Year: 2008
Type: dissertation
Abstract: Kasvatustieteen empiiriset numeeriset aineistot eivät aina täytä frekventististen parametristen menetelmien (esim. tulomomenttikorrelaatio, t-testi, varianssianalyysi, erottelu- ja faktorianalyysi) asettamia oletuksia. Tällaisia oletuksia ovat mm. otoskoko (yleensä n > 100), jatkuva mittaustaso, teoreettisen ilmiön ja sitä kuvaavan aineiston havaintojen normaalisuus sekä havaintojen välisten vaikutussuhteiden lineaarisuus.\n\nEpäparametriset frekventistiset menetelmät (esim. khiin neliötesti, järjestyskorrelaatio, M-W U-testi ja Kruskal-Wallisin testi) tarjoavat ratkaisumallin osaan edellä mainituista ongelmista, mutta edellyttävät frekvenssiperustaisina menetelminä vähintään 30 havaintoa kussakin ryhmässä (muuttujien arvojen lukumäärästä riippuen) ja havaintojen jakaumien samankaltaisuutta. Epäparametrisia testejä on kuitenkin tutkijoiden käytössä vain rajattu määrä, jolloin niillä voidaan etsiä ratkaisuja vain rajattuun osaan yleisiä tutkimusongelmatyyppejä.\n\nBayesilainen mallinnus perustuu havaintojen frekvenssien laskemisen sijaan niiden esiintymistodennäköisyyksien arviointiin (subjektiivinen todennäköisyyslaskenta). Tämä lähestymistapa mahdollistaa kaikkien edellä kuvattujen ehtojen toteutumisen: Otoskoolle ei ole minimiarvoa, mittaustaso voi vaihdella diskreetistä jatkuvaan, teoreettisten ilmiöiden tai havaintojen jakaumille ei aseteta normaalisuus, tai edes samankaltaisuusvaatimuksia ja havaintojen väliset vaikutussuhteet voivat olla sekä lineaarisia että epälineaarisia. Lisäksi bayesilainen mallinnus mahdollistaa, tutkimusasetelman ja aineiston edustavuuden salliessa, aineistolähtöisen ennustamisen.\n\nTässä tutkimuksessa mallinnettiin ammatilliseen kasvuun (organisaation ilmapiiri) ja oppimiseen (opiskelumotivaatio, attribuutiot) liittyviä empiirisiä numeerisia tutkimusaineistoja bayesilaisilla menetelmillä. Tulokset osoittivat, että bayesilainen mallinnus on hyvä työkalu kasvatustieteen tutkijalle erityisesti silloin, kun epäjatkuvien indikaattorien tutkimusaineisto on pieni, sen sisältämien vaikutussuhteiden lineaarisuudesta ei ole takeita ja/tai aineiston perusteella halutaan tehdä ennustavaa päättelyä.
Author: Petri Nokelainen
Institutions: Tampere University, University of Tampere
Language: English
Subfield: Statistics and Probability
Field: Mathematics
Domain: Physical Sciences
Keywords: Bayesian model, career development, teacher learning, nonparametric statistics, small sample size, non-normal distributions, nonlinear relationship, educational research data, posterior distribution, hypothesis testing, teacher professional development, teacher professional learning networks, teacher learning communities
SDG: Quality education
Open Access status: green
OpenAlex ID: W45120792
