Sti-analyse er en form for multiple regression Statistisk analyse der bruges til at evaluere årsagsmodeller ved at undersøge forholdet mellem en afhængig variabel og to eller flere uafhængige variabler. Ved at bruge denne metode kan man estimere både størrelsen og betydningen af årsagsforbindelser mellem variabler.
Key Takeaways: Sti-analyse
- Ved at udføre en sti-analyse kan forskerne bedre forstå årsagsforholdene mellem forskellige variabler.
- For at begynde med tegner forskere et diagram, der tjener som en visuel repræsentation af forholdet mellem variabler.
- Dernæst bruger forskere et statistisk softwareprogram (såsom SPSS eller STATA) til at sammenligne deres forudsigelser med det faktiske forhold mellem variablerne.
Oversigt
Stieanalyse er teoretisk nyttig, fordi den i modsætning til andre teknikker tvinger os til at specificere sammenhænge mellem alle de uafhængige variabler. Dette resulterer i en model, der viser årsagsmekanismer, gennem hvilke uafhængige variabler producerer både direkte og indirekte effekter på en afhængig variabel.
Sti-analyse blev udviklet af Sewall Wright, en genetiker, i 1918. Over tid er metoden blevet anvendt i andre fysiske videnskaber og samfundsvidenskaber, herunder sociologi. I dag kan man gennemføre sti-analyse med statistiske programmer, herunder SPSS og STATA, blandt andre. Metoden er også kendt som kausal modellering, analyse af covariansstrukturer og latente variable modeller.
Forudsætninger for at gennemføre en sti-analyse
Der er to hovedkrav til sti-analyse:
- Alle årsagsforhold mellem variabler skal kun gå i en retning (du kan ikke have et par variabler, der forårsager hinanden)
- Variablerne skal have en klar tidsbestilling, da en variabel ikke kan siges at forårsage en anden, medmindre den går forud for den i tide.
Sådan bruges sti-analyse
Sti-analyse involverer typisk konstruktionen af et stiagram, hvor forholdene mellem alle variabler og årsagsretningen mellem dem specifikt er fastlagt. Når man udfører en sti-analyse, kan man først konstruere en input sti diagram, der illustrerer de hypotetiske forhold. I en sti diagrambruger forskere pile til at vise, hvordan forskellige variabler forholder sig til hinanden. En pil, der peger fra for eksempel variabel A til variabel B, viser, at variabel A antages at påvirke variabel B.
Når den statistiske analyse er afsluttet, konstruerer en forsker derefter en udgangsdiagram, der illustrerer forholdene, som de faktisk eksisterer, ifølge analysen. Hvis forskerens hypotese er korrekt, viser inputvejsdiagrammet og outputsti diagram de samme forhold mellem variabler.
Eksempler på sti-analyse i forskning
Lad os overveje et eksempel, hvor sti-analyse kan være nyttig. Lad os antage, at du antager, at alder har en direkte effekt på jobtilfredsheden, og du antager, at det har en positiv effekt, således at den ældre er, jo mere tilfreds vil man være med deres job. En god forsker vil indse, at der bestemt er andre uafhængige variabler, der også påvirker vores afhængige variabel af jobtilfredshed: for eksempel autonomi og indkomst, blandt andre.
Ved hjælp af sti-analyse kan en forsker oprette et diagram, der kortlægger forholdet mellem variablerne. Diagrammet viser en forbindelse mellem alder og autonomi (fordi den ældre typisk er, jo større er graden af autonomi, de vil have), og mellem alder og indkomst (igen, der er en tendens til at være en positiv sammenhæng mellem to). Derefter skal diagrammet også vise forholdet mellem disse to sæt variabler og den afhængige variabel: jobtilfredshed.
Efter ved hjælp af et statistisk program For at evaluere disse forhold kan man derefter tegne tegningen for at indikere forholdets størrelse og betydning. For eksempel kan forskeren finde ud af, at både autonomi og indkomst er relateret til jobtilfredshed, at en af disse to variabler har et meget stærkere link til jobtilfredshed end den anden, eller at ingen af variablerne har et markant link til job tilfredshed.
Styrker og begrænsninger i sti-analyse
Mens stedsanalyse er nyttigt til vurdering af årsagshypoteser, kan denne metode ikke bestemme retning af kausalitet. Det tydeliggør sammenhæng og angiver styrken ved en kausal hypotese, men beviser ikke årsagssammenhæng. For fuldt ud at forstå kausalitetsretningen kan forskere overveje at lede eksperimentelle undersøgelser hvor deltagerne tilfældigt tildeles en behandlings- og kontrolgruppe.
Yderligere ressourcer
Studerende, der ønsker at lære mere om stieanalyse, og hvordan de udføres, kan henvise til University of Exeters oversigt over Sti-analyse og Kvantitativ dataanalyse for sociale videnskabsfolk af Bryman og Cramer.
Opdateret af Nicki Lisa Cole, Ph. D.