+1 (208) 254-6996 [email protected]
Select Page

Evidence Based Library and Information Practice 2007, 2:1

43

Don't use plagiarized sources. Get Your Custom Essay on
Evidence Based Library and Information Practice 2007, 2:1
Just from \$13/Page

Like the chi‐square test, the t‐test provides a  significance value called a p‐value, and is  presented the same way.    Correlation Coefficients  What are correlation coefficients?  Correlation coefficients measure the  strength of association between two  variables, and reveal whether the correlation  is negative or positive. A negative  relationship means that when one variable

increases the other decreases (e.g., drinking  alcohol and reaction time). A positive  relationship means that when one variable  increases so does the other (e.g.,study time  and test scores). Correlation scores range  from ‐1 (strong negative correlation) to 1  (strong positive correlation). The closer the  figure is to zero, the weaker the association,  regardless whether it is a negative or  positive integer.

Table 6. Example of chi‐square.

A chi‐square statistic was then performed to determine if type of library worked at affected whether  librarians had heard the term evidence‐based practice. As you can see by the table below, p>.05,  therefore there is no statistical difference in distribution of awareness of EBP based on the type of  library worked at.

Value  Df  Sig.  Chi‐Square  16.955  4  .990

Why use a chi‐square?  A chi‐square is the statistic being used here because the relationship between two ordinal variables  (type of library worked at and awareness of the term EBP) is being explored.    What does value mean?  It is simply the mathematical calculation of the chi‐square.  It is used to then derive the p‐value, or  significance.     What does df mean?  Df stands for degrees of freedom.  Degrees of freedom is the number of values that can vary in the  estimation of a parameter. It is calculated for the chi‐square statistic by looking at the cross  tabulation and multiplying the number of rows minus one by the number of columns minus one (r‐ 1) x (c‐1). In this case, if we look back to Fig. 4, we can see that we have a two by five table.  Thus, (2‐ 1) x (5‐1) = 4.    What does sig. mean?  Sig. stands for significance level, or p‐level. In this case p = .990.  As this number is larger than .05,  the null hypothesis is proven.  There is no statistically relationship between type of library and  awareness of EBP, despite the differences in percentages we saw in Table 5.

Evidence Based Library and Information Practice 2007, 2:1

44

When should you use correlation  coefficients?  Correlation coefficients should be used  whenever you want to test the strength of a  relationship. There are many tests to  measure correlation; which one to use  depends on what variables you are  examining. A few are listed below:    Nominal variables: Phi, Cramer’s V, Lambda,  Goodman and Kruskal’s Tau    Ordinal variables: Gamma, Sommers D,  Spearman’s Rho  Ratio variables: Pearson r  Limitations of correlation coefficients  Correlation does not indicate causality.  Simply because there is a relationship  between two variables does not mean that  one causes the other.  Keep in mind  correlation only looks at the relationship  between two variables; there many be others  affecting the relationship (remember the  confounding variable!).  Correlation

coefficients can also be skewed by outlier  values.     How do I know if the relationship is  statistically significant?  Correlation scores range from ‐1 (strong  negative correlation) to 1 (strong positive  correlation). The closer the figure is to zero,  the weaker the association, regardless of  whether it is a negative or positive integer.    Analysis of Variance (ANOVA)  What is ANOVA?  Like the t‐test, ANOVA compares means,  but can be used to compare more than two  groups. ANOVA looks at the differences  between categories to see if they are larger  or smaller than those within categories.    When should you use ANOVA?  The dependent variable in ANOVA must be  ratio.  The independent variable can be

Table 7. Example of a t‐test.

An independent samples t‐test was performed to determine if there was a statistical difference  between genders on the Evidence‐based Practice test. As the table below illustrates, there was  a significant difference in performance between males and females, t (19)=‐.398 p<.05

Value  df  Sig.  T‐test  ‐.398  19  .049

Why use a t‐test?  A t‐test is used for these variables because we are comparing the mean of one variable (EPB  Test Score, a ratio variable) between 2 groups (sex, a nominal variable).  An independent  samples t‐test is used here because the groups being compared are mutually exclusive ‐ male  and female.    How is the t‐test interpreted?  The t‐test value, degrees of freedom, and significance values can be interpreted in precisely  the same way as the chi‐square in Fig. 5.  The significance value of .049 is less that .05,  therefore it can be stated that the null hypothesis is disproved; there is a statistical significant  difference between the performance of male librarians and the performance of female  librarians on the EBP Perceptions Test.

Evidence Based Library and Information Practice 2007, 2:1

45

Table 8. Example of a Pearson r correlation.      nominal or ordinal, but most be composed  of mutually exclusive groups     Limitations of ANOVA  ANOVA measures whether there are  significant differences between three or  more groups, but it does not illustrate where  the significance lies – there could be  differences between all groups or only two.  There are tests called post hoc comparisons  which can be performed to determine where  significance lies, however.    How do I know if the relationship is  statistically significant?  An ANOVA uses an f‐test to determine if  there is a difference between the means of  groups. The f‐test can be used to calculate a   p‐score, which is analyzed in the same way  as chi‐squares and t‐tests.     Statistical Significance and Effect Size  Measures  Significance tests have a couple of  weaknesses.  One is the fairly arbitrary  value at which statistical significance is said  to have occurred.  Why is α = .051 not a  significant finding while α = .049 is?  The

second disadvantage is that significance  tests do not give an indication of the  strength of a relationship, merely that it  exists.  A smaller significance value could be  the result of a larger sample rather than a  strong relationship.  This is where effect  sizes come in. Effect sizes are tests which  gauge the strength of a relationship. There  are many different effect size indices; which  to use depends on the statistical test being  performed.      Multivariate Analysis  Any in‐depth discussion of multivariate  analysis is beyond the scope of a paper  entitled “Statistical Primer”; however, here  is a brief introduction.    Multivariate analysis looks at the  relationship between more than two  variables, for example length of service and  type of librarian might together be  predictors of perception of EBP. Using  bivariate statistical methods, it is not  possible to see the relationship between two  independent variables as well as their effect  on the dependent variable. There are several  multivariate statistical methods.  Here are  two of the most common.

A Pearson r correlation was performed to determine if there was a relationship between age  and score on the EBP test instrument. The correlation revealed that the two were significantly  related, r=+.638, n=210, p<.05.    Why was a Pearson r correlation performed?  A Pearson r was done because both variables involved, Age and EBP Perceptions Test score,  are ratio variables.    What does the r value tell us?  The r is correlation score.  Remember that correlation scores range from +/‐1 to 0.  Therefore, a  score of +.638 reveals that there is a strong positive correlation between age and EBP score.   The fact that it is positive means that when one variable increases so does the other – the older  the librarian, the higher they scored on the EBP test instrument.

Evidence Based Library and Information Practice 2007, 2:1

46

Table 9. Example of ANOVA.    Statistical Test  Effect Size Measure  Comments

Chi‐square  phi  Phi tests return a value between zero (no

relationship) and one (perfect relationship).

T‐test  Cohen’s d

Cohen’s d results are interpreted as 0.2 being a  small effect, 0.5 a medium and 0.8 a large effect  size. (Cohen 157)

ANOVA  Eta squared  Eta square values range between zero and one,  and can be interpreted like phi and Cohen’s d.

Table 10. Statistical tests and effect size measures.      Multivariate analysis of variance (MANOVA)  is an ANOVA which analyses several  dependent variables.  It can be interpreted  in much the same way as ANOVA tests.   MANOVA has advantages over doing  multiple ANOVA tests, including reducing  the potential for Type I errors (concluding  that there is a relationship when there is not).  Conversely, MANOVA tests can also reveal  relationships not apparent in ANOVA tests.   Multiple linear regression examines “the  relationship between one ‘effect’ variable,

called the dependent or outcome variable,  and one or more predictors, also called  independent variables” (Muijs 168).  It is  designed to work with continuous variables,  though there are different techniques  available for analyzing other variable types.   While performing and analyzing regressions  are complicated, they are valuable tools for  examining the relationship between many  variables.  It is important to note that, like  other inferential statistical techniques,  values are created that provide the statistical  significance of the relationships.

For the EBP Test Instrument Score, the analysis of variance (ANOVA) revealed that there was  not a significant difference in performance F (3, 47)=3.43, p<.05 between types of librarians.  The critical value (.245) for the scores was obtained the F distribution table using dfbetween=4  and dfwithin=16.    Why was an ANOVA performed?  An ANOVA was the appropriate statistical technique because the dependent variable (EBP  Test score) is continuous, while the independent variable (type of library worked at) is  nominal and composed of several groups.    What does this tell us?  The F test score was calculated at 3.43.  This score was used in conjunction with the degrees of  freedom (because we are comparing several groups, there are two degrees of freedom scores,  one for between the groups (4) and one for within the groups (16) to calculate the p‐score.  P  = .245, which is greater than .05. Therefore there is no difference in performance on the test  based on the type of library worked at.

Evidence Based Library and Information Practice 2007, 2:1

47

Conclusion  This paper is not intended to produce  statistical experts.  Rather, it is a guide to  understanding the basic principles and  techniques common in library and related  research.  Most statistical software packages,  such as SPSS or SAS, will effortlessly  perform statistics, so it is far more important  that as a researcher you know a) how to  select an appropriate sample; b) know what  statistical technique is appropriate in which  situations; and c) be able to interpret results  correctly.  There are a few things you can do  to make yourself more comfortable with  statistics.  One is to purchase a basic  quantitative methods textbook. Look for one  that comes with a CD of sample data sets.   Running through the exercises in the  textbook will provide you with valuable  practice in performing and analyzing  statistics.  There are several textbooks  available in the library field, although any  social science quantitative methods texts

would be useful. The second thing you can  do is to read the research literature in your  field.  If you know the topic well, it is easier  to evaluate and interpret results.        Works cited  Cohen, J. “A Power Primer.” Psychological

Bulletin 112 (1992): 155‐159.    Muijs, Daniel.  Doing Quantitative Research in

Education with SPSS. London: SAGE,  2004.

Nardi, Peter M.  Doing Survey Research: A

Guide to Quantitative Methods. Boston:  Allyn and Bacon, 2003.

Weisberg, Herbert F., Jon A. Krosnick, and

Bruce D. Bowen. An Introduction to  Survey Research, Polling, and Data  Analysis. 3rd ed. Thousand Oaks, Calif.:  Sage Publications, 1996.

Order your essay today and save 10% with the discount code ESSAYHELP