Sammenhenger, problemstillinger og forklaringer Forelesning 5/10 2015

Viktige momenter fra sist Enheter, verdier og variabler Ulike typer variabler: Mikro, meso og makro Kontinuerlige, diskrete og dikotome Avhengige og uavhengige Kausalitet (årsak-virkning) og korrelasjon

Uttalelser ”Norske arbeidstakere har tillit til at arbeidsgiver ikke misbruker opplysninger om dem” ”I en undersøkelse sier 50 % av de spurte at de er imot norsk medlemskap i EU”

Dagens forelesning Mer om sammenhenger mellom avhengige og uavhengige variabler Krav til problemstilling (pluss validitet, reliabilitet og operasjonaliseringer) Hovedperspektiver på forholdet mellom teori og data/empiri

Positive og negative sammenhenger Beskriver forholdet mellom variabler (egenskaper) Positiv sammenheng: Verdien ”god” på variabelen ”eksamensforberedelser” går sammen med verdien ”god” på variabelen ”eksamensresultat” (og motsatt) Negativ sammenheng: Verdien ”høy” på variabelen ”alkoholinntak” går sammen med verdien ”lav” på variabelen ”kjøreferdighet” Styrken i sammenhengene?

Direkte og indirekte sammenhenger Beskriver forholdet mellom avhengige og uavhengige variabler Direkte sammenheng: Mer kameraovervåkning fører til færre butikktyverier Indirekte sammenheng: Elektroniske kontrolltiltak i arbeidslivet fører til usikkerhet blant de ansatte om hva opplysningene brukes til og svekker tilliten til arbeidsgiver Styrken i sammenhengene?

Problemstilling Tematikk – det saksområdet som behandles i oppgaven Problemstilling – det konkrete spørsmålet (eller spørsmålene) som drøftes i oppgaven Eksempel på problemstilling: ”I hvilken grad fører kameraovervåkning til færre butikktyveri?” Krav til problemstilling: Presis – angi tydelig hva som skal drøftes Avgrenset – angi tydelig hva som ikke er relevant å drøfte Relevant – begrunne hvorfor problemstillingen er viktig å drøfte/besvare Tenk igjennom hvilken data/empiri som trengs for å drøfte/besvare problemstillingen på en god måte

Problemstilling og metodebruk Metodebruken skal føre til at besvarelsen av problemstillingen preges av: Høy validitet – opplysningene vi samler inn er godt egnet til å gi svar på problemstillingen Høy reliabilitet – opplysningene vi samler inn er ikke/lite påvirket av måten datainnsamlingen gjennomføres på Høy validitet forutsetter ofte gode operasjonaliseringer – hvordan flertydige eller uklare begrep gjøres entydige og målbare

Operasjonaliseringer Begrepet ”personvern” kan være flertydig, jf. integritets-, beslutnings- og maktperspektivet Operasjonalisering: Hva er det konkrete meningsinnholdet i (hva legger vi mer presist i) begrepet ”personvern”? Vil i noen grad avhenge av problemstillingen Dersom du skriver om kameraovervåkning og personvern, kan dette ha betydning for meningsinnholdet: Maktperspektivet får noe større relevans enn integritets- og beslutningsperspektivet?

Forklaringer – to perspektiver Teori = påstander om og forklaringer på årsakssammenhenger (kausalitet), for eksempel hvorfor variabel X (kameraovervåking) påvirker variabel Y (butikktyveri) Teorier lages eller testes ved hjelp av systematisk innsamling og analyse av data/empiri To perspektiver på forholdet mellom teori og data/empiri

Det induktive perspektivet Handler om å lage teorier (forklaringer) etter at datamaterialet er innsamlet (først datainnsamling, så teoribygging) Eksempel: Samler inn data om tyveri i to klesbutikker som anvender kameraovervåking og to butikker som ikke gjør det Dataene viser færre tyverier i butikker med enn uten kameraovervåking Denne tendensen brukes til å lage følgende teori (forklaring): «Årsaken til forskjellen er trolig at kameraovervåking har en allmennpreventiv virkning»

Utfordringer For at denne teorien skal sannsynliggjøres, må særlig tre forhold demonstreres: Forskjellen i butikktyveri må være relativt klar/tydelig Forskjellen skyldes trolig ikke andre forhold, for eksempel at butikker med kameraovervåking er mer nøye med å registrere tyveri enn butikker uten Forskjellen i butikktyveri oppstår etter at kameraovervåking ble tatt i bruk Hva skjer med teorien dersom vi finner at i andre butikker hvor kameraovervåking benyttes, er antallet tyverier like høyt som i butikker uten?

Det deduktive perspektivet Handler om å lage teorier (forklaringer) og så samle inn data for å teste om teorien er korrekt (først teori, så datainnsamling og testing) Eksempel: Vi lager en teori som sier at kameraovervåking har allmennpreventive virkning Hvordan kan en slik teori utformes/beskrives? Hvilke data trenger vi for å teste om teorien er sannsynlig eller ikke? Hvordan kan vi gå frem for å samle inn disse dataene?

Utfordringer For at teorien om kameraovervåkning og kriminalitet skal sannsynliggjøres, må særlig fem forhold demonstreres/drøftes: Det er en nokså nær sammenheng i tid mellom økende kameraovervåkning og nedgangen i kriminalitet (nær tidssammenheng mellom årsak og virkning) Alternative forklaringer på nedgangen i kriminalitet i og omkring Karl Johan må kunne (helt eller delvis) avvises Kan vi på bakgrunn av våre data avvise de alternative forklaringene, eller er de like eller mer sannsynlige enn vår opprinnelige teori? Gjelder vår teori bare for spesielle plasser, for eksempel Karl Johan, eller har vi grunn til å mene at den har generell forklaringskraft? Hva hvis data viser at teorien gjelder for Karl Johan, men ikke for Torgalmenningen i Bergen – må vi endre/forkaste teorien da?