Standardowe podejście do badania rozkładu jednej zmiennej kategorialnej obejmuje kilka elementów. Po pierwsze, przyjrzenie się jak często były wybierane poszczególne kategorie odpowiedzi. Po drugie, ile pojawiło się braków danych i jakie były rodzaje tych braków. Po trzecie wreszcie, zapoznanie się z rozkładem procentowym odpowiedzi (zarówno przy uwzględnieniu jak i wykluczeniu braków danych).
Przechodząc do dalszych analiz, na przykład do tworzenia tabel krzyżowych, zazwyczaj nie uwzględniamy już braków danych i wykonujemy zestawienia z uwzględnieniem tylko ważnych obserwacji. Czy pominięcie braków danych jest działaniem celowym, czy też wynika z zapomnienia bądź z przyzwyczajenia? Najpewniej zdarza się i tak, i tak, dlatego też ten „zwyczaj” poddamy dziś pogłębionej refleksji.
Chcesz dowiedzieć się więcej o raportowaniu?
Zapraszamy na szkolenie ST 2a. Wizualizacja informacji z użyciem raportów tabelarycznych i wykresów.
Aby dobrze zrozumieć czym jest zwykły procent odpowiedzi, a czym procent ważnych, spójrzmy na Tabelę 1., w której przedstawiony jest rozkład odpowiedzi respondentów na pytanie „Czy można uzależnić się od gier na pieniądze?”.
Tabela 1. Rozkład odpowiedzi jednej zmiennej
Z tabeli wynika, że najczęściej wybieraną odpowiedzią było „zdecydowanie tak”. Tę odpowiedź wybrało 1215 respondentów, co stanowi 60,6% spośród 2006 osób biorących udział w badaniu. Popularna była też odpowiedź „raczej tak”. Co ciekawe, trzecią w kolejności według liczebności odpowiedzią była odpowiedź „nie wiem”, wybrana przez 110 osób (5,5% wszystkich respondentów). W tej sytuacji analityk ma do wyboru dwie ścieżki postępowania. Jeśli odpowiedź „nie wiem” jest istotna z punktu widzenia celów badania, należałoby stosować procentowanie, którego podstawą są wszyscy respondenci (czyli ten rodzaj procentowania, którym posługiwałam się dotychczas). Jeśli jednak przedmiotem zainteresowania analityka są tylko ci respondenci, którzy mają zdanie na badany temat, zasadne jest przyjęcie za podstawę procentowania tylko ważnych obserwacji (w naszym przykładzie było ich 1897). Oczywiście skutkuje to zmianą wartości procentowych przy poszczególnych kategoriach – np. przy odpowiedzi „zdecydowanie tak” wartość statystyki „procent ważnych” wynosi ponad 64%. Przyjętą na tym etapie ścieżkę postępowania, powinniśmy utrzymać w dalszych analizach.
Kolejnym zaplanowanym etapem analiz jest zbadanie, czy opinia o możliwości uzależnienia się od gier na pieniądze zależy w jakikolwiek sposób od tego, czy respondent sam grywa w tego typu gry, czy też nie. Załóżmy, że interesują nas tylko respondenci z wyrobioną opinią, dlatego to właśnie procent ważnych jest dla nas odpowiednią statystyką. W takim przypadku, możemy wykonać standardową tabelę krzyżową, nie uwzględniającą braków danych.
Tabela 2. Tabela krzyżowa uwzględniająca tylko ważne obserwacje
Wśród respondentów posiadających wyrobione zdanie w badanej kwestii, znalazła się grupa 437 osób, które grywają w gry na pieniądze. Rozkład odpowiedzi w grupie graczy jest bardzo podobny do rozkładu odpowiedzi w grupie osób niegrających, jednak, co ciekawe, odsetek przekonanych o uzależniających właściwościach gier jest trochę wyższy w grupie graczy (65,9% w porównaniu do 63,6%). Gracze rzadziej niż niegrający wybierają natomiast odpowiedź „zdecydowanie nie” (1,9% w porównaniu do 2,1%). Choć da się zauważyć pewne różnice między grupami, nie są one duże. Po wykonaniu testu niezależności chi-kwadrat, okazuje się, że nie ma podstaw do uogólnienia zaobserwowanej zależności na całą populację (p > 0,05).
Ciekawe jak wyglądałaby ta tabela, gdybyśmy uwzględnili osoby niemające zdania na temat uzależnień od gier na pieniądze? Można zadać pytanie, czy osoby niegrające, nie grają, bo są pewne szkodliwego działania gry? Czy też nie mają co do tego zdania i po prostu nie interesuje ich ten temat? A czy osoby, które grają, zastanawiają się nad tym problemem? Mają własne zdanie w tym zakresie? Może są skłonne do uciekania od odpowiedzi w bezpieczne „nie wiem”? Tabela 3. pozwala na porównanie jak zmieniają się rozkłady odpowiedzi, gdy uwzględnimy pominięte wcześniej obserwacje z brakami.
Tabela 3. Tabela krzyżowa z uwzględnieniem braków danych
Jak się okazuje, odsetek niepewnych co do uzależniających właściwości gier jest większy wśród niegrających (6,1% w porównaniu do 3,3%). Jednocześnie, przy uwzględnieniu braków odpowiedzi, odsetek odpowiedzi „zdecydowanie tak” dla niegrających wynosi już tylko 59,7% a w grupie graczy 63,7%. To wszystko może wskazywać, iż osoby, które zetknęły się z grami na pieniądze, mają lepiej wypracowaną opinię na temat ich szkodliwości i są bardziej skłonne zgodzić się, że gry uzależniają. Może to być ciekawa do sprawdzenia hipoteza w bardziej pogłębionych badaniach.
Mam nadzieję, że ten wpis i przytoczony przykład, będzie dla Was ułatwieniem w dobieraniu odpowiednich statystyk podczas raportowania wyników z badań ankietowych. Co prawda, zazwyczaj w zupełności wystarcza wykorzystanie w tabelach procentu opartego na obserwacjach ważnych, ponieważ szczególnie interesują nas ci respondenci, którzy mają wypracowane konkretne opinie na tematy związane z badaniem. Istnieją jednak przypadki, gdy informacja o brakach danych daje lepsze zrozumienie naszych respondentów i pozwala na jeszcze ciekawsze interpretacje analiz. Usuwanie informacji o brakach danych bez zastanowienia, może spowodować, że stracimy coś ciekawego.
