An introduction to educational research methods. Введение в образовательные исследовательские методы Білім беру-зерттеу әдістеріне кіріспе
жүктеу/скачать 32,4 Mb. Pdf көрінісі
|
- Бұл бет үшін навигация:
- Рефлексияға арналған сұрақтар
- Table 10.1
Жалпыұлттық орташа көрсеткіш
Taking A Quantitative Approach 480
Көрсеткіштердің мәнмәтінді өсуі Тиімділік көрсеткіштерін пайдалану бәрібір оқушылардың үлгерімінің барлық өзгерістерінің мектепте орын алатын жайтпен анықталатынын білдіреді. Алайда үлгерімге әсер ете алатын басқа да айнымалылар туралы не айтасыз? Олардың әсерін мектептің әсерінен айыруға мүмкіндік бар ма?
Алғашқы талпыныстар әлеуметтік-экономикалық мәртебенің көрсеткіші ретінде мектепте ақысыз тамақ ішетін оқушылардың санына түзетулер жасады. Содан кейін 2006 жылы үкімет мейлінше күрделі статистикалық үлгіні жасап шығарды. Олар сәйкес келетін айнымалыларды сәйкестендіруге және әрбір оқушының «күтілетін» үлгерімін болжау тәсілін табу үшін көп деңгейлі үлгілеу ретінде аталатын ақылды статистика көмегімен, бірінен соң бірінің әсерін жоюға талпыныс жасады. Осы «күтілетін» үлгерім деңгейінен ауытқу мәнмәтінді тиімділік көрсеткіші болады (contextual-value-added (CVA)). Үлгіні есептеулерге кіретін айнымалылар жылдан-жылға өзгеріп отыруы мүмкін, алайда, ережеге сәйкес, төмендегілерді қамтиды: • оқушының үлгерімінің алдыңғы деңгейі • жынысы • ерекше білім беру қажеттіліктері • бірінші тіл • оқушының жылжымалылық көрсеткіштері • жасы
• оқушының «тәрбиеленгенінің» көрсеткіші • этникалық тиесілігі • ақысыз мектепте тамақтану • аз қамтылған жанұялардан мектеп жасындағы балалардың жалпы оқушылар санына қарым-қатынасы (Income Deprivation Affecting Children Index (IDACI))
9.4 суретке қараңыз. Онда үш мектеп үшін орташа көрсеткіштер мен сенім білдіру шекаралары ұсынылады. А мектебінде 2000 оқушы, ал В мектепте – 500 оқушы, ал С мектепте – 2000 оқушы бар. Келесі ойлардың қайсысын 95% сенімділікпен бекітуге болады? • A мектебі жалпы ұлттық орташа көрсеткіштен айтарлықтай төмен. • В мектебі жалпы ұлттық орташа көрсеткіштен айтарлықтай жоғары. • C мектебі жалпы ұлттық орташа көрсеткіштен айтарлықтай жоғары. • А мектебі мен В мектебінің арасында айтарлықтай айырмашылық жоқ. • В мектебі мен С мектебінің арасында айтарлықтай айырмашылық жоқ. • А мектебі мен С мектебінің арасында айтарлықтай айырмашылық жоқ.
Taking A Quantitative Approach 481
• мектептегі орташа көрсеткіш пен алдыңғы үлгерім аралығы (тек KS2–3, KS2–4 және KS3–4). Бұл мектептің тиімділігін бағалау үшін «әулие Грааль» сияқты көрінеді, алайда дәл осы үлгімен бірнеше мәселе байланысты. CVA үлгісі жетіспейтін мәліметтерге қатысты қолданатын тәсіл жүйелік қателікті тудыруы мүмкін және кейбір айнымалылар да өзара әрекеттесуі және сызықтық емес тәсілдермен CVA әсер етуі мүмкін (мәсел., төменгі кіріс көзі ересектерге қарағанда кіші сыныптардағы оқушылардың үлгеріміне әсер ете алады). Осы мезеттерді есепке ала отырып, CVA – 1991 жылдан бастап түзілген бірнеше тиімділік көрсеткіштерінің бірі болып табылады, оның ішінде Фишер жанұялық қорының және білімді басқару орталығымен түзілген үлгілермен берілген балдарды қоса алғанда (Centre for Educational Management (CEM)) Дарем Университеті (мәселен: MIDYIS, Yellis және ALIS). Осы үлгілерді жасау үшін пайдаланылған тұрғындар туралы мәліметтерді, сонымен қатар кейбір қамтылған айнымалыларды, алайда әрқайсысы CVA ұқсас әдіске негізделген, мәліметтер ерекшеленеді.
Осындай түрдегі үлгілермен ұсынылған мәліметтер мектепті жетілдіруді жоспарлау үшін (мәсел., мектептер, мұғалімдер немесе оқушылар үшін), өз баласы үшін мектепті таңдау кезінде ата-аналармен есептілік үдерістерінің бір бөлігі ретінде (мәсел., Ofsted арқылы) пайдаланылған. Сіз. мүмкін, жоғарыда аталған атаулардың көпшілігін білетін боларсыз. Шын мәнісінде, білім саласындағы стандарттарды басқару саласы мектепті жетілдіру үшін CVA мәліметтерін пайдалану дәлелдемелерін ұсынуға мәжбүрлеп отыр. Ол үшін олардың мектептеріне онлайндық RAISE платформасы арқылы мәліметтер ұсынады және CVA мәліметтері ата-аналардың танысуы үшін жарияланатын болады. Алайда бір мәліметтерді пайдалану және, сәйкесінше, осы міндеттердің әрқайсысы үшін бір үлгіні пайдалану қиындау болуы мүмкін және осындай үлгілерге қатысатын айнымалылар осындай үлгіні пайдалану саласына байланысты ерекшеленуі тиіс.
Мәселен, егер CVA келешектегі жетістіктерді болжау үшін пайдаланылатын болса (көптеген СЕМ үлгілеріндегі оқушылар жағдайында), онда бұл үлгіні болжамды мейлінше нақты ету үшін әрбір факторда қамту қажет. Басқа жағынан алғанда, егер CVA мектепті жетілдіру үшін назар ретінде пайдаланылатын болса, онда мектепке шын мәнісінде бақылай алатын айнымалыларды ғана қамту орынды болады. Сәйкесінше, егер CVA есептілік үшін пайдаланатын болса, онда барлық мүдделі тараптар келтірілген көрсеткіштердің мәнін түсіне алуы тиіс және сондықтан осыған ұқсас күрделі көп деңгейлі үлгілеуді қолдану орынсыз болуы мүмкін.
Жоғарыда аталғандарды есепке ала отырып, мүмкін көрінетін дәлдік пен тиімділік рейтингісінің «құзыреттілігі», атап айтқанда CVA немесе Фишер жанұялық қорының рейтингісі ата-аналарды, мұғалімдер мен балаларды тығырыққа тиеуі мүмкін, оларды ешқандай мәлімдемесіз осындай мәліметтерге сенуге мәжбүрлеуі де мүмкін. Жағдаяттың екі жақсы мысалы бар, онда CVA мәліметтері ата-аналарға түсіндіруге қатысты мәселе тудыруы мүмкін. 1 Ата-аналар ең жоғарғы тиімділік рейтингісінің сенім білдіру аралықтарын есепке алмастан үздік мектепті анықтай алатынын біз көріп отырмыз. Алайда, CVA үлгілері,
Taking A Quantitative Approach 482
мәселен, соңғы жеті жыл ішінде мектепке барған оқушылардың мәліметтерін пайдаланатынын есепке ала отырып, шын мәнісінде олардың келешекте мектептің тиімділігі туралы ойды оқушыларға жеткізе алмауы мүмкін (ең соңында, егер сіздің балаңыз мектепте оқуды бастаса, оның көрсеткіштерінің жеті жылдан кейін қалай болатынын білгіңіз келеді). Оның орнына олар мектептің алдыңғы жылдардағы көрсеткіштерін бейнелейді және келешекте мектептің көрсеткіштерін болжаумен байланысты белгісіздікті есепке алмайды. Статистиктер CVA үлгісіне қандай да бір белгісіздік енгізетін кезде, мектептің болжамды көрсеткіштері ұқсас болғандығы соншалықты, CVA рейтингісінің негізінде мектептерді айыру мүмкін болмай қалады. 2 Мектептің CVA рейтингісі ата-аналарға мектепті таңдауға көмек беретін үлгіні құру кезінде үлгіге қамтылған бірқатар факторларды есепке ала отырып, оның тиімділік көрсеткіші болуы мүмкін, мектеп деңгейінің айнымалысын есепке алмау маңызды болып табылады. Бұл жағдай ата-ананың білгісі келетін белгілі бір мектептің (барлық мәнмәтіндік ерекшеліктермен қатар) балаға (оның жеке ерекшеліктерімен) басқа мектепке қарағанда жақсы білім бере алатынтығын анықтаумен түсінідіріледі. Егер мектеп факторлары белгілі бір жетістікпен байланысты болатын болса, онда бұл ата- ананы қызықтыратын әсердің бір бөлігі болып табылады. Сондықтан бастапқы CVA мәліметтерін пайдалану орынсыз болады.
Ата-аналар мен басқалар да өз тұжырымдарын өздері түсінетін көрсеткіштерге негіздейді және мектеп көрсеткіштері туралы бастапқы мәліметтерді жариялауды жалғастыру тығырыққа тиеуі мүмкін. Алайда ата-аналар мен мұғалімнің CVA сияқты тиімділік рейтингісінің мектеп немесе мұғалімнің тиімділік көрсеткішінің тар көрсеткіші болып табылатынын және мұндай мәліметтер шын мәнісінде жөнелту нүктесі ретінде пайдалануға болатынын түсіну маңызды.
• Өз мәліметтерін сипаттау және талдау үшін сандық тәсілді пайдалана аласыз. • Эксперименталды зерттеу тәуелді айнымалыға әсер ете алатын барлық басқа айнымалыларды есепке ала отырып бір айнымалының (тәуелсіз айнымалы) басқа айнымалыға өзгеруін қамтиды. • Эксперименталды емес зерттеу басқа айнымалылардың әсерін есепке ала отырып, айнымалылар арасындағы әлеуетті себеп-салдарлық байланыстарды іздеу арқылы құбылыстарды түсіндіруді іздеуді қатиды. • А және Б айнымалыларының арасындағы байланыс А-ның Б-ның артуына әкеп соқтыратынын білдірмейді. Барлығы керісінше болуы мүмкін, немесе екі бірдей айнымалы да үшінші В айнымалыға байланысты болуы мүмкін. • Мәліметтердің шығу тегін түсіну (үлгерім мәліметтері сияқты) осы
Taking A Quantitative Approach 483
Рефлексияға арналған сұрақтар 1. Өзіңіздің басшыңыздан немесе сыни көзбен қарайтын досыңыздан сіздің ақпарат жинау жоспарыңызды, жұмысқа кіріспес бұрын, қарап шығуын сұрадыңыз ба – олар сіз назардан тыс қалдырып қойған айнымалыларды ұсынуы мүмкін? 2. Сіздің мәліметтеріңіздің шектеулері қандай? Өз әдістеріңіз бен қорытындыларыңызды сыни көзбен қарай отырып қабылдаңыз. Кез келген зерттеушінің мәліметтері шектеулерге ие – оларға қатысты ашық болу маңызды. 3. Өз қорытындыларыңызға сенімдісіз бе? Мәліметтердің сізге не айтатынына қатысты мұқият болыңыз. Өзіңіздің алдыңғы жоспарыңызға сәйкес, баламалы түсіндірмелерді есепке алмастан, мәліметтерді түсіндіруден абай болыңыз. Басқа бір кісі дәл осылай жасап қоюы мүмкін екендігіне абай болыңыз! мәліметтерге қатысты ақпараттанған қорытынды үшін аса маңызды. • Сандардан қорықпаңыздар – егер сіз математикадан соншалықты қабілетті болмағанның өзінде, бұл маңызды емес. Сандар жайында ойлағанда, олардың сіздің көмекші құралыңыз екендігі туралы, сізге белгілі бір жайтты түсіну үшін көмек беретіні жайында ойланыңыз. • Мәліметтерді мейлінше жоғарғы өлшеу деңгейінде жинақтаңыз. • Айнымалылар арасындағы байланыстың болуының бір де бір дерегі оның басқасының өзгеруін туындататынын білдірмейді. Қосымша оқу үшін Cohen, L., Manion, L. and Morrison, K. (2011) Research Methods in Education. (7th edn). London: RoutledgeFalmer. Brace, N., Kemp, R. and Snelgar, R. (2009) SPSS for Psychologists (4th edn). Basingstoke: Palgrave Macmillan. Coolican, H. (2009) Research Methods and Statistics in Psychology (5th Edn). London: Hodder & Stoughton. Field, A. (2009) Discovering Statistics Using SPSS (3rd edn). London: Sage. Sani, F. and Todman, J. (2008) Experimental Design and Statistics for Psychology. (2nd Edn). Oxford: Blackwell Publishing. For the Curriculum, Evaluation and Management Centre at the University of Durham (for ALIS, Yellis, etc.), visit: www.cemcentre.org Analysing Quantitative Data 484
Analysing Quantitative Data 485
ANALYSING QUANTITATIVE DATA ROS MCLELLAN CHAPTER 10 Chapter Overview This chapter is about how to use some statistical techniques to start to analyse and interpret quantitative data. I am not claiming that you will be an expert by the end of the chapter but I hope you will have the confidence to get started. Those of you who want to pursue this type of approach will need to consult more specialist texts, and some appropriate references are listed at the back of the chapter that you’ll need to move on to.
Analysing Quantitative Data 486
INTRODUCTION Let’s start by debunking a myth. You do not have to be brilliant at mathematics to do quantitative analysis. Many people are put off statistics by the complicated-looking equations they see, but computers can do the number crunching for you, and at one level you don’t need to understand any of the hieroglyphics you might see in advanced statistical texts. What is important is that you understand some basic concepts and what sorts of analysis are appropriate to apply to answer particular questions. An appropriate analogy is that of driving a car: you need to know to put fuel in (the basic concept of fuel provides the driving force) and how to drive (the right technique for the situation – for instance, not to brake too sharply on a frosty morning), but you don’t need to understand the underlying mechanical and electrical engineering principles which make it operate, if you just want to drive it. Similarly, with statistics; you need to know the statistical entities you might calculate and what would be appropriate to the situation in hand, but you don’t need to have a detailed understanding of how the computer processes data to calculate these entities. This chapter therefore aims to give you a sense of these basic entities and processes and to introduce you to a particular statistical package, SPSS, which is widely used to do such number crunching.
The other important point I would like to make before we get down to business is that analysis is not something you start thinking about once you have collected all your data. This is a common error made by newcomers to research. If you don’t think about analysis before you collect your data, it is quite likely that your data won’t be able to answer the questions you wanted to ask. For instance, if you wanted to examine the relationship between ability and motivation, it would not be enough to use ability band/ stream as a measure of ability if you wanted to know whether the motivation of the most able students in the top band/stream was different to those who had just scraped into that band/stream. A finer graded scale or instrument for measuring ability, such as the NFER Cognitive Ability Tests, would need to be used. Hence, you need to think ahead and pre-empt the type of questions you want to ask, in order to plan data collection accordingly. As a rule of thumb, collect data at the highest level of measurement you can sensibly manage because you can create discrete categories from data measured on a continuous scale (such as the ability categories ‘low’, ‘average’ and ‘high’ by deciding cut-off points on an ability scale), while you cannot create a continuous scale from discrete categories.
It should now be clear that it is essential to consider what analysis you want to do during the initial design stages of the research so that appropriate data, as far as possible, is collected in the first place. For this reason, if you have not yet read Chapter 11, I strongly urge you to at least skim through it before going any further. Now we can turn to the matter in hand: the analysis of quantitative data. Assuming you are planning to use a computer to assist you in this process, the first step is to set up a database using the appropriate software program. In this chapter, I will be referring to the SPSS package, as this is the most widely used program of this type in the social sciences, and most higher education institutions subscribe to it. Once the data is entered, analysis, which has two distinct phases, can be conducted. The first phase is to
Analysing Quantitative Data 487
describe the data that has been gathered, which involves the calculation of descriptive statistics and the graphical presentation of the data. The second phase is to interrogate the data to answer the research questions posed, which entails calculating inferential statistics. The rest of the chapter, therefore, gives an overview of each of these steps. As it is easier to understand such processes if they are discussed with reference to a specific example, data gathered during my PhD research will be used for illustrative purposes. I start therefore with a brief description of my PhD research in order to contextualize the examples given in the rest of the chapter. THE EXAMPLE DATABASE Cognitive Acceleration through Science Education (CASE) is an intervention programme consisting of 30 science activity lessons for students in Years 7 and 8, which aims to promote cognitive development. It is widely used by secondary schools, despite the fact that some students make very limited progress, and it has been suggested that student motivation might account for this, but this had not been investigated. Consequently, my main research question was: ‘Do differences in motivation account for the differential gains made by students doing CASE?’. I was also interested in whether there was any difference in the progress made by boys and girls, as the literature suggests that girls are more motivated than boys; and in school generally, girls get better exam results than boys. Employing a longitudinal quasi-experimental design so that I could compare students following the CASE programme with similar students that were not (to allow for normal cognitive development), I followed a cohort (over 1700 students) through the first two years of secondary school in nine schools (five doing the CASE programme and four not). This is probably a lot more students than you might be considering including in your study, as in all likelihood you are studying students in your own school. However, the process of analysis is the same whether your sample size is 1700, one year cohort, or one class.
I assessed the cognitive development and motivation at the start of Y7 (before starting CASE – the pre-test) and at the end of Y8 (after completing the programme – the post-test) so that changes in cognitive development could be measured. I could also see whether any changes in motivation had occurred. Here, we will only focus on some of the data gathered at pre-test. I used a commercially available test to measure cognitive development (a Science Reasoning Task). This is conducted as a series of teacher-led demonstrations, which students then have to answer questions about on an answer sheet. Answers are marked using the mark scheme provided and then the total score is converted to a level of cognitive development (a numerical score which is an interval level measurement).
Motivation can be measured in many ways, according to which theory of motivation you subscribe to. I chose a framework that suggested there were four dimensions to motivation. Each dimension can be assessed using a scale comprising a number of items, which students are asked to respond to. I used a questionnaire that had been used in previous research. There is a common stem for each item – ‘I feel successful when’ – and students indicate their level of agreement on a five-point Likert scale (from ‘strongly disagree’, scoring 1 to ‘strongly agree’, scoring 5). The overall score for each dimension is the total score of the individual items for each scale. An example
Analysing Quantitative Data 488
item from each of the four scales is shown in Table 12.1, to give a sense of what the four dimensions relate to.
I asked students to give their opinion about science, English, and school in general, as these were different areas I was interested in. Hence, the database contained three answers to each question, and separate total scores for each dimension for the different subject areas.
Now that you have a sense of the data I gathered, we can consider how I set up the SPSS database to do the analysis. Table 10.1 Example items in motivation questionnaire CREATING A DATABASE IN SPSS In this section, I will take you through some of the issues you need to consider when setting up an SPSS database, illustrating these with reference to my own database. If you go to the website, you will find a tutorial that takes you through the process of setting up a database using SPSS, which you will probably find helpful to look at in conjunction with this section. At the end of the section, you will find an activity to allow you to check that you have understood how to set up a database.
Blank databases in SPSS look quite like Excel spreadsheets when you open them initially, however, unlike Excel, there are two ways of looking at the same database: ‘data view’ and ‘variable view’.
‘Data view’ (the default shown on opening a database) shows you the actual data Activity 10.1 Collect data from the On Motivation questionnaire (see Appendix at the end of the chapter). Use this data to follow the steps in the text to learn how to use SPSS. SCHOOL-BASED RESEARCH 192
(from ‘strongly disagree’, scoring 1 to ‘strongly agree’, scoring 5). The overall score for each dimension is the total score of the individual items for each scale. An example item from each of the four scales is shown in Table 12.1, to give a sense of what the four dimensions relate to. I asked students to give their opinion about science, English, and school in general, as these were different areas I was interested in. Hence, the database contained three answers to each question, and separate total scores for each dimension for the different subject areas. Now that you have a sense of the data I gathered, we can consider how I set up the SPSS database to do the analysis. Activity 12.1 Collect data from the On Motivation questionnaire (see Appendix at the end of the chapter). Use this data to follow the steps in the text to learn how to use SPSS. Creating a database in SPSS In this section, I will take you through some of the issues you need to consider when setting up an SPSS database, illustrating these with reference to my own database. If you go to the website, you will find a tutorial that takes you through the process of setting up a database using SPSS, which you will probably find helpful to look at in conjunction with this section. At the end of the section, you will find an activity to allow you to check that you have understood how to set up a database. Blank databases in SPSS look quite like Excel spreadsheets when you open them ini- tially, however, unlike Excel, there are two ways of looking at the same database: ‘data view’ and ‘variable view’. Table 12.1 Example items in motivation questionnaire Scale Underlying Motivation Example Item 1 Task To develop competence … I finally understand a really complicated idea Ego
To demonstrate competence … I do better work than other students Work Avoidance To avoid demonstrating incompetence (passive avoidance) … I don’t have to do any homework Alienation To avoid demonstrating incompetence (active disruption) … I mess around and get away with it Note: 1 The common stem is ‘I feel successful when’. 13-Wilson-Ch-12.indd 192 8/31/2012 5:41:40 PM Analysing Quantitative Data 489
in your database. Each row represents one ‘case’. I collected data from over 1700 students, hence I have over 1700 rows in my database. Cases do not need to be individual people. If, for instance, you have collected data about schools rather than individual students, then the rows would represent each school. The columns represent each variable you have collected data on. In my study, this includes demographic data (such as gender), level of cognitive development score, and answers for each of the questions on the questionnaire. There are also a number of variables I created in the database from existing variables. For instance, there are variables for the total scores for each motivation dimension.
‘Variable view’ provides information about each of your variables. This is one of the ways SPSS differs from a spreadsheet – because it is a database, it can hold all sorts of useful information about your variables that Excel isn’t capable of, and this information is needed for conducting statistical analyses. Before entering data, you set up your variables in variable view. Here, each row relates to one variable and the columns represent specific characteristics of the variable. To avoid later grief, it is well worth defining your variables fully before entering data, as SPSS has default settings which may not be appropriate for all your variables.
Regardless of whatever else you have data for, it is sensible to define your first variable as a unique identifier for each case, so that you have a way of going back to the original data you collected later if you need to. For data protection and ethical reasons, you should create a code rather than type in an identifiable name. I therefore called my first variable ‘ID’. You are limited to eight characters for variable names and if you attempt to type in more, SPSS will truncate it. However, you can list a name in full, such as ‘unique identifier’ under ‘label’ and when you later do analysis, SPSS will use what is listed under the label rather than the variable name in its output of results. SPSS will generate default information for the remaining headings. Although most of these are appropriate, you do need to consider ‘type’, ‘values’, ‘missing’ and ‘measure’. SPSS has different options for these already stored. For instance, for ‘type’, you can select from many options, including numerical and string. I decided that the easiest way to give a unique identifier to every student’s response would be to give each student a number and to write this number on their questionnaires/cognitive development test sheets. Thus, I selected ‘numerical’ under ‘type’ for variable ‘ID’. It is possible that you might want to give non-numerical codes, for instance pseudonyms (but note that if you have a large number of cases, this can quickly get confusing so it is often better to stick to numbers). In this case, you would select ‘string’ as the type, and in both cases, the ‘measure’ is ‘nominal’.
In order to understand how to use ‘values’ and ‘missing’, we need to turn to a different variable. I wanted to record some background demographic information, and it is quite likely that you would want to do the same. For instance, I wanted to record whether each student was male or female. Thinking ahead, I knew I wanted to compare boys and girls on a number of dimensions (for instance, scores on the ‘task’ motivation scale). To do this sort of analysis, you have to create a numerical rather than string variable, so I chose ‘numerical’ under type and ‘nominal’ under ‘measure’. I used the code 1 to represent boys and 2 to represent girls, and recorded this information under ‘values’.
As with variable labels, SPSS shows value labels rather than numerical codes in analyses, Analysing Quantitative Data 490
which is handy as you don’t have to remember whether ‘1’ represents ‘boys’ or ‘girls’ (although of course you can look this up at any time in variable view).
It is important to set up missing data values for variables where missing data is very likely to occur. For instance, although students were asked to indicate their gender on the front of their questionnaires, a number did not, and as gender is not always obvious from a name (for instance, Sam can be a girl or a boy), in these cases, it needed to be recorded as missing. Setting up a special numerical code for missing data enables SPSS to recognize cases where data is missing and omit them from specific analyses. You define one or more values to represent missing values under ‘missing’. Usually, you would define one value and this can be whatever you like, as long as it is not a value you have already used in your coding (so I couldn’t use 1 or 2 for gender), but traditionally researchers tend to use ‘9’ or ‘99’ so that missing data stands out. You can use different values for different variables but I would caution against this, as it will get confusing. You might define more than one missing value to represent different reasons for the data being missing – for instance, ‘the student was away on the day of the test’ compared to ‘the student missed one question on a test’, but again keep it simple to start with.
Once you have set up all the variables you want to include, you can then start to enter your data. You do this in ‘data view’, where you will find that the column headings now refer to the variables you have defined. Entering data is a simple case of typing in the relevant values for each variable for each case. Usually, you would enter all the data on your first case before moving on to your second, but of course you can go back at any time to add in any missing data gathered at a later point in time. So in my database, I started with the first student I had data for, and typed ‘1001’ under ‘ID’, ‘2’ under ‘gender’ because she was a girl, and so forth. If you forget any of your codes, you can always check under value labels in variable view. Don’t forget to save periodically.
You will probably come across some problems with data entry, for instance stu- dents who have ringed two answers on a questionnaire. There are various ways of dealing with this. You can either go back to the student and get them to clarify their response (which is time-consuming); you can code it as a missing response (this is probably the best approach but you may then be losing a lot of data), or you can decide to code new values to allow midpoints on scales (but this can distort later analysis). Whatever approach you choose, make sure you apply it consistently. жүктеу/скачать 32,4 Mb. Достарыңызбен бөлісу:
|