Forskerliv: Fem gode grunner for kvantitative forskere til å lære seg modellering

0 231

De siste tiårene har det nærmest skjedd en revolusjon når det gjelder hvordan vi kan analysere store datamengder.  Mens forskere tidligere måtte sitte med enkle Anovaer eller regresjonsanalyser har vi nå helt andre muligheter, blant annen gjennom såkalt SEM, strukturell modellering. Det er en fellesbetegnelse på metoder hvor man bruker diverse matematisk modeller, alogaritmer og statistiske metoder som undersøker hvordan et nettverk av begreper (en teoretisk modell) passer til forskerens data.

Replikasjonsproblemene i forskning har fått mye oppmerksomhet de siste årene. Flere har påpekt at umoden og direkte feil bruk av statistiske prosedyrer, er en viktig årsak til problemene med replikasjon.  Dette har kanskje spesielt vært kritisert innenfor nevropsykologi (se for eksempel Bishop) , men også innenfor andre deler av psykologisk forskning og samfunnsvitenskap, se for eksempel Cumming. Å ta i bruk bedre metoder for å analysere data er derfor også et viktig arbeid for å forbedre kvaliteten på forskning.

En uke hver vår har Arne Lervåg kurs i strukturell modellering på det utdanningsvitenskapelige fakultet. Jeg pleier stort sett å være med på kurset, både for å friske opp mine egne modelleringsferdigheter, men også for å hjelpe til med kurset. Forrige uke var det kurs igjen, med 35 deltagere faktisk fra hele Europa.

 

Når jeg satt på kurset forrige uke, kom jeg til å tenke på hvor mange gode grunner det er til å lære seg SEM:

5 gode grunner til å lære seg SEM modellering:

1. Når vi måler ting innenfor psykologi, utdanning eller andre samfunnsfag er ikke dette som å måle høyde, vekt eller død versus levende. Våre målinger inneholder nesten alltid målefeil. Når man bruker strukturell modellering kan man få bedre kontroll på målefeilene ved at man tar ut feilvariasjon og metodevariasjon.

Større kontroll på målefeil vil gi sikrere resultater og mer replikerbare undersøkelser. Dersom man tar med seg målefeil inn i analysene, vil det kunne gi misvisende resultater, ofte vil den variablene med minst målefeil konkurrere ut de andre og tilsynelatende være den som best predikerer utfallsmålene.

2. Det er dessverre vanlig å se i utdanningsforskning og psykologisk forskning at man slår sammen tester, spørsmål på et spørreskjema ved å lage sumskårer mer eller mindre tilfeldig eller basert på «teori». Bruker man strukturell modellering kan man få testet om det faktisk er hold i dette ved å undersøke om ulike spørsmål eller tester  måler samme ting, også etter at målefeil er tatt i betraktning.

3. Ved å bruke SEM kan man teste teorier og hypoteser på en mye mer fleksibel og interessant måte. Tradisjonelle Anovaer og regresjonsanalyser sette klare begrensinger for hvilke hypoteser som kan adresseres. Ved å bruke strukturell modellering kan man teste teori og teoretiske modeller på en mye mer presis måte enn det vi tidligere har kunnet gjøre. Man kan undersøke om en sammenheng for eksempel er mediert gjennom andre variabler eller om for ferdigheter i utgangspunktet moderer effekten fra en intervensjon.

For å adressere slike teoretiske sammenhenger på en interessant måte må man ha gode bakgrunnskunnskaper om det man modellerer på. Selv om det kan være fristende, er det altså ikke så lett å «outsource» modelleringen til en som utelukkende har kunnskap om statistikk. Kunnskap om substans er en viktig forutsetning for å gjøre modelleringen på en god måte. Derfor er det viktig at også forskere som jobber mer anvendt og ikke bare med statistisk analyse selv kan modellere.

4. Innenfor fag som psykologi og utdanning hvor man ofte studerer menneskers utvikling, er undersøker med data bare på ett tidspunkt stadig mindre interessant og vanskelig å publisere i gode tidsskrifter. Ofte vil vi nå ha data på mange tidspunkter. Strukturell modelleringen gir unike muligheter til å adressere spørsmål om  utvikling på en mye grundigere og raffinert måte enn det man kan gjøre i for eksempel vanlige autoregressive hierarkiske regresjonsanalyser hvor ser på unike bidrag.

Ved for eksempel å bruke vekstmodellering kan man i tillegg til å se på om rangordningen mellom personene endrer seg over tid, også studere faktisk endring og hva som bidrar til vekst. Det bringer oss så nært som vi kan det å se på årsaksforhold i observasjonsstudier, og kan danne grunnlag for hypoteser som vi kan teste eksperimentelt. I motsetning til vanlig regresjon, kan man også undersøke om utviklingen er lineær eller følger andre kurver eller spor.

5. Sist men ikke minst, når man har lært seg teknikkene og får det til er modellering utrolig artig!

For PhD studenter som jobber med kvantiativ metode og har en lang karriere foran seg, tenker jeg at det nærmest bør være obligatorisk å lære seg SEM. Men, det samme gjelder vel egentlig også for mer etablerte forskere som ønsker å holde seg oppdatert og å sikre gode publiseringer fra undersøkelsene også i årene fremover. Altså, istedenfor å kritisere at SEM modeller er unødig kompliserte og at det er statistisk magi, er det nok en bedre ide å sette sette seg ned og faktisk lære seg dette. Litt enkelt sagt, men fremtiden for den kvantitative forsker ligger i SEM.

Du vil kanskje også like dette Mer fra samme forfatter

Leave A Reply

Your email address will not be published.