Tutkielmassa käytetyt analyysimenetelmät

Taulukossa 13 on esitetty analyysimenetelmät tutkimusongelmittain. Taulukon jälkeen seuraa lyhyt kuvaus tutkielmassa käytetyistä analyysimenetelmistä.

TAULUKKO 13. Analyysimenetelmät tutkimusongelmittain

Tutkimusongelma Analyysimenetelmä

1. Millainen on koulutukseen hakeneiden persoonalli-suus, itsetunto ja uranvalintamotiivit?

kuvailevat tunnusluvut; frek-venssit, prosentit, keskiarvot ja keskihajonnat

1.1 Eroavatko miehet ja naiset näiden tekijöiden

suhteen? riippumattomien otosten

t-testi 1.2 Eroavatko eri yliopistoihin hakeneet näiden

teki-jöiden suhteen?

yksisuuntainen varianssiana-lyysi (ANOVA), post hoc – vertailu (Tukey HSD) 1.3 Onko koulutukseen hakeneiden taustoilla

yhteyt-tä persoonallisuuteen, itsetuntoon ja

uranvalintamo-tiiveihin? Pearsonin korrelaatio

2. Mitkä hakijan tekijät ovat yhteydessä valintakokeissa

saataviin pisteisiin? keskiarvot ja keskihajonnat

2.1 Onko hakijoiden taustoilla, persoonallisuudella, itsetunnolla ja uranvalintamotiiveilla yhteyttä valin-takokeiden eri osioista saataviin pisteisiin?

Pearsonin korrelaatio 2.2 Onko hakijoiden taustoilla, persoonallisuudella,

itsetunnolla ja uranvalintamotiiveilla yhteyttä valin-takokeissa saataviin kokonaispisteisiin?

Pearsonin korrelaatio 3. Miten sukupuoli sekä haastattelun ja ryhmätilanteen

järjestelyt vaikuttavat niissä menestymiseen? keskiarvot ja keskihajonnat 3.1 Onko hakijan sukupuolella yhteyttä

valintako-keen kirjallisiin osuuksiin

riippumattomien otosten t-testi

3.1 Onko hakijan sukupuolella ja arvioitsijoiden su-kupuolella yhteyttä haastattelusta ja

3.2 Vaikuttaako haastattelusta saataviin pisteisiin

se, monentenako hakija näihin menee? Pearsonin korrelaatio 3.3 Vaikuttaako ryhmätilanteesta saataviin pisteisiin

se, monentenako hakija näihin menee ja missä ryh-mässä hän on?

Pearsonin korrelaatio sisäkorrelaatio 4. Mitkä tekijät selittävät hakijoiden opiskelemaan

pää-semistä

4.1 Mitkä tekijät selittävät hakijan valituksi tule-mista?

logistinen askeltava regres-sioanalyysi

4.2 Ovatko selitysmallit erilaisia eri yliopistoissa? logistinen askeltava regres-sioanalyysi

T-testi

Sukupuolten vertailussa (tutkimusongelmat 1-3) hyödynnettiin riippumattomien otos-ten t-testiä (independent samples t-test). Sen taustaoletuksena on vertailtavien ryh-mien toisistaan riippumattomuus, kuten tässä miesten ja naisten osalta oli ja tavoit-teena on verrata ryhmien keskiarvoja toisiinsa (Heikkilä 2004, 224). T-testissä testa-taan ovatko kahden ryhmän keskiarvot yhtä suuret ja yleistettävissä perusjoukkoon (Valli 2001, 80-81).

T-testi huomioi varianssien yhtä- ja erisuuruuden. (Heikkilä 2005, 230.) Vaikkakin Nummenmaa (2004, 166) ilmoittaa, ettei t-testiä tulisi käyttää, jos varianssit ovat erisuuret, on t-testin käyttö hyvin yleistä sellaisissakin tapauksissa. Esimerkiksi Heik-kilä (2005, 232), Metsämuuronen (2006, 533) ja Valli (2001, 81) kehottavat sitä käyt-tämään.

Varianssianalyysi

Varianssianalyysiä voidaan käyttää, kun riippumattomat muuttujat ovat laatueroas-teikollisia ja riippuva taas vähintään välimatka-asteikollinen. Analyysissä tarkastellaan, kuinka paljon tutkittavien yksiköiden kuuluminen eri riippumattomien muuttujien (efektimuuttujien) ryhmiin selittää tulosten vaihtelua eli varianssia verrattuna vaihte-luun eri ryhmien sisällä. (Toivonen 1999, 250.) Varianssianalyysissä huomioidaan kes-kiarvojen lisäksi kuhunkin keskiarvoon liittyvä virhe eli keskiarvon keskivirhe (stan-dard error of mean) (Metsämuuronen 2006, 708).

Varianssianalyysi voi olla yksisuuntainen (Oneway ANOVA), jolloin ryhmitteleviä muut-tujia on yksi. (Metsämuuronen 2006, 708.) Yksisuuntainen varianssianalyysi (ANOVA) on t-testin tavoin parametrinen testi, joka vertailee useamman kuin kahden ryhmän keskiarvoja toisiinsa samanaikaisesti (Valli 2001, 82). Analyysin taustaoletuksena on, että havainnot ovat toisistaan riippumattomia, ryhmien populaatiot normaalisti jakau-tuneita ja varianssit yhtä suuria. Varianssien yhtäsuuruutta voidaan testata varianssi-en yhtäsuuruustestillä (Homogvarianssi-eneity-of Variance). (Metsämuuronvarianssi-en 2006, 710 - 711)

Varianssianalyysi sopi ensimmäiseen tutkimusongelmaan, jossa vertailin eri yliopistoi-hin hakeneiden eroja persoonallisuudessa, itsetunnossa ja uranvalintamotiiveissa. Täl-löin oletuksena oli, että näiden ryhmien keskiarvot tutkittavissa ilmiöissä ovat yhtä suuret. Havaintoja voidaan pitää toisistaan riippumattomina. Normaalisuutta

tarkas-teltiin silmämääräisesti, jota tuki myös otoskoon suuruus. Varianssien yhtäsuuruustes-ti osoityhtäsuuruustes-ti, että analyysiä voidaan käyttää ryhmien vertailuun (p=,033-,928). Vaikkakin ajautuminen muiden tukemana –uranvalintamotiivi (p=,033) jäi tilastollisesti merkit-seväksi, voidaan F-testiä pitää melko vakaana varianssien yhtäsuuruus-oletuksen rik-kouduttua (Metsämuuronen 2008, 723).

ANOVA-testi kertoo tilastollisesti merkitsevistä eroista, mutta ei sitä, mitkä ryhmät poikkeavat toisistaan. Post hoc – vertailujen avulla voidaan verrata kaikkia ryhmiä kaikkiin muihin ryhmiin. Tukeyn HSD (Honestly Significant Differences) –testi on kah-den otoksen t-testi laskettuna siten, että virheterminä on varianssianalyysissä laskettu virhe. Sitä pidetään kohtalaisen turvallisena käyttää. (Nummenmaa 2004, 196.) Ver-tailussa ryhmät ryhmitellään luokiksi sen mukaan, kuinka voimakkaasti niiden keskiar-vot eroavat toisistaan (Metsämuuronen 2008, 724).

Kaksisuuntainen varianssianalyysi

Kaksisuuntaisen varianssianalyysin avulla voidaan tutkia samanaikaisesti kahden kate-gorisen muuttujan vaikutusta riippuvaan muuttujaan Nummenmaa 2004, 201). Tällai-nen tapaus oli kyseessä tutkimusongelmassa kolme, jossa arvioitiin hakijan sukupuo-len sekä arvioitsijoiden sukupuosukupuo-len vaikutusta hakijan haastattelusta saamiin piste-määriin. Analyysin avulla tutkitaan, onko kategorisilla muuttujilla päävaikutusta tai niillä yhdessä yhdysvaikutusta tutkittavaan ilmiöön. Mikäli keskiarvot ovat erilaisia yh-den muuttujan eri tasoilla, on kyseessä päävaikutus. Jos taas riippuvan muuttujan keskiarvot ovat erilaisia eri tasojen yhdistelminä, on kyse yhdysvaikutuksesta. (Num-menmaa 2004, 202 - 203.)

Pearsonin korrelaatio ja sisäkorrelaatio

Pearsonin korrelaatiokerrointa hyödynnettiin tutkittaessa ensimmäisessä ja toisessa tutkimusongelmassa hakijoiden taustatekijöiden yhteyttä persoonallisuuteen, itsetun-toon ja uranvalintamotiiveihin sekä näiden yhteyksiä valintakokeiden eri osioissa saa-taviin pistemääriin. Pearsonin korrelaatiota esiteltiin tarkemmin sivulla 57.

Sisäkorrelaation tulkinta sopi puolestaan siihen, onko tiettyyn ryhmään kuulumisella merkitystä hakijan saamien pistemäärien vaihtelussa (tutkimusongelma 3). Sisäkorre-laation tutkiminen soveltuu tilanteisiin, joissa tutkittavalla aineistolla hierarkkinen

luonne. Tämä tarkoittaa sitä, että henkilöiden jakautumisessa tiettyihin ryhmiin, osa-joukkoihin, seuraa siitä jonkinlaista homogenisoitumista ryhmän sisällä ja ryhmän jä-senten välille syntyy riippuvuussuhde. Käytännössä sisäkorrelaatio ilmaisee hakijan pistemäärien riippuvuutta ryhmänsä sisällä suhteessa kaikkiin muihin ryhmiin. (God-steiniä 2003 lainaten Ellonen 2006, 129 - 130.)

Sisäkorrelaation arvo saadaan jakamalla ryhmien välinen varianssi tarkasteltavan muuttujan kokonaisvarianssilla. Sisäkorrelaation arvo vaihtelee välillä 0-1. Jos ryhmi-en väliset keskiarvojryhmi-en erot kasvavat, niin myös ryhmiryhmi-en välinryhmi-en varianssi kasvaa. Jos taas ryhmien sisäinen varianssi suhteessa koko varianssiin pienenee, niin sitä suurem-pi on ryhmien välisen varianssin osuus kokonaisvarianssista. Tällöin sisäkorrelaation arvo kasvaa ja lähenee ykköstä. Mitä lähempänä ykköstä sisäkorrelaation arvo on, sitä todennäköisemmin kyse on ryhmätason ilmiöstä. Lähellä nollaa arvo viittaa yksilöta-son ilmiöön. SPSS:n avulla saatujen varianssien estimaattien tulostusten avulla sisä-korrelaatio voidaan laskea kaavalla: var1/(var1+var(Error). (Jokivuori 2009.)

Logistinen regressioanalyysi

Neljännessä tutkimusongelmassa pyrin selittämään hakijoiden valintaa koulutukseen useiden hakijaan liittyvien tekijöiden avulla. Kyse oli binäärisestä mallista, sillä selitet-tävä muuttuja oli kaksi-luokkainen (ei-valittu/valittu). Tavoitteena oli löytää malleja perustuen todennäköisyyksiin kuulua valittujen ryhmään. (Nummenmaa 2004, 319).

Logistisessa regressioanalyysissä pyritään luomaan matemaattinen malli, joka ennus-taa selitettävän muuttujan vaihtelua selittävien muuttujien avulla (Nummenmaa 2004, 320). Logistisen mallin etuna on, että selittävät muuttujat voivat olla millä tahansa as-teikolla mitattuja, eikä se tee yhteyksien laadusta tai muuttujien jakaumista niin vah-voja oletuksia kuin lineaariset regressiot. (Nummenmaa 2004, 319 - 320.)

Logistinen askeltava regressioanalyysi asettaa muuttujat paremmuusjärjestykseen nii-den tilastollisen merkitsevyytensä suhteen. Se siis etsii muuttujajoukosta sellaisia te-kijöitä, jotka pystyvät selittämään hakijan valintaa koulutukseen. (Metsämuuronen 2008, 670.)

Nagelkerke pseudo R² on ns. pseudo R² –kerroin, joka estimoi mallin sopivuutta. Tut-kimukseeni liitettynä se siis arvioi, kuinka paljon hakijan koulutukseen valinnan

vaih-telusta voidaan kuvata mallin avulla. (Nummenmaa 2004, 326.) Negelkerkenin R-neliö siis kertoo mallin selitysasteen (Metsämuuronen 2008, 652).

Selittäjien merkitys ilmenee riskisuhteiden muutoksien (Exs(B)) tarkasteluissa. Se il-mentää, kuinka paljon selittävän muuttujan kuuluminen tiettyyn luokkaan kasvattaa todennäköisyyttä sille, että tutkittava kuuluu selittävän muuttujan referessikategori-aan. (Nummenmaa 2004, 326 - 327.) Tässä yhteydessä riskisuhteiden muutokset il-maisevat hakijan todennäköisyyttä tulla valituksi koulutukseen, mikäli hän kuuluu mallissa oleviin muuttujiin. Tämä soveltuu erityisen hyvin luokitteluasteikollisille muut-tujille, kuten esimerkiksi sukupuolelle.

Välimatka-asteikollisissa ja jatkuvissa muuttujissa mallin tulkinta hieman hankaloituu.

Tällöin mallin tulkinnassa käytetään suhteellista selitysvoimaa, jota kuvataan tunnus-luku R:llä. Tunnustunnus-luku R vastaa jossain määrin lineaarisen regression Beta-saraketta.

Se lasketaan kaavalla SQSORT((Wald-2)/-2LL₀). (Nevalinna 2002.)