Aineiston analysointi

4.3.1 Kvalitatiivisen aineiston analyysi

Tämän tutkimuksen kvalitatiivisen aineiston analyysimenetelmäksi valittiin indukti-ivinen sisällönanalyysi (Weber 1990, Dey 1990, Morse & Field 1995, Burnard 1996, Cavanagh 1997, Graneheim & Lundman 2004, Elo & Kyngäs 2008), jolla tarkoitetaan aineistosta lähtevää analyysia (Elo & Kyngäs 2008, Tuomi & Sarajärvi 2009). Sisällön-analyysin tavoitteena on rakentaa systemaattinen ja tiivistetty kuvaus tutkittavasta il-miöstä. Sen avulla voidaan kuvailla ja käsitteellistää tutkittava ilmiö tiivistetyssä muo-dossa (Kyngäs & Vanhanen 1999, Burns & Grove 2005, Hsieh & Shannon 2005, Elo

& Kyngäs 2008, Polit & Beck 2008) ja muodostaa käsitekarttoja, kategorioita tai malli (Elo & Kyngäs 2008, Kankkunen & Vehvilainen-Julkunen 2009). Induktiivisessa sisäl-lönanalyysissa edetään yksityisistä yleisiin (Waltz ym. 1991, Tuomi & Sarajärvi 2009).

Sisällönanalyysin toteuttamiseen ei ole yhtä oikeaa tapaa (Elo & Kyngäs 2008), vaan tutkijan on valittava tutkimustehtävän kannalta tarkoituksenmukaisin menetel-mä (Weber 1990). Induktiivinen sisällönanalyysi kuvataan usein aineiston pelkistämi-senä, ryhmittelynä ja abstrahointina eli käsitteellistämisenä (Kylmä & Juvakka 2007, Hirsjärvi ym. 2009). Analyysiprosessi on monivaiheinen ja sen eri vaiheet saattavat esiintyä samanaikaisesti (Weber 1990, Cavanagh 1997, Latvala & Vanhanen-Nuutinen 2003.) Analyysi aloitetaan analyysiyksikön valinnalla ja edetään aineiston tutustumi-sen ja aineiston pelkistämitutustumi-sen kautta aineiston luokitteluun (Weber 1990, Cavanagh 1997). Analyysiyksikkönä voi toimia yksittäiset sanat, sanayhdistelmät, lauseet tai ajatuskokonaisuudet (Kyngäs & Vanhanen 1999, Latvala & Vanhanen-Nuutinen 2003, Burns & Grove 2005, Polit & Beck 2006), ja niitä kaikkia käytettiin tässä tutkimuksessa analyysiyksikköinä. Tutkimusaineistosta etsitään tutkimustehtävään liittyviä ilmaisuja, jonka jälkeen samaa tarkoittavat ilmaisut yhdistetään samaan kategoriaan (Kyngäs &

Vanhanen 1999, Polit & Beck 2008).

Tässä tutkimuksessa tutkija aloitti haastattelumateriaalin litteroinnin välittömästi haastattelujen jälkeen. Litteroitua aineistoa kertyi yhteensä 521 sivua 1,5 rivinvälillä kirjoitettuna. Litteroinnin jälkeen aineistoon tutustuttiin lukemalla se useaan kertaan läpi kokonaiskuvan saamiseksi. Seuraavaksi aloitettiin analyysiyksikköjen

keräämi-nen. Analyysiyksikön sanat, lausumat tai ajatuskokonaisuudet koottiin käyttäen teks-tinkäsittelyohjelmaa. Tämän jälkeen samaan teemaan kuuluvat lausumat ryhmiteltiin yhdistävän tekijän mukaisesti samaan luokkaan eli alakategorioihin. Alakategoriat yhdistettiin ja ryhmittelyä jatkettiin edelleen yläkategorioihin ja siitä edelleen pääkate-gorioihin (Kyngäs & Vanhanen 1999, Kylmä & Juvakka 2007, Tuomi & Sarajärvi 2009).

Näin muodostetut pääkategoriat olivat tutkijan rakentama selitys tutkittavalle ilmiölle.

Pääkategorioita verrattiin vielä alkuperäiseen tekstiin ja tarkistettiin saatiinko selityk-selle tukea sieltä (Tuomi & Sarajärvi 2009).

Tutkimusraportissa on käytetty suoria lainauksia esimerkin omaisesti. Näiden tar-koituksena oli mahdollistaa, että lukija voi seurata tutkijan ajattelua, mikä lisää tutki-musraportin luotettavuutta. (Eskola & Suoranta 1998, Elo & Kyngäs 2008) Kyselylo-makkeen avointen kysymysten sisällönanalyysi on tehty vastaavalla tavalla.

4.3.2 Tilastollinen analyysi

Tutkimuksen kvantitatiivinen aineisto analysoitiin käyttäen SPSS for Windows -oh-jelmaa (19.0). Tutkimusaineistosta katsottiin ensin suorat jakaumat, keskiarvot ja prosentit. Tutkimusaineistosta tehtiin lisäksi ristiintaulukoita, joilla tutkittiin muuttu-jien jakautumista ja niiden välisiä riippuvuuksia. Ristiintaulukoinnin tilastollisia riip-puvuuksia tarkasteltiin Khiin neliötestillä (x²) (Burns & Grove 2005, Heikkilä 2008, Kankkunen & Vehviläinen-Julkunen 2009). Tutkimuksissa kuvataan usein tilastollista merkitsevyyttä p-arvolla. P-arvo kertoo pienimmän merkitsevyystason, jolla saavutet-tu saavutet-tulos on tilastollisesti merkitsevä. Mitä pienempi p-arvo on, sitä suurempi on tilas-tollinen merkitsevyys. (Heikkilä 2008.)

Kyselylomakkeen taustatietokysymyksistä ikä luokiteltiin neljään luokkaan: alle 30-vuotiaat, 30–39-vuotiaat, 40–49-vuotiaat ja 50-vuotiaat ja vanhemmat. Sairaan-hoitajat ja erikoissairaanSairaan-hoitajat on luokiteltu sairaanhoitajien luokkaan. Sairaalat luokiteltiin kolmeen luokkaan: yliopistolliset keskussairaalat, keskussairaalat ja (alue) sairaalat. Työskentelyaika nykyisellä osastolla sekä työskentelyaika terveydenhuollossa luokiteltiin neljään luokkaan: alle 5 vuotta, 5–14 vuotta, 15–24 vuotta ja 25 vuotta tai kauemmin työskennelleet.

Pelkoa aiheuttavia asioita, pelon uhkakuvia ja pelosta selviytymistä analysoitiin pääkomponenttianalyysillä (principal axis factoring). Pääkomponenttianalyysin tar-koituksena oli pyrkiä kuvaamaan muuttujien kokonaisvaihtelua pienimmällä muut-tujien määrällä. Analyysin avulla pyrittiin tiivistämään muuttujia siten, että yhden muuttujan vaihtelu voitiin esittää toisten muuttujien avulla. (Metsämuuronen 2003, Nummenmaa 2008.) Jokaiselle osiomuuttujalle laskettiin kommunaliteetti, joka kertoi sen, kuinka paljon faktorit selittivät sen vaihtelusta. Pääkomponenttianalyysin perus-teella muodostettiin summamuuttujat, jonka jälkeen ne nimettiin uudelleen summan sisältöä kuvaavalla nimellä. Summamuuttujien laskemisessa käytettyjen muuttujien

koodit käännettiin ensin. Vaihtoehto ’Ei kuulu tehtäviini’ koodattiin puuttuvaksi tie-doksi. Summamuuttujien luotettavuutta testattiin Cronbachin alphalla (Heikkilä 2008, Kankkunen & Vehviläinen-Julkunen 2009).

Pelon kokemista yleensä työssä mitattiin VAS-asteikkolla. Aikaisemmissa tutki-muksissa VAS-asteikko on luokiteltu mm. kolmeen (Finley ym. 1996) tai neljään (Loos ym. 2008, Heikkilä 1998) eri luokkaan. Heikkilän (1998) tutkimuksessa 0 tarkoitti ei pelkoa, 1–33 vähän pelkoa, 34–65 keskimääräistä pelkoa ja 66–100 paljon pelkoa. Loo-sin ym. (2008) tutkimuksessa luokiteltiin 0 mm=ei kipua, alle 10 mm lievä, 10–50 mm kohtalainen ja yli 50 mm kova kipu. Tässä tutkimuksessa VAS-asteikko on luokiteltu kolmeen osaan: pelkoa on vähän tai ei lainkaan (3 cm tai alle), jonkin verran (3,1–6 cm) ja melko tai erittäin paljon pelkoa (>6 cm). Luokat on jaettu sillä perusteella, että jokaiseen luokkaan jäi riittävästi havaintoja ja ne olivat riittävän kokoiset analyysia var-ten.Tutkimuksessa kehitettiin työstä aiheutuvista peloista selviytymisen malli. Sel-viytymismallin kehittämisessä käytettiin apuna binääristä logistista regressiota, jossa selitettävä muuttuja on dikotominen eli kaksiluokkainen. Logistisen regressioanalyy-sin peruslähtökohtana on löytää malli, joka kuvaa parhaiten selitettävän ja selittävien muuttujien välistä suhdetta. Logistisessa regressiossa pyritään ennustamaan todennä-köisyyttä, joilla vaste saa arvon 0 tai 1. Nolla vastaa tilannetta, jossa tutkittava ilmiö ei ole läsnä, ja vastaavasti yksi tarkoittaa tilannetta, jossa ilmiö on läsnä. (Hosmer &

Lemeshow 2000.) Selittävät muuttujat voivat olla luonteeltaan jatkuvia. Logistisen regressioanalyysin tulokset esitetään tavallisesti riskitulosuhteina (odds ratio, OR) ja niiden 95 %:n luottamusväleinä. Mitä suurempi on OR-luku, sitä suurempi on asian toteutumisen todennäköisyys. (Nummenmaa 2008.)

Tässä tutkimuksessa vastaajat luokiteltiin COPE-mittarin väittämien mukaan kah-teen luokkaan: 1=selviytyjät ja 0=ei-selviytyjät. Luokittelussa selviytyjiin otettiin mu-kaan kaikki, jotka ilmoittivat käyttäneensä selviytymiskeinoa melko usein tai usein.

Ei-selviytyjien luokkaan luokiteltiin kaikki ne, jotka eivät olleet käyttäneet selviyty-miskeinoa lainkaan tai olivat käyttäneet sitä joskus. Tämän luokituksen katsottiin selittävän selviytymistä, koska selviytymiskeinon käyttämisen melko usein tai usein katsottiin selittävän selviytymistä. Binäärisen logistisen regression tekeminen aloitet-tiin malliin tulevien muuttujien valinnalla (Hosmer & Lemeshow 2000). Selitettävät muuttujat ristiintaulukoitiin selittävän muuttujan kanssa. Ristiintaulukoinnin perus-teella jatkokäsittelyyn valittiin ne muuttujat, joiden p-arvo oli <0,25. Logistinen reg-ressioanalyysi ei pyri ennustamaan määriä vaan todennäköisyyksiä. Tulokset kertovat sen, vaikuttavatko selitettävät muuttujat ilmiön todennäköisyyteen ja kuinka suuri on vaikutus. (Hosmer & Lemeshow 2000, Garson 2011.)

Tässä tutkimuksessa selviytymismalli muodostettiin logistisen regressioanalyy-sin avulla. Selviytymistä kuvattiin sekä yksittäismuuttuja- sekä monimuuttujamallin perusteella. Monimuuttujamalli tehtiin käyttäen taaksepäin (backward) askeltavaa

aloitettiin kunkin muuttujan itsenäisellä analyysillä, jossa ne ensin ristiintaulukoitiin selitettävän muuttujan kanssa. (Hosmer & Lemeshow 2000.)

Tutkimuksessa taaksepäin askeltavassa menetelmässä (backward) selittävästä muuttujajoukosta poistettiin se muuttuja, joka heikensi vähiten selviytymisen selitys-astetta. Askellusta jatkettiin, kunnes malliin jäävät muuttujat lisäsivät mallin selitysvoi-maa tilastollisesti merkitsevästi. (Metsämuuronen 2008.)