Στατιστικές τεχνικές αξιολόγησης ερωτηματολογίων
Η επιστημονική έρευνα βασίζεται στην παρατήρηση φαινομένων με στόχο τη συλλογή και ανάλυση πληροφοριών και μετρήσεων – δεδομένων που προέρχονται από αυτές τις παρατηρήσεις, και σκοπό την εξαγωγή χρήσιμων και γενικεύσιμων συμπερασμάτων. Οι επιστημονικές μελέτες και έρευνες στοχεύουν να δώσουν απαντήσ...
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Language: | Greek |
| Published: |
2015
|
| Subjects: | |
| Online Access: | https://vsmart.lib.aegean.gr/webopac/FullBB.csp?WebAction=ShowFullBB&EncodedRequest=E*93L*B5*FB*11*01*DD*F5*A6*EF*BC*28*1C*5F*3F&Profile=Default&OpacLanguage=gre&NumberToRetrieve=50&StartValue=1&WebPageNr=1&SearchTerm1=2015%20.1.110329&SearchT1=&Index1=Keywordsbib&SearchMethod=Find_1&ItemNr=1 http://hdl.handle.net/11610/15529 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Η επιστημονική έρευνα βασίζεται στην παρατήρηση φαινομένων με στόχο τη συλλογή και ανάλυση πληροφοριών και μετρήσεων – δεδομένων που προέρχονται από αυτές τις παρατηρήσεις, και σκοπό την εξαγωγή χρήσιμων και γενικεύσιμων συμπερασμάτων. Οι επιστημονικές μελέτες και έρευνες στοχεύουν να δώσουν απαντήσεις σε συγκεκριμένα ερωτήματα και γενικούς προβληματισμούς που σχετίζονται με μία συγκεκριμένη ομάδα ή ομάδες ατόμων ή αντικειμένων. Η Στατιστική παρέχει τα κατάλληλα εργαλεία για το σχεδιασμό της διαδικασίας συλλογής, περιγραφής, ανάλυσης και επεξεργασίας αυτών των παρατηρήσεων. Δηλαδή, ένα σύνολο από μεθόδους και κανόνες που επιτρέπουν την οργάνωση μιας συλλογής δεδομένων, της συνοπτική και αποτελεσματική παρουσίαση και ανάλυση τους, και τέλος την εξαγωγή χρήσιμων συμπερασμάτων.Αν και η επιστήμη της στατιστικής προτείνει ένα μεγάλο σύνολο από τεχνικές για την οργάνωση και την ανάλυση των δεδομένων, αυτές οι τεχνικές μπορούν να κατηγοριοποιηθούν σε δύο γενικές κατηγορίες, την περιγραφική στατιστική (descriptive statistics) που περιλαμβάνει μεθόδους για την οργάνωση, απλοποίηση και συνοπτική παρουσίαση των δεδομένων και την επαγωγική στατιστική που περιλαμβάνει τεχνικές που επιτρέπουν την ανάλυση τέτοιων δεδομένων ώστε να γίνει εφικτή η εξαγωγή χρήσιμων και γενικεύσιμων συμπερασμάτων για τους πληθυσμούς,με βάση τις πληροφορίες που συλλέγονται από τα δείγματα.Τα παραδοσιακά μοντέλα που χρησιμοποιούνται στην ανάλυση παλινδρόμησης, στην γραμμική ανάλυση και στην ανάλυση διακριτότητας περιέχουν παραμέτρους που περιγράφουν μόνο τις σχέσεις μεταξύ των παρατηρούμενων μεταβλητών. Αδυνατούν να βρουν υποκατηγορίες συναφών υποθέσεων, λανθανουσών κατηγοριών για πολυπαραγοντικά κατηγορικά δεδομένα. Δεν μπορούν επίσης να εντοπίσουν ξεχωριστές διαγνωστικές κατηγορίες δεδομένης της παρουσίας ή απουσίας αρκετών συμπτωμάτων, διαφόρων ειδών δομών συμπεριφορών ανάλογα με τις απαντήσεις σε συγκεκριμένη έρευνα, τμήματα αγοράς των καταναλωτών από δημογραφικές μεταβλητές και προτιμήσεις, ή εξεταζόμενων υποπληθυσμών από τις απαντήσεις τους να ελέγξουν διάφορα στοιχεία (Smith&Makov, 1985).Τα latent class models (μοντέλα λανθανουσών κατηγοριών) έρχονται να καλύψουν αυτό το κενό καθώς μπορούν να περιλαμβάνουν μία ή περισσότερες διακριτές απαρατήρητες μεταβλητές. Μπορούν να χρησιμοποιηθούν για παράδειγμα σε ένα δείγμα περιπτώσεων (υποκείμενα, αντικείμενα, ερωτηθέντες, κ.λπ.) όπου μετριούνται σε διάφορες μεταβλητές, με στόχο τον εντοπισμό κάποιων μικρού αριθμού βασικών ομάδων στις οποίες εντάσσονται. Στο πλαίσιο μιας έρευνας μάρκετινγκ, ερευνητής θα ερμήνευε συνήθως τις κατηγορίες αυτές ως λανθάνουσες μεταβλητές, λανθάνουσες κατηγορίες, ως συστάδες (clusters) ή τμήματα (Dillon and Kumar 1994;Wedel and Kamakura, 1998). Στην πραγματικότητα, η ανάλυση LC παρέχει ένα ισχυρό νέο εργαλείο για τον εντοπισμό σημαντικών τμημάτων της αγοράς στο στοχευμένο μάρκετινγκ. Τα μοντέλα LC δεν βασίζονται στις παραδοσιακές παραδοχές μοντελοποίησης, οι οποίες συχνά παραβιάζονται στην πράξη (γραμμική σχέση, κανονική κατανομή, ομοιογένεια). Ως εκ τούτου, υπόκεινται λιγότερο σε προκαταλήψεις που σχετίζονται με δεδομένα που δεν συμμορφώνεται με το υπόδειγμα των υποθέσεων. Επιπλέον, τα μοντέλα LC έχουν πρόσφατα επεκταθεί (Vermunt και Magidson, 2000α, 2000β) και περιλαμβάνουν μεταβλητές μικτών τύπων κλίμακας (ονομαστικές, ιεραρχικές, συνεχείς μεταβλητές) στην ίδια ανάλυση. Επίσης, για βελτιωμένη περιγραφή της διασποράς ή του τμήματος, η σχέση μεταξύ των λανθανουσών κατηγοριών και των εξωτερικών μεταβλητών (συμεταβλητές) μπορεί να αξιολογηθεί ταυτόχρονα με την αναγνώριση των συστάδων. Η ενέργεια αυτή εξαλείφει την ανάγκη να προχωρήσει ο ερευνητής στο δεύτερο στάδιο της ανάλυσης, όπου πραγματοποιείται ανάλυση διακριτότητας για το συσχετισμό των αποτελεσμάτων της συστάδας με δημογραφικές και άλλες μεταβλητές.Στόχος της παρούσας διπλωματικής εργασίας είναι να εξετάσει το ρόλο της γνωσιακής ανάλυσης και των latent class modelsστην στατιστική. |
|---|