Välkommen till sidan om Jamovi analyser
På den här sidan hittar du en samling av de vanligaste statistiska analyserna som kan genomföras i Jamovi. Varje analys presenteras med en kort förklaring av när och varför den används, samt med steg-för-steg-instruktioner för hur du gör analysen i programmet. Syftet med sidan är att göra det enkelt att förstå vilken analys som passar bäst för dina data, samt hur du praktiskt genomför den i Jamovi. Materialet kan användas både som stöd i dina studier och som ett snabbt uppslagsverk när du arbetar med egna dataset. Analyserna är indelade i olika kategorier, till exempel exploration för att utforska och beskriva data, jämförelser mellan grupper för att undersöka skillnader, samband för att analysera relationer mellan variabler, regression för att förutsäga och modellera samband samt faktor- och klusteranalyser för att identifiera underliggande strukturer i data.
Klicka på den analys du vill lära dig mer om för att få en tydlig förklaring och detaljerad instruktion i hur du gör i Jamovi.
Deskriptiv statistik – sammanfattar data med tabeller och grafer (t.ex. medelvärde, standardavvikelse, histogram, boxplots).
Spridningsdiagram – visar samband mellan två variabler i form av punkter i ett koordinatsystem, med möjlighet att lägga till trendlinjer.
Oberoende t-test – Ett oberoende t-test används för att jämföra medelvärden mellan två oberoende grupper för att se om skillnaden är statistiskt signifikant. Det förutsätter att variabeln är kontinuerlig och att grupperna är oberoende av varandra.
Parat t-test – Ett parat t-test används för att jämföra medelvärden inom samma grupp vid två olika tidpunkter eller under två olika villkor. Det kallas också “paired” eller “dependent” t-test.
ANOVA med en faktor (one-way) – används när du bara har en oberoende variabel (faktor) med två eller fler grupper. Exempel: jämföra tre olika behandlingsgrupper på en utfallsvariabel.
ANOVA – används när du har flera faktorer (t.ex. kön och träningsprogram som oberoende variabler). Den är mer flexibel och låter dig inkludera både huvudeffekter och interaktionseffekter.
ANOVA för upprepade mätningar – Används när samma individer mäts vid flera tidpunkter eller under flera villkor. Testet kontrollerar om medelvärdena skiljer sig signifikant över tid eller villkor.
Kovariansanalys (ANCOVA) – ANCOVA används för att jämföra medelvärden mellan grupper samtidigt som man kontrollerar för en eller flera kontinuerliga variabler (kovariater) som kan påverka resultatet.
MANCOVA – MANCOVA används när det finns flera beroende variabler som kan påverkas av samma faktorer, samtidigt som man kontrollerar för kovariater. Den testar om grupperna skiljer sig på en kombination av utfall.
Korrelationsmatris – En korrelationsmatris används för att visa sambandet mellan flera kontinuerliga variabler samtidigt. Den visar styrkan och riktningen på relationen mellan varje par av variabler, vanligtvis med Pearsons r.
Partial korrelation – Partial korrelation mäter sambandet mellan två variabler efter att effekten av en eller flera andra variabler har kontrollerats för.
Linjär regression – Linjär regression används för att förutsäga en beroende variabel utifrån en eller flera oberoende variabler. Den beskriver relationen med en rät linje: Y=b0+b1X1+…+bnXn
Recode into different variables – Syftet med “recode into different” är att skapa en ny variabel genom att omkoda befintliga värden. Detta kan inkludera binning, men även skapande av dummyvariabler eller annan kategorisering.
Binning – Syftet med binning är att dela upp kontinuerliga variabler i intervall eller kategorier, för att förenkla analysen och möjliggöra jämförelser mellan grupper.
Reverse coding – Syftet är att justera negativt formulerade frågor så att alla skalor går åt samma håll, vilket säkerställer korrekt beräkning av reliabilitet och meningsfulla sammanlagda poäng.
Sammanlagda index / scale scores – Syftet är att skapa en total- eller medelpoäng för flera frågor inom samma skala, vilket ger en överskådlig indikator på det fenomen som mäts och underlättar vidare statistisk analys.
Reliabilitetsanalys – Reliabilitetsanalys mäter intern konsistens hos en skala eller ett test, dvs. hur väl de olika delarna av ett mått hänger ihop. Den vanligaste måtten är Cronbach’s alpha och Omega.
Exploratorisk faktoranalys – EFA används för att identifiera underliggande faktorer i ett dataset utan att göra antaganden om strukturen på förhand. Den hjälper till att se om variabler grupperar sig på ett logiskt sätt.
Konfirmatorisk faktoranalys – CFA används för att testa om en förutbestämd faktormodell stämmer med dina data. Du anger vilka variabler som hör till vilken faktor och utvärderar modellens passform.
General Linear Model – GLM är en bred modellram som omfattar t-test, ANOVA och regression. Den kan hantera både kontinuerliga och kategoriska oberoende variabler och deras interaktioner för att förutsäga en beroende variabel.
Linear Mixed Model – används när det finns både fasta effekter (t.ex. kön, behandling) och slumpmässiga effekter (t.ex. deltagare, skolor). Vanligt när man har upprepade mätningar på samma individer eller klustrad data.
Generalized Mixed Model – är en generalisering av linear mixed model och används när den beroende variabeln inte är kontinuerlig och normalfördelad. Exempel: binära utfall (ja/nej), räknevariabler, eller kategoriska data.
Moderationsanalys – En moderationsanalys testar om sambandet mellan en oberoende variabel (X) och en beroende variabel (Y) förändras beroende på nivån av en tredje variabel, modereraren (M).
Mediationsanalys – En mediationsanalys testar om effekten av en oberoende variabel (X) på en beroende variabel (Y) delvis eller helt förklaras av en tredje variabel, mediatorn (M).