Luku 8 Yhteenveto

Tutkielman data-analyysi päättyi vaiheeseen, josta voi jatkaa laajan aineiston analyysiä. Analyysin kysymykset näyttävät erottelevan hyvin ja johdonmukaisesti vastaajat konservatiivisen ja liberaalimman modernimman mielipiteen välillä. Neutraali vaihtoehto ja ”dimensios of middleness” kannattaa huomioida. Puuttuvat tiedot voi korrespondenssianalyysissä analysoida omana osajoukkona ja päättää miten menettelee.

Korrespondenssianalyysi sopii hyvin yksinkertaisen kahden luokittelumuuttujan riippuvuuksien visualisointiin. Kuvan oikea analyysi onnistuu pienellä harjoittelulla. Tämä ei ole mitätön asia, taulukoita on kaikkialla. Menetelmä laajenee joustavasti myös mutkikkaampiin tutkimusasetelmiin.

Useiden muuttujien samanaikainen analyysi onnistuu kahdella tavalla, taulukoita yhdistelemällä tai monimuuttujakorrespondenssianalyysillä (MCA). Tulkinta muuttuu vaativammaksi, mutta MCA-esimerkki luvussa 7 esittää myös menetelmän pätevyyden.

Aineiston sisällöllisesti tärkeät muuttujat ovat järjestysasteikon muuttujia. Tutkimusasetelmissa vertailtiin eri ryhmiä ja kuvattiin niiden yhteyksiä vastauskategorioihin. Korrespondenssianalyysi on luokitteluasteikon muuttujille sopiva menetelmä, järjestysasteikon muuttujien ”oikeita etäisyyksiä” voidaan arvioida.

Data-analyysi osoitti, että maiden tai muiden ryhmien vertailu ei ole niin yksinkertaista kuin ehkä luullaan. Blasius ja Thiessen (2006) tutkivat MCA-menetelmällä ISSP:n 1994 kerättyä aineistoa. He osoittavat, että datan laatu ja rakenne vaihtelee paljon maiden välillä (”…both the quality of the data, as well as its underlying structure - and therefore meaning - vary considerably between countries.”).

Datan laadun ja rakenteen lisäksi järjestysasteikon käyttöön liittyy yleisempi ongelma. Voiko vastaajien ryhmiä vertailla keskenään järjestysasteikollisen muuttujan jonkinlaisilla keskiarvoilla? Bond ja Lang (2018) osoittavat että tämä onnistuu vain harvoin. “Our goal is not to provide a litany of concerns – which can be done for most social scientific metrics – but rather to establish that standard happiness measures cannot rank the average happiness of two groups without strong additional assumptions about the underlying distribution of happiness. We expect that even if we achieve consensus on these assumptions, many comparisons will remain unranked.” Korrespondenssianalyysillä vertailun voi tehdä ilman jakaumaoletuksia, katsoa miltä data näyttää.