั้งในทางปฏิบัติหรือทางคลินิกหรือทั้งสองที่อยู่ในรายงานการวิจัยของพวกเขา เชพเพิร์ (2003) คำถามว่าทำไมบางผู้เขียนล้มเหลวที่จะชี้ให้เห็นว่าขนาดของการเปลี่ยนแปลงที่สังเกตอาจมีขนาดเล็กเกินไปที่จะมีความสำคัญทางคลินิกหรือการปฏิบัติใด ๆ "บางครั้งการเปลี่ยนแปลงควรอาจจะอธิบายในรายละเอียดบางอย่าง แต่ตรวจสอบล้มเหลวที่จะเปิดเผยว่า แนวโน้มไม่ได้เป็นนัยสำคัญทางสถิติ. "ขาดการกำหนดไว้อย่างชัดเจนและการวัดผลลัพธ์วัตถุประสงค์ปริมาณของการวิเคราะห์ทางสถิติไม่คำนึงถึงระดับของความซับซ้อนที่จะแก้ไขได้ไม่ดีวัดที่กำหนดไว้ผลวัตถุประสงค์ ไม่ว่าจะทำโดยไม่ได้ตั้งใจหรือโดยการออกแบบการปฏิบัตินี้เพิ่มโอกาสในการทำให้ขุ่นมัวแปลความหมายของผลการวิจัยจึงอาจทำให้เข้าใจผิดผู้อ่าน. ให้การวิเคราะห์ที่ถูกต้องซื่อสัตย์และเป็นพื้นฐานสำหรับปัญหานี้คือการเร่งด่วนในการลดโอกาสในการผิดพลาดทางสถิติที่ ความท้าทายที่พบบ่อย ได้แก่ การยกเว้นค่าผิดปกติที่กรอกข้อมูลที่ขาดหายไปการเปลี่ยนแปลงหรือมิฉะนั้นการเปลี่ยนแปลงข้อมูลการทำเหมืองข้อมูลและการพัฒนาการรับรองกราฟิกของข้อมูล (Shamoo, Resnik, 2003). ลักษณะของการนำเสนอข้อมูลในบางครั้งนักวิจัยอาจเพิ่มการแสดงผลของการการค้นพบที่สำคัญโดยการกำหนดวิธีการที่จะนำเสนอข้อมูลที่ได้มา (เมื่อเทียบกับข้อมูลในรูปแบบดิบของมันเป็น) ซึ่งเป็นส่วนหนึ่งของข้อมูลที่จะแสดงให้เห็นว่าทำไมอย่างไรและเพื่อใคร (Shamoo, Resnik, 2003) โนวัก (1994) ตั้งข้อสังเกตว่าแม้แต่ผู้เชี่ยวชาญไม่เห็นด้วยในความแตกต่างระหว่างการวิเคราะห์และข้อมูลนวด Shamoo (1989) แนะนำว่านักวิจัยรักษาทางกระดาษเพียงพอและถูกต้องของวิธีการที่ข้อมูลถูกจับเพื่อการตรวจสอบในอนาคต. ประเด็นสิ่งแวดล้อม / บริบทความสมบูรณ์ของการวิเคราะห์ข้อมูลสามารถถูกทำลายจากสภาพแวดล้อมหรือค

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์ข้อมูล

คือกระบวนการอย่างเป็นระบบ โดยใช้เทคนิคทางสถิติ และ / หรือ ตรรกะเพื่ออธิบายและแสดงให้เห็นถึง , ควบแน่นและสรุป และประเมินผลข้อมูลตาม shamoo เรสนิก ( 2003 ) และกระบวนการ " วิเคราะห์ต่าง ๆให้ใช้ วิธีแบบอุปนัยจากข้อมูลและแยกสัญญาณ ( ปรากฏการณ์ที่น่าสนใจ ) จากเสียง ( สถิติความผันผวน ) ที่อยู่ในข้อมูล " . . . . . . .

ส่วนการวิเคราะห์ข้อมูลในการวิจัยเชิงคุณภาพสามารถรวมถึงวิธีการทางสถิติการวิเคราะห์หลายๆ ครั้งกลายเป็นกระบวนการที่ต่อเนื่องของข้อมูลอย่างต่อเนื่องเก็บรวบรวมเกือบพร้อมกัน แน่นอน , นักวิจัยโดยทั่วไปวิเคราะห์รูปแบบในการสังเกตผ่านทั้งหมดรวบรวมข้อมูลเฟส ( savenye , โรบินสัน , 2004 ) รูปแบบของการวิเคราะห์จะพิจารณาโดยเฉพาะ คุณภาพ วิธีการถ่าย ( การศึกษาวิเคราะห์เนื้อหาชาติพันธุ์วิทยา ,ประวัติศาสตร์ในช่องปาก ชีวประวัติ และสงบเสงี่ยม ) และรูปแบบของข้อมูล ( ฟิลด์บันทึกย่อ เอกสาร แถบบันทึกเสียง วีดิทัศน์ ) .

องค์ประกอบที่สำคัญของรับประกันความสมบูรณ์ของข้อมูล คือ การวิเคราะห์ที่ถูกต้องและเหมาะสมของผลงานวิจัย สถิติที่ใช้ในการวิเคราะห์ข้อมูลทางวิทยาศาสตร์ที่บิดเบือนผู้อ่านเข้าใจผิด ( Shepard , สบาย ๆ , 2002 ) , และลบอาจมีผลต่อการรับรู้ของประชาชนในการวิจัยปัญหาความสมบูรณ์เป็นเพียงที่เกี่ยวข้องกับการวิเคราะห์ข้อมูลทางสถิติที่ไม่ได้เป็นอย่างดี

ข้อพิจารณาในการวิเคราะห์ข้อมูล / ปัญหา

มีจำนวนของปัญหาที่นักวิจัยควรรู้ทันและการวิเคราะห์ข้อมูล เหล่านี้รวมถึง :

มีทักษะที่จำเป็นเพื่อวิเคราะห์
พร้อมการเลือกวิธีการเก็บรวบรวมข้อมูล และวิเคราะห์แบบเป็นกลาง

สรุปที่เหมาะสมไม่เหมาะสมกลุ่มย่อยการวิเคราะห์
ต่อไปนี้บรรทัดฐานที่ยอมรับได้สำหรับสาขาวิชาสถิติ

การขาดความชัดเจนและวัตถุประสงค์ ผลการวัดให้เที่ยงตรงและถูกต้องวิเคราะห์

ลักษณะนำเสนอข้อมูลด้านสิ่งแวดล้อม / บริบทปัญหา


บันทึกข้อมูลวิธีการ ' ข้อความ ' เมื่อวิเคราะห์ข้อมูลเชิงคุณภาพทำการวิเคราะห์

การฝึกอบรมของพนักงาน