Kuvailevat ja epäsuorat tilastot
Kuvaileva vs. sivutustiedot
Tilastot ovat yksi tutkimuksen tärkeimmistä osista, kun otetaan huomioon, miten se järjestää tiedot mitattaviin muotoihin. Jotkut opiskelijat ovat kuitenkin hämmentyneitä kuvailevien ja inferitiivisten tilastojen välillä, minkä vuoksi heidän on vaikea valita paras vaihtoehto käyttää tutkimustaan.
Jos tarkastelet tarkasti, kuvailevien ja inferitiivisten tilastojen välinen ero on jo varsin ilmeinen heidän nimissään. "Kuvaileva" kuvaa tietoja, kun taas "inferential" päättelee tai sallii tutkijan päätyä kerättyihin tietoihin perustuvaan lopputulokseen.
Sinulla on esimerkiksi tehtävä tieteenharjoittelua tiineikään raskaudesta. Käyttämällä sekä deskriptiivisiä että inferential-tilastoja tutkii teini-ikäisten raskaustyyppien lukumäärää kouluissa tietyn määrän vuosia. Ero on se, että kuvailevien tilastojen avulla olette vain summalla kerätyt tiedot ja mahdollisuuksien mukaan havaitsemalla muutosten kuvio. Voidaan esimerkiksi sanoa, että viimeisen viiden vuoden aikana suurin osa teini-ikäisistä raskauksista X High Schoolissa tapahtui kolmanteen vuoteen ilmoittautuneille. Ei ole tarvetta ennustaa, että kuudennella vuodella kolmannen vuoden opiskelijat olisivat edelleen niitä, joilla on enemmän teini-ikäisiä raskauksia. Johtopäätöksiä ja ennusteita tehdään vain inferisenssitilastoissa.
Kuvaamisen tai päättymisen periaate koskee myös tutkijan tietoja tai kerättyjä tietoja. Viitaten aiempaan esimerkkiimme teini-ikäisistä raskauksista, kuvaavat tilastot koskevat vain kuvattavaa väestöä. Yksinkertaisesti sanottuna X High Schoolin tietoja, jotka koskevat teini-ikäistä raskautta, sovelletaan vain kyseiseen laitokseen.
Johtamispätöstilastoissa X High School voisi vain olla esimerkki kohderyhmästä. Oletetaan, että tavoitteena on selvittää teini-ikäisten raskauksien tila New Yorkissa. Koska olisi mahdotonta kerätä tietoja kustakin New Yorkissa sijaitsevasta lukiosta, X High School toimii näytteinä, joka heijastaisi tai edustaa kaikkia New Yorkin oppilaitoksia. Tietenkin tämä tarkoittaa yleensä, että on olemassa virhevirhe, koska yksi näyte ei riitä edustamaan koko väestöä. Tämä mahdollinen virheaste otetaan huomioon myös analysoitaessa tietoja. Käyttämällä eri laskutoimituksia, kuten media, mediaani ja moodi, tutkijat pystyisivät kuvaamaan tai tutkimaan tietoja ja saavuttamaan, mitä he haluavat prosessin kautta.
Tilastot, erityisesti inferential, ovat suurelta osin tärkeitä nykypäivän teollisuudelle, lähinnä siksi, että se tarjoaa tietoa, jolla voi auttaa ihmisiä tekemään päätöksiä tulevaisuudessa. Esimerkiksi yrityskulttuurin perusta voi olla esimerkiksi väestönkasvun prosenttiosuuden laskeminen tietyssä kaupungissa, jotta päättäisisimmekö tehdä kaupankäynnin kyseisessä kaupungissa. Se, että se hyödyntää myös lukuja päätelmien saamiseksi, parantaa tutkimuksen tarkkuutta ja tietojen ymmärrettävyyttä.
Tilastolliset tulokset näytetään usein eri malleissa, kaavioista kaavioihin. Tarkkuuden lisäämiseksi tutkijat ottavat myös huomioon erilaiset tekijät, jotka voivat vaikuttaa väestöön ja kääntää sen numerotietoihin. Tällä tavoin virheen todennäköisyys minimoidaan ja tapauksen tiivis yhteenveto saavutetaan.
Yhteenveto:
1.Descriptive-tilastot vain "kuvaavat" tutkimusta eivätkä salli johtopäätöksiä tai ennusteita.
2.Inferenssitilastot antavat tutkijalle mahdollisuuden päättää ja ennakoida muutoksia, jotka voivat tapahtua huolenaiheesta.
3.Descriptive-tilastot toimivat yleensä tietyllä alueella, joka sisältää koko kohderyhmän.
4.Inferenssitilastot ottavat yleensä näytteen väestöstä, varsinkin jos väestö on liian suuri tutkimustyön tekemiseen.
