Bivariat analyse – hva og hvorfor?

Bivariat analyse undersøker sammenhengen mellom to variabler. Metoden avhenger av målenivåene. For to nominale/ordinale variabler brukes krysstabeller; for to kontinuerlige variabler brukes korrelasjonsmål og scatter-plot.

Krysstabeller og assosiasjonsmål

En krysstabell viser hvordan enhetene fordeler seg på to kategoriske variabler simultant. Kolonnesummer brukes til å beregne prosentvise fordelinger; man leser vanligvis «ned kolonnene» (kolonneprosenter) og sammenligner på tvers av kategorier. Hvilket assosiasjonsmål du velger avhenger av målenivå:

Kjikvadrat (χ²): tester om det finnes en sammenheng i en krysstabell, men er ikke normert (avhenger av N). Fi (φ) og Cramérs V er normerte mål som bygger på kjikvadratet og brukes for nominale variabler.
Gamma (γ): assosiasjonsmål for to ordinale variabler i en krysstabell; varierer mellom −1 og +1 og bygger på antall samstemte (P) og motstridende (Q) par: $\gamma = (P-Q)/(P+Q)$.

Et viktig poeng som testes ofte: velg mål som passer det laveste målenivået av de to variablene.

Pearsons r

Pearsons r (produkt-moment-korrelasjon) måler styrken og retningen på den lineære sammenhengen mellom to variabler på intervall-/forholdstallsnivå:

$$r = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{(n-1)s_x s_y}$$

r varierer mellom –1 (perfekt negativ lineær sammenheng) og +1 (perfekt positiv). r = 0 betyr ingen lineær sammenheng (men det kan finnes kurvilineær sammenheng). Tommelfingerregel: |r| < 0,3 = svak; 0,3–0,6 = moderat; > 0,6 = sterk.

Spearmans rho

Spearmans rho (ρ) er den rangordenbaserte versjonen av Pearsons r og brukes for ordinale variabler eller når Pearsons r-forutsetninger brytes (ikke-linearitet, outliers). Den beregnes ved å erstatte verdiene med ranger og anvende Pearson-formelen på rangene.

Scatter-plot

Et scatter-plot viser sammenhengen mellom to kontinuerlige variabler grafisk, med X på horisontal akse og Y på vertikal. Det gir visuell innsikt i retning (positiv/negativ), styrke, linearitet og outliers – informasjon som korrelasjonsmålet alene ikke gir.

Eksempel: Tolkning av Pearsons r

En studie finner r = 0,55 mellom sosioøkonomisk status (SES) og politisk tillit (begge på 10-punktsskalaer, N = 800). Tolkning: Moderat positiv lineær sammenheng – høyere SES er forbundet med høyere politisk tillit. Men r forteller oss ingenting om kausalitet: SES kan påvirke tillit, tillit kan påvirke SES, eller begge kan skyldes en tredje variabel. For å teste kausal retning trenger vi et mer avansert design eller regresjonsanalyse med kontrollvariabler.

Eksempel: Velg riktig sammenhengsmål og hypotesetest (eksamensstil, 2–3p)

Et fast Del 2-spørsmål er å koble målenivå til riktig analyse. Begrunnelsen skal alltid vise til målenivåene til X og Y:

Y kontinuerlig, X kontinuerlig → Pearsons r, testet med t-test.
Y kontinuerlig, X dikotom (dummy) → sammenlign to gjennomsnitt ($\bar{Y}_1 - \bar{Y}_0$), testet med t-test.
Begge ordinale → Spearmans rho eller gamma.
Begge nominale → krysstabell med kjikvadrat/Cramérs V.

Eksempel: «Henger antall dager foreldrepermisjon (kontinuerlig) sammen med kvinners yrkesdeltakelse i prosent (kontinuerlig)?» → Pearsons r og t-test, fordi begge variablene er kontinuerlige. Koder du permisjon om til en dummy (over/under 90 dager), bytter du til å sammenligne to gjennomsnitt med t-test.

Studieguide: Bivariat analyse