Kysely toteutettiin Itä-Suomen Yliopiston Elomake-ohjelmalla. Aineisto saatiin Elomake-ohjel-masta Excel-muodossa ja muokattiin Excelissä IBM SPSS Statistics 25 -ohjelmaan soveltuvaksi.
Tulokset käsiteltiin pääasiassa SPSS-ohjelmalla, ja taulukot ja kuvaajat piirrettiin Excelissä.
Aineistosta laskettiin keskiarvoja ja suhteellisia osuuksia yleistilanteen hahmottamiseksi ja muut-tujien välisten erojen kuvaamiseksi sekä yhteistuloksissa että metsäpäiväkyselyssä ja verrokkiky-selyssä erikseen. Taustamuuttujien ja vastausten riippuvuuksia tarkasteltiin ristiintaulukointien ja khiin neliö -testien avulla (Laaksoharju & Rappe 2010, Taanila 2019). Khiin neliö -testi on epäpa-rametrinen riippumattomuustesti, joka perustuu frekvensseihin (KvantiMOTV 2004). Tilastolli-sessa merkitsevyyden mittaamiTilastolli-sessa kaikissa analyyseissa merkitsevyyden rajana käytettiin ylei-sesti hyväksyttyä p-arvoa 0,05 (Innanen 2008). Nollahypoteesina oli, että eroja ryhmien välillä ei ole. P-arvon ollessa merkitsevä (alle 0,05) voitiin vastauksissa ryhmien välillä todeta olevan tilas-tollisesti merkitseviä eroja. Kyselyiden tuloksia verrattiin myös toisiinsa keskiarvojen, suhteellis-ten osuuksien ja ristiintaulukoiden avulla. Avoimista vastauksista on tässä tutkimuksessa esitetty esimerkkivastauksia havainnollistamisen tueksi. Avointen kysymysten perustelut näkyvät liitteessä 3.
Asenneväittämiä yhdistettiin ja tiivistettiin summamuuttujien avulla (KvantiMOTV 2009). Näin voitiin parantaa tulosten validiteettia ja reliabiliteettia sekä helpottaa empiiristä analyysiä (Mattila 2005). Prosenttiosuuksien laskennassa käytettiin ”valid percent”, koska näin on saatu rajattua puut-tuviksi määritellyt arvot laskennan ulkopuolelle (Mamia 2005).
3.4.1 Eksploratiivinen faktorianalyysi
Metsäsuhteiden tarkastelu toteutettiin eksploratiivisten faktorianalyysien avulla yhdistelmätulok-sille (metsäpäiväkysely ja verrokkikysely) ja tarkoituksena oli selvittää, mitkä kysymykset kuvaa-vat mitäkin metsäsuhteen ulottuvuutta, ja etsiä muuttujajoukosta kokonaisuuksia (Metsämuuronen 2008) eli ikään kuin niputtaa kysymyksiä faktoreiksi. Vaikka analyysi toteutettiin eksploratiivi-sesti, käytettiin myös konfirmatorista lähestymistapaa, sillä eksploratiivisen faktorianalyysin avulla saatuja faktoreita verrattiin metsäsuhdeteorioiden metsäsuhdeluokitteluihin.
Koska faktorianalyysin voi toteuttaa monella eri menetelmällä, sopivan menetelmän valintaa poh-dittiin ja vertailtiin eri analyysimenetelmiä. Pääkomponenttianalyysissä määritellään uudet muut-tujat, jotka ovat lineaarisia yhdistelmiä niistä muuttujista, joita on käytetty ilmiön kuvaamiseen
(Nokelainen). Faktori- ja pääkomponenttianalyyseissä otoskoon täytyy olla vähintään 250 (Cattell 1978 Nokelaisen mukaan), joten tältä osin tämän tutkimuksen aineisto täyttää vaatimuksen hyvin.
Faktorianalyysissä muuttujien täytyy olla vähintään järjestysasteikollisia ja niiden oletetaan olevan normaalisia (Metsämuuronen 2008). Tässä tapauksessa muuttujat olivat järjestysasteikollisia. Pää-komponenttianalyysissä ja pääakselifaktoroinnissa tulosten voidaan olettaa koskevan vain tutki-musjoukkoa, kun taas esimerkiksi suurimman uskottavuuden menetelmä (maximum likelihood) antaa isompaan joukkoon yleistettäviä tuloksia (Field 2014). Pääkomponenttianalyysin ja faktori-analyysin tulokset eroavat epätodennäköisesti toisistaan, jos muuttujia on vähintään 30 ja kommu-naliteetti on suurempi kuin 0,7 (Field 2014). Costello ja Osborne (2005) toteavat, että pääkompo-nenttianalyysin käytöstä on tiedemaailmassa hyvin erilaisia näkemyksiä. He suosittelevatkin käyt-tämään faktorianalyysimenetelmää pääkomponenttianalyysin sijaan. Fieldin (2014) mukaan fakto-rianalyysin avulla on mahdollista selvittää aineiston taustalla olevia malleja. Tässä tutkimuksessa testattiin pääkomponenttianalyysiä ja faktorianalyysia ja valittiin käytettäväksi faktorianalyysi. Ro-taatiomenetelmänä on käytetty Varimax:ia, joka on suorakulmainen rotaatio, jossa faktorit eivät saa korreloida voimakkaasti keskenään (Miettunen 2006). Rotaation tarkoituksena on selventää ja yksinkertaistaa aineistoa (Costello & Osborne 2005). Faktorit on luotu suurimman uskottavuuden menetelmällä, joka sopi analysointiin parhaiten sen antamien selkeiden ja tähän aineistoon sopivien faktoreiden vuoksi. Seuraavat työvaiheet koskevat nimenomaan suurimman uskottavuuden mene-telmällä tehtyä eksploratiivista faktorianalyysiä ja sitä kutsutaan jatkossa nimellä faktorianalyysi.
Kommunaliteetin avulla voidaan selvittää, miten suuri osa muuttujien varianssista pystytään selit-tämään faktoreiden avulla (Heikkilä 2014). Eli faktori selittää muuttujan vaihtelua sitä paremmin, mitä lähempänä yhtä sen kommunaliteetti on (Faktorianalyysi spss:llä). Faktoriratkaisuja rotatoi-daan, jotta päästäisiin ratkaisuun, jossa muuttujien lataukset faktoreilla ovat mahdollisimman suu-ria tai pieniä (Heikkilä 2014). Summamuuttujien tarkastelussa ja jatkoanalyyseissä on käytetty fak-toreiden perusteella muodostettuja summamuuttujia, joiden luotettavuutta on tarkasteltu Cronbachin Alfalla. Ilofaktorin muuttujien osalta Cronbachin Alfan (α) arvo on 0,875. Eli mittaria voidaan pitää luotettavana, koska arvo on yli 0,6 (Reunamo). Myös arvot ”Alpha If item deleted”
ovat pienempiä kuin Cronbachin alfan arvo, joten niitä ei ole tarpeen poistaa ilofaktorista. Teke-misfaktorin muuttujat saavat Cronbachin alfan arvoksi 0,811 ja kaikki Cronbach’s alpha if item deleted -arvot ovat tätä pienempiä ja sopivat näin faktoriin. Itseisarvofaktori saa Cronbachin alfan arvoksi 0,523 ja välinpitämättömyysfaktori 0,469, mikä kertoo siitä, että mittariin tulee suhtautua varauksella.
Vinous (skewness) ja huipukkuus (kurtosis) ovat jakauman muotoa kuvaavia tunnuslukuja (Mamia 2005). Vinous kuvaa jakauman poikkeaa vaakasuunnassa normaalijakaumasta ja huipukkuus ja-kauman huipun muotoa (Nokelainen). Kolmorov Smirnov -testi testaa faktoreiden jakaumia ver-rattuna täydelliseen normaalijakaumaan (Statististics Solutions 2019b). Kolmorov-Smirnov -testin antamat faktoreiden p-arvot ovat alle 0,05 eli faktoreiden jakaumat poikkeavat merkitsevästi nor-maalijakaumasta (Field 2018). Myös faktoreiden frekvenssikuvaajista nähdään, että kuvaajat poik-keavat normaalijakaumasta. Useiden tilastollisten testien taustalla on oletus siitä, että jakauma on normaalinen. Eksploratiivisissa faktorianalyyseissa summamuuttujan normaalius ei kuitenkaan ole edellytyksenä (Statististics Solutions 2019a), kuten ei myöskään Khiin neliö -testissä eikä ryhmit-telyanalyysissä. Myös summamuuttujan pohjalla olevat muuttujat ovat karkeasti normaalisti jakau-tuneita, mikä Fieldin (2014) mukaan on riittävää, jos tuloksia ei ole tarvetta yleistää koskemaan laajempaa joukkoa. Tässä tapauksessa voidaan siis todeta, että tulokset ovat suuntaa-antavia ja ku-vaavat tutkimukseen osallistunutta joukkoa.
3.4.2 Ryhmittelyanalyysit
Metsäsuhdetyyppejä ja niiden jakautumista tutkittiin eksploratiivisen faktorianalyysin perusteella tehdyillä ryhmittelyanalyyseillä, joissa menetelmänä käytettiin K-keskiarvon ryhmittelyanalyysia (K-means klustering). Ryhmittelyanalyysissä selvitettiin sitä, millaisia ryhmiä vastaajat muodosti-vat metsäsuhteidensa perusteella. Summamuuttujia ryhmiteltiin siis ryhmiin, joissa ne olimuodosti-vat mah-dollisimman samankaltaisia keskenään (Metsämuuronen 2005). Ryhmät muodostuivat ryhmien keskiarvopisteiden etäisyyksien perusteella.
K-keskiarvon ryhmittelyanalyysissa tulee määrittää ryhmien lukumäärä. Lopputulosten selkeyden ja tulkittavuuden vuoksi päädyttiin käyttämään 3 ryhmää. Ensimmäiseen ryhmään kuului 154 vas-taajaa, toiseen 55 vastaajaa ja kolmanteen 293 vastaajaa. Kysymykset oli muodostettu Likertin asteikolle ja sama asteikko seurasi myös ryhmittelyanalyysissä. Tämä tarkoitti, että arvo 5 kertoi hyvin positiivisesti suhtautumisesta, arvo 1 hyvin negatiivisesta suhtautumisesta ja arvo 3 oli neut-raali eli vastaaja ei ollut ottanut asiaan kantaa. Ryhmittelyanalyysin pohjalta selvitettiin yleisiä koko vastaajajoukkoa koskevia ominaisuuksia ja kutakin ryhmää koskevia erillisiä huomioita.
Summamuuttujien keskiarvojen ja klusteripistemäärien perusteella tutkittiin eroja metsäsuhteissa eri taustamuuttujaryhmien välillä. Tähän käytettiin khiin neliö -testiä ja tilastollisen merkitsevyy-den rajaa 0,05. Levene-testin p-arvon ollessa vähintään 0,05 käytettiin yhtä suurten varianssien
testiä ja Levene-testin p-arvon ollessa pienempi kuin 0,05 käytettiin eri suurten varianssien testiä.
Kaikilla summamuuttujilla oli merkittävä vaikutus klustereiden muodostumisessa (taulukko 3).
Taulukko 3. Summamuuttujien merkitys klustereiden muodostumisessa.
Faktori Merkitsevyyden tarkastelu
Ilo F(2, 499) = 220,250, p < .001
Tutkiminen F(2, 499) = 245,217, p < .001
Itseisarvo F(2, 499) = 257,335, p < .001
Välinpitämättömyys F(2, 499) = 78,665, p < .001
4 TULOKSET