Introduktion till Jamovi

Pedagogik A, delkurs 4
Att tolka och hantera statistiska mått med pedagogisk relevans

Authors

Emil Bertilsson

Håkan Forsberg

Vad är Jamovi?

Jamovi är ett statistikprogram som är baserat på gratis och öppen källkod. Det är utformat för att vara intuitivt och inkluderar många av de mest använda statistiska metoderna. Jamovi har ett gränssnitt som liknar Excel och SPSS men är enklare att använda och har stöd för R-baserade tillägg. Under kursen kommer vi att använda Jamovi för att analysera det exempeldata som finns i Studium. Vi kommer att arbeta med Jamovi under workshop 2 och 3.

Den här handledning ger en ytlig introduktion till programmet och några av de mest grundläggande statistiska analyserna. Om du vill ha mer fördjupningar gällande vad man kan göra i Jamovi rekommenderar vi följande fritt tillgängliga lärobok: Navarro & Foxcroft: Learning statistics with Jamovi

Denna guide har följande upplägg, den börjar med att guida dig igenom installationen av programvaran och hur Jamovi-interfacet är strukturerat. Därefter får du testa på att läsa in kursens datafil och bekanta dig med de variabler som finns i denna. Vi går sedan igenom hur man kodar om och skapar nya variabler. Efter detta följer ett avsnitt med olika typer av analyser, först beskrivande statistik och sedan exempel på hur man gör olika former av sambandsanalyser och signifikanstest. Vi avslutar guiden med hur du kan exportera dina resultat ex. i word och pdf-format.

I slutet av guiden finns också ett antal övningar som vi kommer att arbeta med under workshopen.

Installera Jamovi

Besök den officiella Jamovi-sidan för att ladda ner programmet: https://www.jamovi.org.

Jamovi finns installerat i datorsalar i Blåsenhus (21:134 och 21:135), vi rekommenderar dock att ni laddar ner Jamovi på er egen dator om möjligt. Ett alternativ är att använda den moln-baserade tjänsten.

  1. Gå till Jamovis hemsida: https://www.jamovi.org.
  2. Klicka på “Download” och välj versionen som passar ditt operativsystem (Windows, Mac eller Linux).
  3. Följ installationsinstruktionerna.

Gränssnittet i Jamovi

När du öppnar Jamovi möts du av följande gränssnitt:

  • Fliken “Data”: Rader (indvivider) och kolumner (variabler) i din data. Här kan du mata in data manuellt eller se och ändra data som du importerat.
  • Fliken “Variables”: Under denna flik kan du lägga till mer information om dina variabler, skapa nya variabler samt ändra skalnivå (ex. från Nominal till Kontinuerlig)
  • Fliken “Analyses”: Här väljer du vilka analyser du vill utföra, t.ex. deskriptiv statistik, korrelationsanalys, Chi2-test eller regressionsanalys.
  • Fliken “Edit: Här kan du redigera och formatera dina resultat som finns i resultatfönstret.
  • Resultatfönstret: Här visas resultaten av dina analyser som du sedan kan kopiera eller exportera direkt till din rapport eller något annat dokument.

Läsa in data till Jamovi

Det är möjligt att skapa ett nytt dataset i Jamovi genom att manuellt mata in siffror och andra värden i cellerna (liknande som när man arbetar med Excel). Vanligare är dock att man läser in en datafil som redan är skapad i exempelvis Excel eller sparad i något annat filformat. Under kursen kommer vi att arbeta med ett redan skapat dataset som har filändelsen .csv (Comma Separated Values), vilket betyder att värdena i cellerna är komma-separerade. När denna fil laddas in i Jamovi kommer de komma-separerade värdena generara rader och kolumner i datafönstret.

Exempel på filer som stöds i Jamovi

  • .xlsx (Excel)
  • .csv/.txt (Kommaseparerade/Tabbseparerade)
  • .odt (LibreOffice)

Samt även filer skapade i andra statistikprogram såsom:

  • .sav (SPSS)
  • .RData (R)
  • .dta (Stata)
  • etc.

Importera en datafil

Gör följande steg för att läsa in en datafil:

Gå till menyn längst upp till vänster i fönstret → Open file → Browse → leta dig fram till den fil som du vill öppna.

För att använda kursens dataset, spara först filen som finns i Studium med namnet pedA_dk4_dataset.csv i en mapp på din dator, gärna en specifik mapp där du sparar allt material från kursen. Via Open file → Browse → leta dig fram till den aktuella kursfilen.

Datafilen är nu inläst i Jamovi och du bör ha nedanstående fönster öppet:

Information om exempeldatafilen

Den data som vi använder för kursen är hämtad från en arbetsmiljöenkät med ett urval av frågor som ofta används i riktiga enkäter, individerna är dock fiktiva. Datan är skapad för att efterlikna en större arbetsplats där 1 600 anställda har svarat på enkäten. Datafilen innehåller följande variabler (variabelnamn inom parentes):

  • Ett löpnummer som är unikt för varje individ (lopnr)

Bakgrundsvariabler

  • Roll på företaget (roll)
  • Utbildningsnivå (utbildning)
  • Arbetsuppgift på företaget (arbetsuppgift)
  • Ålder (ålder)
  • Kön (kön)
  • Om man har ett annat ursprungsland (ursprung)
  • Ansvarsnivå (ansvarnivå)
  • Om man har personalansvar eller ej (personalansvar)
  • Antal parsonal underställd sig (antal_anställda)
  • Lön (lön)

Frågor relaterade till arbetsmiljön på företaget Samtliga dessa är formulerade som påståenden och besvarade på en s.k. Likert-skala från 1-7. 1 = Instämmer inte alls, 2 = Instämmer inte, 3 = Instämmer inte helt, 4 = Neutral, 5 = Instämmer i viss grad, 6 = Instämmer, 7 = Instämmer helt.

Påståenden:

  • Min chef hanterar konflikter på ett bra sätt (chefs_konflikthantering)
  • Min chef ger mig återkoppling på hur jag utför arbetet (chef_återkoppling)
  • Jag är nöjd med min lön (lön_nöjdhet)
  • Vi samarbetar bra på min arbetsplats (samarbete)
  • Jag hinner med mina arbetsuppgifter inom min arbetstid (arbetsbelastning)
  • Jag är överlag nöjd med min situation på arbetsplatsen (medarbetare_nöjdhet)
  • Jag är över lag nöjd med min närmaste chef (chef_nöjdhet)

Ett antal kontinuerliga variabler baserat på frågorna:

  • “Hur tydliga upplever du att målen är på din arbetsplats? (0-100)” (tydlighet_mål)

  • “I vilken utsträckning får du använda din kompetens i ditt arbete? (0–100)” (kompetensmatch)

  • “Hur goda möjligheter har du till återhämtning i/efter arbetet? (0–100)” (återhämtning)

  • “Hur delaktig upplever du att du är i beslut som rör ditt arbete? (0–100)” (delaktighet)

  • “I vilken grad upplever du att det är rättvist på arbetsplatsen? (0–100)” (rättvisa)

  • “Ungefär hur stor har din genomsnittliga löneökning varit de senaste tre åren? (procent)” (löneutveckling)

  • “Ungefär hur stor har din genomsnittliga löneökning varit de senaste tre åren? (i kronor)” (löneutveckling_kr_per_år)

Ange skalnivåer

Den data som du läst in kan vara av olika typ, när du arbetar med ett dataset så är det bra att hålla koll på vilken “skalnivå” dina variabler befinner sig, eftersom till stora delar bestämmer vilka statistiska bearbetningar och analyser som är möjliga att göra.

När du har läst in kursens dataset till Jamovi så kan du gå till fliken som heter Variables i menyn. Istället för att ha individerna som rader så kommer du att istället få en lista med samtliga variabler som ingår i datasetet.

När man läser in en datafil så kommer Jamovi att automatiskt ange skaltyp utifrån programmet tolkar innhållet i respektive kolumn. Dessa kan vara av 4 olika typer som har sina respektive symboler:

Nominal Ordinal Continuous ID

Nominal är variabler som används för att beskriva olika kategorier. Dessa kan både beskrivas i text (i datasetet markeras detta som ett litet “a” i symbolen) som exempelvis variabeln kön eller i form av siffror, som när det gäller exemelvis variabeln ålder.

Ordinal är variabler som är rangordnade men där avstånden mellan variabelvärdena inte behöver vara desamma.

Continuous är variabler som är numeriska med ett konstant avstånd mellan variabelvärdena.

ID i Jamovi finns det även möjlighet att ange vilken variabel som är id-variabel som är unik för individer.

När du läser in en datafil i Jamovi så tolkar programmet automatiskt vilken skalnivå programmet tror variablerna har. Om man vill ändra detta manuellt gå till Variables → Edit, markera variabel som du vill ändra och tryck på Measure type.

Fundera över om det är några av variablerna i datasetet som det vore bra att ändra skalnivån på?

Omkodning och hur man skapar nya variabler

Ange etiketter (labels) på befintliga variabler

I vårt exempeldataset finns ett antal variabler som består av svar på en likert-skala på nivån 1-7 där 1 står för Instämmer inte alls och 7 står för Instämmer helt. När dessa data lästs in i Jamovi så anges svara som siffror 1-7 fast de har en mer kvalitativ innebörd. Detta kan fylla sitt syfte om man exempelvis vill räkna ut ett medelvärde för en viss variabel eller koda om den till nya variabler där olika variabelvärden slås samman. I det här fallet kan man tänka sig att man även vill lägga till specifika variabelvärden (sk. labels eller etiketter) för att få med dessa när man skapar ex. tabeller eller diagram. Nedan demonstreras hur detta görs för en av dessa variabler.


Koda om och skapa nya variabler

I många fall när du läst in så kallad “rådata” så kan det finnas ett behov av att skapa nya variabler, baserat på redan existerande variabler. En sådan omkodning kan vara nödvändig för att genomföra vissa typer av analyser.

För att skapa nya variabler klicka på fliken Data → Compute.

Exempel: Vi skapar en kategorisk variabel baserad på ålder

Vi delar in ålder i tre grupper: “Ung” (18–29 år), “Medelålders” (30–49 år) och “Äldre” (50 år och uppåt).

Gå till fliken Data → Välj Compute.

I fältet under Computed Variable anger du först namnet på den nya variabeln, ålder_kat. I fältet under kan du även ge en kort beskrivning av den nya variabeln.

Därefter anger du i formelfältet principerna för omkodningen: IF(ålder <= 29, “Ung”, IF(ålder <= 49, “Medelålders”, “Äldre”))

Utskrivet betyder detta Om variabeln ålder är mindre eller lika med 29 Så ge den nya variabeln värdet “Ung”. Om ålder mindre än eller lika med 49 Så ge den nya variabeln värdet “Medelålders”, alla övriga får värdet “Äldre”.

Nu har ni skapat en ny variabel som heter ålder_kat som sedan kan användas för nya analyser.

Med omkodningsfunktionen så kan vi även skapa nya variabler baserat på flera olika variabler i datasetet.

Exempel: En kombinerad variabel baserad på 3 “nöjdhetsfrågor”

Vi skapar en ny variabel som är det genomsnittliga svaret utifrån 3 av frågorna kopplade till arbetsmiljön/nöjdhet på företaget.

Gå till fliken Data → Välj Compute. Namnge den nya variabeln och ange följande i formelfältet;

(lön_nöjdhet + medarbetare_nöjdhet + chef_nöjdhet) / 3

Vilket innebär att vi summerar svaren på de 3 frågorna och dividerar med 3 för att få ett genomsnitt.

Lägga in filter i data

Ibland finns anledning att innan analys av data lägga in ett eller fler filter. Filter exkluderar rader, dvs. obeservation eller individer. I Jamovi kan man lägga in flera olika filter och kan sedan välja när dessa aktiveras.

Vi kan ta ett exempel. Variabeln kön innehåller 3 kategorier i vår data utifrån respondenten har svarat på enkäten. Dessa kategorier är Man, Kvinna och Annat. De som svarat annat är enbart 11 individer. På grund av det låga antalet kan det i vissa lägen finnas anledning att exkludera dessa. Vissa analyser som ex. Independent T-test av medelvärden kräver dessutom att man enbart jämför 2 grupper.

Filtrera ut alla individer som har värdet “Annat” i variabeln kön

Gå till Data-fliken → klicka på Filters → skriv in den filterfunktion som du vill använda i det här fallet kön != ‘Annat’ (!= betyder “inte lika med”).

Nu har alla individer som har värdet “Annat” i variabeln kön filtrerats bort. I filter fliken kan man lägga till flera olika filterfunktioner och enkelt välja om de ska vara aktiva eller inaktiva genom att trycka på knappen Active/Inactive.

Grundläggande analyser i Jamovi

Deskriptiv statistik

Deskriptiv statistik ger en överblick över dina data, inklusive medelvärden, standardavvikelser och fördelningar. Detta är ett viktigt första steg innan du går vidare med mer avancerade analyser. Med deskriptiv statistik kan du skapa frekvens- och korstabeller, göra enklare diagram för att visa variables fördelning etc.

Klicka på fliken Analyses → Exploration → Descriptives.

Dra och släpp de variabler du vill analysera till fältet “Variables”. Därefter finns det många alternativt beroende på vilken/vilka variabler du valt och vad du vill visa. ¨

Få fram medelvärden och spridning för en variabel

För de variabler som är numeriska kan vi med en enkel operation få fram både medel och medianvärden och olika spridningsmått.

Ett exempel: Lönespridning på företaget

Vi är intresserade av att ta reda på hur lönespridningen ser ut på företaget och även hur denna lönespridningen ser utifrån de anställdas utbildningsnivå.

När du är i fliken Descriptives → markera variabeln lön → klicka på pilen så att variabeln förs över till rutan Variables. I resultatfönstret har du nu fått upp en tabell som anger antal (N) som det finns löneuppgift för; antal som det saknas information om i data (Missing); samt medelvärde (Mean), median (Median), standardavvikelse (Standard deviation), det lägsta värdet i populationen (Minimum) samt det högsta värdet (Maximum). Denna information ger en god insikt i den generella lönespridningen i företaget. Under fliken Statistics kan du också välja till fler beräkningar kopplat till medelvärden och spridningsmått.

Under fliken Plots kan du även komplettera din tabell med en figur, exempelvis ett Histogram som visualiserar spridningen på företaget.

Vi var även intresserade av att studera lönespridningen bland olika grupper i företaget, i det här fallet mellan de som har olika utbildningsnivåer. Detta görs genom samma operation som ovan men med tillägget att variabeln utbildning flyttas till fältet Split by. I resultatfönstret dyker nu en ny tabell upp som anger samma information som i föregående tabell men uppdelat på olika utbildningsnivåer hos de anställda. Utifrån tabellen kan vi direkt utläsa att de anställda med Forskarutbildning har klart högst lönenivå (medel 73 699) i jämförelse med de övriga grupper, särskilt i jämförelse med de med Gymnasial utbildning (medel 32 232).

Även här kan vi visualisera dessa skillnader mellan grupperna genom att gå till fliken Plots och välja exempelvis Box plot.

Skapa en frekvenstabell

Frekvenstabeller redogör för hur vår population (våra individer) fördelas på de olika variabelvärdena i våra kategoriska variabler.

Ett exempel: skillnader i utbildningsnivå mellan kvinnor och män

Säg att vi är intresserad av att veta om det finns några könsskillnader gällande utbildningsnivå bland de anställda på företaget. Detta kan besvaras enkelt med beskrivande statistik.

När du är i fliken Descriptives → markera variabeln utbildning → klicka på pilen så att variabeln förs över till rutan Variables → klicka därefter i boxen Frequency tables för att skapa en frekvenstabell.

Frekvenstabellen som skapats i resultatfönstret ger oss en beskrivning av hur variabeln utbildning är fördelad bland de anställda som svarat på enkäten dels genom antal individer i respektive kategori och dels vilken andel (i procent) av samtliga individer som har denna egenskap.

För att utreda om det finns några skillnader i denna fördelning om vi tar hänsyn till kön är en enkel operation. Markera variabeln kön → och flytta variabeln till fältet Split by. Tabellen i resultatfönstret har nu uppdaterats genom att gruppera fördelning även utifrån variabeln kön.

Om du även vill få fram ett diagram baserat på tabellen så klickar du på fliken Plots och bockar i rutan Bar plot.

Skapa en korstabell

En korstabell är en tabell som används för att visa fördelningen av två eller flera kategoriska variabler och hur dessa variabler förhåller sig till varandra.

Vi kanske vill se hur olika grupper i vår data har svarat på de arbetsmiljöfrågor som ingår i enkäten. Vi kan här använda den variabel kopplat till hur man upplever chefens konflikthantering som vi skapade ettiketter för ovan.

Hur har anställda med olika roller svarat på påståendet “Min chef hanterar konflikter på ett bra sätt

Klicka på fliken Analysis → Frequencies → Independent Samples (under Contingency Tables).

Välj därefter vad som ska utgöra rader respektive kolumner i korstabellen. Eftersom vi vill se skillnad mellan individer som har olika roller på företaget så flyttar vi denna variabel till Rows och variabeln chefs_konflikthantering till Columns. Jamovi skapar nu en tabell där frekvenserna för respektive kategori visas. Standardinställning är att Jamovi visar de råa frekvenserna, dvs. antalet individer i respektive kategori. För att studera skillnader mellan de som har olika roller på företaget behöver vi även ta hänsyn till den relativa fördelningen, dvs. procentandelar. Under fliken Cells kan vi klicka för Row (under Percentages), detta eftersom vi vill studera skillnader mellan de som har olika roller på företaget (som utgör raderna i vår tabell).

Per automatik får man även med ett chi2-test. Som testar om resultaten från korstabellen är statistiskt signifikanta (se föreläsning 3).

Liknande för en frekvenstabell så kan du även automatiskt skapa ett stapeldiagram som baseras på resultaten från korstabellen genom att välja fliken Plots.

Sambandsanalys

T-test

Ett t-test används för att jämföra medelvärden mellan två oberoende grupper och för att avgöra om skillnaderna är statistiskt signifikanta.

Steg för att köra ett t-test

Utifrån vår data ställer vi oss frågan om det finns några löneskillnader mellan kvinnor och män på företaget och om dessa skillnader är statistiskt signifikanta. Vi kommer därför att genomföra ett Independent Samples T-test där vi testar medelvärdesskillnader mellan män och kvinnor i företaget.

Eftersom ett sådant T-test kräver att den variabel som innehåller de grupper man vill jämföra enbart har två nivåer så behöver vi först filtrera bort de individer som inte svarat Man resp. Kvinna på variabeln kön. Vi kan nu använda det filter som vi skapade förut.

Vi börja med att kika på om det finns några skillnader mellan kvinnor och män. Vi använder därför först beskrivande statistik enligt samma metod som ovan Analysis → Exploration → Descriptives. Vi kan då få fram beksrivande statistik som anger medelvärdesskillnader mellan män och kvinnor på företaget. Vi kan även visualisera dessa skillnader genom exempelvis en boxplot.

Vi kan konstatera att det finns vissa skillnader i lönenivå mellan kvinnor och män. Kvinnor har i genomsnitt något högre lön än män, men dessa skillnader förefaller inte jättestora. Med T-testet testar vi nu om dessa uppmätta skillnader är statistiskt signifikanta.

Steg för att genomföra ett T-test:

Klicka på fliken Analysis → T-test → Independent Samples T-test. Flytta vår “beroende” variabel, i det här fallet lön till fältet Dependent Variable och vår gruppvariabel, i det här fallet kön (som nu är filtrerade för enbart ha två kategorier), till fältet Grouping Variable. Flera val kan nu göras, exempelvis vilken typ av T-test, som ska utföras vi kan exempelvis kryssa i Welch’s under Test (en metod som har mindre strikta krav på att data ska vara normalfördelat). Vi kan även kryss i Descriptives för att få ut en tabell med de faktiska medelvärdersskillnaderna mellan grupperna.

Korstabellanalys med Chi2-test

Ett Chi2-test (eller “Chi-squared test”) används för att undersöka om det finns ett samband mellan två kategoriska variabler. Detta test är särskilt användbart för att analysera enkätdata eller frekvensdata.

Steg för att köra ett Chi2-test

Vi gör ett enkelt exempel på en korstabellanalys med tillhörande Chi2-test. Som exempel använder vi följande variabler från datasetet:

  • kön (Man, Kvinna)
  • personalansvar (Ja, Nej)

Frågan som vi ställer oss är: “Finns det ett samband mellan kön och om en person har personalansvar?”

Steg 1: Gör en korstabell med de aktuella variablerna. Gå till Analyses → Frequencies → Contingency Tables → Independent Samples. I resultatfönstret får du nu en korstabell över hur kategorierna fördelar sig.

Steg 2: Lägg även till relativa frekvenser för att kunna analysera skillnader mellan könen. Under fliken Cells och rubriken Percentages kryssa för Row vilket ger en tabell med radprocent.

I ert resultatfönster så har ni nu två tabeller en som visar fördelning av de kategorier som ni valt för analys och en som visar Chi2-testet av analysen.

Korrelationsanalys

En korrelationsanalys används för att undersöka styrkan och riktningen av sambandet mellan två kvantitativa variabler.

Steg för att köra en korrelationsanalys

I denna del undersöker vi om det finns ett linjärt samband mellan:

  • lön
  • delaktighet

Frågan vi ställer oss: “Innebär en högre lön att känslan av delaktighet på företaget är högre?”

Steg 1: Vi skapar en korrelationsmatris med de aktuella variablerna. Gå till Analyses → Regression → Correlation Matrix. Flytta de två variablerna lön och delaktighet till det högra fönstret. (Den variabel som du vill ska utgöra x-axeln i korrelationsgrafen flyttar du först).

Steg 2: Se till att Pearson är markerat under Correlation Coefficient. Markera även rutan Correlation Matrix under Plot.

I resultatfönstret har ni nu dels en korrelationsmatris med Pearson’s r samt ett p-värde. Ni har även ett punktdiagram som visar relationerna mellan variablerna.

Extra: regressionsanalys i Jamovi

Regressionsanalys är en statistisk metod som används för att undersöka samband mellan variabler. I sin vanligaste form – linjär regression – försöker man förklara eller förutsäga en beroende variabel (utfallsvariabel) med hjälp av en eller flera oberoende variabler (förklarande variabler).

Exempel som kan appliceras på vårt dataset:

  • Hur påverkas medarbetarnöjdhet av chefens tydlighet och arbetsbelastning?
  • Påverkar ålder och utbildningsnivå hur mycket lön en person har?
  • Kan vi förutsäga återhämtning utifrån rättvisa, delaktighet och arbetsbelastning?

Exempelanalys med regression: Vad påverkar medarbetarnas återhämtning?

I detta exempel undersöker vi om medarbetarens upplevelse av återhämtning kan förklaras av tre centrala arbetsmiljövariabler:

  • Beroende variabel: återhämtning

  • Oberoende variabler: arbetsbelastning, `rättvisa`, `delaktighet`

Fråga: Hur samverkar arbetsbelastning, rättvisa och delaktighet i att förklara variationen i återhämtning?

Steg för steg i Jamovi

Gå till fliken Analysis → Regression → Linear Regression

Nästa steg är att välja ut variabler som ska ingå i analysen, dvs. beroende och oberoende variabler.

Vår oberoende variabel är återhämtning, dra den till fliken Dependent Variable.

Dra variablerna arbetsbelastning, rättvisa, delaktighet till fliken Covariates

Analysen genererar nu två tabeller som vi ska använda för tolkning av regressionsmodellen (fler avancerade inställningar, tester etc. finns men detta kan ni experimentera med själva).

När modellen med återhämtning som beroende variabel och arbetsbelastning, rättvisa och delaktighet som förklarande variabler kördes i Jamovi får vi följande resultat:

Modellens förklaringsgrad (R²)

R - 0.401, R² - 0.161

Tolkning: Modellen förklarar 16.1 % av variationen i återhämtning. Detta får betraktas som låg-måttlig förklaringsgrad, men behöver jämföras med andra liknande studier.

Regressionskoefficienter

I den andra tabellen får följande skattningar:

Predictor Estimate SE t p
Intercept 59.093 2.1505 27.48 < .001
arbetsbelastning -2.887 0.2753 -10.49 < .001
rättvisa 0.207 0.0175 11.84 < .001
delaktighet -0.168 0.0214 -7.86 < .001

Tolkning av respektive variabel:

  • Arbetsbelastning har en stark och negativ effekt på återhämtning (Estimate = –2.887, p < .001). n ökning med 1 enhet i arbetsbelastning är kopplad till en minskning av återhämtning med ca 2.9 enheter.

  • Upplevd rättvisa har en positiv effekt på återhämning (Estimate = 0.207, p < .001). Ju mer rättvisa arbetstagaren upplever desto bättre återhämtar de sig.

  • Delaktighet uppvisar en negativ effekt på återhämtningen (Estimate = –0.168, p < .001). Dvs. ju mer delaktig man känner sig desto sämre upplever man återhämtningen. Kan det vara så att ökad delaktighet är kopplad till mer ansvar, som ger högre arbetsbelastning och därmed sämre återhämtning?

Exportera resultat

När du är klar med dina analyser kan du exportera dina resultat och data från Jamovi.

Exportera data

Om du har gjort omkodningar eller bearbetningar med datafilen som du vill behålla så kan du exportera och spara datan. För att göra detta går du till File → Export Data. Därefter väljer du filformat som du vill exportera till (.csv, .xlsx etc.). OBS! Tänk på att alltid döpa om dina bearbetade filer till ett nytt namn så att du inte sparar över originalfilen.

Exportera dina resultat till Word

Följ dessa steg för att exportera dina statistiska resultat från Jamovi till en Word-fil:

  1. Kör dina analyser i Jamovi Utför den analys du vill exportera. Se till att resultaten visas i resultattabellen i den högra panelen i Jamovi.

  2. Förhandsgranska dina resultat Kontrollera att resultaten i resultattabellen är korrekta och fullständiga. Du kan redigera och lägga till beskrivande text eller kommentarer direkt i Jamovi om det behövs.

  3. Öppna exportfunktionen

Klicka på File i det övre vänstra hörnet av Jamovi-fönstret → Välj Export från menyn som visas → Välj format för export i exportfönstret som dyker upp, välj Word Document (.docx) som exportformat.

Detta säkerställer att filen kan öppnas och redigeras i Microsoft Word eller andra ordbehandlingsprogram som stödjer .docx-formatet.

  1. Spara filen

Välj en plats på din dator där du vill spara Word-filen.Ge filen ett tydligt namn, t.ex. “resultat_ws_pedA_”datum”.docx”. Klicka på Save.

  1. Öppna Word-filen

När exporten är klar, navigera till platsen där du sparade filen och öppna den i Microsoft Word för att granska och redigera dina resultat.

Tips Om du vill exportera endast delar av resultaten kan du välja specifika tabeller eller grafer i resultattabellen och kopiera dem (Ctrl+C / Cmd+C) för att klistra in dem direkt i en Word-fil (Ctrl+V / Cmd+V).

Övningar

Filtrering och urval

  1. Skapa ett antal filter som omfattar följande:
  • Anställda som är under 30 år.
  • Män som har ansvarsnivå 4.
  • Tjänstemän med en längre högre utbildning.

Bearbetning och omkodning av data

  1. Skapa en ny variabel som beräknar hur länge varje person har varit anställd, baserat på anställningsår (2024-anställningsår).

  2. Skapa en ny variabel som kombinerar variabeln roll och ansvarsnivå

  3. Skapa en ny variabel där du grupperar variabeln ålder i kategorier: 20-30 år 31-40 år 41-50 år Över 50 år

  4. Skapa en ny variabel där du räknar ut ett snitt baserat på ett valfritt antal av de enkätfrågor som rör nöjdhet bland de anställda.

  5. Koda om variabeln lön_nöjdhet till en kategorisk variabel 1–2: “Låg nöjdhet” 3–5: “Medelnöjdhet el neutral” 6–7: “Hög nöjdhet”

Beskrivande statistik

  1. Beräkna medelvärde, median och standardavvikelse för:
  • Ålder
  • Lön

Visualisera dessa variabler med boxplots.

  1. Skapa ett stapeldiagram som visar fördelningen av variabeln utbildning.

  2. Visa fördelningen av variabeln lön med hjälp av ett histogram.

  3. Använd variabeln som du skapade under 2D och undersök genomsnittlig nöjdhet bland olika grupper på företaget.

  4. Skapa en frekvenstabell utifrån variabeln som du skapade på uppg. 2E.

Analytisk statistik

  1. Testa om det finns en signifikant skillnad i lön mellan de som har ursprung i Sverige respektive utolmlandsmed hjälp av ett oberoende t-test.

  2. Utför en korrelationsanalys mellan variablerna:

  • Chefens konflikthantering
  • Medarbetarnöjdhet
  • Chefens nöjdhet
  1. Utför ett Chi-två-test för att undersöka sambandet mellan kön och personalansvar.

EXTRA

Avancerade analyser

  1. Utför en enkel linjär regression för att undersöka om lönen kan förutsägas av:
  • Ålder
  • Ansvarsnivå
  1. Utför en logistisk regression för att undersöka sannolikheten för att en person har personalansvar (Ja/Nej) baserat på:
  • Ålder
  • Ansvarsnivå
  • Lön
  1. Rapportering och export Exportera resultaten från en av analyserna ovan till en Word-fil.