Please enable JavaScript.

Coggle requires JavaScript to display documents.

Felkällor, kontrolltekniker och mättekniska problem: Mellanpersondesign…

- - - - Slumpmässigt urval direkt ur populationen är den bästa randomiseringen, men är ofta inte möjlig i experimentella situationer
      - Vi kan även göra ett bekvämlighetsurval och sedan fördela försökspersonerna slumpmässigt mellan betingelserna
        
        Varje deltagare ska ha lika stor sannolikhet att hamna i någon av betingelserna, annars kan det leda till selektionseffekter
      - Gör det endast sannolikt att grupperna inte skiljer sig åt.
        
        Desto större sampel, desto större sannolikhet för jämbördiga grupper
        
        Samplets storlek tas i beaktande vid statistisk testning. Större sampel kräver mindre medelvärdesskillnad för att klassas som statisktiskt signifikant
    - - Man bör nästan alltid konstanthålla miljövariabler
      - Individvariabler är svåra att konstanthålla, men det kan göras, ifall att de är lätta att konstanthålla
        
        Om vi t.ex. inte är intresserade av att undersöka könsskillnader, är det bättre att konstanhålla könet, d.v.s. använda oss av endast män eller endast kvinnor
      - Är att föredera framför en balanserad ojämn fördelning
    - - Man kan fördela variabler, som man tror kan påverka BV, jämt mellan grupperna, men egenskaperna måste vara lätta att fördela, t.ex. kön
      - T.ex. 200 män och 100 kvinnor, 2 grupper => 100 män och 50 kvinnor i varje grupp.
      - Är speciellt bra om den variabel som man fördelar samvarierar med andra variabler, t.ex. kön och språkförmåga
      - Är användbart när samplet är litet, när många OVV balanseras tack vare balansering av en lättbalanserad variabel
      - Det är dock alltid bättre att ha balanserade grupper med jämn fördelning, t.ex. lika mycket män som kvinnor i varje grupp, eftersom det kan finnas en interaktion mellan OBV och den balanserade variabeln.
        
        Vid ett stort sampel kan vi statistiskt säkerställa en interaktion även om det är balanserade grupper med ojämn fördelning, men inte om vi har ett litet sampel
        
        Om vi har balanserade grupper med ojämn fördelning så kommer medelvärdesskillnaden att vara missvisande
        
        Kan leda till att man tror att OBV har en generell effekt, fastän den OBV egentligen interagerar med OVV
  - - - Det är inte nödvändigt att likställa grupperna om man bara vill göra en deskriptiv undersökning
      - Ålder hör ihop med erfarenhet och kohort => svårt att dra slutsatser om åldrandets effekter.
        
        Om generationsskillnader eller åldersskillnader kan ses som förklaring till prestationen på BV, beror på vad vi mäter
    - - Om vi vill göra en förklarande undersökning måste vi dessutom ha kontroll över de OVV som kan påverka BV
      - Är mycket svårt att lyckas med och lika så att för kontroll över OVV
    - - Närmevariabeln och den andra variabeln måste korrelera med varandra
      - Om vi t.ex. tror att kvinnor har mer erfarenhet än män gällande arbetsuppgifter som är simultankapacitetsmässigt krävande, så är kön närmevariabeln för erfarenhet av simultankapacitetskrävande arbete
      - Om det är möjligt kan det dock vara bättre att dela in grupperna på ett mer direkt sätt istället för enligt närmevariabler, eftersom det ger mera information
- - - - Vi transformerar vårt experiment till ett 2x2 faktoriellt experiment, med mixad design
      - Man kan se om progressiva effekter har påverkat resultatet genom att analysera interaktionen
        
        Om det inte finns några progressiva effekter så har vi ingen interaktion
        
        En interaktion kan uppstå som resultat av att en progressiv effekt adderas till effekten av OBV
    - - En latinkvadrat används för att motbalansera ordningen mellan betingelserna utan att behöva gå igenom alla möjliga ordningar.
        
        Varje betingelse förekommer endast en gång i varje rad och kolumn, vilket sannolikt gör att alla progressiva effekter tar ut varandra
        
        Mätvärdena i en viss betingelse får vi genom att slå ihop gruppernas mätvärden i respektive betingelse och räkna ut ett medelvärde för varje betingelse.
        
        Värdet i den första betingelsen som respektive grupp började med kan ses som medlevärden av en mellanpersondesign. Dessa värden är inte påverkade av progressiva effekter
        
        Skulle våra mätningar ha perfekt reliabilitet så skulle dessa värden ses som de egentliga skillnaderna mellan betingelserna
        
        Trots att det inte är perfekt reliabilitet så skulle vi ändå kunna pröva skillnaderna som om det vore en mellanpersondesig och strunta i alla andra värden.
        
        Om man jämför dessa med totalmedelvärdena, så skulle skilllnaden vara ett mått på progressiva effekter, vilket kan innebära att totalmedelvärdet kan vara missvisande om skillnaderna mellan totalmedelvärdet och värdet i de första betingelserna skiljer sig åt.
        
        Om vi vill ha reda på det absoluta värdet som deltagarna fått i respektive betingelse så är träningseffekten ett problem
        
        Om medelvärdet ökar med jämna intervaller för varje betingelse, men detta inte gäller för de enskilda undergrupperna, så innebär detta att det finns andra orsaker än progressiva effekter som orskara skillnaderna mellan betingelserna
        
        Vi har ett faktoriellt experiment med mixad design, där varje betingelse är inompersonsvariabel och ordningen är mellanpersonvariabel
        
        Ifall vi får en interaktion mellan dessa bör vi granska vad som ligger bakom interaktionen, men det är oftast träning på uppgiften som orsakar den
        
        Vi kan pröva interaktionen med variansanalys
        
        Om betingelserna bildar en naturlig ordning, så kan det hända att försökspersonerna i den ordningsgruppen genomskådar designen, vilket kan påverka resultatet. Man bör därför aldrig ha en naturlig ordning
        
        Man kan slumpa vilka betingelser som får vilka beteckningar när man bildar latinkvadraten eller slumpa kolumnernas ordning i kvadraten för att undvika detta
        
        Asymetrisk transfer innebär att en betingelse kan påverka varandra olika. T.ex. Bet. 1 kan ha en effekt på bet. 2, men bet.2 kan ha en annan effekt på bet.1.
        
        Det är sällan en transfer är symmetrisk
        
        Vi kan minska effekten av asymetrisk transfer genom att se till att varje betingelse föregås lika många gånger av var och en av de andra.
        
        Om vi har ett ojämt antal betingelser så måste vi ha två latinkvadrater
        
        Om vi har ett jämt antal betingelser så kan vi använda oss av en latinkvadrat
        
        Desto fler betingelser vi vill motbalansera, desto mindre alternativ gällande antal personer har vi
        
        Om vi har många försökspersoner kan vi analysera resutlatet i varje undergrupps första betingelse som en mellanpersondesign.
        
        Detta ger oss ett resutlat som inte är påverkat av progressiva effekter eller ordningseffekter
        
        Om resultatet skiljer sig mycket från totalmedelvärdena kan vi anta att progressiva effekter och ordningseffekter påverkat totalmedelvärdena
        
        Man bör inte använda sig av latinkvadrat om man har 3-4 betingelser