Statistik for psykologi

Hvorfor psykologi afhænger af statistik

Psykologi er en empirisk videnskab: dens udsagn om sind og adfærd gælder ikke ved intuition eller autoritet, men fordi de er afprøvet med data. Og dér ligger udfordringen. I modsætning til at måle en persons højde indebærer det at måle angst, hukommelse, motivation eller trivsel meget variation: folk er forskellige, og samme person varierer fra dag til dag. Statistik er præcis det værktøj, der gør det muligt at se et reelt mønster midt i variationen — at adskille signalet (en sand effekt) fra støjen (den tilfældige variation).

Derfor optræder statistik i praktisk talt alle faser af psykologens uddannelse og praksis:

• Læse videnskabelige artikler. At følge litteraturen — en grundbetingelse for evidensbaseret praksis — kræver at man kan tolke tabeller, p-værdier, konfidensintervaller og effektstørrelser.
• Bacheloropgave, kandidatspeciale og ph.d. Næsten alle bachelorprojekter og alle specialer eller afhandlinger i psykologi indsamler data og skal analysere dem korrekt for at understøtte konklusionerne.
• Vurdere interventioner. At vide, om en terapi, et kognitivt træningsprogram eller et forebyggelsesprogram virkelig virker, er et statistisk spørgsmål.
• Bygge og bruge psykologiske test. Psykometri — fundamentet under vurderingsinstrumenter — er anvendt statistik på måling.

Den gode nyhed: du behøver ikke blive matematiker. Du skal forstå hvad hvert tal betyder, og hvornår hver test passer. Det er det, denne guide udfolder.

Variable og målestoksforhold

Enhver analyse starter med at forstå, hvad du måler. En variabel er enhver egenskab, der kan antage forskellige værdier mellem personer eller situationer — alder, score på en depressionsskala, type behandling. I et studie skelner vi mellem to roller:

• Uafhængig variabel (UV): den, forskeren manipulerer eller bruger til at danne grupper — fx interventionstype (terapi A vs. terapi B).
• Afhængig variabel (AV): den, der måles som resultat, og som forventes at "afhænge" af UV'en — fx angstscoren ved studiets afslutning.

Det andet nøglebegreb er målestoksforhold, fordi det afgør, hvilke beregninger der giver mening. De tre mest relevante i psykologi er:

• Nominal: kategorier uden rækkefølge. Køn, civilstand, eksperimentel gruppe. Du kan kun tælle hyppigheder — der findes ikke et "gennemsnit af civilstand".
• Ordinal: kategorier med rækkefølge, men uden defineret afstand mellem dem. Uddannelsesniveau (grundskole, gymnasium, videregående) eller en rangordning af præferencer. Vi kender rækkefølgen, ikke "trinstørrelsen".
• Interval: numeriske værdier med lige store og meningsfulde afstande. Den samlede score på et depressionsinventar behandles i praksis som interval — en forskel på 5 point betyder det samme på et hvilket som helst punkt på skalaen.

Hypotesetesten trin for trin

Hypotesetesten er den centrale procedure i statistisk inferens: den gør det muligt med forsigtighed at generalisere fra en stikprøve til en population. Logikken ligner en retssag — vi starter med formodningen om "uskyld" og opgiver den kun ved stærk evidens. Trinene er:

1. Formulér hypoteserne. Nulhypotesen (H₀) hævder, at der ikke er nogen effekt — fx at den gennemsnitlige angst er ens i de to grupper. Alternativhypotesen (H₁) hævder, at der er en forskel. Det er H₀, der bliver afprøvet.
2. Definér signifikansniveauet (α). Før man ser data, vælger man den acceptable risiko for at tage fejl. I psykologi er standarden α = 0,05 (5 %).
3. Indsaml data og beregn teststatistikken. Ud fra stikprøven beregnes en værdi (fx t-statistikken), der opsummerer, hvor langt data ligger fra H₀.
4. Find p-værdien. P-værdien er sandsynligheden for at observere et resultat så eller mere ekstremt end dit, hvis H₀ er sand.
5. Beslut. Hvis p-værdi < α, forkastes H₀ — resultatet er statistisk signifikant. Ellers forkastes H₀ ikke.

I psykologisk praksis er den mest brugte test til at sammenligne gennemsnit i to grupper t-test (Student). Forestil dig et klassisk eksperiment: du vil vide, om en intervention reducerer angsten. Du måler angstscoren i kontrolgruppen (uden intervention) og i interventionsgruppen og vil finde ud af, om forskellen mellem de to gennemsnit er reel. Det er det typiske scenarie for t-testen — bare indsæt gennemsnit, standardafvigelser og gruppestørrelser i t-test-beregneren, så får du t-statistikken og p-værdien automatisk.

Hvad p < 0,05 virkelig betyder

P-værdien er samtidig det mest citerede og det mest misforståede tal i psykologisk forskning. Lad os være præcise. En p-værdi på 0,03 betyder: "Hvis nulhypotesen var sand (hvis der ikke var nogen effekt), ville der kun være 3 % chance for at få et resultat så ekstremt som dette — eller mere ekstremt — alene ved tilfældig stikprøveudtræk."

Da et sådant scenarie ville være sjældent, konkluderer vi, at det er mere plausibelt, at H₀ er forkert, og at der faktisk findes en effekt. Grænsen på 0,05 er blot en konvention: under den kalder vi resultatet statistisk signifikant. Indtil videre fint. Problemet er fejlfortolkningerne, der gentages selv i publicerede arbejder.

Lektien er klar: p-værdien er nyttig, men utilstrækkelig alene. Den skal følges af effektstørrelse og konfidensinterval — emnerne i de næste afsnit.

Effektstørrelse: ud over signifikansen

Hvis p-værdien siger om der er en effekt, så siger effektstørrelsen hvor stor den er. Den sondring er så vigtig, at APA (American Psychological Association) i sine publikationsregler kræver, at hvert studie rapporterer effektstørrelsen, ikke kun p-værdien.

For forskellen mellem to gennemsnit — t-test-tilfældet — er det mest brugte mål Cohens d. Idéen er enkel og elegant: i stedet for at udtrykke forskellen i den oprindelige enhed på skalaen (der varierer fra instrument til instrument), udtrykkes den i standardafvigelser. Så betyder d = 0,5, at "de to gruppers gennemsnit er en halv standardafvigelse fra hinanden", uanset hvilken skala der er tale om.

For at fortolke værdien foreslog Cohen referencepunkter — nyttige som vejledning, så længe de ikke behandles som absolutte sandheder, da hvad der tæller som "stort" varierer mellem felter:

Når formålet ikke er at sammenligne gennemsnit, men at måle sammenhængen mellem to numeriske variable — fx mellem søvntimer og præstation i en opmærksomhedstest — er effektstørrelsen Pearsons korrelationskoefficient r. Den ligger mellem −1 og +1: som omtrentlig reference indikerer r omkring 0,10 en svag sammenhæng, 0,30 moderat og 0,50 stærk. I begge tilfælde er beskeden den samme: at rapportere effektstørrelsen omdanner et vagt "det blev signifikant" til en information, andre forskere kan sammenligne og samle.

Statistisk styrke og stikprøvestørrelse

Enhver hypotesetest kan tage fejl på to måder. Type I-fejl er falsk positiv: at forkaste H₀, når den er sand (at hævde en effekt, der ikke findes). Sandsynligheden er netop α — typisk 5 %. Type II-fejl er falsk negativ: ikke at forkaste H₀, når den er falsk (at lade en eksisterende effekt slippe forbi). Sandsynligheden betegnes β.

Statistisk styrke er komplementet til type II-fejlen: styrke = 1 − β. Med ord er det sandsynligheden for, at dit studie opdager en effekt, hvis den faktisk findes. En styrke på 0,80 — den værdi der er adopteret som standard i psykologi — betyder 80 % chance for at finde en reel effekt (og dermed 20 % risiko for ikke at finde den). Niveauet 0,80 er en konvention, der balancerer omkostningen ved at rekruttere flere deltagere mod skaden ved et inkonklusivt studie.

Styrken afhænger af tre faktorer: signifikansniveauet (α), den forventede effektstørrelse og — den eneste fuldstændigt under din kontrol — stikprøvestørrelsen. Jo større stikprøve, jo større styrke. Det er derfor, stikprøveberegningen skal foretages før dataindsamlingen:

At beregne styrken efter et studie er afsluttet (den såkaldte observerede styrke) har ringe værdi. Det rette sted for styrkeanalysen er forskningsprojektet — også fordi etiske komitéer og bedømmelsesudvalg typisk beder om den begrundelse.

Replikationskrisen i psykologien

Fra 2011 stod psykologien over for et chok kendt som replikationskrisen: store kollektive bestræbelser forsøgte at gentage klassiske studier og opdagede, at en betragtelig del af resultaterne ikke holdt, når eksperimentet blev gentaget. Årsagen var generelt ikke svindel — det var tilsyneladende uskyldige analysepraksisser, der tilsammen oppumper de falske positive. Det er værd at kende dem for ikke at gentage dem:

• P-hacking. At pille ved data eller analyser, indtil p-værdien krydser 0,05: at teste flere variable og kun rapportere dem, der "lykkedes", at ekskludere deltagere bekvemt, eller at indsamle mere data og stoppe, så snart signifikans dukker op. Hver af de beslutninger øger risikoen for et tilfældigt fund.
• HARKing (Hypothesizing After the Results are Known). At se på resultaterne først og derefter præsentere det, som om hypotesen var formuleret på forhånd. Det forvandler en — legitim — udforskning til en falsk bekræftelse.

Forskersamfundets svar var et sæt god praksis, som enhver begyndende forsker i dag bør indføre:

• Præregistrering. Offentligt at registrere — før dataindsamlingen — hypoteserne, den planlagte stikprøvestørrelse og analyseplanen. Det adskiller tydeligt konfirmatorisk test fra udforskning.
• Rapportér effektstørrelsen. Oplys altid Cohens d, r eller et tilsvarende mål — aldrig kun p-værdien.
• Rapportér konfidensintervaller. I stedet for en "ja eller nej"-dom viser konfidensintervallet intervallet af plausible værdier for effekten og kommunikerer ærligt usikkerheden i estimatet. Du kan beregne det i konfidensinterval-beregneren.
• Gennemsigtighed. Stil data og materialer til rådighed, så andre kan tjekke og replikere.

Mere end en dårlig nyhed har replikationskrisen gjort psykologien til en mere stringent videnskab — og gjort de forholdsregler til en del af godt udført arbejde.

Oversigt over de mest brugte test

At vælge den rigtige test handler oftest om at svare på to spørgsmål: hvad er formålet (sammenligne grupper eller måle sammenhæng)? og hvilken type variabel er i spil?. Tabellen nedenfor opsummerer de fire test, du oftest møder i psykologisk forskning:

Det er værd at fremhæve sammenhængen mellem de to første. T-testen sammenligner præcis to grupper. Når studiet har tre eller flere grupper, er fristelsen at lave flere parvise t-test — men det mangedobler risikoen for falsk positiv. Løsningen er ANOVA (variansanalyse), som sammenligner alle gennemsnit på én gang med en enkelt test og kontrollerer den risiko. Pearson-korrelation og chi² svarer derimod på spørgsmål om sammenhæng, ikke om sammenligning af gennemsnit.

Et praktisk løst eksempel

Lad os samle det hele i et typisk bacheloropgave-tilfælde. En forsker vil vurdere, om et otte ugers mindfulnessprogram reducerer angst. Hun rekrutterer 60 universitetsstuderende og fordeler dem tilfældigt i to grupper. Til sidst besvarer alle et angstinventar (score fra 0 til 60, hvor mere er værre). Resultaterne:

1. Hypoteser. H₀: gennemsnitlig angst er ens i de to grupper. H₁: gennemsnittene er forskellige. Signifikansniveauet fastlægges til α = 0,05.
2. Valgt test. Der er to uafhængige gennemsnit at sammenligne — tilfældet for t-test for uafhængige stikprøver.
3. Beregning af t-statistikken. Indsætter man gennemsnittene (32,4 og 26,7), standardafvigelserne (8,1 og 7,6) og størrelserne (30 og 30) i beregneren, fås t ≈ 2,81 med 58 frihedsgrader.
4. P-værdi. For den t er den tosidede p-værdi ≈ 0,007 — under 0,05. H₀ forkastes: forskellen er statistisk signifikant.
5. Effektstørrelse. Cohens d er d = (32,4 − 26,7) ÷ 7,85 ≈ 0,73 — en effekt tæt på "stor", altså praktisk og relevant, ikke kun signifikant.
6. Konklusion. Der er evidens for, at mindfulnessprogrammet reducerede angst, og effekten er af betragtelig størrelse. En fuld rapport ville også oplyse konfidensintervallet for forskellen mellem gennemsnittene.

Læg mærke til, hvordan trin 5 giver mening til trin 4: p-værdien bekræftede, at effekten findes, men det var Cohens d, der viste, at den betyder noget. Det er mønsteret i en velfuldført analyse i psykologi.

Ofte stillede spørgsmål